[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN106803070A - 一种基于遥感图像的港口区域舰船目标变化检测方法 - Google Patents

一种基于遥感图像的港口区域舰船目标变化检测方法 Download PDF

Info

Publication number
CN106803070A
CN106803070A CN201611249668.5A CN201611249668A CN106803070A CN 106803070 A CN106803070 A CN 106803070A CN 201611249668 A CN201611249668 A CN 201611249668A CN 106803070 A CN106803070 A CN 106803070A
Authority
CN
China
Prior art keywords
image
remote sensing
sensing images
width
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611249668.5A
Other languages
English (en)
Inventor
刘峰
安宇
陈天明
陈宇翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING POLYTECHNIC LEIKE ELECTRONIC INFORMATION TECHNOLOGY Co Ltd
Original Assignee
BEIJING POLYTECHNIC LEIKE ELECTRONIC INFORMATION TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BEIJING POLYTECHNIC LEIKE ELECTRONIC INFORMATION TECHNOLOGY Co Ltd filed Critical BEIJING POLYTECHNIC LEIKE ELECTRONIC INFORMATION TECHNOLOGY Co Ltd
Priority to CN201611249668.5A priority Critical patent/CN106803070A/zh
Publication of CN106803070A publication Critical patent/CN106803070A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/13Satellite images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于遥感图像的港口区域舰船目标变化检测方法,属于目标检测领域;首先得到两幅同一港口不同时相的遥感图像;其次,将两幅同一港口区域不同时间采集的遥感图像配准;然后,采用模板图像对两幅图像进行掩膜运算,屏蔽陆地区域,得到海面区域,对海面区域图像海色均匀化,对屏蔽的陆地区域采用海区域均值进行填充;将两幅配准后的图像作差,对作差后的图像进行分割;最后,提取切片的图像特征,进行虚警剔除,确认切片中的变化舰船切片,即得到两幅遥感图像变化的舰船目标位置和相应信息;该方法既能准确快速的排除云和变化的海面背景对最终结果的影响,减少虚警率,又能完整、准确的分割并检测出变化的舰船目标,提高检测率。

Description

一种基于遥感图像的港口区域舰船目标变化检测方法
技术领域
本发明属于图像检测技术领域,具体涉及一种遥感图像的港口区域舰船目标变化检测方法。
背景技术
随着航空和航天技术、传感器技术、计算机技术、模式识别技术相关学科的迅猛发展,空间遥感技术取得了飞速进步,对自动目标检测识别能力提供了相应的技术支持和理论基础。多时相遥感图像港口区域舰船目标变化检测分析技术是我国现阶段急需解决的关键技术之一。我国领海广阔,海洋安全是国防中的重要部分,开展港口舰船目标的变化检测研究具有重要意义:在民用方面,有利于对特定港口的泊位分配、舰船进出港等方面的监测和管理,为我国海运监测管理调度提供辅助信息,增加港口货物运输的效率;在军事方面,捍卫领土完整和维护国家统一是我国面临的重大任务,通过该技术可以及时获悉关注港口内舰船目标的变化情况,提前分析出对方的可能军事行为与目的,对战场动态感知与战略意图分析有着至关重要的意义。
最初人们对港口图像中的舰船目标进行变化检测主要是通过专业判图员进行手工标绘,不同的判图员对于同一图像进行检测最终得出的结果往往是不同的,即使是同一名判图员,在不同时间对同一图像的标绘结果也不总是完全一致,同时随着图像获取途径的增多,海量的图像数据如果通过人工进行标绘首先无法满足战时情报迅速更新的要求,其对于判图员来说则更是严峻的考验,因此用计算机实现自动变化检测是未来该技术发展的必然趋势。
因此,一种行之有效的多时相遥感图像港口区域舰船目标变化检测技术就变得非常有必要。目前解决该问题一般采用的技术途径的主要是利用模式识别的方法进行处理,通常包括对原图进行图像配准、海陆分割、图像作差、图像分割、虚警剔除等步骤。但是,由于遥感图像比较大,导致图像配准步骤计算量大,为了加快处理速度一般牺牲运算精度,导致配准误差的存在,影响到了后面结果的精度;由于遥感图像内容复杂,灰度往往不是均匀分布的,导致海陆分割步骤往往无法完全准确的将二者完全分割出来,这些误分割出的区域最后会增加系统的误检率;在遥感图像中由于拍摄时间不同、天气状况不同,同一场景不同时相的遥感图像对应的像素的灰度值可能差异很大,在图像作差这一步骤中可能得到许多虚假变化目标。
发明内容
有鉴于此,本发明的目的是提供一种基于模式识别与图像处理技术的遥感图像港口区域舰船目标变化检测方法,能够解决当前港口区域舰船目标变化检测方法配准不准确、虚警率高等问题,取得较高的变化检测准确率。
一种基于遥感图像的港口区域舰船目标变化检测方法,包括如下步骤:
S1:对于关注的港口,得到该港口的历史遥感图像,离线制备该港口区域的基于同一幅遥感图像的分布式图像基元和掩膜图像;其中分布式图像基元即为多个不相邻的人工截取的图像块,掩膜图像是指通过人手工涂抹方式得到的盖住陆地区域、露出海面区域的港口区域图像;
S2:对港口区域不同时相图进行配准,包括下列步骤:
S21:针对在线获取的两幅幅不同时相的遥感图像I1和I2以及步骤S1的分布式图像基元R,分别提取具有尺度不变性的特征描述子,并记为D1、D2和DR
S22:将特征描述子D1与DR进行匹配,得到仿射矩阵H1,将D2与DR进行匹配,得到仿射矩阵H2;
S23:将遥感图像I1按照仿射矩阵H1进行重采样,得到I1′,将遥感图像I2按照仿射矩阵H2进行重采样,得到I2′;
S3:采用步骤S1的掩膜图像对步骤S2配准后的图像I1′和I2′进行掩膜操作,得到两幅时相图I1″和I2″;
S4:对S3获得的I1″和I2″的海面区域进行海色均匀化,并分别得到图像I1″′和I2″′;
S5:将海面均匀化后的两幅时相图I1″′和I2″′对应像素值作差,得到两幅时相差分图:
其中,P增加表示两幅差分图中的增加图中的像素点,P减少表示两幅差分图中的减少图中的像素点,P1和P2分别为I1″′和I2″′中的像素点;
S6:采用基于最大熵的图像分割方法,确定分割阈值k,基于阈值k得到二值化后的图像,由此将变化区域从步骤S5中作差后的两幅图像上分割出来,得到两幅图的变化区域;
S7:对S6提取得到的两幅港口区域不同时相图的变化区域进行基于先验知识的虚警剔除;
S8:对S7中港口区域的两幅不同时相图进行基于SVM分类器的虚警剔除,方法包括下列步骤:
S81:利用历史遥感图像手工截取一批舰船切片,对每个舰船目标切片进行分割操作,提取特征,送入支持向量机SVM中进行训练,得到分类模型;
S82:根据S7步骤中剩下的变化区域在S21的图像I1和I2中截取固定大小的舰船切片,对每个切片同样提取S81中特征,送入支持向量机SVM的分类模型中进行分类,得到最终的舰船识别结果。
较佳的,所述步骤S1中,掩模图像包含30%以上的陆地区域。
较佳的,所述S4中,海色均匀化的方法为:统计两幅图海面区域的图像灰度直方图h1与h2,分别计算其灰度均值并比较,假设h1的灰度均值更高一些,则将h2作为基准直方图,对I2″不进行操作,对I1″的海面区域进行直方图标准化;计算I2″的海面区域的海色均值,用该海色均值填充I1″和I2″被掩膜盖住的区域,得到图像I1″′和I2″′。
较佳的,所述S6中得到阈值k的具体方法为:选定阈值k,将图像灰度级分为C1和C2两部分,其中C1是灰度级为[0,1,2,…,k]的像素,C2是灰度级为[k+1,…,L-1]的一组像素,计算得到最大类间方差的灰度值k:
其中,P1(k)是集合C1发生的概率,P2(k)是集合C2发生的概率,m1(k)和m2(k)是集合C1和C2像素的平均灰度,mG是全局均值;
较佳的,所述S7中基于先验知识的虚警剔除的方法为:
S71:对由S6得到的二值图像采用联通区域标记;
S72:对所述二值图像采用滑块扫描的方式,去除点数小于设定阈值或者离散度小于设定阈值的联通区域;
S73:根据联通区域的尺寸剔除不可能的候选区域;
S74:根据目标周围的邻域特性剔除不可能的候选区域,即:将联通区域周围方差和联通区域所在区域方差差值小于设定阈值的区域判定为虚警;
S75:利用候选目标自身的区域信息,剔除不可能的候选区域。
本发明具有如下有益效果:
1)、本发明利用基于分布式图像基元的图像配准方法,对预先保存的分布式图像基元提取图像的匹配特征点,取代了原来对整图提取匹配特征点的方法,加快了图像匹配的速度,同时,分布式基元选择比较有特点的图像区域,提取的特征描述子独特性较强,减少误匹配的可能,提高配准精度;
2)、本发明采用手工离线制备的模板进行海陆分割,虽然增加了人工参与程度,但是也同时增加了海陆分割的精确程度,确保了图像作差后不会出现过多的因为配准不精确导致的虚警过多的问题,保证了最后的变化检测精度;
3)、本发明对分割后的候选区域不先采用分类器进行分类,而是提取四界信息、外接矩形信息等特征,结合舰船在遥感图像上的先验信息,设定经验阈值进行初级的虚警剔除,这样可以显著地过滤掉大部分的虚假候选区域,减少后面分类器处理的待分类样本数量,加快系统运行速度。
附图说明
图1为本发明的方法流程图;
图2为本发明的区域变化的仿真结果图,其中,(a)为舰船减少图,(b)为舰船增加图。
具体实施方式
根据图1的流程图,本发明主要采取以下具体实施方式:
S1:对于要关注其变化的某一特定港口,首先必须得到该港口的历史遥感图像,通过人工标注或截取遥感图像,离线制备好该港口区域的基于同一幅遥感图像的分布式图像基元和掩膜图像;其中分布式图像基元即为许多不相邻的人工截取的图像块,且必须至少包含30%以上的陆地区域,包含该港口周边的地物图像分布信息,包含这些分布信息的图像基元能确保图像配准的唯一性;掩膜图像是指通过人手工涂抹方式得到的盖住陆地区域、露出海面区域的港口区域图像。
S2:对港口区域不同时相图进行配准的方法包括下列步骤:
S21:针对在线获取的2幅不同时相的遥感图像I1和I2以及步骤S1的分布式图像基元R,分别提取具有尺度不变性的特征描述子,并记为D1、D2和DR;其中,特征表述子DR为多个分布式图像基元R提出的特征的组合;
S22:将D1与DR进行匹配,得到仿射矩阵H1,将D2与DR进行匹配,得到仿射矩阵H2;
S23:将遥感图像I1按照仿射矩阵H1进行重采样,得到I1′,将遥感图像I2按照仿射矩阵H2进行重采样,得到I2′,通过重采样,将遥感图像I1与遥感图像I2转到与离线图像相同视角;
S3:采用步骤S1的掩膜图像对步骤S2配准后的图像I1′和I2′进行掩膜操作,盖住陆地区域且露出海面区域的两幅时相图I1″和I2″;
S4:对S3获得的I1″和I2″的海面区域进行海色均匀化,将灰度拉到同一级别上来,具体操作为统计两幅图海面区域的图像灰度直方图h1与h2,分别计算其灰度均值并比较,假设h1的灰度均值更高一些,则将h2作为基准直方图,对I2″不进行操作,但对I1″的海面区域进行直方图标准化,通过直方图标准化,可以将减弱海面光照变化,使海面颜色趋于一致,计算I2″的海面区域的海色均值,用该海色均值填充I1″和I2″被掩膜盖住的区域,这样图像上只剩下海面和船,没有了陆地区域,分别得到图像I1″′和I2″′;
S5:将海面均匀化后的两幅时相图I1″′和I2″′;对应像素值作差,得到时相差分图,具体分为两个结果——增加的和减少的,使用的公式如下所示:其中,P1和P2分别为I1″′和I2″′中的像素点;
S6:采用基于最大熵的图像分割方法,确定分割阈值k,基于阈值k得到二值化后的图像,由此将变化区域从步骤S5中作差后的两幅图像上分割出来,得到两幅图的变化区域;其中,得到阈值k的具体方法为:选定阈值k,将图像灰度级分为C1和C2两部分,其中C1是灰度级为[0,1,2,…,k]的像素,C2是灰度级为[k+1,…,L-1]的一组像素,计算得到最大类间方差的灰度值k:
其中,P1(k)是集合C1发生的概率,P2(k)是集合C2发生的概率,m1(k)和m2(k)是集合C1和C2像素的平均灰度,mG是全局均值;
S7:对S6提取得到的两幅港口区域不同时相图的变化区域进行基于先验知识的虚警剔除,方法包括下列步骤:
S71:对由S6得到的二值图像采用联通区域标记,获得目标的外接矩形信息、长度和宽度等信息;
S72:对二值图像采用滑块扫描的方式,去除点数小于设定阈值或者离散度小于设定阈值的联通区域;
S73:根据联通区域的尺寸剔除不可能的候选区域,即在当前分辨率下,将长度和宽度超出可能尺寸的判定为虚警;
S74:根据目标周围的邻域特性剔除不可能的候选区域,默认舰船四周为海面,灰度级较低,其方差与舰船所在区域的方差相比差距相差较大,因此将候选区域周围方差和候选区域所在区域方差差值小于设定阈值的区域判定为虚警;
S75:利用候选目标自身的区域信息,包括目标像素与外接矩形面积比特征、形状因子特征、能量集中程度度量等,剔除不可能的候选区域;
S8:对S75港口区域的两幅不同时相图进行基于SVM分类器的虚警剔除,方法包括下列步骤:
S81:利用历史遥感图像手工截取一批舰船切片,对每个舰船目标切片进行分割操作,提取切片的矩形度、占空比、最小外接矩形面积、对称度、长宽比等特征,送入支持向量机SVM中进行训练,得到分类模型;
S82:根据S7步骤中剩下的候选区域在S21的图像I1和I2中截取固定大小的舰船切片,对每个切片同样提取上述特征,送入支持向量机中进行分类,得到最终的舰船识别结果;
S9:最终认为剩下的全部为舰船目标,保存并整理目标的位置信息和相关切片信息,切片可以归档并保存,以待查询浏览。如图2(a)和(b)所示,图中的小点即表示识别出来的舰船,因此本发明的方法可以自动得到特定港口的变化舰船目标及其位置和大小等信息。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于遥感图像的港口区域舰船目标变化检测方法,其特征在于,包括如下步骤:
S1:对于关注的港口,得到该港口的历史遥感图像,离线制备该港口区域的基于同一幅遥感图像的分布式图像基元和掩膜图像;其中分布式图像基元即为多个不相邻的人工截取的图像块,掩膜图像是指通过人手工涂抹方式得到的盖住陆地区域、露出海面区域的港口区域图像;
S2:对港口区域不同时相图进行配准,包括下列步骤:
S21:针对在线获取的两幅幅不同时相的遥感图像I1和I2以及步骤S1的分布式图像基元R,分别提取具有尺度不变性的特征描述子,并记为D1、D2和DR
S22:将特征描述子D1与DR进行匹配,得到仿射矩阵H1,将D2与DR进行匹配,得到仿射矩阵H2;
S23:将遥感图像I1按照仿射矩阵H1进行重采样,得到I1′,将遥感图像I2按照仿射矩阵H2进行重采样,得到I2′;
S3:采用步骤S1的掩膜图像对步骤S2配准后的图像I1′和I2′进行掩膜操作,得到两幅时相图I1″和I2″;
S4:对S3获得的I1″和I2″的海面区域进行海色均匀化,并分别得到图像I1″′和I2″′;
S5:将海面均匀化后的两幅时相图I1″′和I2″′对应像素值作差,得到两幅时相差分图:
其中,P增加表示两幅差分图中的增加图中的像素点,P减少表示两幅差分图中的减少图中的像素点,P1和P2分别为I1″′和I2″′中的像素点;
S6:采用基于最大熵的图像分割方法,确定分割阈值k,基于阈值k得到二值化后的图像,由此将变化区域从步骤S5中作差后的两幅图像上分割出来,得到两幅图的变化区域;
S7:对S6提取得到的两幅港口区域不同时相图的变化区域进行基于先验知识的虚警剔除;
S8:对S7中港口区域的两幅不同时相图进行基于SVM分类器的虚警剔除,方法包括下列步骤:
S81:利用历史遥感图像手工截取一批舰船切片,对每个舰船目标切片进行分割操作,提取特征,送入支持向量机SVM中进行训练,得到分类模型;
S82:根据S7步骤中剩下的变化区域在S21的图像I1和I2中截取固定大小的舰船切片,对每个切片同样提取S81中特征,送入支持向量机SVM的分类模型中进行分类,得到最终的舰船识别结果。
2.如权利要求1所述的一种基于遥感图像的港口区域舰船目标变化检测方法,其特征在于,所述步骤S1中,掩模图像包含30%以上的陆地区域。
3.如权利要求1所述的一种基于遥感图像的港口区域舰船目标变化检测方法,其特征在于,所述S4中,海色均匀化的方法为:统计两幅图海面区域的图像灰度直方图h1与h2,分别计算其灰度均值并比较,假设h1的灰度均值更高一些,则将h2作为基准直方图,对I2″不进行操作,对I1″的海面区域进行直方图标准化;计算I2″的海面区域的海色均值,用该海色均值填充I1″和I2″被掩膜盖住的区域,得到图像I1″′和I2″′。
4.如权利要求1所述的一种基于遥感图像的港口区域舰船目标变化检测方法,其特征在于,所述S6中得到阈值k的具体方法为:选定阈值k,将图像灰度级分为C1和C2两部分,其中C1是灰度级为[0,1,2,…,k]的像素,C2是灰度级为[k+1,…,L-1]的一组像素,计算得到最大类间方差的灰度值k:
σ E 2 ( k ) = P 1 ( k ) [ m 1 ( k ) - m G ] 2 + P 2 ( k ) [ m 2 ( k ) - m G ] 2
其中,P1(k)是集合C1发生的概率,P2(k)是集合C2发生的概率,m1(k)和m2(k)是集合C1和C2像素的平均灰度,mG是全局均值;
P 1 ( k ) = Σ i = 0 k p i ; P 2 ( k ) = Σ i = k + 1 255 p i = 1 - P 1 ( k ) ; m G = Σ i = 0 255 ip i ; m 1 ( k ) = Σ i = 0 k ip i ; m 2 ( k ) = Σ i = k + 1 255 ip i .
5.如权利要求1所述的一种基于遥感图像的港口区域舰船目标变化检测方法,其特征在于,所述S7中基于先验知识的虚警剔除的方法为:
S71:对由S6得到的二值图像采用联通区域标记;
S72:对所述二值图像采用滑块扫描的方式,去除点数小于设定阈值或者离散度小于设定阈值的联通区域;
S73:根据联通区域的尺寸剔除不可能的候选区域;
S74:根据目标周围的邻域特性剔除不可能的候选区域,即:将联通区域周围方差和联通区域所在区域方差差值小于设定阈值的区域判定为虚警;
S75:利用候选目标自身的区域信息,剔除不可能的候选区域。
CN201611249668.5A 2016-12-29 2016-12-29 一种基于遥感图像的港口区域舰船目标变化检测方法 Pending CN106803070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611249668.5A CN106803070A (zh) 2016-12-29 2016-12-29 一种基于遥感图像的港口区域舰船目标变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611249668.5A CN106803070A (zh) 2016-12-29 2016-12-29 一种基于遥感图像的港口区域舰船目标变化检测方法

Publications (1)

Publication Number Publication Date
CN106803070A true CN106803070A (zh) 2017-06-06

Family

ID=58985169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611249668.5A Pending CN106803070A (zh) 2016-12-29 2016-12-29 一种基于遥感图像的港口区域舰船目标变化检测方法

Country Status (1)

Country Link
CN (1) CN106803070A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766792A (zh) * 2017-06-23 2018-03-06 北京理工大学 一种遥感图像舰船目标识别方法
CN108470338A (zh) * 2018-02-12 2018-08-31 南京邮电大学 一种水位监测方法
CN108830885A (zh) * 2018-05-31 2018-11-16 北京空间飞行器总体设计部 一种基于多向差分残差能量相关的检测虚警抑制方法
CN109117802A (zh) * 2018-08-21 2019-01-01 东北大学 面向大场景高分遥感影像的舰船检测方法
CN109448030A (zh) * 2018-10-19 2019-03-08 福建师范大学 一种变化区域提取方法
CN110163294A (zh) * 2019-05-29 2019-08-23 广东工业大学 基于降维操作和卷积网络的遥感图像变化区域检测方法
CN110378892A (zh) * 2019-07-24 2019-10-25 国网山东省电力公司电力科学研究院 一种快速检测输电线路通道隐患的方法
CN110378186A (zh) * 2019-03-22 2019-10-25 北京理工雷科电子信息技术有限公司 Sar遥感图像舰船目标虚警剔除的方法
CN111220956A (zh) * 2019-11-08 2020-06-02 北京理工雷科电子信息技术有限公司 一种基于地理信息的机载雷达对海探测陆地目标剔除方法
CN112150461A (zh) * 2020-10-19 2020-12-29 北京百度网讯科技有限公司 用于评估细胞图像头尾清晰度的方法和装置
CN112818723A (zh) * 2019-11-15 2021-05-18 中科星图股份有限公司 遥感影像目标检测方法及系统
CN113409276A (zh) * 2021-06-22 2021-09-17 济南大学 基于互信息配准消除冗余背景的模型加速方法
CN115456474A (zh) * 2022-10-13 2022-12-09 深圳中科天巡信息技术有限公司 一种基于人工智能的港口运营调度方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069811A (zh) * 2015-09-08 2015-11-18 中国人民解放军重庆通信学院 一种多时相遥感图像变化检测方法
CN105205801A (zh) * 2014-12-24 2015-12-30 天津航天中为数据系统科技有限公司 基于变化检测的围填海信息提取方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205801A (zh) * 2014-12-24 2015-12-30 天津航天中为数据系统科技有限公司 基于变化检测的围填海信息提取方法及装置
CN105069811A (zh) * 2015-09-08 2015-11-18 中国人民解放军重庆通信学院 一种多时相遥感图像变化检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
于鹏: "《高分辨率可见光遥感图像舰船目标识别方法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王立民: "《多时相遥感图像像素级变化检测方法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
随银岭: "《多时相遥感图像变化检测技术研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766792A (zh) * 2017-06-23 2018-03-06 北京理工大学 一种遥感图像舰船目标识别方法
CN107766792B (zh) * 2017-06-23 2021-02-26 北京理工大学 一种遥感图像舰船目标识别方法
CN108470338A (zh) * 2018-02-12 2018-08-31 南京邮电大学 一种水位监测方法
CN108830885A (zh) * 2018-05-31 2018-11-16 北京空间飞行器总体设计部 一种基于多向差分残差能量相关的检测虚警抑制方法
CN108830885B (zh) * 2018-05-31 2021-12-07 北京空间飞行器总体设计部 一种基于多向差分残差能量相关的检测虚警抑制方法
CN109117802B (zh) * 2018-08-21 2021-10-29 东北大学 面向大场景高分遥感影像的舰船检测方法
CN109117802A (zh) * 2018-08-21 2019-01-01 东北大学 面向大场景高分遥感影像的舰船检测方法
CN109448030A (zh) * 2018-10-19 2019-03-08 福建师范大学 一种变化区域提取方法
CN110378186A (zh) * 2019-03-22 2019-10-25 北京理工雷科电子信息技术有限公司 Sar遥感图像舰船目标虚警剔除的方法
CN110163294A (zh) * 2019-05-29 2019-08-23 广东工业大学 基于降维操作和卷积网络的遥感图像变化区域检测方法
CN110378892A (zh) * 2019-07-24 2019-10-25 国网山东省电力公司电力科学研究院 一种快速检测输电线路通道隐患的方法
CN111220956A (zh) * 2019-11-08 2020-06-02 北京理工雷科电子信息技术有限公司 一种基于地理信息的机载雷达对海探测陆地目标剔除方法
CN111220956B (zh) * 2019-11-08 2021-11-09 北京理工雷科电子信息技术有限公司 一种基于地理信息的机载雷达对海探测陆地目标剔除方法
CN112818723A (zh) * 2019-11-15 2021-05-18 中科星图股份有限公司 遥感影像目标检测方法及系统
CN112150461A (zh) * 2020-10-19 2020-12-29 北京百度网讯科技有限公司 用于评估细胞图像头尾清晰度的方法和装置
CN112150461B (zh) * 2020-10-19 2024-01-12 北京百度网讯科技有限公司 用于评估细胞图像头尾清晰度的方法和装置
CN113409276A (zh) * 2021-06-22 2021-09-17 济南大学 基于互信息配准消除冗余背景的模型加速方法
CN115456474A (zh) * 2022-10-13 2022-12-09 深圳中科天巡信息技术有限公司 一种基于人工智能的港口运营调度方法及系统
CN115456474B (zh) * 2022-10-13 2023-11-10 深圳中科天巡信息技术有限公司 一种基于人工智能的港口运营调度方法及系统

Similar Documents

Publication Publication Date Title
CN106803070A (zh) 一种基于遥感图像的港口区域舰船目标变化检测方法
CN109190636B (zh) 一种遥感图像舰船目标信息提取方法
CN105022990B (zh) 一种基于无人艇应用的水面目标快速检测方法
CN104217215B (zh) 一种水面有雾图像和清晰图像的分类识别方法
CN103886285A (zh) 先验地理信息辅助下的光学遥感影像舰船检测方法
CN109427055B (zh) 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法
CN108509919B (zh) 一种基于深度学习对视频或图片中水线的检测和识别方法
CN104660994B (zh) 海事专用摄像机及海事智能监控方法
CN108564077A (zh) 一种基于深度学习对视频或图片中数字的检测和识别方法
CN109977897A (zh) 一种基于深度学习的船舶特征重识别方法、应用方法及系统
CN105574550A (zh) 一种车辆识别方法及装置
Pinto et al. Detecting stranded macro-litter categories on drone orthophoto by a multi-class Neural Network
CN101145200A (zh) 多视觉传感器信息融合的内河船舶自动识别系统
Rabee et al. License plate detection and recognition in complex scenes using mathematical morphology and support vector machines
CN109313699A (zh) 用于对一车辆的输入图像进行目标识别的装置和方法
CN112417931A (zh) 一种基于视觉显著性的水面物体检测和分类的方法
CN111382658B (zh) 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法
CN104915678A (zh) 一种输电线路中目标对象的检测方法及装置
CN110415224A (zh) 一种海上船舶遥感监测系统及平台和方法
CN113095441A (zh) 一种猪群扎堆检测方法、装置、设备及可读存储介质
CN107704865A (zh) 基于结构森林边缘候选区域提取的舰船目标检测算法
CN112241692A (zh) 基于航拍图超像素纹理的渠道异物智能检测与分类方法
CN117079097A (zh) 一种基于视觉显著性的海面目标识别方法
CN112101250B (zh) 一种基于上下文语义感知的近岸舰船目标检测方法
CN113591592A (zh) 水上目标识别方法、装置、终端设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Chen Tianming

Inventor after: An Yu

Inventor after: Liu Feng

Inventor after: Chen Yuxiang

Inventor before: Liu Feng

Inventor before: An Yu

Inventor before: Chen Tianming

Inventor before: Chen Yuxiang

CB03 Change of inventor or designer information
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170606

WD01 Invention patent application deemed withdrawn after publication