排序方式: 共有31条查询结果,搜索用时 18 毫秒
1.
2.
船只检测是实现船只航行安全的重要方法之一,利用SAR图像可实现船只检测。本文论述了海上船只检测的方法、过程及相应的算法。根据实际检测多位于存在陆地和岛屿的近海图像,利用分形维作为海陆分割的阈值,采用改进的分裂合并算法进行分割,并利用轮廓跟踪及种子填充消除分割遗留的孤立区域,使得海陆分割达到了较好的效果。在比较、试验的基础上,船只检测中采用了改进的CFAR算法,依据视数的不同选择不同的杂波模型,既消除了杂波模型参数计算复杂性,又取得了较好的时效性。通过试验证明,本文提出的算法在实际检测中取得了较好的效果,识别率高、虚景率低且实时性好。 相似文献
3.
快速准确获得研究区海上船只状态,对海洋交通监测具有重要意义。本文从技术角度提出了基于空间信息的SAR图像海上船只交通监测方法。首先利用已有的空间先验信息对图像进行自动陆地掩膜;建立海面杂波分布模型,对海面船只进行检测;估算船只的长度、面积、中心坐标等参数信息,并对目标进行筛选;最后根据船只信息库结合空间信息平台进行统计与分析,可为海上船只监测以及交通规划等应用提供决策信息。重点介绍了数据处理方法,并以9景ERS2数据进行了实验和详细分析,通过实验,分析了技术的可行性与正确性。 相似文献
4.
基于极化似然比的极化SAR影像变化检测 总被引:1,自引:0,他引:1
由于数据获取困难等问题,目前SAR影像变化检测方法多基于幅度,而较少引入极化信息.针对此方面的不足,以极化SAR数据为研究对象,在分析多极化SAR影像极化特征及其分布模型的基础上,构建极化似然比检验模型,以此进行不同时相的多极化SAR数据地表地物变化程度分析,通过设定恒虚警率确定变化区域,最后考虑地物空间信息剔出斑点噪声引起的孤立检测结果.利用多极化SAR数据进行算法的验证,并与图像比值法进行比较,实验表明:基于极化似然比方法可以有效区分地物的变化情况,且变化检测精度要优于图像比值法. 相似文献
5.
基于海图信息的SAR影像海陆自动分割 总被引:1,自引:0,他引:1
海陆分割是对海洋SAR图像进行船舶检测的基本前提之一,传统的手动分割方法可以很精确,但操作繁琐,速度较慢,不适合于批量图像的处理,而海岸线检测算法抗噪能力较低,对于近海多岛屿地区检测效果较差。提出了一种基于海图信息的SAR影像海陆自动分割方法,该方法利用SAR图像的地理信息,有效地与基于地理先验信息的海洋区域矢量图层相叠加,将对SAR图像的海陆分割问题转换为对矢量图层中多边形矢量元素区域的判断,并使海陆分割问题实现了自动化。最后使用Radarsat-1数据和ALOS PALSAR数据对该方法进行了验证。实验表明,近似自动分割与手动分割效果非常接近,对船舶检测几乎没有影响,且运行速度较快,适于图像的实时处理。
相似文献
相似文献
6.
船舶分类与识别对于海洋交通运输监测与管理具有重要意义,同时也是SAR海洋应用的重要组成部分。COSMO\|SkyMed高分辨率合成孔径雷达(SAR)图像下,商用船舶的结构轮廓明显,散货船、集装箱船和油船的特征清晰可辨,为船舶识别分类提供有效支持。提出了一种基于结构特征分析的商用船舶分类算法,通过提取核密度估计值、船舶积分主轴位置及左中右3部分积分量比例等特征,可实现船舶类型的区分。通过在东海试验区的同步实验,证明COSMO\|SkyMed图像商用船舶分类算法的平均分类精度达到89.94%。 相似文献
7.
8.
Radarsat-2卫星可为普通用户提供8 m分辨率全极化SAR影像服务,这为研究基于星载全极化SAR影像的目标检测与监视提供了数据保障。针对此新型星载SAR影像中的车辆目标,本文提出以目标RCS测量和极化分解两种技术相结合的目标特性分析方法,并以同型号、典型方位的大型卡车为例,进行了不同入射角条件下的两次同步实验。利用本文提出的分析方法对实验数据进行了分析,给出了卡车目标在不同成像方式下的极化特性分析结论。为进一步研究基于星载全极化SAR影像的道路交通监测提供了基础。 相似文献
9.
以FCOS为代表的无锚框网络避免了预设锚框带来的超参设定问题,然而其水平框的输出结果无法指示任意朝向下SAR船舶目标的精确边界和朝向。针对此问题,该文提出了一种名为FCOSR的检测算法。首先在FCOS回归分支中添加角度参量使其输出旋转框结果。其次,引入基于可形变卷积的9点特征参与船舶置信度和边界框残差值的预测来降低陆地虚警并提升边界框回归精度。最后,在训练阶段使用旋转自适应样本选择策略为每个船舶样本分配合适的正样本点,实现网络检测精度的提高。相较于FCOS以及目前已公开发表的锚框旋转检测网络,该网络在SSDD+和HRSID数据集上表现出更快的检测速率和更高的检测精度,mAP分别为91.7%和84.3%,影像切片平均检测时间仅需33 ms。 相似文献
10.
SAR船只目标检测是实现海上安全监测的有效手段。由于在海杂波较为复杂的情况下,传统CFAR算法对于弱小船只检测效果不佳,本文提出了基于多尺度静态小波分解的改进型CFAR检测算法。首先通过实验选出最优小波基及最佳小波分解级数,再利用幂运算对经多尺度乘性增强的小波系数进行优化,以增强船只与海洋背景的对比度,从而运用简单的CFAR算法即可得到较好的检测效果。最后,以新型星载ALOS-PALSAR数据为例,通过与传统CFAR算法的对比实验,验证本文算法的有效性。实验表明,利用Sym2最优小波基的较强边缘检测能力以及小波多尺度乘性增强,双重强化了船只目标的边缘影像特征,并有效抑制了海杂波噪声,使得本文算法在提高检测率与降低虚警率两方面都优于传统CFAR算法,有利于高海杂波下弱小船只的检测。 相似文献