共查询到19条相似文献,搜索用时 78 毫秒
1.
基于邻域均方连续差分的SAR图像边缘提取算法 总被引:1,自引:0,他引:1
该文提出了一种基于邻域均值连续差分平方和(均方连续差分)的SAR图像边缘提取算法。首先,将像素邻域滑动窗口分成多个互不重叠的子区域,采用邻域均值差分平方和作为边缘强度的衡量因子,从理论上证明了该算子可以消除区域亮度对边缘强度估计的影响,具有恒定虚警率的特性,同时较好地估计边缘方向。然后,根据边缘走向对边缘强度图像进行边缘细化,消除真实边缘附近的虚假边缘,并提出一种基于平均强度变化率的自适应双阈值连接方法提取SAR图像中边缘。仿真和实测SAR图像的实验结果表明,该文提出的算子在SAR图像的边缘检测中表现出较好的性能,具有较高检测率和边缘定位精度,边缘线段的连续性保持也较好。 相似文献
2.
3.
4.
基于改进Wedgelet变换的SAR图像边缘检测 总被引:1,自引:0,他引:1
针对SAR图像边缘检测中,传统算法很难同时兼顾噪声抑制和对边缘完整准确定位的缺点,利用多尺度Wedgelet变换能够有效检测线目标的特点,提出了一种新的Wedgelet变换的代价函数,增强了其抑噪能力,同时选择了适当的分解尺度,在没有降低逼近图像质量的情况下提高了变换速度.基于此变换,对SAR图像进行自适应的边缘检测.实验结果表明该方法有效克服了斑点噪声的影响,对SAR图像的边缘检测是可行、有效的. 相似文献
5.
6.
7.
8.
9.
一种改进的SAR图像边缘检测方法 总被引:1,自引:0,他引:1
加权指数平均比率(ROEWA)边缘检测算子是一种较好的适用于SAR图像的边缘检测算子,但使用传统的计算梯度方向的方法却无法正确确定边缘点的方向。针对ROEWA算子存在的问题,该文根据Gabor滤波器具有的优秀的方向选择性这一性质,提出利用Gabor滤波器确定边缘方向的方法,完善了ROEWA边缘检测方法。实验结果证明,改进的ROEWA算子检测边缘及边缘方向的性能很好。 相似文献
10.
11.
12.
13.
14.
本文从SAR图象的斑点噪声的特性分析出发,对以局部均值比ROA算子的统计特性进行了分析,给出了检测阈值和检测率的关系,提出了解决图象边缘过检测和欠检测的多方向多尺度融合检测算子,并将融合检测算子与其它Canny检测算子的检测结果进行了比较。 相似文献
15.
针对高分辨率SAR图像复杂背景下的线状目标边缘,提出了一种基于DS证据理论的融合提取方法。首先,分析并建立了线状目标的边缘模型;其次,改进了现有的ROEWA算法,在计算边缘强度的同时,利用方向模板和二次曲线进行方向估计,得到了边缘方向;然后,基于边缘模型设计了DS证据理论识别框架,利用道路边缘点方向,设计了一种一一映射的Hough变换方法,基于线状目标直线边缘的高边缘强度值、直线边缘共线性、直线边缘侧面均匀区域统计特性(灰度均值和方差),构建了三组相互独立的基本概率分配函数(BPAF),并采用DS证据理论的Dempster方法,实现了复杂背景下线状目标边缘提取的融合判决。最后,利用机载SAR图像进行城区道路目标的边缘提取试验,验证了本文方法的性能。 相似文献
16.
基于小波域NMF特征提取的SAR图像目标识别方法 总被引:4,自引:0,他引:4
该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。 相似文献
17.
针对SAR图像舰船目标尺寸大小不一、舰船分布密集、背景复杂等问题,本文提出一种改进YOLOX网络并用于SAR图像舰船目标检测。该网络包括主干特征提取网络、加强特征提取网络、解耦头、预测框优化及损失计算等4个部分。与常规YOLOX网络相比,本文作了如下改进:首先,在主干特征提取网络中,3个基础特征层之后都添加了CA模块;在加强特征提取网络中,两处下采样之后也都添加了CA模块。以强化对SAR图像中重要区域的特征提取。其次,在框回归损失函数中,引入CIOU替代IOU,以更好地利用预测框和真实框之间的相对位置信息和形状信息,提升预测框回归精度。本文基于AIR-SARSHIP-2.0数据集进行了大量的舰船目标检测实验,并选择了Faster-RCNN、YOLOv3和常规YOLOX等3种网络与本文的改进YOLOX网络进行对比。实验结果表明,本文的改进YOLOX网络整体性能优于其他3种对比网络,有更少的虚警和漏警、更高的检测精度。 相似文献
18.
19.
对海监视是极化SAR的重要应用,密集区域的舰船目标检测是当前面临的主要挑战之一。舰船密集区域受多目标串扰,传统的恒虚警率(CFAR)检测滑窗难以选取纯净的海杂波样本用于确定检测门限,将导致检测性能下降。针对这一问题,该文从特征提取和检测器设计两方面出发,提出一种融合极化旋转域特征和超像素技术的极化SAR舰船检测方法。在特征提取方面,雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系,由此带来的散射多样性隐含信息可通过极化旋转域分析进行挖掘。该文利用极化相关方向图及导出的一系列极化旋转域特征,根据目标杂波比(TCR)分析,优选TCR最高的3个极化特征量用于构建目标检测器。在此基础上,该文在检测器设计方面提出了一种基于K均值聚类的杂波超像素筛选方法,有效避免了密集区域舰船目标对邻近杂波的影响,基于筛选的杂波像素点得到舰船目标CFAR检测结果。基于Radarsat-2和高分三号星载全极化SAR数据的对比实验表明,所提方法能有效实现密集区域舰船目标检测,检测品质因数达到95%。 相似文献