排序方式: 共有24条查询结果,搜索用时 0 毫秒
1.
2.
3.
遥感图像中港口检测是遥感海洋应用研究的重要方面。快速、准确地检测港口将大大提高遥感图像的自动解译能力。该文通过研究港口目标配置,从港口功能特征出发建立了港口特征模型,并在此基础上提出了一种基于特征的遥感图像港口检测方法。首先根据港口的几何特征、拓扑特征完成港口突堤的提取与筛选,然后根据港口的上下文特征、几何特征,选择突堤特征点并计算特征点间岸线封闭性,最后根据封闭性准则完成港口检测。实验结果表明,相对于已有的港口检测方法,新方法具有港口检测正确、轮廓完整、检测率高、运算速度快等特点。 相似文献
4.
在SAR图像目标识别、图像匹配等应用中,定义合理可靠的相似度尤为重要。该文在分析现有SAR图像相似度基础上,提出一种基于像素差值编码的相似度准则。首先将SAR图像按照相邻像素灰度差异生成编码图像,然后以编码图像之间的一致性作为相似度。该文从理论上证明了该相似度对SAR图像中相干斑噪声、部分遮挡和模糊等因素的鲁棒性和适应性,还讨论了将该准则应用于SAR图像匹配时,如何针对不确定性,给出一定置信水平下所有合理的匹配位置。理论和实验结果表明该文提出的相似度准则对SAR图像上相干斑噪声、部分遮挡以及模糊不敏感,能有效应用于不确定SAR图像的匹配。 相似文献
5.
面对高分辨合成孔径雷达(SAR)图像的海量数据,学界广泛通过基于超像素的方法 简化图像处理过程。一般适用于光学图像的超像素分割算法对存在斑噪的 SAR 图像分割性能均 不够理想。面向 SAR 图像改进现有超像素生成算法是目前的研究热点之一。在探讨了将边缘强 度特征引入超像素分割算法的可行性的基础上,结合边缘强度特征和线性谱聚类方法,提出了 一种新的 SAR 图像超像素生成方法(e-LSC)。通过仿真 SAR 图像和实测 SAR 图像的比较实验, 证实了 e-LSC 算法与其他几种典型超像素生成算法相比,生成的超像素在边缘贴合度和匀质区 域的规则化上都有所提高。 相似文献
6.
7.
基于变差函数纹理特征的高分辨率SAR图像建筑区提取 总被引:2,自引:0,他引:2
本文提出了一种基于变差函数纹理特征的高分辨率SAR图像建筑区提取方法,该方法以建筑区变差函数曲线的周期性为依据,首先提取周期性变差函数曲线的变程,然后以该变程为间距计算相应的变差函数值作为分类特征,最后采用非监督模糊C-均值(FCM,Fuzzy C-Mean)分类器实现建筑区和非建筑区两类分类问题,在去除小区域和填补空洞的操作之后,提取最终的建筑区轮廓.在实际计算变差函数特征图像时,为提高算法的实用性,将全方向的变差函数计算转化为四个方向的变差函数之和,并提出快速递推算法以替代常用的逐点加窗计算方式.实验结果表明,利用变差函数纹理特征可以有效地区分高分辨率SAR图像上的建筑区与非建筑区,提取出来的建筑区完整性较高,且虚警较少.与经典的灰度共生矩阵法(GLCM,Gray Level Co-occurrence Matrix)相比,本文方法在应用于不同高分辨率SAR图像的建筑区提取时,其性能可媲美甚至优于经典的GLCM法,而在计算效率上远远高于GLCM法,因而更具有实用的意义. 相似文献
8.
随着人工智能与合成孔径雷达(synthetic aperture radar,SAR)技术的发展,基于卷积神经网络(convolutional neural network,CNN)的SAR图像自动目标识别技术取得了一定的突破.然而,由于飞机自身结构以及SAR成像机制的复杂性,在复杂环境大场景SAR图像中对飞机目标进行快速准确的检测依然存在挑战.为提升算法的检测能力,本文对现有检测算法的处理流程进行了分析与总结,并提出了一种复杂环境大场景SAR图像飞机目标快速检测算法.算法优化了整体检测流程,设计了基于灰度特征的机场区域精细化提取和基于CNN的飞机目标粗检测两大子模块,并采用了YOLOv3网络对机场区域以及飞机目标分别进行初步的提取与检测.实验结果表明,本文算法对复杂环境大场景SAR图像中的飞机目标具有高效的检测能力. 相似文献
9.
在某些应用领域,常常需要得到目标的高分辨率图像,考虑到在这些应用场合中,往往可以获得对同一景物或目标的多帧图像,本文提出了一种基于亚像素级图像配准与类似于中值滤波插值的从多幅低分辨率(LR)图像中获取一幅高分辨率(HR)图像的算法。算法首先采用梯度方法计算出LR图像之间的位移量,经过图像配准后,每个HR像素点被赋予其作用域内所有LR像点值的中值。仿真结果表明,该算法简单有效,既能提高图像分辨率,又能较好地去除非线性噪声。 相似文献
10.
基于分水岭变换的高分辨率机载城区SAR图像建筑物自动检测方法 总被引:2,自引:0,他引:2
该文提出了一种从单幅高分辨率机载SAR图像上自动检测建筑物目标轮廓的方法。该方法以应用标记的分水岭变换为基础,针对建筑物的强回波特性和形状特征,主要采用CFAR检测和方向相关分析得到标记图像,然后利用最小强制技术和标记图像修改原始图像的梯度图,最后对修改后的梯度图作分水岭变换得到建筑物目标的边界轮廓。实验结果表明了该算法的有效性。 相似文献