-
公开(公告)号：CN107301649B
公开(公告)日：2020-11-13
申请号：CN201710454623.X
申请日：2017-06-15
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于超像素的区域合并SAR图像海岸线检测算法读取合成孔径雷达SAR图像I，输入k个超像素的种子点，计算种子点的位置并计算出各种子点的邻域点均值和中心点均值的相似程度Si,j，然后计算各种子点的均值和方差作为种子点的特征，重复步骤直至所有点的类别都不在发生变化。计算超像素的像素均值，超像素内像素数量和超像素内像素的标准差，直到迭代前后超像素不再合并，则输出海岸线检测结果。本发明通过构建一个新的局部窗，可以有效的解决传统矩形窗中因含有边缘导致计算出的特征模糊的问题，通过该局部窗构建一个相似性描述子，使得提取出的特征更加精确，使得超像素的边缘贴合度更高。
-
公开(公告)号：CN110097101B
公开(公告)日：2022-09-13
申请号：CN201910319782.8
申请日：2019-04-19
Applicant: 大连海事大学
IPC: G06V10/764 , G06V10/80
Abstract: 本发明公开了一种基于改进可靠性因子的遥感图像融合与海岸带分类方法，主要包括：读取SAR图像与光学图像并配准；选用FLF线检测算法提取海岸线；将分类区域分割为均匀区域与不均匀区域；进行图像融合并提取灰度共生矩阵纹理并选定训练数据；计算当前像素所属类别的条件概率及每个像素属于每一类的势能，取势能最小的类别标签赋给当前像素作为分类结果；由所述分类结果的每一类别中提取20％的数据作为训练集直到每个像素属于每一类的势能不再变化，则输出最终分类结果。本发明针对不同的地物区域，对不同的传感器数据给出不同的可靠性因子，进而实现海岸带的精确分类。
-
公开(公告)号：CN107256399B
公开(公告)日：2021-01-15
申请号：CN201710449129.4
申请日：2017-06-14
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于Gamma分布超像素算法和基于超像素TMF的SAR图像海岸线检测算法，通过读取图像I，输入种子点数k，并根据输入的种子点数k和图像的大小确定种子点的位置以及每个种子点周围搜索区域的大小，直至超像素的边界不再发生变化，输入所述超像素图像，更新种子点并计算势能，最终输出海岸线结果。本发明在SAR图像海岸线检测算法中提出了一种全新的TMF算法，能够良好的解决中心像素和邻域像素之间的相对位置关系的问题，而解决前一问题需要引入超像素方法。
-
公开(公告)号：CN110097101A
公开(公告)日：2019-08-06
申请号：CN201910319782.8
申请日：2019-04-19
Applicant: 大连海事大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于改进可靠性因子的遥感图像融合与海岸带分类方法，主要包括：读取SAR图像与光学图像并配准；选用FLF线检测算法提取海岸线；将分类区域分割为均匀区域与不均匀区域；进行图像融合并提取灰度共生矩阵纹理并选定训练数据；计算当前像素所属类别的条件概率及每个像素属于每一类的势能，取势能最小的类别标签赋给当前像素作为分类结果；由所述分类结果的每一类别中提取20％的数据作为训练集直到每个像素属于每一类的势能不再变化，则输出最终分类结果。本发明针对不同的地物区域，对不同的传感器数据给出不同的可靠性因子，进而实现海岸带的精确分类。
-
公开(公告)号：CN107169533A
公开(公告)日：2017-09-15
申请号：CN201710448649.3
申请日：2017-06-14
Applicant: 大连海事大学
Abstract: 本发明公开了一种超像素的概率因子TMF的SAR图像海岸线检测算法读取合成孔径雷达采集到的SAR图像，生成对应的纹理图像Itexture均匀选取种子点，遍历所述的纹理图像Itexture，将无边缘的局部窗作为邻域点的集合C中的特征点，计算种子点的特征均值和方差，根据均值法更新每一类标签的特征和每一个超像素的特征，并计算出ps,i，进而更新二维向量的标记场X，重复循环纸质超像素保持不变，进行条件迭代，得到海岸的检测结果。本发明不再采用传统的增加特征维数的方法，而是由液体扩散系数的启发提出了用统计量表示图像的方法，提出这种纹理，使用该统计量可以在一定程度上降低SAR图像中海洋和陆地的纹理复杂性，同时在一定程度上增强海洋和陆地的对比度。
-
Patent Agency Ranking
公开(公告)号：CN107169533B
公开(公告)日：2021-01-15
申请号：CN201710448649.3
申请日：2017-06-14
Applicant: 大连海事大学
Abstract: 本发明公开了一种超像素的概率因子TMF的SAR图像海岸线检测算法读取合成孔径雷达采集到的SAR图像，生成对应的纹理图像Itexture均匀选取种子点，遍历所述的纹理图像Itexture，将无边缘的局部窗作为邻域点的集合C中的特征点，计算种子点的特征均值和方差，根据均值法更新每一类标签的特征和每一个超像素的特征，并计算出ps,i，进而更新二维向量的标记场X，重复循环纸质超像素保持不变，进行条件迭代，得到海岸的检测结果。本发明不再采用传统的增加特征维数的方法，而是由液体扩散系数的启发提出了用统计量表示图像的方法，提出这种纹理，使用该统计量可以在一定程度上降低SAR图像中海洋和陆地的纹理复杂性，同时在一定程度上增强海洋和陆地的对比度。
-
公开(公告)号：CN108765440A
公开(公告)日：2018-11-06
申请号：CN201810546924.X
申请日：2018-05-31
Applicant: 大连海事大学
CPC classification number: G06T7/13 , G06K9/6277 , G06T7/12 , G06T2207/10044
Abstract: 本发明公开了一种单极化SAR图像的线引导超像素海岸线提取方法，该方法通过嵌入一种尺寸自适应的双边窗边缘检测器，使改进的ILF算法适用于SAR影像。并将ILF线分布图嵌入到改进的SLIC算法中，使其模型参数受ILF引导控制。最终采用Gabor滤波器以及隐马尔科夫模型对超像素分类，从而实现海岸线提取，进而解决现有超像素对线状物不能贴合的问题，提高SAR图像海岸线提取精度。
-
公开(公告)号：CN107256399A
公开(公告)日：2017-10-17
申请号：CN201710449129.4
申请日：2017-06-14
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于Gamma分布超像素算法和基于超像素TMF的SAR图像海岸线检测算法，通过读取图像I，输入种子点数k，并根据输入的种子点数k和图像的大小确定种子点的位置以及每个种子点周围搜索区域的大小，直至超像素的边界不再发生变化，输入所述超像素图像，更新种子点并计算势能，最终输出海岸线结果。本发明在SAR图像海岸线检测算法中提出了一种全新的TMF算法，能够良好的解决中心像素和邻域像素之间的相对位置关系的问题，而解决前一问题需要引入超像素方法。
-
公开(公告)号：CN108765440B
公开(公告)日：2022-04-15
申请号：CN201810546924.X
申请日：2018-05-31
Applicant: 大连海事大学
IPC: G06T7/13 , G06T7/12 , G06V10/764 , G06V10/84 , G06K9/62
Abstract: 本发明公开了一种单极化SAR图像的线引导超像素海岸线提取方法，该方法通过嵌入一种尺寸自适应的双边窗边缘检测器，使改进的ILF算法适用于SAR影像。并将ILF线分布图嵌入到改进的SLIC算法中，使其模型参数受ILF引导控制。最终采用Gabor滤波器以及隐马尔科夫模型对超像素分类，从而实现海岸线提取，进而解决现有超像素对线状物不能贴合的问题，提高SAR图像海岸线提取精度。
-
公开(公告)号：CN107301649A
公开(公告)日：2017-10-27
申请号：CN201710454623.X
申请日：2017-06-15
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于超像素的区域合并SAR图像海岸线检测算法读取合成孔径雷达SAR图像I，输入k个超像素的种子点，计算种子点的位置并计算出各种子点的邻域点均值和中心点均值的相似程度Si,j，然后计算各种子点的均值和方差作为种子点的特征，重复步骤直至所有点的类别都不在发生变化。计算超像素的像素均值，超像素内像素数量和超像素内像素的标准差，直到迭代前后超像素不再合并，则输出海岸线检测结果。本发明通过构建一个新的局部窗，可以有效的解决传统矩形窗中因含有边缘导致计算出的特征模糊的问题，通过该局部窗构建一个相似性描述子，使得提取出的特征更加精确，使得超像素的边缘贴合度更高。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.019 seconds)
