共查询到20条相似文献,搜索用时 171 毫秒
1.
2.
船舶SAR图像由于高斯噪声、相干斑噪声以及SAR雷达的阴影特性等原因,SAR图像中存在着大量噪声,这些噪声信号会干扰基于SAR图像的海上船舶目标识别与监测。针对这一问题,本文提出一种基于双边滤波算法的船舶SAR图像混合区域去噪算法,阐述双边滤波算法的原理,进行SAR图像噪声的来源建模,在实际船舶SAR图像的处理过程中取得了良好的降噪效果。 相似文献
3.
在海上行驶过程中,为确保安全稳定航行,有必要高度重视舰船去噪的重要性。其中,在舰船去噪过程中,将信噪比增益当做小波基函数的一个重要参数进行研究,可以将改进后的小波阈值算法应用到舰船的背景信号去噪算法中,进而改善去噪的效果。而LMS自适应滤波器则能够结合环境改变对滤波器的系数进行自动调整,结构相对简单且运算量不大,容易满足硬件需求,所以也在噪声对消与信号预测、增强等诸多领域中得到广泛应用。在舰船去噪中,将小波阈值去噪方法与LMS自适应滤波算法应用于其中具有一定的可行性,值得展开进一步研究与探讨。 相似文献
4.
《舰船科学技术》2019,(2)
传统舰船假目标图像检测算法存在检测精准度低的缺陷,为此提出智能视频监控中舰船假目标图像检测算法研究。将智能视频监控中采集的图像采用灰度化处理得到灰度图像,利用直方图均衡化处理灰度图像,提升图像的质量。采用滤波处理方法将得到的图像进行去噪,完成图像的预处理,为图像检测做准备。采用小波变换方法对上述得到的图像进行特征提取,将得到的图像特征输入到图像检测模型中,与真目标图像特征进行逐一比较,输出假目标图像,实现了对舰船假目标图像的检测。实验结果表明,提出的舰船假目标图像检测算法检测精准度比传统算法高出21.8%,说明提出的舰船假目标图像检测算法具备极高的有效性。 相似文献
5.
《舰船科学技术》2021,(2)
传统舰船图像低照度增强算法多为单一增强算法,因此在对图像动态范围处理上存在一定误差,导致动态范围外的图像色域噪点处理效果不佳,图像整体增强效果无法达到舰船图像应用要求。为了获得低照度下舰船图像的最佳增强效果,提出低照度的舰船图像增强研究。首先,对低照度图像建立Retinex模型,获得低照度图像增强的理论基础数据;接着将Retinex模型参量引入低照度舰船图像,建立图像光照基础模型,根据光照基础模型获得的各图层光照分布状态,对其亮度进行调整,滤除图层噪点;然后,通过神经网络算法,对增强图像图层进行重建计算,完成低照度舰船图像增强计算。最后,通过对比实验数据,证明提出方法能够提升低照度舰船图像增强处理效果。 相似文献
6.
7.
8.
《舰船科学技术》2020,(4)
遥感图像分类一直是舰船应用领域的关键技术,由于遥感图像具有多波段、高维特征等特点,当前遥感图像分类技术面临一定的挑战。为了获得更优的舰船遥感图像分类结果,提出一种多分类器加权组合的舰船遥感图像分类方法。首先分析舰船遥感图像分类研究的历史,找到导致单分类器的舰船遥感图像分类错误率高的原因,然后引入双边滤波算法对原始舰船遥感图像进行去噪,并提取舰船遥感图像分类纹理特征,最后采用多种方法建立舰船遥感图像分类器,并对它们进行加权组合,输出舰船遥感图像的最终归属。仿真测试结果表明,本文方法获得了比单分类器更优的舰船遥感图像分类正确率,舰船遥感图像分类结果更加可靠。 相似文献
9.
10.
11.
12.
舰船遥感图像检测小波分析研究 总被引:1,自引:1,他引:0
本文以舰船遥感图像为具体分析对象,针对舰船图像中存在的噪声干扰和目标边缘检测问题,引入小波分析作为解决方法,通过对使用小波进行图像去噪及目标边缘检测原理的分析,采用db N小波函数为对舰船图像信号进行分解,以自适应阈值法实现高频信号去噪处理,并对降噪后的图像选择合适的平滑函数进行舰船目标边缘提取,结果表明,小波分析能够很好地实现舰船遥感图像去噪,而舰船目标对于边缘提取,虽然效果较好,但仍有进一步优化改进的空间。 相似文献
13.
14.
为提升雾天舰船图像视觉传达质量,提出基于时空域滤波的雾天舰船图像视觉传达方法。中值滤波算法分解雾天舰船图像,获取基础层与细节层雾天舰船图像;利用时空域滤波算法确定舰船图像需增强区域,并对其进行图像增强;以加权融合方式到增强后雾天舰船图像;提取增强后雾天舰船图像的边缘轮廓特征,依据量化融合方式处理提取的边缘轮廓特征,输出雾天舰船图像视觉传达结果。实验证明,该方法可有效分解雾天舰船图像,并增强图像,有效完成现雾天舰船图像视觉传达,提升图像边缘强度与彩色熵,即图像视觉传达效果较优。 相似文献
15.
针对传统的SAR舰船检测算法适应能力和准确率低的问题,提出一种基于改进Faster R-CNN的SAR舰船图像检测算法.改进后的算法以FasterR-CNN为检测框架,利用改进的k-means算法设计更适合舰船目标形状特点的先验锚点框;优化NMS算法以剔除重叠区域的舰船候选框,改善了舰船距离较近导致的漏检问题;同时引入Mask R-CNN算法中的RoI Align单元来消除特征图与原始图像的映射偏差.试验结果表明,改进后的算法相比 Faster R-CNN算法平均检测精度提升5.1%,达到86.64%,可以达到船舶数据量庞大情形下的检测要求. 相似文献
16.
17.
18.
19.
20.
当前舰船图像以海量的形式存在,传统分类算法的工作时间长、舰船图像分类的实时性差,为了快速、高精度的实现舰船图像分类,设计了基于大数据理论的舰船图像分类算法。首先对舰船图像分类的研究现状进行分析,采集舰船图像,建立舰船图像分类的特征库,然后对待分类舰船图像,采用大数据理论和机器学习算法进行特征匹配,将舰船图像分类相应的类别中,最后进行舰船图像分类的模拟测试。结果表明,本文算法可以短时间内实现舰船图像分类,舰船图像分类的误差远远小于实际应用的控制范围,而且舰船图像分类的整体效果要优于传统的舰船图像分类算法。 相似文献