本文综述了极化SAR图像舰船目标检测的四种主流技术方法,分别是基于极化特征的目标检测方法、基于慢速运动的目标检测方法、基于舰船目标尾迹的检测方法以及基于深度学习的目标检测方法。这些方法在PolSAR图
该数据集为美国国防高等研究计划署(DARPA)支持的MSTAR计划所公布,由高分辨率的聚束式合成孔径雷达采集而来。数据集包含了128×128像素大小的静止车辆SAR切片图像,分为三大类:BTR70(装
用VS和OpenCV实现,包括BMP文件读取、固定阈值分割、大津阈值分割、迭代法分割、目标形心的确定、目标框的确定等。
感兴趣目标提取是计算机视觉领域一个经典和基础的研究课题,是正确实现几乎所有高层次视觉任务的关键。由于实际采集环境中存在许多不可控制的因素,使得快速准确的目标提取成为几十年来研究者一直面临的挑战。描述了
在计算机视觉领域中,centroid tracking是一种常用的目标跟踪方法。该算法通过计算目标的中心点来跟踪目标的运动轨迹,实现目标的追踪。基于centroid tracking的目标跟踪方法,通
在走停模式下生成SAR回波数据以及使用条带与聚束两种模式下的BP成像算法,最终在三种坐标系下形成SAR图像的详细方法。参考博文《后向投影算法(续)-SAR成像算法系列(八)》提供了更多的学习资料。
目标跟踪综述,基于预训练模型目标跟踪以及基于离线训练目标跟踪
基于图模型的半监督机器学习已得到很好的建立。 然而,就时间消耗而言,其计算复杂性仍然很高,尤其是对于大数据而言。 在这封信中,我们针对最近的大型极化合成Kong径雷达(PolSAR)数据提出了一种基于
针对SAR图像斑点噪声及分割速度慢的问题,提出一种基于灰色理论和Tsallis熵的SAR图像快速分割方法。该方法首先对待分割图像进行小波变换,将表征图像概貌信息的低频部分重构为概貌图像,表征图像细节和
尽管基于图的机器学习已在遥感领域引起了广泛关注,并且已广泛用于地形分类,但是大多数现有算法中的图构造仍然占用大量内存和大量计算时间,尤其是对于大型极化合成Kong径雷达(PolSAR)数据。 针对这些