CN101908213A - 基于量子免疫克隆的sar图像变化检测方法 - Google Patents
基于量子免疫克隆的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN101908213A CN101908213A CN 201010230980 CN201010230980A CN101908213A CN 101908213 A CN101908213 A CN 101908213A CN 201010230980 CN201010230980 CN 201010230980 CN 201010230980 A CN201010230980 A CN 201010230980A CN 101908213 A CN101908213 A CN 101908213A
- Authority
- CN
- China
- Prior art keywords
- antibody
- quantum
- image
- change detection
- affinity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于量子免疫克隆的SAR图像变化检测方法,主要解决已有优化方法耗时长,易陷入局部最优,对复杂图像边缘定位不准确的缺点。其步骤为:(1)对两时相待变化检测图像进行滤波处理,求对数比差异影像图;(2)设置种群规模、类别数k及停机条件,随机产生量子抗体Q(t)作为初始聚类中心;(3)观测Q(t)成二进制抗体p(t),计算每个抗体的亲合度fk,保留Q(t)最优抗体qbest;(4)对Q(t)进行变异操作得到Qm(t);(5)重组Qm(t)得到Qc(t);(6)观测Qc(t)成二进制抗体pc(t),计算每个抗体的亲合度fc;(7)选择操作pc(t),得到子代抗体;(8)若子代抗体满足停机条件,将子代抗体中亲合度最高的抗体对应图像类属划分作为输出结果。本发明具有变化检测精度高、边缘定位准确的优点,可用于对复杂图像的变化检测。
Description
技术领域
本发明属于图像处理领域,具体地说是一种划分聚类技术,可用于多时相SAR图像变化区域的检测问题。
背景技术
随着卫星遥感技术的发展,遥感数据飞速增加。其中的SAR数据由于不受大气环境和和云层遮挡的影响成为一种重要的遥感数据。如何准确快速自动地从不同时相的SAR图像中找出显著变化的区域则具有十分重要的意义。
在SAR图像中寻找“非变化”和“变化”两分类的研究目前还处于初步阶段,大致有两个路线,一条路线是分类后比较方法,也称后分类比较法,该方法先对两个时相的图像进行独立分类,再对两幅分类图像进行逐象素的比较,最后得到变化检测图;另外一条路线是差异图分类方法,该方法先对两个时相的图像进行逐象素的比较,比如逐象素点的差值、比值、CVA等,再对比较得出的差异图像进行进一步地多种变换、概率分布等处理以达到两分类,最后得到变化检测图。后分类比较法能够减少由于数据获取平台和环境的不同引起的伪变化信息,不需要数据的辐射校正等复杂的预处理,目前较多的研究是沿着差异分类模型这个路线进行的。差异图分类方法简单直观,得到的变化细节较为显著。构造差异影像得到的结果与实际的变化和非变化趋势大体一致。
按照策略现有的变化检测方法可以归结为七类:算术运算法、变换法、分类法、高级模型法、GIS方法、视觉分析法和其它方法。其中,在算术运算法中,应用比较广泛的是无监督的分割方法,通常又叫做聚类方法。无监督分割方法一般可以分为两类:层次聚类和划分聚类,其中划分聚类通过最小化特定准则将数据集划分到不同的类属中,因此这类方法可以看作是最优化问题,同时,图像的变化检测问题也可以视为组合优化问题,因此可以用划分聚类方法来处理图像的变化检测问题。但是已有的优化方法对于处理优化问题的时候往往耗时很长,并且在搜索过程中容易陷入局部最优,同时对于复杂图像的变化检测问题往往会存在边缘定位不够准确的缺点,这样势必会影响到图像变化检测的区域一致性与边缘保持的性能。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于量子免疫克隆聚类算法的变化检测方法,以快速、有效地搜索到最优聚类中心,准确定位边缘,提高图像区域一致性和边缘保持性能。
实现本发明的技术方案是用聚类来实现变化检测,把变化区域的检测问题看作组合优化问题,用量子免疫克隆算法计算搜索,使亲合度函数最大化的序列组合作为变化检测结果,进而得到最结果。具体实现步骤如下:
(1)对输入的两时相图像分别采用中值滤波,得到滤波后的图像I1和I2;
(2)对滤波后的图像I1和I2求对数比差异影像I3,并将该I3的灰度值作为聚类数据集;
(3)设置抗体规模N=20、类别数k=2和停机条件,随机产生初始量子抗体作为聚类数据集的初始聚类中心,Q(t)中的 都以等概率初始化,所述的停机条件包括最大亲合度值改变量的阈值ε=10e-5以及连续无法改进次数n=5;
(5)计算观测后的二进制抗体p(t)与聚类数据集的亲合度函数fk,保留当前种群中的最优子抗体qbest;
(6)将量子抗体Q(t)进行量子旋转门变异操作,得到量子种群Qm(t);
(7)将量子种群Qm(t)进行量子全干扰交叉重组操作,得到聚类中心Qc(t);
(8)将聚类中心Qc(t)观测成为新的二进制抗体pc(t),计算pc(t)中每个子抗体与聚类数据集的亲合度函数值fc;
(9)对pc(t)进行选择操作,得到子代抗体p(t+1);
(10)判断子代抗体是否满足停机条件,如果满足该条件就将子代抗体中亲合度最高的抗体对应的图像类属划分作为输出结果,否则返回步骤(4),循环执行步骤(4)~(10),直到满足停机条件。
本发明与现有技术相比具有如下优点:
1.在图像数据聚类过程中快速且有效地搜索到最优聚类中心,防止在进化过程中陷入局部最优解。
本发明由于采用了量子免疫克隆聚类算法来实现SAR图像变化检测,在操作中利用量子编码的叠加性来构造抗体,使得作用在量子编码抗体上的操作具有高效的并行性,为防止盲目的搜索,利用当前最优抗体的信息来控制变异,使种群以大概率向着优良模式进化来加速收敛,并且有效地提高了搜索速度,使得该操作的时间复杂度降低。随着问题的复杂求解能力不尽人意,在各个子群体间采用量子重组操作增强信息交流,在各个子群体内部采用量子旋转门对抗体进行进化,并动态调整旋转角度,在全局搜索的同时兼顾局部,有效防止了在进化过程中陷入局部最优解。
2.图像变化检测效果好
本发明由于采用了量子编码,量子重组,量子变异操作和精英选择策略操作,因而具有比现有技术更好的图像变化检测效果。仿真实验表明,针对几幅变化检测SAR图像,其变化检测结果的区域一致性,边缘准确性好,同时具有更低的变化检测错误率。
附图说明
图1是本发明的SAR图像变化检测流程图;
图2是现有量子旋转门的构造示意图;
图3是用本发明方法对Bern城市水灾变化检测结果示意图;
图4是用本发明方法对Ottawa地区水灾变化检测结果示意图。
具体实施方式
参照图1,本发明的变化检测过程如下:
步骤1,对待检测的两时相图像进行简化处理。
这里选取形态学中最常用的工具之一中值滤波器,窗口大小为3x3,用该滤波器对输入的两时相图像进行滤波处理,得到滤波后的图像I1和I2,滤波的目的是去掉小的噪声干扰以及对感知不重要的细节,对图像起到平滑作用,与经典的图像简化工具,如低通或中通滤波器相比,中值滤波器的优势在于简化图像而不造成图像模糊或改变图像轮廓。
步骤2,按如下步骤对滤波后的图像I1和I2求对数比差异影像I3,并将得到的I3的灰度值作为聚类数据集。
(2a)求待变化检测两时相图像的对数比差异影像:
ID=|log(I2+1)-log(I1+1)|
其中I′1={I1(i,j),1≤i≤I,1≤j≤J},I2={I2(i,j),1≤i≤I,1≤j≤J};
(2b)对差异影像进行归一化处理,得到对数比差异影像图:
I3=255*(ID-Imin)/(Imax-Imin)
其中Imax=max(ID),表示ID中最大灰度值,Imin=min(ID),表示ID中最小灰度值。
步骤3,设置初始化参数,生成初始量子抗体。
(3a)按照量子免疫克隆算法设置抗体规模N=20、类别数k=2,同时给定停机条件,该停机条件包括最大亲合度值改变量的阈值ε=10e-5以及连续无法改进次数n=5;
(3b)初始量子抗体Q(t)按如下定义随机产生,作为聚类数据集的初始聚类中心:
一个具有m个量子比特位的抗体Q(t)可以描述为:
其中α,β表示一个量子比特位,是用一对复数归|Ψ>=α|0>+β|1>来定义,这个复数表示一个量子比特位的状态可以取0或1,该量子比特位处于状态0和状态1的概率分别是|α|2,|β|2,并且|αi|2+|βi|2=1(i=1,2,…,m),这种表示方法能够表征任意的线性叠加态。
步骤4,将初始量子抗体Q(t)观测成为二进制抗体p(t)。
通过观察初始量子抗体Q(t)的状态,产生一组普通二进制解p(t),其中在第t代中p(t)可以描述为:
步骤5,计算每个观测后的二进制抗体p(t)与聚类数据集的亲合度函数fk,保留当前群体中的最优抗体qbest。
抗体亲合度函数定义为:
其中,i表示类别,j表示样本点,μij表示一个像素点样本j属于各个类别i的隶属度,m表示模糊指数,d(xj,vi)表示第vi个聚类中心到第xj个像素样本之间的欧几里德距离。
步骤6,将初始量子抗体Q(t)进行量子旋转门变异操作,得到新的量子种群Qm(t)。
在本发明中,各个状态间的转移是通过量子门变换矩阵实现的,在0、1编码的问题中,设计了下面这种量子门变换矩阵来加速进化求优:
U(θ)表示量子旋转门变换矩阵,旋转变异的角度θ可由表量子旋转门变异角θ变化表得到,用量子旋转门的旋转角度表征了量子抗体中的优化方向,进而方便的在变异过程中加入最优抗体的信息,加快算法收敛。
表1量子旋转门变异角θ变化表
表中xi为当前抗体的第i位,besti为当前的最优抗体的第i位,均为二值编码,f(x)为亲合度函数,Δθi为旋转角度的大小,用以控制算法收敛的速度,s(αiβi)为旋转角度的方向,用于保证算法的收敛。
参照图2,本发明用一个二维坐标系来表示量子旋转门的结构,其中横坐标为αi,表示当前解取零的概率,纵坐标为βi,表示当前解取1的概率,单位圆表示|αi|2+|βi|2=1(i=1,2,…,m)的所包含的区域,当xi=0,besti=1,f(x)≥f(best)时,为使当前解收敛到一个具有更高亲合度的抗体,应增大当前解取0的概率,即要使|αi|2变大,如果(αi,βj)在第一、三象限,θ应向顺时针方向旋转;如果(αi,βi)在第二、四象限,θ应向逆时针方向旋转。
步骤7,将新的量子种群Qm(t)进行量子全干扰交叉重组操作,得到Qc(t),并将其作为新的聚类中心。
本发明通过使用量子的相干特性构造了一种新的重组操作-“全干扰交叉”,量子抗体在实行这种重组操作之前的状态如表2量子重组操作前的抗体所示,实行量子重组后各个抗体之间的状态如表3量子重组操作后的抗体所示。
该量子重组操作采用对角线交叉的方式,让处于对角线上的抗体经过这种量子重组方式之后处于同一行上面,这样保证了种群中的所有抗体均参与重组,这种量子重组可以充分利用种群中的尽可能多的抗体的信息,从而改进普通交叉的局部性与片面性,在种群进化出现早熟时,这种量子重组方法能够产生新的抗体,可以给进化过程注入新的动力。
表2量子重组操作前的抗体
表3量子重组操作后的抗体
步骤8,将新的量子种群Qc(t)观测成为二进制抗体pc(t),计算每个抗体与聚类数据集的亲合度函数值fc;
步骤9,对pc(t)进行选择操作,得到子代抗体p(t+1)。
本发明采用的是精英选择策略,具体为,即在进化过程中,如果某一代中的最优解的亲合度函数值优于当前代最优解的亲合度函数值,则当前代最优解就被该最优解所代替,否则保留当前代最优解,从而可以保证在进化过程中每一代的最优解都不会丢失。
选择操作的目的是选择出亲合度较高的抗体,这些抗体对应的差异图像的变化检测的结果要好于亲合度低的抗体对应的差异图像的变化检测结果,采用精英选择策略可以保证某一代的最优解在整个进化过程中可以毫发无损地被保留下来。
步骤10,输出图像类属划分结果的条件判断。
按照输出差异影像图的变化检测结果时最佳的抗体亲合度改变量至少连续迭代n次不变的原则,判断停机条件,如果第t代与t+1代最大亲合度值之差不大于阈值ε=10e-5,则n=n+1,否则,n不变,如此反复迭代,直到满足n次不大于已设定的阈值ε=10e-5,就将该抗体中亲合度最高的抗体对应的图像类属划分作为输出结果,否则返回步骤(4),循环执行步骤(4)~(10),直到满足输出类属划分结果的停机条件为止。
通过以上十个步骤的操作,对于输入的待变化检测图像均可以输出一个最佳的变化检测结果。
本发明的效果可以通过以下仿真进一步说明:
1.仿真数据
第一组的真实SAR数据是1999年4月和1999年5月由ERS 2所携带的SAR在瑞士Bern城区附近获得,该组数据变化部分是在Thun市、Bern市和Bern机场段Aare河的洪水引起的,实验中所用图像大小为301×301像素,256灰度级,其中变化像元数为1155,未变化像素元数为89446。
第二组的真实SAR数据是1997年5月和1997年8月由Radarsat所携带的SAR在加拿大Ottawa城区附近获得,实验中所用图像大小为290x350像素,256灰度级,其中变化像元数为11952,未变化像素元数为82871。
2.仿真内容及结果
(1)仿真内容:
把以上仿真数据的第一时相原图和第二时相原图作为仿真对象,用本发明方法检测第二时相原图相对于第一时相原图的变化情况。
(2)仿真结果.
对第一组真实SAR数据及实验结果如图3所示,其中图3(a)为真实SAR第一时相的原图,图3(b)为真实SAR第二时相的原图,图3(c)为两时相的变化检测参考图,图7(d)为本发明的变化检测结果图,图3(e)为对比算法K均值算法变化检测结果图,图3(f)为对比算法遗传算法变化检测结果图。
对第二组真实SAR数据及实验结果如图4所示,其中图4(a)为真实SAR第一时相的原图,图4(b)为真实SAR第二时相的原图,图4(c)为两时相的变化检测参考图,图7(d)为本发明的变化检测结果图,图4(e)为对比算法K均值算法变化检测结果图,图4(f)为对比算法遗传算法变化检测结果图。
表4给出了本发明实验结果数据。
表4实验结果数据
3.仿真结果分析
从图3和图4可以看出,本发明方法对于复杂图像的变化检测问题边缘定位准确,图像变化检测的区域一致性与边缘保持的性能相对于K均值算法和遗传算法都有了很大的提高。
从表4可以得到,本发明对真实SAR数据,相对于K均值算法和遗传算法来说,误检率和漏检率,错误检测率都处于较低的水平,总的来说,变化检测精度高。
Claims (5)
1.一种基于量子免疫克隆的SAR图像变化检测,包括以下步骤:
(1)对输入的两时相图像分别采用中值滤波,得到滤波后的图像I1和I2;
(2)对滤波后的图像I1和I2求对数比差异影像I3,并将该I3的灰度值作为聚类数据集;
(3)设置抗体规模N=20、类别数k=2和停机条件,随机产生初始量子抗体作为聚类数据集的初始聚类中心,Q(t)中的 都以等概率初始化,所述的停机条件包括最大亲合度值改变量的阈值ε=10e-5以及连续无法改进次数n=5;
(5)计算观测后的二进制抗体p(t)与聚类数据集的亲合度函数fk,保留当前种群中的最优子抗体qbest;
(6)将量子抗体Q(t)进行量子旋转门变异操作,得到量子种群Qm(t);
(7)将量子种群Qm(t)进行量子全干扰交叉重组操作,得到聚类中心Qc(t);
(8)将聚类中心Qc(t)观测成为新的二进制抗体pc(t),计算pc(t)中每个子抗体与聚类数据集的亲合度函数值fc;
(9)对pc(t)进行选择操作,得到子代抗体p(t+1);
(10)判断子代抗体是否满足停机条件,如果满足该条件就将子代抗体中亲合度最高的抗体对应的图像类属划分作为输出结果,否则返回步骤(4),循环执行步骤(4)~(10),直到满足停机条件。
2.根据权利要求1所述的图像变化检测方法,其中步骤(5)所述的计算观测后的二进制抗体p(t)与聚类数据集的亲合度函数fk,利用如下公式进行:
其中,i表示类别,j表示样本点,μij表示一个像素点样本j属于各个类别i的隶属度,m表示模糊指数,d(xj,vi)表示第vi个聚类中心到第xj个像素样本之间的欧几里德距离。
4.根据权利要求1所述的图像变化检测方法,其中步骤(7)所述的将量子种群Qm(t)进行量子全干扰交叉重组操作,是通过使用量子的相干特性构造全干扰交叉操作实现重组算子,该操作采用对角线交叉的方式,使得种群中的所有抗体均参与交叉。
5.根据权利要求1所述的图像变化检测方法,其中步骤(9)所述的对pc(t)进行选择操作,采用精英选择策略,即在进化过程中,如果某一代中的最优解的亲合度函数值优于当前代最优解的亲合度函数值,则当前代最优解就被该最优解所代替,否则保留当前代最优解,从而可以保证在进化过程中每一代的最优解都不会丢失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010230980A CN101908213B (zh) | 2010-07-16 | 2010-07-16 | 基于量子免疫克隆的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010230980A CN101908213B (zh) | 2010-07-16 | 2010-07-16 | 基于量子免疫克隆的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101908213A true CN101908213A (zh) | 2010-12-08 |
CN101908213B CN101908213B (zh) | 2012-10-24 |
Family
ID=43263666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010230980A Active CN101908213B (zh) | 2010-07-16 | 2010-07-16 | 基于量子免疫克隆的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101908213B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081799A (zh) * | 2011-01-10 | 2011-06-01 | 西安电子科技大学 | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 |
CN102509297A (zh) * | 2011-11-14 | 2012-06-20 | 西安电子科技大学 | 基于克隆选择的最佳熵阈值的遥感图像变化检测方法 |
CN103366365A (zh) * | 2013-06-18 | 2013-10-23 | 西安电子科技大学 | 基于人工免疫多目标聚类的sar图像变化检测方法 |
JP2013250122A (ja) * | 2012-05-31 | 2013-12-12 | Mitsubishi Electric Corp | レーダ装置及びレーダ信号処理装置 |
CN103914832A (zh) * | 2014-03-10 | 2014-07-09 | 西安电子科技大学 | 基于混合策略博弈的sar图像变化检测方法 |
CN104751185A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
CN106600542A (zh) * | 2016-10-31 | 2017-04-26 | 北京空间机电研究所 | 一种航天光学遥感高密度量子化信息处理方法 |
CN106997462A (zh) * | 2017-04-01 | 2017-08-01 | 南通大学 | 一种量子线路图像识别方法 |
CN112907484A (zh) * | 2021-03-18 | 2021-06-04 | 国家海洋信息中心 | 基于人工免疫算法的遥感影像色彩克隆方法 |
CN114240805A (zh) * | 2022-02-24 | 2022-03-25 | 中国科学院空天信息创新研究院 | 一种多角度sar动态成像检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6839698B2 (en) * | 2001-08-09 | 2005-01-04 | Northrop Grumman Corporation | Fuzzy genetic learning automata classifier |
JP2008164545A (ja) * | 2006-12-29 | 2008-07-17 | Mitsubishi Electric Corp | 移動目標検出装置、移動目標検出方法および移動目標検出プログラム |
CN101625755A (zh) * | 2009-08-06 | 2010-01-13 | 西安电子科技大学 | 基于分水岭-量子进化聚类算法的图像分割方法 |
CN101634709A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于多尺度积和主成分分析的sar图像变化检测方法 |
CN101692284A (zh) * | 2009-07-24 | 2010-04-07 | 西安电子科技大学 | 基于量子免疫克隆算法的三维人体运动跟踪方法 |
CN101699515A (zh) * | 2009-10-30 | 2010-04-28 | 西安电子科技大学 | 基于多精英免疫量子聚类的医学影像分割系统及分割方法 |
CN101699514A (zh) * | 2009-10-30 | 2010-04-28 | 西安电子科技大学 | 基于免疫克隆量子聚类的sar图像分割方法 |
-
2010
- 2010-07-16 CN CN201010230980A patent/CN101908213B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6839698B2 (en) * | 2001-08-09 | 2005-01-04 | Northrop Grumman Corporation | Fuzzy genetic learning automata classifier |
JP2008164545A (ja) * | 2006-12-29 | 2008-07-17 | Mitsubishi Electric Corp | 移動目標検出装置、移動目標検出方法および移動目標検出プログラム |
CN101692284A (zh) * | 2009-07-24 | 2010-04-07 | 西安电子科技大学 | 基于量子免疫克隆算法的三维人体运动跟踪方法 |
CN101625755A (zh) * | 2009-08-06 | 2010-01-13 | 西安电子科技大学 | 基于分水岭-量子进化聚类算法的图像分割方法 |
CN101634709A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于多尺度积和主成分分析的sar图像变化检测方法 |
CN101699515A (zh) * | 2009-10-30 | 2010-04-28 | 西安电子科技大学 | 基于多精英免疫量子聚类的医学影像分割系统及分割方法 |
CN101699514A (zh) * | 2009-10-30 | 2010-04-28 | 西安电子科技大学 | 基于免疫克隆量子聚类的sar图像分割方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081799B (zh) * | 2011-01-10 | 2012-12-12 | 西安电子科技大学 | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 |
CN102081799A (zh) * | 2011-01-10 | 2011-06-01 | 西安电子科技大学 | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 |
CN102509297A (zh) * | 2011-11-14 | 2012-06-20 | 西安电子科技大学 | 基于克隆选择的最佳熵阈值的遥感图像变化检测方法 |
JP2013250122A (ja) * | 2012-05-31 | 2013-12-12 | Mitsubishi Electric Corp | レーダ装置及びレーダ信号処理装置 |
CN103366365B (zh) * | 2013-06-18 | 2016-05-25 | 西安电子科技大学 | 基于人工免疫多目标聚类的sar图像变化检测方法 |
CN103366365A (zh) * | 2013-06-18 | 2013-10-23 | 西安电子科技大学 | 基于人工免疫多目标聚类的sar图像变化检测方法 |
CN103914832B (zh) * | 2014-03-10 | 2017-01-11 | 西安电子科技大学 | 基于混合策略博弈的sar图像变化检测方法 |
CN103914832A (zh) * | 2014-03-10 | 2014-07-09 | 西安电子科技大学 | 基于混合策略博弈的sar图像变化检测方法 |
CN104751185A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
CN104751185B (zh) * | 2015-04-08 | 2017-11-21 | 西安电子科技大学 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
CN106600542A (zh) * | 2016-10-31 | 2017-04-26 | 北京空间机电研究所 | 一种航天光学遥感高密度量子化信息处理方法 |
CN106600542B (zh) * | 2016-10-31 | 2020-04-10 | 北京空间机电研究所 | 一种航天光学遥感高密度量子化信息处理方法 |
CN106997462A (zh) * | 2017-04-01 | 2017-08-01 | 南通大学 | 一种量子线路图像识别方法 |
CN112907484A (zh) * | 2021-03-18 | 2021-06-04 | 国家海洋信息中心 | 基于人工免疫算法的遥感影像色彩克隆方法 |
CN112907484B (zh) * | 2021-03-18 | 2022-08-12 | 国家海洋信息中心 | 基于人工免疫算法的遥感影像色彩克隆方法 |
CN114240805A (zh) * | 2022-02-24 | 2022-03-25 | 中国科学院空天信息创新研究院 | 一种多角度sar动态成像检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101908213B (zh) | 2012-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101908213B (zh) | 基于量子免疫克隆的sar图像变化检测方法 | |
CN101625755B (zh) | 基于分水岭-量子进化聚类算法的图像分割方法 | |
Zhu et al. | Construction of membership functions for predictive soil mapping under fuzzy logic | |
CN107247938A (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
Yang et al. | An integrative hierarchical stepwise sampling strategy for spatial sampling and its application in digital soil mapping | |
Wang et al. | A band selection method for airborne hyperspectral image based on chaotic binary coded gravitational search algorithm | |
CN107103332A (zh) | 一种面向大规模数据集的相关向量机分类方法 | |
Lin et al. | Machine learning templates for QCD factorization in the search for physics beyond the standard model | |
CN109934354A (zh) | 基于主动学习的异常数据检测方法 | |
CN109671102A (zh) | 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法 | |
CN103366365A (zh) | 基于人工免疫多目标聚类的sar图像变化检测方法 | |
Gagne et al. | Classification of convective areas using decision trees | |
CN108540988A (zh) | 一种场景划分方法及装置 | |
CN107133686A (zh) | 基于时空数据模型的城市级pm2.5浓度预测方法 | |
CN105405118A (zh) | 基于量子衍生混合蛙跳的水下声纳图像目标检测方法 | |
Zhao et al. | An adaptive hierarchical clustering method for ship trajectory data based on DBSCAN algorithm | |
CN105808582A (zh) | 基于分层策略的决策树并行生成方法和装置 | |
Park et al. | Source term estimation using deep reinforcement learning with Gaussian mixture model feature extraction for mobile sensors | |
CN104463207A (zh) | 知识自编码网络及其极化sar影像地物分类方法 | |
CN110378882A (zh) | 一种多层级深度特征融合的中医舌质颜色分类方法 | |
Song et al. | A data streams analysis strategy based on hoeffding tree with concept drift on hadoop system | |
CN105069474B (zh) | 用于音频事件分类的半监督学习高置信度样本挖掘方法 | |
CN114581777A (zh) | 一种次序感知的遥感图像实例增量检测方法 | |
CN110222610A (zh) | 一种信号分类的方法及装置 | |
Hu et al. | Using uncertain DM-chameleon clustering algorithm based on machine learning to predict landslide hazards |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |