CN102651073A - 基于稀疏动态集成选择的sar图像地物分类方法 - Google Patents
基于稀疏动态集成选择的sar图像地物分类方法 Download PDFInfo
- Publication number
- CN102651073A CN102651073A CN2012101011343A CN201210101134A CN102651073A CN 102651073 A CN102651073 A CN 102651073A CN 2012101011343 A CN2012101011343 A CN 2012101011343A CN 201210101134 A CN201210101134 A CN 201210101134A CN 102651073 A CN102651073 A CN 102651073A
- Authority
- CN
- China
- Prior art keywords
- sorter
- mark
- atom
- samples
- sample set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 125000004429 atom Chemical group 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 19
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 125000004437 phosphorous atom Chemical group 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于稀疏动态集成选择SAR图像地物分类方法,主要解决现有动态集成选择和动态分类器选择算法用于SAR图像地物分类,速度较慢问题。其实现过程是:1)对待分类SAR图像提取小波能量特征;2)从待分类SAR图像上获取训练数据;3)对待分类SAR图像进行区域划分获得待分类数据;4)利用训练样本学习集成系统;5)对每一类训练数据学习一个字典,并获得合成字典;6)对合成字典中每一个原子进行动态集成选择;7)对待分类样本进行稀疏编码;8)根据稀疏系数和原子对应分类器集成对待分类样本标记;9)将待分类样本标记映射到SAR图像中像素点,得到地物分类结果。本发明具有速度快且分类效果好的优点,可用于SAR图像目标识别。
Description
技术领域
本发明属于图像处理技术领域,可用于SAR图像地物分类,作为进一步SAR图像理解和解译的基础。
背景技术
合成孔径雷达SAR成像技术通过主动发射和接受电磁波,根据物体的反射、散射特性成像,它充分利用合成孔径原理提高方位分辨率,在遥感领域具有独特的优势。SAR具有全天时、全天候的探测与侦察能力,SAR图像的解译受到越来越多的国防和民用的重视。作为SAR图像解译非常重要的一个步骤的SAR图像地物分类,也就显得愈加重要。
现有的单极化SAR图像地物分类方法大致可以分为基于单个分类器的SAR图像地物分类方法和基于多个分类器的分类器集成系统的SAR图像地物分类方法,如基于神经网络、KNN、SVM分类器的SAR图像地物分类方法,以及基于bagging、boosting、子空间等集成策略的分类器集成SAR图像地物分类方法。
其中,基于单个分类器的SAR图像地物分类方法,是将训练数据输入单个分类器,经过学习后分类器具有分类识别能力,该类方法分类速度较快,但是分类器参数调节困难而且结果不稳定;基于分类器集成的SAR图像地物分类方法,是采用某种集成策略将多个分类器集成在一起,多个分类器共同对SAR图像数据进行决策,目前较优秀的基于集成的SAR图像地物分类策略包括动态分类器选择方法和动态集成选择分类方法,分类效果虽好,但是速度较慢。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于稀疏动态集成选择SAR图像地物分类方法,在保留动态集成选择算法充分尊重样本个体差异性优点的同时,引进字典学习数据稀疏表示方法,提高图像分类的速度。
实现本发明目的地技术思路是:充分利用标记数据训练分类器,得到分类器集成系统,从训练数据中学习字典,然后对字典中原子进行动态集成选择,接着使用字典实现待分类SAR图像数据的稀疏表示,结合原子选择出的集成,得到待分类SAR图像最终分类结果。具体步骤包括如下:
本发明与现有的技术相比具有以下优点:
(1)对待分类SAR图像的每一个像素点取M×N窗口进行3层平稳小波变换,提取小波能量特征;
(2)在待分类SAR图像的每一类地物上随机取像素点100个,然后将每一类地物所取像素点对应的小波能量特征提取出来,作为训练数据Y;
(3)采用mean-shift算法对待分类图像进行区域划分,得到每一个像素点区域划分后的标记,然后对每一区域的所有像素点对应的小波能量特征取均值,获得待分类样本集Ys;
(4)利用训练数据Y,以判别分析FDA分类器为基分类器C,采用bagging集成策略,得到分类器集成系统E={Ci |i=1,2,3,...,n},n为分类器个数;
(5)从每一类训练数据中选择一批样本作为初始字典,然后利用K-SVD算法进行训练,得到训练字典Djj=1,2,3,...,k,k为数据类别数,将所有的字典合并为一个字典D=[D1,D2,...,Dk];
(6)对字典D中每个原子dj,j=1,2,3,...,m,m为字典D中原子数目,按照K近邻原则从训练样本集Y中选择K近邻样本,得到近邻样本集合利用分类器集成E中的分类器对近邻样本集合中的样本进行分类标记,并将标记结果与样本标准标记做比较,为每一个原子从分类器集成E中选择表现最好一组分类器,得到新的集成系统Ej′,
(7)利用字典D,对Ys中所有待分类样本用OMP算法进行稀疏表示,得到稀疏系数矩阵X;
其中L为稀疏度,Xi为稀疏系数矩阵X的第i列;
(8)对待分类样本集Ys中的待分类样本依据用来稀疏表示的P个原子,P<=L,找到对应的P个集成系统Ej′,利用P个集成系统对待分类样本进行标记,得到标记向量,然后将与待分类样本对应的稀疏系数向量Xi中的P个非零系数取出,构成权重向量W={wi},i=1,2,3,...P,接着将标记向量按照权重向量W加权求和,即得到待分类样本的标记,逐步完成对分类样本集Ys中所有样本的标记;
(9)将待分类样本集Ys中所有待分类样本的标记与步骤(3)得到的每一个像素点区域划分后的标记相对应,得到待分类SAR图像中的每一个像素点的最终标记,即得到待分类SAR图像的地物分类结果。
本发明与现有的技术相比具有以下优点:
1)本发明为每一类训练样本利用K-SVD算法学习一个字典,所以字典中原子具有良好的表示能力,从而依据原子选择得到的集成将会有良好的代表性,这样会改进待分类SAR图像的分类效果。
2)本发明结合数据的稀疏表示,不再需要对每一个待分类样本进行集成系统的动态选择,与传统的动态分类器选择算法和动态集成选择算法相比较更加快速。
仿真实验结果表明,本发明稀疏动态集成选择方法可以有效的用于SAR图像地物分类,使后续SAR图像的理解和解译能够更好进行。
附图说明
图1是本发明的实现流程图;
图2本发明和现有方法对待分类SAR图像的分类结果对比图。
具体实施方式
参照图1,本发明的具体实施步骤如下:
步骤1.提取待分类SAR图像的小波能量特征。
对目标SAR图像和辅助SAR图像的每一个像素点取M×N窗口并对该窗口进行3层平稳小波分解,根据小波分解得到三层子带系数,计算每个像素点的小波能量特征,若图像像素点总个数为nt,通过下式对每个像素点提取出10维能量特征,构成大小为nt×10的输入数据样本E:
其中,M×N为对每个像素点提取的滑动窗口大小,这里取值为16×16,coef(i,j)为平稳小波子带中第i行第j列的系数值。
步骤2.从待分类SAR图像上获取训练数据集Y。
从待分类SAR图像上的每一类地物上随机取像素点100个,根据步骤(1)中得到的每一个像素点的小波能量特征,将每一类地物中随机取得的100个像素点的小波能量特征取出,得到训练数据集Y。
步骤3.采用mean-shift算法对待分类SAR图像进行区域划分,获得待分类数据集Ys。
(3a)采用mean-shift算法对待分类SAR图像进行区域划分,得到待分类SAR图像中的每一个像素点的区域标记;
(3b)根据待分类SAR图像区域划分结果,取每一区域中所有像素点对应的小波能量特征,对该小波能量特征求取均值,得到待分类数据Ys。
步骤4.利用训练数据集Y,获得分类器集成系统E。
(4a)采用bagging策略,从训练数据集Y中随机选取500个训练样本,构成一组训练样本;
(4b)利用随机选取的这一组训练样本进行训练,得到一个Fisher判别分析分类器Ci;
(4c)重复步骤(4a)-(4b),直到获得n个Fisher判别分析分类器,得到分类器集成系统E={Ci |i=1,2,3,...,n}。
步骤5.利用K-SVD算法对每一类训练数据分别学习字典,得到字典Djj=1,2,3,...,k,k为分类数目,并进一步得到字典D。
(5a)从第j类训练样本中随机选择30个样本构成初始字典Dj,并利用K-SVD字典学习方法学习和更新字典Dj,该K-SVD算法包括稀疏编码和原子更新两个阶段;
(5a1)利用正交匹配追踪OMP方法,完成对第j类训练样本的稀疏编码:
其中Yj为需要稀疏表示的第j类训练样本集,Dj为字典,X为样本经字典稀疏表示后得到稀疏系数矩阵,xi为稀疏系数矩阵X的第i列,L为xi中的非零元素个数,称为稀疏度;
首先,从所有训练样本Yi中找出使用原子样本集合ωi={k|1≤k≤n0,xi(k)≠0},集合ωi共有nω个元素,其中xi为对样本集Yi稀疏编码后得到稀疏矩阵X的第i行;
(5a3)重复步骤(5a2),直到完成对所有原子的更新,得到字典Dj;
(5b)重复步骤(5a1)-(5a3),直到得到所有的字典Djj=1,2,3,...,k;
(5c)将所有字典Djj=1,2,3,...,k放在一起,合成得到字典D=[D1,D2,...,Dk]。
步骤6.对字典D中每一个原子dj,j=1,2,3,...,m,m为原子总数目,进行动态集成选择,得到每一个原子对应的集成系统Ej′j=1,2,3,...,m。
(6a)分别计算原子dj到训练样本集Y中所有样本的欧氏距离;
disi=||dj-Yi||2,i=1,2,3,...,tn
其中Yi为训练样本集Y中的第i个样本,tn为训练样本集Y中的样本数;
(6b)将训练样本集Y中所有训练样本到原子dj的欧氏距离集合dis中的所有元素由小到大排序;
(6d)利用分类器集成系统E={Ci|i=1,2,3,...,n}中每一个分类器对近邻样本集合中的样本进行分类标记,然后将得到标记与近邻样本集合中样本的标准标记比对,若通过某个分类器得到的标记与近邻样本集合中样本的标准标记一致,则将该分类器纳入原子dj对应分类器集成系统Ej′,若没有一个分类器能够将邻样本集合中所有样本正确划分,则K=K-1,返回步骤(6c),若K=0,则Ej′为空集;
(6e)循环执行步骤(6a)-(6d),直至所有的原子对应的集成系统皆找到。
步骤7.利用字典D,对所有测试样本用OMP算法进行稀疏表示,得到稀疏表示系数矩阵X:
其中L为稀疏度,Xi为稀疏系数矩阵X的第i列。
步骤8.对每一个待分类样本,根据将该样本进行稀疏编码时使用原子所对应集成,对待分类样本进行标记。
(8b)找出稀疏向量Xi中非零系数对应的P个原子,然后找出这些原子对应的P个分类器集成系统Ei′i=1,2,...,P;
(8c)将稀疏向量Xi中非零系数取出,构成权重向量W={wi},i=1,2,3,...P;
(8e)执行步骤(8a)-(8d)直到Ys中所有的待分类样本得到标记。
步骤9.将待分类样本集Ys中所有待分类样本的标记与步骤(3)得到的每一个像素点区域划分后的标记相对应,得到待分类SAR图像中的每一个像素点的最终标记,即得到待分类SAR图像的地物分类结果。
本发明的效果可以通过如下仿真实验进行验证。
(一)实验条件设置
本实验所使用的待分类SAR图像为1m分辨率的X波段Terra-SAR图像。图像大小为512×512像素点的SAR图像,图像为德国Jura Swbian地区。将该SAR图像划分为五类:城区、山脉、白色农田区域、灰色农田区域和黑色农田区域三类区域。参数设置为:稀疏度L=2,分类器数目n=20,字典D中原子数目为m=150。
(二)实验结果及分析
本发明方法与已有动态分类器选择算法和动态集成选择算法对比,三种方法在待分类SAR图像上进行仿真,仿真结果如图2所示。其中:
图2(b)为现有的动态分类器选择方法的分类结果,从图2(b)可以看出,农田区域大部分划分较好,但是靠近山脉的黑色区域错分为灰色区域,而且城市中存在大量错分点,城区与山脉的划分较为凌乱。
图2(c)为现有的动态集成选择方法的分类结果,从图2(c)可以看出,农田区域划分的相对好些,但是城区与山脉的划分仍然存在大量的错分点。
图2(d)是本发明的基于稀疏动态集成选择方法分类结果,从图2(d)可以看到,本发明得到的分类结果,不仅在农田区域有较好的表现,而且在城区和山脉区域也有较好的区域一致性。
Claims (3)
1.一种基于稀疏动态集成选择的SAR图像地物分类方法,包括以下步骤:
(1)对待分类SAR图像的每一个像素点取M×N窗口进行3层平稳小波变换,提取小波能量特征;
(2)在待分类SAR图像的每一类地物上随机取像素点100个,然后将每一类地物所取像素点对应的小波能量特征提取出来,作为训练数据Y;
(3)采用mean-shift算法对待分类图像进行区域划分,得到每一个像素点区域划分后的标记,然后对每一区域的所有像素点对应的小波能量特征取均值,获得待分类样本集Ys;
(4)利用训练数据Y,以判别分析FDA分类器为基分类器C,采用bagging集成策略,得到分类器集成系统E={Ci |i=1,2,3,...,n},n为分类器个数;
(5)从每一类训练数据中选择一批样本作为初始字典,然后利用K-SVD算法进行训练,得到训练字典Djj=1,2,3,...,k,k为数据类别数,将所有的字典合并为一个字典D=[D1,D2,...,Dk];
(6)对字典D中每个原子dj,j=1,2,3,...,m,m为字典D中原子数目,按照K近邻原则从训练样本集Y中选择K近邻样本,得到近邻样本集合利用分类器集成E中的分类器对近邻样本集合中的样本进行分类标记,并将标记结果与样本标准标记做比较,为每一个原子从分类器集成E中选择表现最好一组分类器,得到新的集成系统Ej′,
(7)利用字典D,对Ys中所有待分类样本用OMP算法进行稀疏表示,得到稀疏系数矩阵X;
其中L为稀疏度,Xi为稀疏系数矩阵X的第i列;
(8)对待分类样本集Ys中的待分类样本依据用来稀疏表示的P个原子,P<=L,找到对应的P个集成系统Ej′,利用P个集成系统对待分类样本进行标记,得到标记向量,然后将与待分类样本对应的稀疏系数向量Xi中的P个非零系数取出,构成权重向量W={wi},i=1,2,3,...P,接着将标记向量按照权重向量W加权求和,即得到待分类样本的标记,逐步完成对分类样本集Ys中所有样本的标记;
(9)将待分类样本集Ys中所有待分类样本的标记与步骤(3)得到的每一个像素点区域划分后的标记相对应,得到待分类SAR图像中的每一个像素点的最终标记,即得到待分类SAR图像的地物分类结果。
2.根据权利要求1所述的方法,其中步骤(6)所述的对字典D中每一个原子di,i=1,2,3,...,m,进行动态集成选择,得到每一个原子对应的集成,按如下步骤进行:
(6a)分别计算原子dj到训练样本集Y中所有样本的欧氏距离;
disi=||dj-Yi||2,i=1,2,3,...,tn
其中Yi为训练样本集Y中的第i个样本,tn为训练样本集Y中的样本数;
(6b)将训练样本集Y中所有训练样本到原子dj的欧氏距离集合dis中的所有元素由小到大排序;
(6c)按照K近邻原则为原子dj从训练样本集Y中选择与其距离最近的K个样本,得到K近邻样本集合
(6d)利用分类器集成系统E={Ci |i=1,2,3,...,n}中每一个分类器对近邻样本集合中的样本进行分类标记,然后将得到标记与近邻样本集合中样本的标准标记比对,若通过某个分类器得到的标记与近邻样本集合中样本的标准标记一致,则将该分类器纳入原子dj对应分类器集成系统Ej′,若没有一个分类器能够将邻样本集合中所有样本正确划分,则K=K-1,返回步骤(6c),若K=0,则Ej′为空集;
(6e)循环执行步骤(6a)-(6d),直至所有的原子对应的集成系统皆找到。
(8b)找出稀疏向量Xi中非零系数对应的P个原子,然后找出这些原子对应的P个分类器集成系统Ei′i=1,2,...,P;
(8c)将稀疏向量Xi中非零系数取出,构成权重向量W={wi},i=1,2,3,...P;
(8e)执行步骤(8a)-(8d)直到Ys中所有的待分类样本得到标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101011343A CN102651073B (zh) | 2012-04-07 | 2012-04-07 | 基于稀疏动态集成选择的sar图像地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101011343A CN102651073B (zh) | 2012-04-07 | 2012-04-07 | 基于稀疏动态集成选择的sar图像地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102651073A true CN102651073A (zh) | 2012-08-29 |
CN102651073B CN102651073B (zh) | 2013-11-20 |
Family
ID=46693078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101011343A Expired - Fee Related CN102651073B (zh) | 2012-04-07 | 2012-04-07 | 基于稀疏动态集成选择的sar图像地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102651073B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258210A (zh) * | 2013-05-27 | 2013-08-21 | 中山大学 | 一种基于字典学习的高清图像分类方法 |
CN103489203A (zh) * | 2013-01-31 | 2014-01-01 | 清华大学 | 基于字典学习的图像编码方法及系统 |
CN103675818A (zh) * | 2013-12-03 | 2014-03-26 | 中国科学院深圳先进技术研究院 | 极化合成孔径雷达数据地物三维距离度量方法及系统 |
CN103839082A (zh) * | 2014-02-24 | 2014-06-04 | 西安电子科技大学 | 一种基于小波特征低秩表示的sar图像目标聚类方法 |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104361346A (zh) * | 2014-10-21 | 2015-02-18 | 西安电子科技大学 | 基于k-svd和稀疏表示的极化sar图像分类方法 |
CN104504393A (zh) * | 2014-12-04 | 2015-04-08 | 西安电子科技大学 | 基于集成学习的极化sar图像半监督分类方法 |
CN104572930A (zh) * | 2014-12-29 | 2015-04-29 | 小米科技有限责任公司 | 数据分类方法及装置 |
CN104751175A (zh) * | 2015-03-12 | 2015-07-01 | 西安电子科技大学 | 基于增量支持向量机的sar图像多类标场景分类方法 |
CN104751174A (zh) * | 2015-03-12 | 2015-07-01 | 西安电子科技大学 | 基于超向量编码的极化sar图像分类方法 |
CN105223571A (zh) * | 2014-05-30 | 2016-01-06 | 西安电子科技大学 | 基于加权l1优化与视觉显著注意的isar成像方法 |
CN106157240A (zh) * | 2015-04-22 | 2016-11-23 | 南京理工大学 | 基于字典学习的遥感图像超分辨率方法 |
CN106408018A (zh) * | 2016-09-13 | 2017-02-15 | 大连理工大学 | 一种基于幅频特征稀疏滤波的图像分类方法 |
CN106557784A (zh) * | 2016-11-23 | 2017-04-05 | 上海航天控制技术研究所 | 基于压缩感知的快速目标识别方法和系统 |
CN106599831A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于样本加权类别特定与共享字典的sar目标鉴别方法 |
CN107103338A (zh) * | 2017-05-19 | 2017-08-29 | 杭州电子科技大学 | 融合卷积特征和集成超限学习机的sar目标识别方法 |
CN107273899A (zh) * | 2016-04-07 | 2017-10-20 | 富士通株式会社 | 对象分类方法和对象分类设备 |
CN108256651A (zh) * | 2013-06-28 | 2018-07-06 | D-波系统公司 | 用于对数据进行量子处理的方法 |
CN108631786A (zh) * | 2018-04-26 | 2018-10-09 | 青岛理工大学 | 一种声信号随机稀疏压缩采样方法及装置 |
CN109325516A (zh) * | 2018-08-13 | 2019-02-12 | 众安信息技术服务有限公司 | 一种面向图像分类的集成学习方法及装置 |
CN111145337A (zh) * | 2019-12-13 | 2020-05-12 | 电子科技大学 | 基于分辨率逼近的快速稀疏重构的线阵sar三维成像方法 |
CN111273269A (zh) * | 2020-02-18 | 2020-06-12 | 桂林电子科技大学 | 基于ipso-bp的频率分集阵列的雷达目标定位方法 |
US11386346B2 (en) | 2018-07-10 | 2022-07-12 | D-Wave Systems Inc. | Systems and methods for quantum bayesian networks |
US11461644B2 (en) | 2018-11-15 | 2022-10-04 | D-Wave Systems Inc. | Systems and methods for semantic segmentation |
US11468293B2 (en) | 2018-12-14 | 2022-10-11 | D-Wave Systems Inc. | Simulating and post-processing using a generative adversarial network |
US11481669B2 (en) | 2016-09-26 | 2022-10-25 | D-Wave Systems Inc. | Systems, methods and apparatus for sampling from a sampling server |
US11531852B2 (en) | 2016-11-28 | 2022-12-20 | D-Wave Systems Inc. | Machine learning systems and methods for training with noisy labels |
US11586915B2 (en) | 2017-12-14 | 2023-02-21 | D-Wave Systems Inc. | Systems and methods for collaborative filtering with variational autoencoders |
US11625612B2 (en) | 2019-02-12 | 2023-04-11 | D-Wave Systems Inc. | Systems and methods for domain adaptation |
US11900264B2 (en) | 2019-02-08 | 2024-02-13 | D-Wave Systems Inc. | Systems and methods for hybrid quantum-classical computing |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122386A (zh) * | 2011-03-01 | 2011-07-13 | 西安电子科技大学 | 基于字典迁移聚类的sar图像分割方法 |
CN102129573A (zh) * | 2011-03-10 | 2011-07-20 | 西安电子科技大学 | 基于字典学习和稀疏表示的sar图像分割方法 |
-
2012
- 2012-04-07 CN CN2012101011343A patent/CN102651073B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122386A (zh) * | 2011-03-01 | 2011-07-13 | 西安电子科技大学 | 基于字典迁移聚类的sar图像分割方法 |
CN102129573A (zh) * | 2011-03-10 | 2011-07-20 | 西安电子科技大学 | 基于字典学习和稀疏表示的sar图像分割方法 |
Non-Patent Citations (1)
Title |
---|
GOU SP ET AL: "AN ANALYSIS OF THE EIGENVALUES METHOD FOR POLARIMETRIC SAR IMAGE CLASSIFICATION", 《2011 IEEE INTERNATIONAL GEOSCIENCE AND SENSING SYMPOSIUM》, 29 July 2011 (2011-07-29), pages 436 - 439 * |
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489203A (zh) * | 2013-01-31 | 2014-01-01 | 清华大学 | 基于字典学习的图像编码方法及系统 |
CN103258210B (zh) * | 2013-05-27 | 2016-09-14 | 中山大学 | 一种基于字典学习的高清图像分类方法 |
CN103258210A (zh) * | 2013-05-27 | 2013-08-21 | 中山大学 | 一种基于字典学习的高清图像分类方法 |
US11501195B2 (en) | 2013-06-28 | 2022-11-15 | D-Wave Systems Inc. | Systems and methods for quantum processing of data using a sparse coded dictionary learned from unlabeled data and supervised learning using encoded labeled data elements |
CN108256651A (zh) * | 2013-06-28 | 2018-07-06 | D-波系统公司 | 用于对数据进行量子处理的方法 |
CN108256651B (zh) * | 2013-06-28 | 2022-09-06 | D-波系统公司 | 用于对数据进行量子处理的方法 |
CN103675818A (zh) * | 2013-12-03 | 2014-03-26 | 中国科学院深圳先进技术研究院 | 极化合成孔径雷达数据地物三维距离度量方法及系统 |
CN103675818B (zh) * | 2013-12-03 | 2017-01-18 | 中国科学院深圳先进技术研究院 | 极化合成孔径雷达数据地物三维距离度量方法及系统 |
CN103839082A (zh) * | 2014-02-24 | 2014-06-04 | 西安电子科技大学 | 一种基于小波特征低秩表示的sar图像目标聚类方法 |
CN103839082B (zh) * | 2014-02-24 | 2017-02-08 | 西安电子科技大学 | 一种基于小波特征低秩表示的sar图像目标聚类方法 |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN103955702B (zh) * | 2014-04-18 | 2017-02-15 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN105223571A (zh) * | 2014-05-30 | 2016-01-06 | 西安电子科技大学 | 基于加权l1优化与视觉显著注意的isar成像方法 |
CN105223571B (zh) * | 2014-05-30 | 2018-11-23 | 西安电子科技大学 | 基于加权l1优化与视觉显著注意的isar成像方法 |
CN104361346B (zh) * | 2014-10-21 | 2017-11-14 | 西安电子科技大学 | 基于k‑svd和稀疏表示的极化sar图像分类方法 |
CN104361346A (zh) * | 2014-10-21 | 2015-02-18 | 西安电子科技大学 | 基于k-svd和稀疏表示的极化sar图像分类方法 |
CN104504393A (zh) * | 2014-12-04 | 2015-04-08 | 西安电子科技大学 | 基于集成学习的极化sar图像半监督分类方法 |
CN104504393B (zh) * | 2014-12-04 | 2018-01-05 | 西安电子科技大学 | 基于集成学习的极化sar图像半监督分类方法 |
CN104572930B (zh) * | 2014-12-29 | 2017-10-17 | 小米科技有限责任公司 | 数据分类方法及装置 |
CN104572930A (zh) * | 2014-12-29 | 2015-04-29 | 小米科技有限责任公司 | 数据分类方法及装置 |
CN104751174A (zh) * | 2015-03-12 | 2015-07-01 | 西安电子科技大学 | 基于超向量编码的极化sar图像分类方法 |
CN104751175B (zh) * | 2015-03-12 | 2018-12-14 | 西安电子科技大学 | 基于增量支持向量机的sar图像多类标场景分类方法 |
CN104751175A (zh) * | 2015-03-12 | 2015-07-01 | 西安电子科技大学 | 基于增量支持向量机的sar图像多类标场景分类方法 |
CN104751174B (zh) * | 2015-03-12 | 2017-11-17 | 西安电子科技大学 | 基于超向量编码的极化sar图像分类方法 |
CN106157240A (zh) * | 2015-04-22 | 2016-11-23 | 南京理工大学 | 基于字典学习的遥感图像超分辨率方法 |
CN107273899A (zh) * | 2016-04-07 | 2017-10-20 | 富士通株式会社 | 对象分类方法和对象分类设备 |
CN107273899B (zh) * | 2016-04-07 | 2020-08-14 | 富士通株式会社 | 对象分类方法和对象分类设备 |
CN106408018B (zh) * | 2016-09-13 | 2019-05-14 | 大连理工大学 | 一种基于幅频特征稀疏滤波的图像分类方法 |
CN106408018A (zh) * | 2016-09-13 | 2017-02-15 | 大连理工大学 | 一种基于幅频特征稀疏滤波的图像分类方法 |
US11481669B2 (en) | 2016-09-26 | 2022-10-25 | D-Wave Systems Inc. | Systems, methods and apparatus for sampling from a sampling server |
CN106557784A (zh) * | 2016-11-23 | 2017-04-05 | 上海航天控制技术研究所 | 基于压缩感知的快速目标识别方法和系统 |
CN106557784B (zh) * | 2016-11-23 | 2020-05-01 | 上海航天控制技术研究所 | 基于压缩感知的快速目标识别方法和系统 |
US11531852B2 (en) | 2016-11-28 | 2022-12-20 | D-Wave Systems Inc. | Machine learning systems and methods for training with noisy labels |
CN106599831A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于样本加权类别特定与共享字典的sar目标鉴别方法 |
CN107103338A (zh) * | 2017-05-19 | 2017-08-29 | 杭州电子科技大学 | 融合卷积特征和集成超限学习机的sar目标识别方法 |
CN107103338B (zh) * | 2017-05-19 | 2020-04-28 | 杭州电子科技大学 | 融合卷积特征和集成超限学习机的sar目标识别方法 |
US11586915B2 (en) | 2017-12-14 | 2023-02-21 | D-Wave Systems Inc. | Systems and methods for collaborative filtering with variational autoencoders |
CN108631786B (zh) * | 2018-04-26 | 2022-05-27 | 青岛理工大学 | 一种声信号随机稀疏压缩采样方法及装置 |
CN108631786A (zh) * | 2018-04-26 | 2018-10-09 | 青岛理工大学 | 一种声信号随机稀疏压缩采样方法及装置 |
US11386346B2 (en) | 2018-07-10 | 2022-07-12 | D-Wave Systems Inc. | Systems and methods for quantum bayesian networks |
CN109325516A (zh) * | 2018-08-13 | 2019-02-12 | 众安信息技术服务有限公司 | 一种面向图像分类的集成学习方法及装置 |
US11461644B2 (en) | 2018-11-15 | 2022-10-04 | D-Wave Systems Inc. | Systems and methods for semantic segmentation |
US11468293B2 (en) | 2018-12-14 | 2022-10-11 | D-Wave Systems Inc. | Simulating and post-processing using a generative adversarial network |
US11900264B2 (en) | 2019-02-08 | 2024-02-13 | D-Wave Systems Inc. | Systems and methods for hybrid quantum-classical computing |
US11625612B2 (en) | 2019-02-12 | 2023-04-11 | D-Wave Systems Inc. | Systems and methods for domain adaptation |
CN111145337A (zh) * | 2019-12-13 | 2020-05-12 | 电子科技大学 | 基于分辨率逼近的快速稀疏重构的线阵sar三维成像方法 |
CN111145337B (zh) * | 2019-12-13 | 2022-07-29 | 电子科技大学 | 基于分辨率逼近的快速稀疏重构的线阵sar三维成像方法 |
CN111273269A (zh) * | 2020-02-18 | 2020-06-12 | 桂林电子科技大学 | 基于ipso-bp的频率分集阵列的雷达目标定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102651073B (zh) | 2013-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102651073B (zh) | 基于稀疏动态集成选择的sar图像地物分类方法 | |
CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
CN105184303B (zh) | 一种基于多模态深度学习的图像标注方法 | |
Chen et al. | Hyperspectral classification based on spectral–spatial convolutional neural networks | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
CN106845418A (zh) | 一种基于深度学习的高光谱图像分类方法 | |
CN101894269B (zh) | 基于多分类器系统的合成孔径雷达自动目标识别方法 | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
Alipourfard et al. | A novel deep learning framework by combination of subspace-based feature extraction and convolutional neural networks for hyperspectral images classification | |
CN102915445A (zh) | 一种改进型的神经网络高光谱遥感影像分类方法 | |
CN103514456A (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN112949738B (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
CN104392251A (zh) | 一种基于半监督字典学习的高光谱图像分类方法 | |
CN105760900A (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
CN103077399B (zh) | 基于集成级联架构的生物显微图像分类方法 | |
CN104239902A (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN102915453A (zh) | 一种实时反馈更新的车辆检测方法 | |
CN103914705A (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
Kuo et al. | Spatial information based support vector machine for hyperspectral image classification | |
CN106682675A (zh) | 一种面向高光谱图像的空谱联合特征提取方法 | |
Mohapatra et al. | Classification performance analysis of mnist dataset utilizing a multi-resolution technique | |
CN103745233A (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
Demir et al. | Improving SVM classification accuracy using a hierarchical approach for hyperspectral images |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131120 |