CN103426175A - 基于特征值度量谱聚类的极化sar图像分割方法 - Google Patents
基于特征值度量谱聚类的极化sar图像分割方法 Download PDFInfo
- Publication number
- CN103426175A CN103426175A CN2013103744682A CN201310374468A CN103426175A CN 103426175 A CN103426175 A CN 103426175A CN 2013103744682 A CN2013103744682 A CN 2013103744682A CN 201310374468 A CN201310374468 A CN 201310374468A CN 103426175 A CN103426175 A CN 103426175A
- Authority
- CN
- China
- Prior art keywords
- sample set
- pixel
- matrix
- sar image
- overbar
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于特征值度量谱聚类的极化SAR图像分割方法。主要解决现有极化SAR图像分割过程中参数多难以自适应调节的问题。其实现过程是:(1)对极化SAR图像进行特征值分解,构成特征样本集x;(2)对每个像素求其8邻域的三个特征值对应的均值,构造平均特征样本集(3)利用马氏距离对特征样本集x和平均特征样本集分别构造相似度矩阵,根据这两个相似度矩阵得到混合相似度矩阵w′;(4)对混合相似度矩阵w′,通过谱聚类算法得到聚类标签C1;(5)重复步骤(3)-(4),对得到的类标签集合利用MCLA算法进行集成,得到最终分割结果。本发明具有自适应性强,复杂度低,分割结果更加细致精确的优点,可用于极化SAR图像的目标检测和目标识别。
Description
技术领域
本发明属于遥感图像处理技术领域,涉及极化合成孔径雷达图像分割,可用于图像目标检测以及图像目标分割与识别。
背景技术
随着雷达技术的日益发展,极化SAR已成为SAR的发展趋势,极化SAR能够得到更丰富的目标信息。极化SAR图像的理解和解译涉及信号处理,模式识别等众多学科。极化SAR图像分割作为极化SAR图像处理的基本问题之一,为极化SAR图像后期的目标识别奠定了基础。
现有的极化SAR图像分割方法可以分为有监督和无监督两类。
有监督方法包括:Kong等人提出的利用数据的统计信息对极化SAR图像进行分割,这种方法对数据分布有严格要求;Hellmann等人提出的利用神经网络分类器来进行分割,这种方法的收敛速度慢,且容易陷入局部最优。
无监督方法包括:Cloude等人提出的利用散射熵,散射角以及逆熵的阈值来划分类别以及Freeman等人提取每个像素的三种散射功率,按所占比重对图像进行分割。
以上这两种方法所用的阈值均需要人为确定,代价大且过于武断。为此,Ersahin和Anfinsen等人利用谱聚类对极化SAR图像进行分割,通过极化相干矩阵的Wishart距离来定义相似度矩阵,这种方法虽然可以自动完成聚类且不需要阈值确定,但却由于极化相干矩阵的特殊分布限制了相似度矩阵的构造方式,同时高斯核参数需要人工依照经验精确设置,而且计算代价高。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于特征值度量谱聚类的极化SAR图像分割方法,以在保证分割精度的前提下,大大降低分割过程的计算量和复杂性。
为实现上述目的,本发明的极化SAR图像分割方法,包括如下步骤:
(1)读入极化SAR图像G,得到极化SAR图像G的总样本集X和极化SAR图像G的极化相干矩阵集合T={Ti|i=1,...,M},其中M是极化SAR图像G包含的像素点数;
(2)对第i个像素点的极化相干矩阵Ti进行特征值分解,得到第i个像素点的特征值集合i=1,...,M,其中,表示第i个像素点的第一个特征值,表示第i个像素点的第二个特征值,表示第i个像素点的第三个特征值;
(6)根据样本子集Xm中第j个像素点的相似度矩阵wj,构造样本子集Xm的相似度矩阵w:
w=[w1,...,wj,...,wm];
其中,α表示权值;
(10)对样本子集Xm的混合相似度矩阵w′,通过逼近求出总样本集X的相似度矩阵W,计算相似性矩阵W的拉普拉斯矩阵L,对拉普拉斯矩阵L进行特征值分解,得到拉普拉斯矩阵L的特征向量Y;
(11)对特征向量Y的前k维进行K均值聚类,得到聚类标签C1,其中k是给定的类别数;
(12)重复步骤(4)到(11)5次,得到聚类标签集合Π={C1,C2,...,C5};对该聚类标签集合Π利用MCLA算法进行集成,得到最终标签Z,即为极化SAR图像G的分割结果。
本发明与现有的技术相比具有以下优点:
1.本发明将极化相干矩阵的特征值作为输入特征,并通过马氏距离来度量输入特征的相似性,同时利用图像的空间信息来去除杂点,提高了分割精度;
2.本发明利用马氏距离构造相似度矩阵,与传统的欧氏距离相比,由于考虑了特征之间的相关性,同时省去了高斯核函数的度量,不再需要调试核参数σ,使得分割算法具有自适应性且操作方便;
3.本发明通过谱聚类集成进一步获得准确的地物分割结果,分割过程简单,且运行时间大大缩短。
附图说明
图1本发明的流程图;
图2是极化SAR图像Flevoland的RGB图合成图;
图3是极化SAR图像San Francisco Bay的RGB合成图;
图4用本发明与现有的两种分割方法对Flevoland数据的分割结果;
图5用本发明与现有的两种分割方法对San Francisco Bay数据的分割结果。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1:获取极化SAR图像的极化相干矩阵。
1a)读入极化SAR图像数据,极化SAR图像G包含丰富的幅度和相位信息,每个像素点的信息可以由极化相干矩阵来表示;
1b)用极化SAR图像G的所有像素点构成总样本集X;
1c)用极化SAR图像G的每个像素点的极化相干矩阵Ti,构成极化相干矩阵集合T={Ti|i=1,...,M},其中M是极化SAR图像G包含的像素点数。
步骤2:对极化相干矩阵进行特征值分解。
2a)采用大小3×3的赫米特矩阵作为第i个像素点的极化相干矩阵Ti,i=1,...,M;
2b)对第i个像素点的极化相干矩阵Ti进行特征值分解,公式如下:
步骤3:对特征值求8邻域均值。
步骤4:随机采样构成样本子集。
4a)从极化SAR图像G的总样本集X中随机采样m个像素点构成样本子集Xm;
4c)由样本子集Xm的平均特征值集合构成平均特征样本集
步骤5:求每个像素点的相似度矩阵。
步骤6:构造样本子集的相似度矩阵。
根据样本子集Xm中第j个像素点的相似度矩阵wj,构造样本子集Xm的相似度矩阵w:
w=[w1,...,wj,...,wm];
步骤7:求每个像素点的平均相似度矩阵。
步骤8:构造样本子集的平均相似度矩阵。
步骤9:构造样本子集的混合相似度矩阵。
其中,α表示权值。
步骤10:根据样本子集Xm的混合相似度矩阵w′,获得总样本集X的特征向量。
10b)计算相似性矩阵W的拉普拉斯矩阵L:
L=Λ-1/2WΛ-1/2,
其中:Λ为对角矩阵,
10c)按如下公式对拉普拉斯矩阵L进行特征值分解,得到拉普拉斯矩阵L的特征向量Y:
其中,分解后的λi′为拉普拉斯矩阵L的第i个特征值;y1,y2,...,yi,...,yM为拉普拉斯矩阵L的特征向量Y,即Y=[y1,y2,...,yi,...,yM],yi为特征值λi′对应的特征向量。
步骤11:对特征向量Y的前k维进行K均值聚类,得到聚类标签C1,其中k是极化SAR图像G包含的地物类别数,本实例对于Flevoland数据取k=7,对于SanFrancisco Bay数据取k=3。
步骤12:重复步骤(4)到(11)共5次,得到聚类标签集合:Π={C1,C2,...,C5}。
步骤13:对该聚类标签集合Π利用MCLA算法进行集成,得到最终标签Z,即
为极化SAR图像G的分割结果。
13a)输入5次聚类得到的聚类标签集合Π;
13b)对标签集合Π构建无向规则图,称为Meta图,计算该图的边的权重va,b:
其中,ha和hb代表Meta图的任意两个顶点,表示交叉相乘运算;
13c)根据所构建的无向规则图进行超谱边聚类,即通过将Meta图分裂成M个Meta类来寻找匹配目标,Meta图中每一个顶点代表一个不同的类别,一个Meta类可表示一组相应的类标;
13d)逐一分裂步骤13c)中的M个Meta类,将任一Meta类中的超谱边划分为一个单一的Meta超谱边,每一个Meta超谱边都代表着一个它所包含的样本与类标的结合向量,其中,类标是指与样本相应的Meta类的结合度;
13e)比较Meta超谱边包含的样本,将其中包含的每一个样本安排到结合向量中具有最大结合度的Meta类中,并断开相应的链接,得到最终的类别标签Z,即为极化SAR图像G的分割结果
本发明的效果可以通过以下实验进行验证:
1、实验条件设置
实验仿真环境:本发明的仿真在windows XP Professional,SPI,CPU基本频率为2.33GHZ,软件平台为Matlab2012a运行。
实验方法:分别为现有的H/α-Wishart方法以及基于谱聚类的Wishart分割方法和本发明方法,其中H/α-Wishart方法是极化SAR数据分割引用较多的经典方法,基于谱聚类的Wishart分割方法是基于谱聚类的极化SAR数据分割典型的方法。
实验数据:本发明使用两组极化SAR数据做测试使用。
图2为第一组是荷兰Flevoland省的区域,视数为四,图像大小为750×1024。实验中,随机采样点数为100,权值α取0.6。
图3为第二组极化SAR数据,是美国旧金山地区San Francisco Bay数据,视数为四,图像大小为850×500。实验中随机采样点数为80,权值α取0.5。
2、实验内容及结果分析
实验一,用本发明方法与现有的H/α-Wishart方法以及基于谱聚类的Wishart分割方法对图2所示的Flevoland数据进行分割仿真,分割结果见图4,其中,图4(a)为本发明方法分割结果,图4(b)为方法H/α-Wishart的分割结果,图4(c)是基于谱聚类的Wishart分割方法的仿真结果。
从图4(a)可见,本发明分割结果相较于两种对比方法,区域划分更加细致和精确。
从图4(b)可见,H/α-Wishart方法边缘分明,杂点少,但存在整片区域错分的问题。
从图4(c)可见,基于谱聚类的Wishart分割方法的结果与H/α-Wishart的分割结果相似,只是在进行Wishart迭代时比H/α-Wishart能更快的收敛。
实验二,用现有的H/α-Wishart方法以及基于谱聚类的Wishart分割方法和本发明对图4所示的San Francisco Bay数据进行分割仿真,分割结果见图5,其中,图5(a)为本发明方法分割结果,图5(b)为H/α-Wishart方法的分割结果,图5(c)是基于谱聚类的Wishart分割方法的仿真结果。
从图5所示的分割结果可以看出,本发明的分割结果在细节的保持上优于另两个方法,跑马场,高尔夫球场,停车场等这些的区域的分割更加精确.
综上所述,本发明提出的对极化SAR数据的分割方法,通过对数据进行特征值分解,提取了表征散射强度的特征值,通过马氏距离来构造谱聚类算法的相似度矩阵,使得分割过程更加简单快速,并使分割结果更加细致和精确,能保留较好的细节信息。本方法思想和分割过程都比较简单,运行时间短,有效实用。
Claims (4)
1.一种基于特征值度量谱聚类的极化SAR图像分割方法,包括如下步骤:
(1)读入极化SAR图像G,得到极化SAR图像G的总样本集X和极化SAR图像G的极化相干矩阵集合T={Ti|i=1,...,M},其中M是极化SAR图像G包含的像素点数;
(2)对第i个像素点的极化相干矩阵Ti进行特征值分解,得到第i个像素点的特征值集合i=1,...,M,其中,表示第i个像素点的第一个特征值,表示第i个像素点的第二个特征值,表示第i个像素点的第三个特征值;
(6)根据样本子集Xm中第j个像素点的相似度矩阵wj,构造样本子集Xm的相似度矩阵w:
w=[w1,...,wj,...,wm];
其中,α表示权值;
(11)对特征向量Y的前k维进行K均值聚类,得到聚类标签C1,其中k是给定的类别数;
(12)重复步骤(4)到(11)共5次,得到聚类标签集合Π={C1,C2,...,C5};对该聚类标签集合Π利用MCLA算法进行集成,得到最终标签Z,即为极化SAR图像G的分割结果。
3.根据权利要求书1所述的极化SAR图像分割方法,其中步骤(10)所述的对拉普拉斯矩阵L进行特征值分解,得到拉普拉斯矩阵L的特征向量Y,按如下公式计算:
其中,分解后的λi′为拉普拉斯矩阵L的第i个特征值;y1,y2,...,yi,...,yM为拉普拉斯矩阵L的特征向量Y,即Y=[y1,y2,...,yi,...,yM],yi为特征值λi′对应的特征向量。
4.根据权利要求书1所述的极化SAR图像分割方法,其中步骤(12)所述的对聚类标签集合Π利用MCLA算法进行集成,得到最终标签Z,按如下步骤进行:
12a)输入多次聚类得到的聚类标签集合Π;
12b)对标签集合Π构建无向规则图,称为Meta图,该图的边的权重va,b计算公式为:
12c)根据所构建的无向规则图进行超谱边聚类,即通过将Meta图分裂成M个Meta类来寻找匹配目标,Meta图中每一个顶点代表一个不同的类别,一个Meta类可表示一组相应的类标;
12d)逐一分裂步骤12c)中的M个Meta类,将任一Meta类中的超谱边划分为一个单一的Meta超谱边,每一个Meta超谱边都代表着一个它所包含的样本与类标的结合向量,其中,类标是指与样本相应的Meta类的结合度;
12e)比较Meta超谱边包含的样本,将其中包含的每一个样本安排到结合向量中具有最大结合度的Meta类中,并断开相应的链接,得到最终的类别标签Z。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310374468.2A CN103426175B (zh) | 2013-08-23 | 2013-08-23 | 基于特征值度量谱聚类的极化sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310374468.2A CN103426175B (zh) | 2013-08-23 | 2013-08-23 | 基于特征值度量谱聚类的极化sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103426175A true CN103426175A (zh) | 2013-12-04 |
CN103426175B CN103426175B (zh) | 2016-04-13 |
Family
ID=49650865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310374468.2A Active CN103426175B (zh) | 2013-08-23 | 2013-08-23 | 基于特征值度量谱聚类的极化sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103426175B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617623A (zh) * | 2013-12-10 | 2014-03-05 | 江南大学 | 全表示半监督快速谱聚类的医学图像分割方法及系统 |
CN103793913A (zh) * | 2014-02-18 | 2014-05-14 | 哈尔滨工程大学 | 一种结合均值漂移的谱聚类图像分割方法 |
CN104268555A (zh) * | 2014-09-11 | 2015-01-07 | 西安电子科技大学 | 基于模糊稀疏lssvm的极化sar图像分类方法 |
CN104463219A (zh) * | 2014-12-17 | 2015-03-25 | 西安电子科技大学 | 一种基于特征向量度量谱聚类的极化sar图像分类方法 |
CN106408587A (zh) * | 2016-09-19 | 2017-02-15 | 辽宁工程技术大学 | 多视sar图像分割方法及装置 |
CN108154157A (zh) * | 2017-12-06 | 2018-06-12 | 西安交通大学 | 一种基于集成的快速谱聚类方法 |
CN112558066A (zh) * | 2020-10-30 | 2021-03-26 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 双极化sar图像系统 |
US20220268922A1 (en) * | 2019-07-18 | 2022-08-25 | Nec Corporation | Image processing device and image processing method |
CN116486091A (zh) * | 2023-06-26 | 2023-07-25 | 尚宁智感(北京)科技有限公司 | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
JP2012159298A (ja) * | 2011-01-28 | 2012-08-23 | Mitsubishi Heavy Ind Ltd | 健全性評価装置及びその方法並びにプログラム |
CN102867307A (zh) * | 2012-09-10 | 2013-01-09 | 西安电子科技大学 | 基于特征向量集成谱聚类的sar图像分割方法 |
CN102982338A (zh) * | 2012-10-25 | 2013-03-20 | 西安电子科技大学 | 基于谱聚类的极化sar图像分类方法 |
-
2013
- 2013-08-23 CN CN201310374468.2A patent/CN103426175B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
JP2012159298A (ja) * | 2011-01-28 | 2012-08-23 | Mitsubishi Heavy Ind Ltd | 健全性評価装置及びその方法並びにプログラム |
CN102867307A (zh) * | 2012-09-10 | 2013-01-09 | 西安电子科技大学 | 基于特征向量集成谱聚类的sar图像分割方法 |
CN102982338A (zh) * | 2012-10-25 | 2013-03-20 | 西安电子科技大学 | 基于谱聚类的极化sar图像分类方法 |
Non-Patent Citations (4)
Title |
---|
KAAN ERSAHIN等: "Segmentation and Classification of Polarimetric SAR Data Using Spectral Graph Partitioning", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 48, no. 1, 15 September 2009 (2009-09-15), pages 164 - 174, XP 011282954, DOI: doi:10.1109/TGRS.2009.2024303 * |
XIN NIU等: "An Adaptive Contextual SEM Algorithm for Urban Land Cover Mapping Using Multitemporal High-Resolution Polarimetric SAR Data", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 5, no. 4, 31 August 2012 (2012-08-31), pages 1129 - 1139, XP 011453838, DOI: doi:10.1109/JSTARS.2012.2201448 * |
李旭等: "基于极化相似特征的极化SAR图像的谱分类", 《计算机应用》, vol. 30, no. 5, 31 May 2010 (2010-05-31), pages 1415 - 1417 * |
陈应良等: "权重马氏距离高斯核在谱分割中的应用", 《计算机应用》, vol. 28, no. 7, 31 July 2008 (2008-07-31), pages 1738 - 1741 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617623B (zh) * | 2013-12-10 | 2016-03-16 | 江南大学 | 全表示半监督快速谱聚类的医学图像分割方法及系统 |
CN103617623A (zh) * | 2013-12-10 | 2014-03-05 | 江南大学 | 全表示半监督快速谱聚类的医学图像分割方法及系统 |
CN103793913A (zh) * | 2014-02-18 | 2014-05-14 | 哈尔滨工程大学 | 一种结合均值漂移的谱聚类图像分割方法 |
CN104268555B (zh) * | 2014-09-11 | 2017-06-16 | 西安电子科技大学 | 基于模糊稀疏lssvm的极化sar图像分类方法 |
CN104268555A (zh) * | 2014-09-11 | 2015-01-07 | 西安电子科技大学 | 基于模糊稀疏lssvm的极化sar图像分类方法 |
CN104463219A (zh) * | 2014-12-17 | 2015-03-25 | 西安电子科技大学 | 一种基于特征向量度量谱聚类的极化sar图像分类方法 |
CN106408587B (zh) * | 2016-09-19 | 2018-11-09 | 辽宁工程技术大学 | 多视sar图像分割方法及装置 |
CN106408587A (zh) * | 2016-09-19 | 2017-02-15 | 辽宁工程技术大学 | 多视sar图像分割方法及装置 |
CN108154157A (zh) * | 2017-12-06 | 2018-06-12 | 西安交通大学 | 一种基于集成的快速谱聚类方法 |
CN108154157B (zh) * | 2017-12-06 | 2020-07-28 | 西安交通大学 | 一种基于集成的快速谱聚类方法 |
US20220268922A1 (en) * | 2019-07-18 | 2022-08-25 | Nec Corporation | Image processing device and image processing method |
US11846702B2 (en) * | 2019-07-18 | 2023-12-19 | Nec Corporation | Image processing device and image processing method |
CN112558066A (zh) * | 2020-10-30 | 2021-03-26 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 双极化sar图像系统 |
CN112558066B (zh) * | 2020-10-30 | 2023-08-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 双极化sar图像系统 |
CN116486091A (zh) * | 2023-06-26 | 2023-07-25 | 尚宁智感(北京)科技有限公司 | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 |
CN116486091B (zh) * | 2023-06-26 | 2023-09-26 | 尚宁智感(北京)科技有限公司 | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103426175B (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103426175B (zh) | 基于特征值度量谱聚类的极化sar图像分割方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN102622756B (zh) | 基于全变分谱聚类的sar图像分割方法 | |
CN101866424A (zh) | 基于独立分量分析的高光谱遥感图像混合像元分解方法 | |
CN102129573A (zh) | 基于字典学习和稀疏表示的sar图像分割方法 | |
CN102262223B (zh) | 一种基于散射矩阵的相干目标分解方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN101853491A (zh) | 基于并行稀疏谱聚类的sar图像分割方法 | |
CN103886336A (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN104463219A (zh) | 一种基于特征向量度量谱聚类的极化sar图像分类方法 | |
CN102867307A (zh) | 基于特征向量集成谱聚类的sar图像分割方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN104156736A (zh) | 基于sae和idl的极化sar图像分类方法 | |
CN104182767A (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 | |
CN105005767A (zh) | 一种基于微波遥感影像森林类型识别方法 | |
CN102968640A (zh) | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 | |
CN104268561B (zh) | 基于结构先验低秩表示的高光谱图像解混方法 | |
CN105354555A (zh) | 一种基于概率图模型的三维人脸识别方法 | |
CN102914302A (zh) | 一种无人机着陆视觉导航合作目标鲁棒检测方法 | |
CN105005798A (zh) | 一种基于局部相似结构统计匹配的目标识别方法 | |
CN105184314A (zh) | 基于像素聚类的wrapper式高光谱波段选择方法 | |
CN104008394A (zh) | 基于近邻边界最大的半监督高光谱数据降维方法 | |
CN104751183A (zh) | 基于张量mpca的极化sar图像分类方法 | |
CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 |
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 |