CN103455825A - 基于邻域聚类核的sar图像变化检测方法 - Google Patents
基于邻域聚类核的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN103455825A CN103455825A CN2013104049879A CN201310404987A CN103455825A CN 103455825 A CN103455825 A CN 103455825A CN 2013104049879 A CN2013104049879 A CN 2013104049879A CN 201310404987 A CN201310404987 A CN 201310404987A CN 103455825 A CN103455825 A CN 103455825A
- Authority
- CN
- China
- Prior art keywords
- clock phase
- nch
- sigma
- nbd
- feature
- 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
本发明公开了一种基于邻域聚类核的SAR图像变化检测方法,主要解决现有差值合成核不能利用无标签样本信息而导致检测精度低下的问题。其实现步骤是:(1)提取两时像图像的强度特征和纹理特征;(2)手动选取标签训练样本和无标签训练样本;(3)利用标签训练样本构造差值合成核;(4)利用无标签训练样本信息修正上述差值合成核,得到邻域聚类核;(5)将邻域聚类核输入支撑矢量机中进行训练,得到支撑矢量分类器;(6)将标签训练样本和所有像素点构成的邻域聚类核输入到支撑矢量分类器中测试,得到最终变化检测结果。本发明与差值合成核方法相比,具有检测精度高,对SAR图像抗斑点噪声性能好的优点,可用于SAR图像变化检测。
Description
技术领域
本发明属于图像处理技术领域,涉及图像变化检测,可用于对SAR图像进行地物状态变化监测与评估。
背景技术
SAR图像变化检测是一种利用不同时期的SAR图像获取地物变化信息的技术,它是针对SAR图像的特点而建立的数据分析方法,可用于识别地物状态的变化。由于SAR图像变化检测在自然灾情监测与评估、资源和环境监测、军事目标探测和农作物监测等领域的需求越来越多,因此具有高检测精度和高执行效率的SAR图像变化检测方法己经成为目前的研究热点。
SAR图像变化检测方法一般可分为:基于直接比较法的变化检测方法,如图像差值法,图像比值法;基于间接比较法的变化检测方法,如基于特征提取的方法和分类后检测方法;基于多元变量分析的变化检测方法,如主成分分析法和独立成分分析法。比较流行的SAR图像变化检测方法有:基于多尺度分析的变化检测方法,如学者Kai-Kuang Ma提出的基于双树-复小波变换DT-CWT的变化检测方法,它利用DT-CWT对对数比值图进行多尺度分解,但它没有考虑图像的纹理信息,阈值的选取也是一个棘手的问题;基于统计模型的变化检测方法,如学者L.Bruzzone提出的基于广义高斯GGD模型和改进KI门限的变化检测方法,该方法取得了较好的检测结果但它没有考虑图像空间信息,且模型参数的选择也是一个难点;基于空间信息的变化检测方法,如学者Gabriele Moser提出的利用马尔科夫随机场MRF模型构建SAR图像邻域相关信息的变化检测方法。近期新发展起来的是基于核方法的SAR图像变化检测方法,学者Gustavo Camps-Valls在2008年提出的基于差值合成核的SAR图像变化检测方法,尽管该方法取得了一定的检测效果,但由于该方法是一种有监督的方法,只利用了少量标签样本信息对支撑矢量机进行训练,没有充分考虑无标签样本的信息,因此它无法捕获更为合理的图像特征,学习机也不具有较好的推广能力,因而该方法的检测精度较低。
发明内容
本发明的目的在于针对上述已有问题的缺点,提出一种基于邻域聚类核的SAR图像变化检测方法,以解决现有的差值合成核不能充分利用无标签样本信息而导致的检测精度低下的问题。
为实现上述目的,本发明的实现步骤包括如下:
A训练步骤:
A4)对原始两时相SAR图像Xi手动提取M个两时相标签训练样本和Q个两时相无标签训练样本,其中,0<M≤100,0<Q≤1000;
A7)利用两时相标签训练样本的特征xij,构造差值合成核KS(xj,xk),其中,xj表示标签训练样本(pj,qj)处的差特征,xk表示标签训练样本(pk,qk)处的差特征,1≤j,k≤M;
A8)利用所有两时相训练样本的特征zil,构造差值合成核KD(zl,zr),其中,zl表示训练样本(pl,ql)处的差特征,zr表示训练样本(pr,qr)处的差特征,1≤l,r≤(M+Q);
A9)利用差值合成核KS(xj,xk)和差值合成核KD(zl,zr),构造邻域聚类核KCN(xj,xk);
A10)将邻域聚类核KCN(xj,xk)输入到支撑矢量机SVM中,对SVM进行训练,得到支撑矢量分类器SVC;
B测试步骤:
B1)利用两时相图像特征Ti(p,q)和两时相标签训练样本的特征xij,构造差值合成核KM(xj,T(p,q)),其中xj表示标签训练样本(pj,qj)处的差特征,1≤j≤M,T(p,q)为像素点(p,q)处的差特征;
B2)利用差值合成核KM(xj,T(p,q)),构造邻域聚类核KCN(xj,T(p,q));
B3)将步骤B2)得到的邻域聚类核KCN(xj,T(p,q))输入到步骤A10)得到的支撑矢量分类器SVC中,对SVC进行测试,得到最终的变化检测结果图。
本发明具有如下优点:
(1)本发明由于利用了核方法,可以将原始空间中的非线性不可分问题转化为高维空间中的线性可分问题,因此本发明更适合处理具有非线性特征的SAR图像。
(2)本发明由于利用了无标签样本的信息,能更充分的考虑图像的空间信息,进而更全面的提取图像特征,因此本发明可以显著的提高变化检测结果的精度。
仿真结果表明,本发明与现有的差值合成核方法相比,具有更高的检测精度和更强的抗斑点噪声能力。
附图说明
图1是本发明的实现流程图;
图2是本发明应用于两时相稻田洪水灾害Real SAR图像的变化检测结果图;
图3是本发明应用于两时相机场洪水灾害Real SAR图像的变化检测结果图;
图4是本发明应用于两时相城市洪水灾害Real SAR图像的变化检测结果图;
图5是本发明应用于两时相农田Real SAR图像的变化检测结果图。
具体实施方式
参照图1,本发明的具体实施包括如下训练步骤和测试步骤:
一.训练步骤:
1.2)对原始两时相SAR图像Xi进行C个尺度、D个方向的Gabor变换,令表示两时相图像在第s个尺度、第d个方向上的变换系数,其中s=1,...,C,d=1,...,D,则在以(p,q)为中心像素,大小为N的窗口上提取高通子带系数的均值信息和方差信息
其中,C=3,D=4;
步骤2.特征归一化。
步骤3.构造两时相图像特征Ti(p,q)。
步骤4.提取训练样本。
对原始两时相SAR图像Xi手动提取M个两时相标签训练样本和Q个两时相无标签训练样本,其中,0<M≤100,0<Q≤1000。
步骤5.提取标签训练样本的特征。
步骤6.提取所有训练样本的特征。
步骤7.利用两时相标签训练样本的特征xij,构造差值合成核KS(xj,xk)。
7.1)将两时相标签训练样本的特征xij输入到高斯径向基核函数中,构造强度核Kg(xij,xik)和纹理核Kw(xij,xik):
7.2)将强度核Kg(xij,xik)和纹理核Kw(xij,xik)进行加权求和,构造强度纹理合成核Kgw(xij,xik):
Kgw(xij,xik)=αKg(xij,xik)+(1-α)Kw(xij,xik),
其中,α为大于0小于1的常数;
7.3)利用强度纹理合成核Kgw(xij,xik)构造差值合成核KS(xj,xk):
其中,Kgas为高斯径向基核函数,α为大于0小于1的常数,xj=|x1j-x2j|表示标签训练样本(pj,qj)处的差特征,xk=|x1k-x2k|表示标签训练样本(pk,qk)处的差特征,1≤k,j≤M。
步骤8.利用所有两时相训练样本的特征zil,构造差值合成核KD(zl,zr)。
8.1)将两时相训练样本的特征zil输入到高斯径向基核函数中,构造强度核Kg(zil,zir)和纹理核Kw(zil,zir):
其中,Kgas为高斯径向基核函数,1≤l,r≤M+Q,zil为两时相训练样本点(pl,ql)处的特征,表示训练样本点(pl,ql)处的强度特征,表示训练样本点(pl,ql)处的纹理特征;zir为两时相训练样本点(pr,qr)处的特征,表示训练样本点(pr,qr)处的强度特征,表示训练样本点(pr,qr)处的纹理特征;
8.2)将强度核Kg(zil,zir)和纹理核Kw(zil,zir)进行加权求和,构造强度纹理合成核Kgw(zil,zir):
Kgw(zil,zir)=αKg(zil,zir)+(1-α)Kw(zil,zir),
其中,α为大于0小于1的常数;
8.3)利用强度纹理合成核Kgw(zil,zir)构造差值合成核KD(zl,zr):
其中,Kgas为高斯径向基核函数,α为大于0小于1的常数,zl=|z1l-z2l|表示训练样本(pl,ql)处的差特征,zr=|z1r-z2r|表示训练样本(pr,qr)处的差特征,1≤l,r≤(M+Q)。
步骤9.利用差值合成核KS(xj,xk)和差值合成核KD(zl,zr),构造邻域聚类核KCN(xj,xk)。
9.1)将差值合成核KD(zl,zr)输入到核K-means聚类算法中,对所有训练样本进行聚类,并记录聚类中心;
9.2)将聚类结果中所有的变化类训练样本差特征归入到变化类邻域CH中,将聚类结果中所有的非变化类训练样本差特征归入到非变化类邻域NCH中;
9.3)将步骤9.1)得到的聚类中心作为邻域中心,记cor1为变化类邻域CH的中心,cor2为非变化类邻域NCH的中心;
9.4)利用差值合成核KD(zl,zr)、变化类邻域CH和非变化类邻域NCH,求取如下8个统计特征:
其中,|CH|为变化类邻域CH中变化类训练样本差特征的个数,|NCH|为非变化类邻域NCH中非变化类训练样本差特征的个数,1≤l,r≤M+Q;
9.5)利用差值合成核KS(xj,xk)、变化类邻域CH、非变化类邻域NCH和步骤9.4)得到的8个统计特征,构造邻域聚类核KCN(xj,xk):
步骤10.对支撑矢量机SVM进行训练。
将邻域聚类核KCN(xj,xk)输入到支撑矢量机SVM中进行训练,得到支撑矢量分类器SVC。
二.测试步骤
步骤A.利用两时相图像特征Ti(p,q)和两时相标签训练样本的特征xij,构造差值合成核KM(xj,T(p,q))。
(A1)将两时相标签训练样本的特征xij和两时相图像特征Ti(p,q)输入到高斯径向基核函数中,构造强度核Kg(xij,Ti(p,q))和纹理核Kw(xij,Ti(p,q)):
其中,Kgas为高斯径向基核函数,1≤j,k≤M,xij是两时相标签训练样本的特征,是标签训练样本点(pj,qj)处的强度特征,是标签训练样本点(pj,qj)处的纹理特征,Ti(p,q)是两时相图像在像素点(p,q)处的特征,是像素点(p,q)处的强度特征,是像素点(p,q)处的纹理特征;
(A2)将强度核Kg(xij,Ti(p,q))和纹理核Kw(xij,Ti(p,q))进行加权求和,构造强度纹理合成核Kgw(xij,Ti(p,q)):
Kgw(xij,Ti(p,q))=αKg(xij,Ti(p,q))+(1-α)Kw(xij,Ti(p,q)),
其中,α为大于0小于1的常数;
(A3)利用强度纹理合成核Kgw(xij,Ti(p,q))构造差值合成核KM(xj,T(p,q)):
其中,Kgas为高斯径向基核函数,α为大于0小于1的常数,xj=|x1j-x2j|表示标签训练样本(pj,qj)处的差特征,T(p,q)=|T1(p,q)-T2(p,q)|表示像素点(p,q)处的差特征,1≤j≤M。
步骤B.利用差值合成核KM(xj,T(p,q)),构造邻域聚类核KCN(xj,T(p,q))。
(B1)计算T(p,q)到变化类邻域中心cor1的欧式距离D1,计算T(p,q)到非变化类邻域中心cor2的欧式距离D2,并利用这两个距离将T(p,q)归入到变化类邻域CH或者非变化类邻域NCH中:
其中,T(p,q)是像素点(p,q)处的差特征;
(B2)根据步骤A得到的差值合成核KM(xj,T(p,q))、变化类邻域CH和非变化类邻域NCH,求取如下8个统计特征:
其中,|CH|为变化类邻域CH中像素差特征的个数,|NCH|为非变化类邻域NCH中像素差特征的个数;
(B3)根据差值合成核KM(xj,T(p,q))和(B2)得到的8个统计特征,构造邻域聚类核KCN(xj,T(p,q)):
步骤C.对支撑矢量分类器SVC进行测试。
将步骤B得到的邻域聚类核KCN(xj,T(p,q))输入到步骤10得到的支撑矢量分类器SVC中,对SVC进行测试,得到最终的变化检测结果图。
本发明效果可以通过以下实验进一步证实:
1)实验条件
实验仿真环境为:MATLAB R2009b,Intel(R)Pentium(R)2CPU2.7GHz,Window7旗舰版。
2)实验内容
实验1、分别应用差值合成核和本发明对两时相稻田洪水灾害Real SAR图像进行变化检测。该实验结果如图2所示,其中图2(a)是实测稻田洪水灾害的第一时刻的ERS-1SAR图像,图2(b)是实测稻田洪水灾害的第二时刻的ERS-1SAR图像,图2(c)是变化检测结果参考图,图2(d)是差值合成核的变化检测结果,图2(e)是本发明的变化检测结果。
实验2、分别应用差值合成核和本发明对两时相机场洪水灾害Real SAR图像进行变化检测。该实验结果如图3所示,其中图3(a)是实测机场洪水灾害的第一时刻的JERS SAR channel1图像,图3(b)是实测机场洪水灾害的第二时刻的JERS SARchannel1图像,图3(c)是变化检测结果参考图,图3(d)是差值合成核的变化检测结果,图3(e)是本发明的变化检测结果。
实验3、分别应用差值合成核和本发明对两时相城市洪水灾害Real SAR图像进行变化检测。该实验结果如图4所示,其中图4(a)是实测城市洪水灾害的第一时刻的ERS-2SAR图像,图4(b)是实测城市洪水灾害的第二时刻的ERS-2SAR图像,图4(c)是变化检测结果参考图,图4(d)是差值合成核的变化检测结果,图4(e)是本发明的变化检测结果。
实验4、分别应用差值合成核和本发明对两时相农田Real SAR图像进行变化检测。该实验结果如图5所示,其中图5(a)是实测农田的第一时刻的SAR图像,图5(b)是实测农田的第二时刻的SAR图像,图5(c)是变化检测结果参考图,图5(d)是差值合成核的变化检测结果,图5(e)是本发明的变化检测结果图。
3)实验结果
为验证变化检测结果质量,本发明选取总体精度、Kappa系数作为性能指标参数,评价本发明检测精度,该实验结果如表1所示。
表1本发明算法与差值合成核方法变化检测结果精度比较
4)实验结果分析
从图2、图3、图4,和图5和表1可以看到,本发明在检测精度和抗噪性能上均优于差值合成核方法。这是由于本发明利用了无标签样本信息,能更全面的考虑了图像空间信息,且提取的特征能够更好的反映变化像素和无变化像素间的区别,因此本发明方法的变化监测精度明显高于差值合成核方法。
Claims (6)
1.一种基于邻域聚类核的SAR图像变化检测方法,包括:
A训练步骤:
A4)对原始两时相SAR图像Xi手动提取M个两时相标签训练样本和Q个两时相无标签训练样本,其中,0<M≤100,0<Q≤1000;
A7)利用两时相标签训练样本的特征xij,构造差值合成核KS(xj,xk),其中,xj表示标签训练样本(pj,qj)处的差特征,xk表示标签训练样本(pk,qk)处的差特征,1≤j,k≤M;
A8)利用所有两时相训练样本的特征zil,构造差值合成核KD(zl,zr),其中,zl表示训练样本(pl,ql)处的差特征,zr表示训练样本(pr,qr)处的差特征,1≤l,r≤(M+Q);
A9)利用差值合成核KS(xj,xk)和差值合成核KD(zl,zr),构造邻域聚类核KCN(xj,xk);
A10)将邻域聚类核KCN(xj,xk)输入到支撑矢量机SVM中,对SVM进行训练,得到支撑矢量分类器SVC;
B测试步骤:
B1)利用两时相图像特征Ti(p,q)和两时相标签训练样本的特征xij,构造差值合成核KM(xj,T(p,q)),其中xj表示标签训练样本(pj,qj)处的差特征,1≤j≤M,T(p,q)为像素点(p,q)处的差特征;
B2)利用差值合成核KM(xj,T(p,q)),构造邻域聚类核KCN(xj,T(p,q));
B3)将步骤B2)得到的邻域聚类核KCN(xi,T(p,q))输入到步骤A10)得到的支撑矢量分类器SVC中,对SVC进行测试,得到最终的变化检测结果图。
5.根据权利要求1所述方法,其中步骤A7)所述的构造差值合成核KS(xj,xk),其步骤如下:
A71)利用两时相标签训练样本的特征xij构造强度核Kg(xij,xik)和纹理核Kw(xij,xik):
A72)利用强度核Kg(xij,xik)和纹理核Kw(xij,xik),构造强度纹理合成核Kgw(xij,xik):
Kgw(xij,xik)=αKg(xij,xik)+(1-α)Kw(xij,xik),
其中,α为大于0小于1的常数;
A73)利用强度纹理合成核Kgw(xij,xik)构造差值合成核KS(xj,xk):
其中,Kgas为高斯径向基核函数,α为大于0小于1的常数,1≤k,j≤M。
6.根据权利要求1所述方法,其中步骤A9)所述的构造邻域聚类核KCN(xj,xk),其步骤如下:
A91)将差值合成核KD(zl,zr)输入到核K-means聚类算法中,对所有训练样本进行聚类,并记录聚类中心;
A92)将聚类结果中所有的变化类样本差特征归入到变化类邻域CH中,将聚类结果中所有的非变化类样本差特征归入到非变化类邻域NCH中;
A93)利用差值合成核KD(zl,zr)、变化类邻域CH和非变化类邻域NCH,求取如下8个统计特征:
其中,|CH|为变化类邻域CH中变化类样本差特征的个数,|NCH|为非变化类邻域NCH中非变化类样本差特征的个数,1≤l,r≤M+Q;
A94)利用差值合成核KS(xj,xk)、变化类邻域CH、非变化类邻域NCH和步骤A93)得到的8个统计特征,构造邻域聚类核KCN(xj,xk):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310404987.9A CN103455825B (zh) | 2013-09-08 | 2013-09-08 | 基于邻域聚类核的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310404987.9A CN103455825B (zh) | 2013-09-08 | 2013-09-08 | 基于邻域聚类核的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103455825A true CN103455825A (zh) | 2013-12-18 |
CN103455825B CN103455825B (zh) | 2016-10-19 |
Family
ID=49738166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310404987.9A Expired - Fee Related CN103455825B (zh) | 2013-09-08 | 2013-09-08 | 基于邻域聚类核的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103455825B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810704A (zh) * | 2014-01-23 | 2014-05-21 | 西安电子科技大学 | 基于支持向量机和判别随机场的sar图像变化检测方法 |
CN103914704A (zh) * | 2014-03-04 | 2014-07-09 | 西安电子科技大学 | 一种基于半监督SVM和MeanShift的极化SAR图像分类方法 |
CN105957049A (zh) * | 2016-02-03 | 2016-09-21 | 北京化工大学 | 一种基于稀疏表示分类的遥感图像变化检测方法 |
CN106384301A (zh) * | 2016-09-28 | 2017-02-08 | 南方电网科学研究院有限责任公司 | 输电费用分摊设计方案的优化方法和系统 |
CN110188830A (zh) * | 2019-06-01 | 2019-08-30 | 合肥工业大学 | 基于多核图割的sar图像变化检测方法 |
CN110197482A (zh) * | 2019-06-01 | 2019-09-03 | 合肥工业大学 | 基于空时图核函数的高分辨率sar图像变化检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551856A (zh) * | 2009-05-22 | 2009-10-07 | 西安电子科技大学 | 基于稀疏最小二乘支撑向量机的sar目标识别方法 |
US20110299733A1 (en) * | 2008-12-18 | 2011-12-08 | Qinetiq Limited | System and method for processing radar imagery |
CN102622759A (zh) * | 2012-03-19 | 2012-08-01 | 苏州迪凯尔医疗科技有限公司 | 一种结合灰度与几何信息的医学图像配准方法 |
-
2013
- 2013-09-08 CN CN201310404987.9A patent/CN103455825B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110299733A1 (en) * | 2008-12-18 | 2011-12-08 | Qinetiq Limited | System and method for processing radar imagery |
CN101551856A (zh) * | 2009-05-22 | 2009-10-07 | 西安电子科技大学 | 基于稀疏最小二乘支撑向量机的sar目标识别方法 |
CN102622759A (zh) * | 2012-03-19 | 2012-08-01 | 苏州迪凯尔医疗科技有限公司 | 一种结合灰度与几何信息的医学图像配准方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810704A (zh) * | 2014-01-23 | 2014-05-21 | 西安电子科技大学 | 基于支持向量机和判别随机场的sar图像变化检测方法 |
CN103810704B (zh) * | 2014-01-23 | 2016-08-24 | 西安电子科技大学 | 基于支持向量机和判别随机场的sar图像变化检测方法 |
CN103914704A (zh) * | 2014-03-04 | 2014-07-09 | 西安电子科技大学 | 一种基于半监督SVM和MeanShift的极化SAR图像分类方法 |
CN103914704B (zh) * | 2014-03-04 | 2017-02-08 | 西安电子科技大学 | 一种基于半监督SVM和MeanShift的极化SAR图像分类方法 |
CN105957049A (zh) * | 2016-02-03 | 2016-09-21 | 北京化工大学 | 一种基于稀疏表示分类的遥感图像变化检测方法 |
CN105957049B (zh) * | 2016-02-03 | 2018-10-23 | 北京化工大学 | 一种基于稀疏表示分类的遥感图像变化检测方法 |
CN106384301A (zh) * | 2016-09-28 | 2017-02-08 | 南方电网科学研究院有限责任公司 | 输电费用分摊设计方案的优化方法和系统 |
CN110188830A (zh) * | 2019-06-01 | 2019-08-30 | 合肥工业大学 | 基于多核图割的sar图像变化检测方法 |
CN110197482A (zh) * | 2019-06-01 | 2019-09-03 | 合肥工业大学 | 基于空时图核函数的高分辨率sar图像变化检测方法 |
CN110188830B (zh) * | 2019-06-01 | 2022-09-06 | 合肥工业大学 | 基于多核图割的sar图像变化检测方法 |
CN110197482B (zh) * | 2019-06-01 | 2022-10-04 | 合肥工业大学 | 基于空时图核函数的高分辨率sar图像变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103455825B (zh) | 2016-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103455825A (zh) | 基于邻域聚类核的sar图像变化检测方法 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
CN101819638B (zh) | 色情检测模型建立方法和色情检测方法 | |
CN104715261A (zh) | fMRI动态脑功能子网络构建及并联SVM加权识别方法 | |
CN104331698A (zh) | 一种遥感图像城区提取方法 | |
CN103473559A (zh) | 基于nsct域合成核的sar图像变化检测方法 | |
CN103177458A (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 | |
CN102346851B (zh) | 基于njw谱聚类标记的图像分割方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN114241422A (zh) | 一种基于ESRGAN和改进YOLOv5s的学生课堂行为检测方法 | |
CN109948527B (zh) | 基于集成深度学习的小样本太赫兹图像异物检测方法 | |
CN104700100A (zh) | 面向高空间分辨率遥感大数据的特征提取方法 | |
CN105335975A (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN103646256A (zh) | 一种基于图像特征稀疏重构的图像分类方法 | |
CN102867195A (zh) | 一种遥感图像多类目标检测和识别方法 | |
CN104281835A (zh) | 基于局部敏感的核稀疏表示的人脸识别方法 | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
CN104504391B (zh) | 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 | |
CN106908774A (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 | |
CN116863327B (zh) | 一种基于双域分类器协同对抗的跨域小样本分类方法 | |
CN105046286A (zh) | 基于自动视图生成和联合l1,2范数最小化的监督多视图特征选择方法 | |
CN104331711A (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161019 Termination date: 20210908 |
|
CF01 | Termination of patent right due to non-payment of annual fee |