CN103839077A - 一种基于超像素特征的低秩表示的极化sar图像分类方法 - Google Patents
一种基于超像素特征的低秩表示的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN103839077A CN103839077A CN201410066725.0A CN201410066725A CN103839077A CN 103839077 A CN103839077 A CN 103839077A CN 201410066725 A CN201410066725 A CN 201410066725A CN 103839077 A CN103839077 A CN 103839077A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- low
- pixel
- rank
- 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 63
- 230000010287 polarization Effects 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000004040 coloring Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 235000009508 confectionery Nutrition 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 abstract description 6
- 239000002131 composite material Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- GJJFMKBJSRMPLA-HIFRSBDPSA-N (1R,2S)-2-(aminomethyl)-N,N-diethyl-1-phenyl-1-cyclopropanecarboxamide Chemical compound C=1C=CC=CC=1[C@@]1(C(=O)N(CC)CC)C[C@@H]1CN GJJFMKBJSRMPLA-HIFRSBDPSA-N 0.000 description 1
- 244000171726 Scotch broom Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于超像素特征的低秩表示的极化SAR图像分类方法,主要提高了现有经典算法在边缘的分类正确率的问题。主要过程:(1)对极化SAR数据进行Freeman分解,得到表面散射能量,体散射能量和二次散射能量,通过这三个能量计算散射功率熵和共极化比;(2)对RGB合成图进行超像素处理,得超像素结果图;(3)对每个超像素提取上述五个特征的平均值,并构建所有超像素的一个特征矩阵,每一列代表一个超像素的特征;(4)对特征矩阵进行低秩表示,获取低秩系数,对低秩系数进行聚类;(5)对聚类结果进行wishart调整,最后着色。本发明对比其它经典的方法能够更好提高分类正确率,因此可以用于极化SAR图像分类。
Description
技术领域
本发明属于图像处理技术领域,具体地说是属于极化SAR图像分类领域的一种基于超像素特征的低秩表示的极化SAR图像分类方法,可用于对极化SAR图像分类处理。
背景技术
极化合成孔径雷达(PolarimetricSyntheticApertureRadar)已经成为国内外合成孔径雷达发展的重要方向之一。与单极化雷达图像相比,极化合成孔径雷达图像能够提供更多的地物信息。快速、准确SAR图像分类是实现各种实际应用的前提。因此,对极化SAR图像的分类的研究,具有十分重要的意义。
传统的单极化成像雷达采用固定极化天线来发射和接收射频信号,只能测量散射波矢量的一个分量,获得的信息量是有限的。为了保留散射波的全部信息,必须采用一种矢量测量过程来测量散射波的极化特性。极化合成孔径雷达(POLSAR)在不同收发极化组合下,测量地物目标的极化散射特性,即是多参数,多通道的雷达成像系统。由于电磁波极化对目标的介电常数、物理特性、几何形状和取向等比较敏感,因而极化测量可以得到所有极化状态信号的幅度和相对相位,大大提高了成像雷达对目标的各种信息的捕获和获取能力。它可以更完整的记录目标的极化散射信息,因此成为国内外合成雷达研究的热点之一。
目前,国外很多机构的星载和机载极化SAR系统可以获取不同波段的全极化SAR数据。美国航空航天局(NASA)喷气推进实验室(JPL)在1955年研制成功的极化SARCV-900是第一部实用的极化SAR系统。比较典型的机载极化SAR系统主要有美国的AIRSAR(NASA/JPL)系统,丹麦的EMISAR(DCRS)系统,德国的ESAR(DLR)系统,日本的PISAR(NASDA-CRL)系统,法国的RAMSES(ONERA)系统,加拿大的CV580系统等。典型的星载极化SAR系统有美国的SIR-C(NASA/JPL)系统,欧空局的EnvisatASAR(ESA)系统,日本的ALOSPALSAR(JAXA)系统,加拿大的RADARSAT2(CSA)系统,德国的TerraSAR-X系统等。
从目前的发展趋势看,极化合成孔径雷达在海洋学、冰川学、地质学、地形学以及生态学等学科中有着广泛的应用,如评估农作物生长状况,土壤湿度检测,植被分布,火山状态分析,海洋生物分布,海冰检测和海洋污染检测等。具有很高的应用价值,受到国内外的高度重视。
发明内容
本发明的目的在于克服已有技术的不足,在分类效果上面得到了一定的提高,主要体现在边界上面。提出了一种基于超像素特征的低秩表示的极化SAR图像分类方法,以实现对极化SAR图像分类的效果,达到对复杂的地物特征清晰的进行分辨。
为实现上述目的,本发明提供一种基于超像素特征的低秩表示的极化SAR图像分类方法,其特征是:包括如下步骤:
1)对输入的极化SAR图像数据做预处理,即采用7*7的窗口进行Lee滤波;
2)对极化SAR数据中的相干矩阵T进行经典Freeman方法进行分解,得到表面散射能量Ps,体散射能量Pv,二次散射能量Pd,并且通过以下目标函数求得散射功率熵Hp和共极化比R;
其中
其中,Ps表示表面散射能量,Pv表示体散射能量,Pd表示二次散射能量,Hp表示散射功率熵,R表示共极化比,SVV表示以竖直方向发射,竖直方向接收的天线极化方式所获得的散射系数,SHH表示以水平方向发射,水平方向接收的天线极化方式所获得的散射系数;
3)对RGB合成图进行超像素处理,即tubopixel处理,降低数据的复杂性,获取超像素结果图;
x={x1,x2,…xk,…,xn}
其中,xk代表第k个超像素,n为超像素的个数;
4)对每个超像素xk分别提取特征,针对第2步中所得到的数据,对超像素里所包含的像素点的表面散射能量Ps,体散射能量Pv,二次散射能量Pd,散射功率熵Hp和共极化比R等特征分别求出平均值,对所有的超像素提取同样的特征,构建特征矩阵X;
X={X1,X2,…,Xk,…,Xn}
Xk={Psk,Pvk,Pdk,Hpk,Rk}Τ
其中
5)对特征矩阵X进行归一化处理,处理的方式为:均值方差归一化;
其中,emean=mean(e)=mean(e1,e2,…,ek),evar=var(e)=var(e1,e2,…,ek)使每个分量规范到[-1,1]上;
6)对归一化的特征矩阵X进行低秩处理,求得低秩表示系数Z,并对系数进行聚类,得到聚类结果C,聚类方法采用了谱聚类,模糊K均值聚类等经典算法,通过以下目标函数求得低秩表示系数:
其中,X表示特征矩阵,Z表示低秩表示系数,|| ||*为核范数,即矩阵奇异值的和7)针对低秩表示系数聚类的结果C,作为Wishart迭代分类的首次迭代的训练样本来计算Vw,然后像素被归类到距离因子最小的那一类中,来做最最后的调整;
即,对于所有的j≠w,如果下式:d(〈Z〉,Vw)≤d(〈Z〉,Vj)得到满足,则该像素被归类到第w。该式就是最大似然估计分类方法的分类判决,并由重新分类得到的分类结果来更新Vw,如此迭代一直到满足某个标准为止。
其中,
〈Z〉为极化SAR中每个像素的散射相关矩阵
8)对最后通过wishart迭代出来的结果,进行随机着色,颜色的显示自主设置。
上述的步骤4中的超像素的各特征值求解如下:
(a)分别计算每个超像素里面所包含的像素个数。
(b)从第一个超像素开始,直到所有的超像素,提取每一个超像素里面所包含的像素点个数,并根据这些像素点的位置来提取表面散射能量Ps,体散射能量Pv,二次散射能量Pd,散射功率熵Hp和共极化比R特征。
(c)根据下式分别求出每个超像素的Ps,Pv,Pd,Hp,R平均值,求取平均值的表示式为:
其中,Pi表示第i个超像素的特征,n表示每个超像素里面所含有的像素点的个数,pj为某个像素点的特征。
上述的步骤6中,低秩表示方法的求解过程如下:
目标式:
(a)首先是对公式里面的一些值进行初始化,即对出现的所有参数和即将用到的参数均需要初始化。
(b)在未达到终止条件时,通过增广拉格朗日乘子法来更新参数,即固定里面其他的参数来更新某一个参数。
(c)达到终止条件,更新结束,即得到最后的低秩表示系数Z。
终止条件为:||X-XZ||∞<εand||Z-J||∞<ε
ε根据实验获取的经验值,一般设置为10-8。
本发明与现有的技术相比具有以下技术效果和优点:
本发明通过,(1)对极化SAR数据进行Freeman分解,得到表面散射能量,体散射能量和二次散射能量,通过这三个能量计算散射功率熵和共极化比;(2)对RGB合成图进行超像素处理,得超像素结果图;(3)对每个超像素提取上述五个特征的平均值,并构建所有超像素的一个特征矩阵,每一列代表一个超像素的特征;(4)对特征矩阵进行低秩表示,获取低秩系数,对低秩系数进行聚类;(5)对聚类结果进行wishart调整,最后着色。本发明对比其它经典的方法能够更好提高分类正确率,因此可以用于极化SAR图像分类,具有以下优点和效果:
1.本发明克服了极化SAR图像分类的边界分类的问题,通过提取特征并结合低秩方
法,使分类结果得到了一定的提高,实现对极化SAR图像分类的效果,达到对复杂
的地物特征清晰的进行分辨。
2.本发明在处理效率上有一定的提高。
3.本发明属于无监督的分类算法,节省了人力处理的部分。
附图说明
下面结合实施例附图对本发明的具体实施方式予以描述。
图1是本发明的流程图;
图2是本发明测试输入的SanFransisco地区的极化SAR图像;
图3是本发明SanFransisco地区的超像素处理的超像素图;
图4是对比方法,SanFransisco地区的H/α/wishart分类结果;
图5是对比方法,SanFransisco地区的传统基于Freeman分解方法分类结果;
图6是本发明SanFransisco地区的最后结果图;
图7是本发明测试输入的西安地区的极化SAR图像;
图8是本发明西安地区的超像素处理的超像素图;
图9是对比方法,西安地区的H/α/wishart分类结果;
图10是对比方法,西安地区的传统基于Freeman分解方法的分类结果;
图11是本发明方法西安地区的最后结果图。
具体实施方式
下面结合附图1-11对本发明的方法做进一步的说明。
本发明是基于小波特征低秩表示的SAR图像目标聚类,采用一种基于超像素特征的低秩表示的极化SAR图像分类方法,包括如下步骤:
1)对输入的极化SAR图像数据做预处理,即采用7*7的窗口进行Lee滤波;
2)对极化SAR数据中的相干矩阵T进行经典Freeman方法进行分解,得到表面散射能量Ps,体散射能量Pv,二次散射能量Pd,并且通过以下目标函数求得散射功率熵Hp和共极化比R;
其中
其中,Ps表示表面散射能量,Pv表示体散射能量,Pd表示二次散射能量,Hp表示散射功率熵,R表示共极化比,SVV表示以竖直方向发射,竖直方向接收的天线极化方式所获得的散射系数,SHH表示以水平方向发射,水平方向接收的天线极化方式所获得的散射系数;
3)对RGB合成图进行超像素处理,即tubopixel处理,降低数据的复杂性,获取超像素结果图;
x={x1,x2,…xk,…,xn}
其中,xk代表第k个超像素,n为超像素的个数;
4)对每个超像素xk分别提取特征,针对第2步中所得到的数据,对超像素里所包含的像素点的表面散射能量Ps,体散射能量Pv,二次散射能量Pd,散射功率熵Hp和共极化比R等特征分别求出平均值,对所有的超像素提取同样的特征,构建特征矩阵X;
X={X1,X2,…,Xk,…,Xn}
Xk={Psk,Pvk,Pdk,Hpk,Rk}Τ
其中
5)对特征矩阵X进行归一化处理,处理的方式为:均值方差归一化;
其中,emean=mean(e)=mean(e1,e2,…,ek),evar=var(e)=var(e1,e2,…,ek)使每个分量规范到[-1,1]上;
6)对归一化的特征矩阵X进行低秩处理,求得低秩表示系数Z,并对系数进行聚类,得到聚类结果C,聚类方法采用了谱聚类,模糊K均值聚类等经典算法,通过以下目标函数求得低秩表示系数:
其中,X表示特征矩阵,Z表示低秩表示系数,|| ||*为核范数,即矩阵奇异值的和
7)针对低秩表示系数聚类的结果C,作为Wishart迭代分类的首次迭代的训练样本来计算Vw,然后像素被归类到距离因子最小的那一类中,来做最最后的调整;
即,对于所有的j≠w,如果下式:d(〈Z〉,Vw)≤d(〈Z〉,Vj)得到满足,则该像素被归类到第w。该式就是最大似然估计分类方法的分类判决,并由重新分类得到的分类结果来更新Vw,如此迭代一直到满足某个标准为止。
其中,
〈Z〉为极化SAR中每个像素的散射相关矩阵
8)对最后通过wishart迭代出来的结果,进行随机着色,颜色的显示自主设置。
该方案实现了,对超像素特征进行低秩处理之后,使分类正确率有一定的提高,本发明克服了极化SAR图像分类的边界分类的问题,通过提取特征并结合低秩方法,使分类结果得到了一定的提高,实现对极化SAR图像分类的效果,达到对复杂的地物特征清晰的进行分辨。
实施例2,结合附图1-11描述。
在实施例1的基础上,所述的步骤4中的超像素的各特征值求解如下:
(a)分别计算每个超像素里面所包含的像素个数。
(b)从第一个超像素开始,直到所有的超像素,提取每一个超像素里面所包含的像素点个数,并根据这些像素点的位置来提取表面散射能量Ps,体散射能量Pv,二次散射能量Pd,散射功率熵Hp和共极化比R等特征。
(c)根据下式分别求出每个超像素的Ps,Pv,Pd,Hp,R平均值,
求取平均值的表示式为:
其中,Pi表示第i个超像素的特征,n表示每个超像素里面所含有的像素点的个数,pj为某个像素点的特征。
所述的步骤6中,低秩表示方法的求解过程如下:
目标式:
(a)首先是对公式里面的一些值进行初始化,即对出现的所有参数和即将用到的参数均需要初始化。
(b)在未达到终止条件时,通过增广拉格朗日乘子法来更新参数,即固定里面其他的参数来更新某一个参数。
(c)达到终止条件,更新结束,即得到最后的低秩表示系数Z。
终止条件为:||X-XZ||∞<εand||Z-J||∞<ε
ε根据实验获取的经验值,一般设置为10-8。
该实施例详细的描述了整个图像处理关键步骤的处理过程,有利于对处理结果进行进一步的分析,及时发现图像出现问题时的原因。
本发明效果可以通过以下实验进一步证实:
一.实验条件和内容
实验条件:实验所使用的输入图像主要有两类,一是SanFransisco地区的极化SAR图像(参照说明书附图的图2),一是西安地区的极化SAR图像(参照说明书附图的图7)。获得的超像素图,如图实验中,所用的方法都是使用matlab语言编程实现。
实验内容:在上述实验条件下,结合当前比较热门的极化SAR分类方法,如H/α/Wishart和传统基于Freeman分解方法进行试验。由于极化SAR地物数据信息比较复杂的性质,所以需要进行特征提取,本发明处理的过程是特征提取,然后对特征进行低秩表示,进行聚类,最后Wishart迭代。
二.实验结果
如图3所示,采用SanFransisco地区、如图8所示西安地区做实验的实验结果
使用低秩表示方法所做的分类结果如说明书附图中的图6和图11所示。从结果可以看出,对超像素特征进行低秩处理之后,聚类正确率有一定的提高,因此低秩是起到了一定的作用的;
使用H/α/wishart的分类的结果如图4和图9所示。从结果可以看出,本发明在细节保持方面,边界保持方面都有一定的提高,由结果图所表示的经典极化SAR分类可知,本发明方法对于聚类正确的提高起到了一定的作用,因此是有必要对能量特征矩阵做进一步的处理。
使用基于Freeman分解方法的分类的结果如图5和图10所示。从结果可以看出,本发明在细节上相比于该方法在边界保持上还是有一定的优势
本实验采用SanFransisco地区的极化SAR图像数据和西安地区的极化SAR图像数据进行测试,由于极化SAR图像信息比较复杂,没有非常标准的评判标准,但是一般用人的视觉方面,也是可以直接进行判断的。
从结果图4、图11可以发现,对超像素特征进行低秩处理之后,分类正确率有一定的提高,说明超像素低秩处理在极化SAR分类上有一定作用。在超像素特征空间,通过低秩处理,在无干扰的情况下,使同类之间可以相互表示,而不同类之间无法相互表示,然后再对表示系数进行聚类;这样对比与直接对能量特征进行聚类的结果,本发明体现了其优势,对聚类正确率有一定的提高。
实验结果表明,本发明相对于其它的一些经典的聚类方法具有更好的性能,获得更好的聚类结果。
Claims (3)
1.一种基于超像素特征的低秩表示的极化SAR图像分类方法,其特征是:包括如下步骤:
1)对输入的极化SAR图像数据做预处理,即采用7*7的窗口进行Lee滤波;
2)对极化SAR数据中的相干矩阵T进行经典Freeman方法进行分解,得到表面散射能量Ps,体散射能量Pv,二次散射能量Pd,并且通过以下目标函数求得散射功率熵Hp和共极化比R;
其中
其中,Ps表示表面散射能量,Pv表示体散射能量,Pd表示二次散射能量,Hp表示散射功率熵,R表示共极化比,SVV表示以竖直方向发射,竖直方向接收的天线极化方式所获得的散射系数,SHH表示以水平方向发射,水平方向接收的天线极化方式所获得的散射系数;
3)对RGB合成图进行超像素处理,即tubopixel处理,降低数据的复杂性,获取超像素结果图;
x={x1,x2,…xk,…,xn}
其中,xk代表第k个超像素,n为超像素的个数;
4)对每个超像素xk分别提取特征,针对第2步中所得到的数据,对超像素里所包含的像素点的表面散射能量Ps,体散射能量Pv,二次散射能量Pd,散射功率熵Hp和共极化比R等特征分别求出平均值,对所有的超像素提取同样的特征,构建特征矩阵X;
X={x1,X2,…,Xk,…,Xn}
xk={Psk,Pvk,Pak,Hpk,Rk}T
其中
5)对特征矩阵X进行归一化处理,处理的方式为:均值方差归一化;
设e=(e1,e2,…,ek),建立映射
其中,
emean=mean(e)=mean(e1,e2,…,ek),evar=var(e)=var(e1,e2,…,ek)使每个分量规范到[-1,1]上;
6)对归一化的特征矩阵X进行低秩处理,求得低秩表示系数Z,并对系数进行聚类,得到聚类结果C,聚类方法采用了谱聚类,模糊K均值聚类等经典算法,通过以下目标函数求得低秩表示系数:
其中,X表示特征矩阵,Z表示低秩表示系数,|| ||*为核范数,即矩阵奇异值的和;
7)针对低秩表示系数聚类的结果C,作为Wishart迭代分类的首次迭代的训练样本来计算Vw,然后像素被归类到距离因子最小的那一类中,来做最最后的调整;
即,对于所有的j≠w,如果下式:d(〈Z〉Vw)≤d(〈Z〉,Vj)得到满足,则该像素被归类到第w。该式就是最大似然估计分类方法的分类判决,并由重新分类得到的分类结果来更新Vw,如此迭代一直到满足某个标准为止。
其中,
〈Z〉为极化SAR中每个像素的散射相关矩阵
8)对最后通过wishart迭代出来的结果,进行随机着色,颜色的显示自主设置。
2.根据权利要求1所述的一种基于超像素特征的低秩表示的极化SAR图像分类方法,其特征是:所述的步骤4)中的超像素的各特征值求解如下:
(a)分别计算每个超像素里面所包含的像素个数;
(b)从第一个超像素开始,直到所有的超像素,提取每一个超像素里面所包含的像素点个数,并根据这些像素点的位置来提取表面散射能量Ps,体散射能量Pv,二次散射能量Pd,散射功率熵Hp和共极化比R特征;
(c)根据下式分别求出每个超像素的Ps,Pv,Pd,Hp,R平均值,
求取平均值的表示式为:
其中,Pi表示第i个超像素的特征,n表示每个超像素里面所含有的像素点的个数,pj为某个像素点的特征。
3.根据权利要求1所述的一种基于超像素特征的低秩表示的极化SAR图像分类方法,其特征是:所述的步骤6)中,低秩表示方法的求解过程如下:
(a)首先是对公式里面的一些值进行初始化,即对出现的所有参数和即将用到的参数均需要初始化;
(b)在未达到终止条件时,通过增广拉格朗日乘子法来更新参数,即固定里面其他的参数来更新某一个参数;
(c)达到终止条件,更新结束,即得到最后的低秩表示系数Z;
终止条件为:||X-XZ||∞<εand||Z-J||∞<ε
ε根据实验获取的经验值,一般设置为10-8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410066725.0A CN103839077B (zh) | 2014-02-26 | 2014-02-26 | 一种基于超像素特征的低秩表示的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410066725.0A CN103839077B (zh) | 2014-02-26 | 2014-02-26 | 一种基于超像素特征的低秩表示的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103839077A true CN103839077A (zh) | 2014-06-04 |
CN103839077B CN103839077B (zh) | 2017-06-06 |
Family
ID=50802555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410066725.0A Expired - Fee Related CN103839077B (zh) | 2014-02-26 | 2014-02-26 | 一种基于超像素特征的低秩表示的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103839077B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046276A (zh) * | 2015-07-14 | 2015-11-11 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
CN105069479A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于在线序列极限学习机的极化sar图像分类方法 |
CN106096651A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于超像素和度量学习的极化sar地物分类方法 |
CN106530300A (zh) * | 2016-11-30 | 2017-03-22 | 天津天狮学院 | 一种低秩分析的火焰识别算法 |
CN107103280A (zh) * | 2017-03-10 | 2017-08-29 | 中国科学院遥感与数字地球研究所 | 极地冰盖冻融探测方法 |
CN112215104A (zh) * | 2020-09-28 | 2021-01-12 | 国交空间信息技术(北京)有限公司 | 一种基于超像素分割的海冰提取方法、装置和设备 |
CN112927235A (zh) * | 2021-02-26 | 2021-06-08 | 南京理工大学 | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070139251A1 (en) * | 2005-12-15 | 2007-06-21 | Raytheon Company | Target recognition system and method with unknown target rejection |
CN103413316A (zh) * | 2013-08-24 | 2013-11-27 | 西安电子科技大学 | 基于超像素和优化策略的sar图像分割方法 |
-
2014
- 2014-02-26 CN CN201410066725.0A patent/CN103839077B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070139251A1 (en) * | 2005-12-15 | 2007-06-21 | Raytheon Company | Target recognition system and method with unknown target rejection |
CN103413316A (zh) * | 2013-08-24 | 2013-11-27 | 西安电子科技大学 | 基于超像素和优化策略的sar图像分割方法 |
Non-Patent Citations (4)
Title |
---|
HANG YU ET AL.: "Context-Based Hierarchical Unequal Merging for SAR Image Segmentation", 《IEEE TRANSACTION ON GEOSCIENCE AND REMOTE SENSING》 * |
SHUANG WANG ET AL.: "Unsupervised Classification of Fully Polarimetric SAR Images Based on Scattering Power Entropy and Copolarized Ratio", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
吴晓东 等: "基于多尺度联合分割的SAR图像电力线走廊变化监测", 《电力科学与技术学报》 * |
陆明媚: "遥感图像变化检测新方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046276A (zh) * | 2015-07-14 | 2015-11-11 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
CN105046276B (zh) * | 2015-07-14 | 2018-04-17 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
CN105069479A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于在线序列极限学习机的极化sar图像分类方法 |
CN106096651A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于超像素和度量学习的极化sar地物分类方法 |
CN106530300A (zh) * | 2016-11-30 | 2017-03-22 | 天津天狮学院 | 一种低秩分析的火焰识别算法 |
CN106530300B (zh) * | 2016-11-30 | 2019-05-17 | 天津天狮学院 | 一种低秩分析的火焰识别方法 |
CN107103280A (zh) * | 2017-03-10 | 2017-08-29 | 中国科学院遥感与数字地球研究所 | 极地冰盖冻融探测方法 |
CN107103280B (zh) * | 2017-03-10 | 2021-01-01 | 中国科学院遥感与数字地球研究所 | 极地冰盖冻融探测方法 |
CN112215104A (zh) * | 2020-09-28 | 2021-01-12 | 国交空间信息技术(北京)有限公司 | 一种基于超像素分割的海冰提取方法、装置和设备 |
CN112927235A (zh) * | 2021-02-26 | 2021-06-08 | 南京理工大学 | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 |
CN112927235B (zh) * | 2021-02-26 | 2022-12-02 | 南京理工大学 | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103839077B (zh) | 2017-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839077B (zh) | 一种基于超像素特征的低秩表示的极化sar图像分类方法 | |
CN107292317B (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
Rignot et al. | Segmentation of polarimetric synthetic aperture radar data | |
Huang et al. | Application of polarization signature to land cover scattering mechanism analysis and classification using multi-temporal C-band polarimetric RADARSAT-2 imagery | |
Zhang et al. | Classification of polarimetric SAR image based on support vector machine using multiple-component scattering model and texture features | |
Liu et al. | Change detection of multilook polarimetric SAR images using heterogeneous clutter models | |
CN109374985A (zh) | 电磁环境监测方法、系统及存储介质 | |
CN103824084A (zh) | 基于sdit和svm的极化sar图像分类方法 | |
CN105160353B (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN103824093B (zh) | 一种基于kfda及svm的sar图像目标特征提取与识别方法 | |
CN102208017A (zh) | 基于高分辨率合成孔径雷达图像的舰船检测方法 | |
CN103927551A (zh) | 基于超像素相关矩阵的极化sar图像半监督分类方法 | |
CN105005767A (zh) | 一种基于微波遥感影像森林类型识别方法 | |
CN108764326B (zh) | 基于深度置信网络的城市不透水层提取方法 | |
CN104361346A (zh) | 基于k-svd和稀疏表示的极化sar图像分类方法 | |
Garestier et al. | PolInSAR analysis of X-band data over vegetated and urban areas | |
Dong et al. | Copula-based joint statistical model for polarimetric features and its application in PolSAR image classification | |
CN105956622B (zh) | 基于多特征联合建模的极化sar影像分类方法 | |
CN104751183A (zh) | 基于张量mpca的极化sar图像分类方法 | |
CN110736985B (zh) | 极点特征聚类的公路隐藏病害识别系统及其实施方法 | |
West et al. | Polarimetric Interferometric SAR Change Detection Discrimination. | |
Zhang et al. | Classification method for fully PolSAR data based on three novel parameters | |
CN114926696A (zh) | 基于复矩阵和多特征协同学习的遥感图像分类方法 | |
CN113009443B (zh) | 一种基于图连通密度的海面目标检测方法及其装置 | |
CN115085831A (zh) | 一种基于混合时频分析的无人机遥控信号识别系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20170606 |