CN103870836A - 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 - Google Patents
基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 Download PDFInfo
- Publication number
- CN103870836A CN103870836A CN201410013223.1A CN201410013223A CN103870836A CN 103870836 A CN103870836 A CN 103870836A CN 201410013223 A CN201410013223 A CN 201410013223A CN 103870836 A CN103870836 A CN 103870836A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- synthetic aperture
- target
- aperture radar
- 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.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法,包括以下步骤:第一步,对采集到的合成孔径雷达目标图像进行图像预处理;第二步,选取若干幅相同目标不同方位角下的合成孔径雷达目标图像作为低分辨率图像;第三步,用双立方插值算法构造分辨率为原分辨率2倍的参考帧;第四步,对低分辨率图像进行凸集投影超分辨率重构得到超分辨率合成孔径雷达图像;第五步,用二维离散小波分解和主成分分析方法对重构后的超分辨率合成孔径雷达图像进行特征提取;第六步,用支持向量机对提取得到的特征进行分类识别,从而判断合成孔径雷达目标图像的种类和型号。
Description
技术领域
本发明涉及图像处理、模式识别等领域,尤其涉及合成孔径雷达图像处理与目标识别领域。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别是SAR图像处理和解译的关键步骤,在民用和军事领域均具有重要的应用价值。SAR图像目标识别是对获取的含有目标的SAR图像进行目标检测、定位并判别出目标的种类和型号的过程。假设一幅SAR图像中的目标已被检测出且其位置已经确定,则可以从图像中提取包含目标的切片图像对其种类和型号进行识别。在实际应用中,雷达分辨率越高,得到的图像越清晰,目标的识别率也越高,因此,提高图像分辨率是提高图像目标识别率的关键。对于合成孔径雷达系统,要获取高分辨率图像,需要加大信号带宽,加长合成孔径长度,这对系统提出了更高的要求,并给运动补偿和成像处理工作带来了更大的困难。
因此,考虑将超分辨率信息处理技术引入到合成孔径雷达图像处理和目标识别中,在不增加信号谱宽和合成孔径长度的前提下,提高雷达图像的分辨率,从而提高目标识别的正确率。图像超分辨率重构是指利用一系列低分辨率图像生成一幅高分辨率图像从而获取图像更多的信息和细节。凸集投影是一种较为经典的空间域的图像重构算法,其利用投影来表示凸集约束,具有良好的适应性和重构效果。
发明内容
本发明将凸集投影超分辨率重构技术和目标识别技术相结合,利用凸集投影超分辨率重构技术获取超分辨率合成孔径雷达图像,在不增加信号谱宽和合成孔径长度的前提下,提高合成孔径雷达图像的分辨率,进行提高合成孔径雷达图像目标识别的正确率。
本发明解决其技术问题所采用的技术方案是:
基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法,其特征在于:所述合成孔径雷达图像目标识别方法包括以下步骤:
步骤1,对采集到的一系列未知目标的同类不同方位角下的原始合成孔径雷达目标图像进行图像预处理;
步骤2,选取M幅不同方位角下的合成孔径雷达目标图像作为低分辨率图像,这些合成孔径雷达目标图像的目标方位角间隔不应大于30°,且M≥4;
步骤3,选择其中一幅低分辨率图像作为参考图像,采用双立方插值算法将其构造成为分辨率为原分辨率2倍的参考帧,作为超分辨率图像的初始估计;
步骤4,设置迭代次数,依次对上述每一幅低分辨率合成孔径雷达目标图像进行如下操作:4.1)用预滤波梯度法进行运动估计,得到图像像素的运动轨迹,确定每幅低分辨合成孔径雷达目标图像的运动补偿值;4.2)对每幅低分辨率合成孔径雷达目标图像的像素进行投影迭代,基于点扩散函数计算真实图像与估计图像之间的残差;4.3)如果计算得到的残差大于一个阈值,则根据残差修正高分辨率图像的像素值;检查是否达到预设的迭代次数,若未到达则继续依次对每一幅低分辨率合成孔径雷达目标图像进行如上操作直至结束,得到一幅分辨率为原分辨率2倍的凸集投影超分辨率重构图像;
步骤5,采用二维离散小波分解以及主成分分析方法对凸集投影超分辨率重构后的图像提取特征矢量;
步骤6,使用经过训练的支持多目标分类的支持向量机对上述特征矢量进行分类,从而识别出该多幅合成孔径雷达目标图像的目标种类和型号。
进一步,所述步骤1中,预处理包括噪声处理,幅度值归一化处理,以及估计合成孔径雷达图像中目标的方位角。
进一步,所述步骤5中,二维离散小波分解以及主成分分析方法包括:对重构后的图像作3层二维离散小波分解,提取3层分解后的低频子带图像,用LL3表示;用主成分分析方法进行下一步的特征提取,将LL3表示成一个列矢量,用所有训练样本生成的矢量组成数据矩阵Xm×n,其中m为LL3表示成的列矢量的维数,n为训练样本的数目,计算自相关矩阵C=E[Xm×nXm×n T],且将C作特征值分解,得到特征矢量vi和特征值λi,i=1,2,...,m,选择λi中最大的N个值对应的特征矢量为基向量,将这些特征矢量作为列向量构造变换矩阵W=[v1v2…vN]T,经过计算y=W·x,可得到输入数据x的N维的特征矢量y。
进一步,所述步骤6中,支持向量机的核函数为高斯径向基。
本发明的技术构思为:该方法的一个递推过程包括以下基本步骤:
1)、对采集到的合成孔径雷达目标图像进行图像预处理。
2)、选取若干幅同目标不同方位角下的合成孔径雷达目标图像作为低分辨率图像。
3)、用双立方插值算法构造分辨率为原分辨率2倍的参考帧;
4)、对低分辨率图像进行凸集投影超分辨率重构得到超分辨率合成孔径雷达图像。
5)、用二维离散小波分解和主成分分析方法对重构后的超分辨率合成孔径雷达图像进行特征提取。
6)、用支持向量机对提取得到的特征进行分类识别,从而判断合成孔径雷达目标图像的种类和型号。
本发明的有益效果主要表现在:用凸集投影超分辨率重构技术对采集到的若干幅同类不同方位角下的合成孔径雷达目标图像进行图像处理,在不增加信号谱宽和合成孔径长度的前提下,提高了合成孔径雷达图像的分辨率,从而提高了合成孔径雷达图像目标识别的正确率,有利于提高合成孔径雷达图像解译的正确率。
附图说明
图1为本发明的基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法的流程图。
图2为本发明的特征提取过程示意图。
图3为本发明在不同方位角间隔下得到的不同的目标正确识别率。
图4为本发明的凸集投影超分辨率重构算法中取不同迭代次数后不同的残差值。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
参照图1和图2,基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法,包括以下步骤:
步骤1,对采集到的一系列未知目标的同类不同方位角下的原始合成孔径雷达目标图像进行图像预处理;
步骤2,选取M幅不同方位角下的合成孔径雷达目标图像作为低分辨率图像,这些合成孔径雷达目标图像的目标方位角间隔不应大于30°,且M≥4;
步骤3,选择其中一幅低分辨率图像作为参考图像,采用双立方插值算法将其构造成为分辨率为原分辨率2倍的参考帧,作为超分辨率图像的初始估计;
步骤4,设置迭代次数,依次对上述每一幅低分辨率合成孔径雷达目标图像进行如下操作:4.1)用预滤波梯度法进行运动估计,得到图像像素的运动轨迹,确定每幅低分辨合成孔径雷达目标图像的运动补偿值;4.2)对每幅低分辨率合成孔径雷达目标图像的像素进行投影迭代,基于点扩散函数计算真实图像与估计图像之间的残差;4.3)如果计算得到的残差大于一个阈值,则根据残差修正高分辨率图像的像素值;检查是否达到预设的迭代次数,若未到达则继续依次对每一幅低分辨率合成孔径雷达目标图像进行如上操作直至结束,得到一幅分辨率为原分辨率2倍的凸集投影超分辨率重构图像;
步骤5,采用二维离散小波分解以及主成分分析方法对凸集投影超分辨率重构后的图像提取特征矢量;
步骤6,使用经过训练的支持多目标分类的支持向量机对上述特征矢量进行分类,从而识别出该多幅合成孔径雷达目标图像的目标种类和型号。
进一步,所述步骤1中,预处理包括噪声处理,幅度值归一化处理,以及估计合成孔径雷达图像中目标的方位角。
进一步,所述步骤5中,二维离散小波分解以及主成分分析方法包括:对重构后的图像作3层二维离散小波分解,提取3层分解后的低频子带图像,用LL3表示;用主成分分析方法进行下一步的特征提取,将LL3表示成一个列矢量,用所有训练样本生成的矢量组成数据矩阵Xm×n,其中m为LL3表示成的列矢量的维数,n为训练样本的数目,计算自相关矩阵C=E[Xm×nXm×n T],且将C作特征值分解,得到特征矢量vi和特征值λi,i=1,2,...,m,选择λi中最大的N个值对应的特征矢量为基向量,将这些特征矢量作为列向量构造变换矩阵W=[v1v2…vN]T,经过计算y=W·x,可得到输入数据x的N维的特征矢量y。
进一步,所述步骤6中,支持向量机的核函数为高斯径向基。
本实施例采用美国DARPA/AFRL MSTAR项目组提供的实测SAR地面静止军用目标数据,将本发明方法和未进行凸集投影超分辨率重构的SAR图像目标识别方法进行比较。
MSTAR数据库中的SAR目标图像大小约为128×128像素,目标主要集中在小于64×64像素的区域中,其余区域均为杂波,杂波区域过大将不必要地增加后续处理过程的计算量,因此,需要对原始SAR目标图像进行截取,形成尺寸为64×64像素的新目标图像。原始SAR图像中,存在着乘性噪声,乘性噪声将影响后续处理结果的准确性,因此,需要在识别前将目标图像的幅度值作对数变换,使图像中的乘性噪声转换为加性噪声。本实施例针对MSTAR数据库的十类地面静止军用目标数据进行目标识别,在原始SAR图像中,不同类别的目标图像的幅度值分布差别较大,因此需要对图像幅度值进行归一化处理,使归一化后图像中各像素的幅度值的均值为0,标准差为1。本实施例中SAR图像目标的方位角由MSTAR数据提供。
本实施例超分辨率重构的目标是生成分辨率为原分辨率2倍的超分辨率图像,因此,选取M≥22幅同类别不同方位角下的合成孔径雷达目标图像作为低分辨率图像,本实施例取M=4。由图3可见,该4幅合成孔径雷达目标图像的方位角间隔应小于30°,才可获得高于未进行凸集投影超分辨率重构的SAR图像目标识别方法的正确目标识别率,且如图3所示,当方位角间隔为5°时,目标的正确识别率最高,故本实施例选取方位角间隔为5°的4幅合成孔径雷达目标图像作为低分辨率图像。
选择该4幅合成孔径雷达目标图像中的其中一幅作为参考图像,采用双立方插值算法将其构造成为分辨率为原分辨率2倍的参考帧,作为超分辨率图像的初始估计;根据图4设置凸集投影超分辨率重构算法的迭代次数,由图4可见,当迭代次数设置在10次以上时,残差趋于稳定,因而,本实施例设置迭代次数为10。依次对上述每一幅低分辨率合成孔径雷达目标图像进行如下操作:1)用预滤波梯度法进行运动估计,得到图像像素的运动轨迹,确定每幅低分辨合成孔径雷达目标图像的运动补偿值;2)对每幅低分辨率合成孔径雷达目标图像的像素进行投影迭代,基于点扩散函数计算真实图像与估计图像之间的残差;3)如果计算得到的残差大于一个阈值,则根据残差修正高分辨率图像的像素值;检查是否达到预设的迭代次数,若未到达则继续依次对每一幅低分辨率合成孔径雷达目标图像进行如上操作直至结束,最终得到一幅分辨率为原分辨率2倍的凸集投影超分辨率重构图像。
采用二维离散小波分解以及主成分分析方法对凸集投影超分辨率重构后的图像提取特征矢量,如图2所示。将重构后的图像作3层二维离散小波分解,提取3层分解后的低频子带图像,用LL3表示。用主成分分析进行下一步的特征提取。将大小为16×16像素的LL3表示成一个256维的列矢量,用所有训练样本生成的矢量组成数据矩阵Xm×n,其中m=256,n为训练样本的数目,本实施例中n=2747。计算自相关矩阵C=E[Xm×nXm×n T],且将C作特征值分解,得到特征矢量vi和特征值λi,i=1,2,...,m。选择λi中最大N个值对应的特征矢量为基向量,本实施例中N=200,将这些特征矢量作为列向量构造变换矩阵W=[v1v2…v200]T。经过计算y=W·x,可得到输入数据x的200维特征矢量y。
MSTAR数据包含俯视角分别为15°和17°的SAR目标图像数据,本实施例选取俯视角为17°的图像数据为训练样本,俯视角为15°的图像数据为测试样本,具体训练样本和测试样本可见表1。因而,本实施例的训练样本数为2747,测试样本数为3203,用训练样本训练支持多类别分类的支持向量机分类器,训练后的支持向量机用于对测试样本分类识别。其中,支持向量机的核函数为高斯径向基。将本发明方法得到的目标正确识别率与未进行凸集投影超分辨率重构的SAR图像目标识别方法得到的目标正确识别率比较,比较结果如表2所示。由表2可见,本发明方法得到的目标平均正确识别率明显高于未进行凸集投影超分辨率重构的SAR图像目标识别方法得到的目标平均正确识别率。
表1
表2
综上所述,本发明的基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法能够在不增加信号谱宽和合成孔径长度的前提下,提高合成孔径雷达图像的分辨率,从而提高了合成孔径雷达图像目标识别的正确率,有利于提高合成孔径雷达图像解译的正确率。
显而易见,在不偏离本发明的真实精神和范围的前提下,在此描述的本发明可以有许多变化。因此,所有对于本领域技术人员来说显而易见的改变,都应包括在本权利要求书所涵盖的范围之内。本发明所要求保护的范围仅由所述的权利要求书进行限定。
Claims (4)
1.基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法,其特征在于:所述合成孔径雷达图像目标识别方法包括以下步骤:
步骤1,对采集到的一系列未知目标的同类不同方位角下的原始合成孔径雷达目标图像进行图像预处理;
步骤2,选取M幅不同方位角下的合成孔径雷达目标图像作为低分辨率图像,这些合成孔径雷达目标图像的目标方位角间隔不应大于30°,且M≥4;
步骤3,选择其中一幅低分辨率图像作为参考图像,采用双立方插值算法将其构造成为分辨率为原分辨率2倍的参考帧,作为超分辨率图像的初始估计;
步骤4,设置迭代次数,依次对上述每一幅低分辨率合成孔径雷达目标图像进行如下操作:4.1)用预滤波梯度法进行运动估计,得到图像像素的运动轨迹,确定每幅低分辨合成孔径雷达目标图像的运动补偿值;4.2)对每幅低分辨率合成孔径雷达目标图像的像素进行投影迭代,基于点扩散函数计算真实图像与估计图像之间的残差;4.3)如果计算得到的残差大于一个阈值,则根据残差修正高分辨率图像的像素值;检查是否达到预设的迭代次数,若未到达则继续依次对每一幅低分辨率合成孔径雷达目标图像进行如上操作直至结束,得到一幅分辨率为原分辨率2倍的凸集投影超分辨率重构图像;
步骤5,采用二维离散小波分解以及主成分分析方法对凸集投影超分辨率重构后的图像提取特征矢量;
步骤6,使用经过训练的支持多目标分类的支持向量机对上述特征矢量进行分类,从而识别出该多幅合成孔径雷达目标图像的目标种类和型号。
2.如权利要求1所述的基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法,其特征在于:所述步骤1中,预处理包括噪声处理,幅度值归一化处理,以及估计合成孔径雷达图像中目标的方位角。
3.如权利要求1所述的基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法,其特征在于:所述步骤5中,二维离散小波分解以及主成分分析方法包括:对重构后的图像作3层二维离散小波分解,提取3层分解后的低频子带图像,用LL3表示;用主成分分析方法进行下一步的特征提取,将LL3表示成一个列矢量,用所有训练样本生成的列矢量组成数据矩阵Xm×n,其中m为LL3表示成的列矢量的维数,n为训练样本的数目,计算自相关矩阵C=E[Xm×nXm×n T],且将C作特征值分解,得到特征矢量vi和特征值λi,i=1,2,...,m,选择λi中最大的N个值对应的特征矢量为基向量,将这些特征矢量作为列向量构造变换矩阵W=[v1v2…vN]T,经过计算y=W·x,可得到输入数据x的N维的特征矢量y。
4.如权利要求1所述的基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法,其特征在于:所述步骤6中,支持向量机的核函数为高斯径向基。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410013223.1A CN103870836A (zh) | 2014-01-10 | 2014-01-10 | 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410013223.1A CN103870836A (zh) | 2014-01-10 | 2014-01-10 | 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103870836A true CN103870836A (zh) | 2014-06-18 |
Family
ID=50909351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410013223.1A Pending CN103870836A (zh) | 2014-01-10 | 2014-01-10 | 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103870836A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077610A (zh) * | 2014-07-10 | 2014-10-01 | 电子科技大学 | 二维非线性投影特征的sar图像目标识别的方法 |
CN104915932A (zh) * | 2015-05-19 | 2015-09-16 | 中国电子科技集团公司第五十研究所 | 基于目标特征的全息雷达图像预处理与目标提取方法 |
CN106780581A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院光电研究院 | 一种sar图像解译能力的评估方法 |
CN107395933A (zh) * | 2017-08-18 | 2017-11-24 | 南京理工大学 | 一种基于lcos空间光调制器的可编程孔径成像系统及超分辨方法 |
CN109886872A (zh) * | 2019-01-10 | 2019-06-14 | 深圳市华讯方舟太赫兹科技有限公司 | 安检设备及其图像检测方法 |
CN110084809A (zh) * | 2019-05-06 | 2019-08-02 | 成都医云科技有限公司 | 糖尿病视网膜疾病数据处理方法、装置及电子设备 |
RU2757672C1 (ru) * | 2020-11-24 | 2021-10-20 | Акционерное общество "Калужский научно-исследовательский институт телемеханических устройств" | Машинно-ориентированный способ локального позиционирования наземных объектов на основе дальномерных вычислений |
CN115861081A (zh) * | 2023-02-27 | 2023-03-28 | 耕宇牧星(北京)空间科技有限公司 | 一种基于阶梯型多级小波网络的图像超分辨率重建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894269B (zh) * | 2010-07-16 | 2012-07-04 | 西安电子科技大学 | 基于多分类器系统的合成孔径雷达自动目标识别方法 |
US20130033394A1 (en) * | 2011-08-05 | 2013-02-07 | Mccleary Brent | Synthetic aperture radar chip level cross-range streak detector |
-
2014
- 2014-01-10 CN CN201410013223.1A patent/CN103870836A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894269B (zh) * | 2010-07-16 | 2012-07-04 | 西安电子科技大学 | 基于多分类器系统的合成孔径雷达自动目标识别方法 |
US20130033394A1 (en) * | 2011-08-05 | 2013-02-07 | Mccleary Brent | Synthetic aperture radar chip level cross-range streak detector |
Non-Patent Citations (2)
Title |
---|
宦若虹: "一种合成孔径雷达图像特征提取与目标识别的新方法", 《电子与信息学报》 * |
肖杰雄: "基于POCS算法的超分辨率图像重构", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077610B (zh) * | 2014-07-10 | 2017-03-29 | 电子科技大学 | 二维非线性投影特征的sar图像目标识别的方法 |
CN104077610A (zh) * | 2014-07-10 | 2014-10-01 | 电子科技大学 | 二维非线性投影特征的sar图像目标识别的方法 |
CN104915932A (zh) * | 2015-05-19 | 2015-09-16 | 中国电子科技集团公司第五十研究所 | 基于目标特征的全息雷达图像预处理与目标提取方法 |
CN104915932B (zh) * | 2015-05-19 | 2018-04-27 | 中国电子科技集团公司第五十研究所 | 基于目标特征的全息雷达图像预处理与目标提取方法 |
CN106780581B (zh) * | 2016-11-18 | 2019-10-18 | 中国科学院光电研究院 | 一种sar图像解译能力的评估方法 |
CN106780581A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院光电研究院 | 一种sar图像解译能力的评估方法 |
CN107395933B (zh) * | 2017-08-18 | 2020-04-10 | 南京理工大学 | 一种基于lcos空间光调制器的可编程孔径成像系统及超分辨方法 |
CN107395933A (zh) * | 2017-08-18 | 2017-11-24 | 南京理工大学 | 一种基于lcos空间光调制器的可编程孔径成像系统及超分辨方法 |
CN109886872A (zh) * | 2019-01-10 | 2019-06-14 | 深圳市华讯方舟太赫兹科技有限公司 | 安检设备及其图像检测方法 |
CN110084809A (zh) * | 2019-05-06 | 2019-08-02 | 成都医云科技有限公司 | 糖尿病视网膜疾病数据处理方法、装置及电子设备 |
CN110084809B (zh) * | 2019-05-06 | 2021-03-16 | 成都医云科技有限公司 | 糖尿病视网膜疾病数据处理方法、装置及电子设备 |
RU2757672C1 (ru) * | 2020-11-24 | 2021-10-20 | Акционерное общество "Калужский научно-исследовательский институт телемеханических устройств" | Машинно-ориентированный способ локального позиционирования наземных объектов на основе дальномерных вычислений |
CN115861081A (zh) * | 2023-02-27 | 2023-03-28 | 耕宇牧星(北京)空间科技有限公司 | 一种基于阶梯型多级小波网络的图像超分辨率重建方法 |
CN115861081B (zh) * | 2023-02-27 | 2023-05-23 | 耕宇牧星(北京)空间科技有限公司 | 一种基于阶梯型多级小波网络的图像超分辨率重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103870836A (zh) | 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 | |
CN103955701B (zh) | 多层次结合的多视合成孔径雷达图像目标识别方法 | |
Jia et al. | Visual tracking via adaptive structural local sparse appearance model | |
Sun et al. | Low-rank and sparse matrix decomposition-based anomaly detection for hyperspectral imagery | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN103984966A (zh) | 基于稀疏表示的sar图像目标识别方法 | |
CN103065135A (zh) | 基于数字图像处理的车牌号码匹配算法 | |
Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
Johnson et al. | AutoGAD: An improved ICA-based hyperspectral anomaly detection algorithm | |
Kowkabi et al. | A fast spatial–spectral preprocessing module for hyperspectral endmember extraction | |
CN103077499B (zh) | 基于相似块的sar图像预处理方法 | |
Wang et al. | Detecting ship targets in spaceborne infrared image based on modeling radiation anomalies | |
Ertürk | Enhanced unmixing-based hyperspectral image denoising using spatial preprocessing | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
Ghamisi et al. | The spectral-spatial classification of hyperspectral images based on Hidden Markov Random Field and its Expectation-Maximization | |
Venkateswaran et al. | Performance analysis of k-means clustering for remotely sensed images | |
Dong et al. | A novel VHR image change detection algorithm based on image fusion and fuzzy C-means clustering | |
CN107679528A (zh) | 一种基于AdaBoost‑SVM集成学习算法的行人检测方法 | |
Duncan et al. | Relational entropy-based saliency detection in images and videos | |
Xiong et al. | Small target detection for infrared image based on optimal infrared patch-image model by solving modified adaptive RPCA problem | |
CN102800108A (zh) | 基于局部约束最小二乘估计的视觉目标跟踪方法 | |
Yin et al. | Multispectral remote sensing image classification with multiple features | |
Akila et al. | Optimized Scale Invariant HOG Descriptors for Object and Human Detection | |
CN107451574B (zh) | 一种基于类Haar视觉特征感知的运动估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140618 |
|
RJ01 | Rejection of invention patent application after publication |