CN104408476A - 基于深度稀疏主分量分析的极化sar图像分类方法 - Google Patents
基于深度稀疏主分量分析的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN104408476A CN104408476A CN201410747567.5A CN201410747567A CN104408476A CN 104408476 A CN104408476 A CN 104408476A CN 201410747567 A CN201410747567 A CN 201410747567A CN 104408476 A CN104408476 A CN 104408476A
- Authority
- CN
- China
- Prior art keywords
- principal component
- training sample
- sample set
- component analysis
- sparse principal
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度稀疏主分量分析的极化SAR图像分类方法,主要解决现有技术中对于极化SAR图像分类,其过程复杂、分类精度不高的问题。其实现步骤是:(1)输入待分类的极化SAR图像的相干矩阵,并对其进行滤波,得到去噪后的相干矩阵;(2)将去噪后的相干矩阵中每一列向量的元素作为一个样本,从中随机选取训练样本集和测试样本集;(3)对极化SAR图像的训练样本集进行深层特征的学习,训练出一个两层的稀疏主分量分析网络;(4)利用训练好的深度稀疏主分量分析网络对极化SAR图像的测试样本集进行分类,完成对极化SAR图像的分类。本发明分类精度高,可用于地物分类和目标识别。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种极化SAR图像分类方法,可用于地物分类和目标识别。
背景技术
近年来,随着计算机技术的迅速发展,大量的文本,语音,图像,视频等数据与日俱增。因此,如何从海量的数据中挖掘出有价值的信息成为了一个值得关注的问题。数据挖掘的核心原理是通过计算机的先进技术从大量的复杂的数据中攫取出其本质特征,从而可以充分利用其中有价值的数据信息。数据挖掘包含很多方法,其中非常重要的一种是分类,它可以从内容丰富、蕴藏大量信息的数据库中提取描述重要数据的模型,用于智能决策,所以应用非常广泛。分类的目的是学习到一个分类函数或分类模型,通过该分类模型,分析训练数据表现出的特性,描述每个类别的特征,根据类别的描述对测试数据进行分类。
极化SAR图像分类是极化SAR图像解译的重要研究内容,分类图既可作为中间结果为边缘提取、目标检测、识别等提供辅助信息,也可作为最终结果直接输出给用户,它在民用和军用领域均有着巨大的应用价值和理论意义。
极化SAR数据是以矩阵为基本单位进行像素描述,并且极化散射矩阵往往可以记录更完整的目标后向散射信息,因此其信息的挖掘和提取更为复杂,但也是由于它所描述的目标信息更加完整,所以极化SAR数据成为了国内外所研究的热点之一。近年来,很多极化SAR图像分类的方法被提了出来,这些方法的基本原理都是利用极化信息,从极化散射矩阵中提取一些与散射机理密切相关的参数,利用这些参数本身,再结合一些其他的方法,对极化SAR图像场景中的地物目标进行分类。这些方法是仅含单层非线性变换的浅层学习结构,浅层模型的一个共性是仅含单个将原始输入信号转换到特定问题空间特征的简单结构。
电子科技大学在其专利申请“一种基于子孔径分析的极化合成孔径雷达图像分类方法”(专利申请号:200910058210.5,公开号:CN101464956A)中提出了一种基于子孔径分析的极化SAR图像分类方法。这种方法首先采用H/ɑ平面对全分辨率极化SAR图像进行初始分类,再对其进行子孔径分解,然后根据初始分类计算初始类别中心,最后计算所有子孔径图像中每一个像素点与各类别中心的距离测度,将像素点归类于距离测度最小的那一类。该方法虽然综合了目标在不同视角下的散射特性,以及散射特性的变化,但是仍然存在的不足是,该方法对待分类的极化SAR图像信息的丰富性要求高,待处理的高维数据具有无关性和冗余性,计算量大,实现过程复杂。
西安电子科技大学在其专利申请“基于谱聚类的极化SAR图像分类方法”(专利申请号:201110164401.7,公开号:CN102208031A)中提出了一种基于谱聚类的极化SAR图像分类方法。该方法首先对极化SAR图像的每一个像素点提取表征极化SAR目标散射特性的散射熵,结合空间坐标信息,利用Mean Shift算法对图像进行分割,对各区域进行谱聚类,获得图像的预分类结果,最后对预分类得到的整幅图像用Wishart分类器进行迭代分类。该方法虽然能在任意形状的样本空间上聚类并且收敛于全局最优解,但是仍然存在的不足是,采用高斯函数构造相似矩阵时,尺度参数对分类结构影响较大,并且难以得到最优的参数,导致特征提取的不合理,影响图像分割的稳定性,导致分类精度下降。
发明内容
本发明的目的在于针对上述现有技术的不足,提出了一种基于深度稀疏主分量分析的极化SAR图像分类方法,以简化分类过程,降低计算复杂度,提高分类精度。
实现本发明目的的技术方案是:在充分地考虑极化SAR数据的散射特性后,利用一个两层的稀疏主分量分析网络对极化SAR数据进行深层特征的学习,并利用libSVM工具箱对学习到的深层特征进行分类。其实现步骤包括如下:
(1)输入待分类的极化SAR图像的相干矩阵,并对其进行滤波,得到去噪后的相干矩阵;
(2)选取样本:
(2a)在去噪后的相干矩阵中,将每一列向量的元素作为一个样本,将去噪后的相干矩阵中的所有样本组成一个样本集;
(2b)从样本集中随机选取5%的样本作为训练样本集,将剩余95%的样本作为测试样本集;
(3)对极化SAR图像的训练样本集进行深层特征的学习,训练出所述的深度稀疏主分量分析网络:
(3a)将步骤(2)选取的训练样本集作为深度稀疏主分量分析网络第一层的输入,通过稀疏主分量分析对训练样本集进行训练,得到深度稀疏主分量分析网络的第一层输出,即训练样本集的高级特征,完成深度稀疏主分量分析网络第一层的训练;
(3b)通过稀疏主分量分析对训练样本集的高级特征进行训练,得到深度稀疏主分量分析网络的第二层输出,即训练样本集的深层特征,完成深度稀疏主分量分析网络第二层的训练;
(4)利用步骤(3)训练好的深度稀疏主分量分析网络对极化SAR图像的测试样本集进行分类:
(4a)利用深度稀疏主分量分析网络的第一层对步骤(2)选取的测试样本集进行训练,得到深度稀疏主分量分析网络的第一层输出,即测试样本集的高级特征;
(4b)将测试样本集的高级特征通过深度稀疏主分量分析网络的第二层进行训练,得到测试样本集的深层特征,利用libSVM工具箱对该测试样本集的深层特征进行分类,完成对极化SAR图像的分类。
本发明与现有技术相比,具有以下优点:
第一,本发明由于引入了稀疏主分量分析方法,采用维数较低的稀疏主分量来表示训练样本集和测试样本集,克服了现有技术中待处理的高维数据的无关性和冗余性,使得本发明在对极化SAR图像进行分类时提高了分类精度。
第二,本发明由于通过引入了一个两层的稀疏主分量分析网络模型,对训练样本集和测试样本集进行深层特征的提取,克服了现有技术中由于特征提取不合理而造成的分类精度的下降,使得本发明具有对极化SAR原始数据达到高精度逼近的优点,进而提高了分类精度,并且训练过程较为简单,计算复杂度较低。
第三,本发明由于在分类过程中仅用到相干矩阵信息,不需要其他散射信息,克服了现有技术中对待分类的极化SAR图像信息的丰富性要求高的不足,使得本发明对不同的极化SAR图像信息具有更强的适应性。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真使用的两组极化SAR数据的图像;
图3是本发明仿真使用的两组极化SAR数据的真实地物标签图;
图4是采用本发明对两组极化SAR数据进行分类的仿真结果图。
具体实施方式
以下结合附图对本发明的技术内容及效果作进一步详细描述。
参照图1,本发明的实现步骤如下:
步骤1,对极化合成孔径雷达SAR数据进行预处理。
输入待分类的极化SAR图像的相干矩阵,采用滤波窗口大小为7×7的Lee滤波器,对其进行滤波,得到去噪后的相干矩阵。
步骤2,选取样本。
(2a)在去噪后的相干矩阵中,将每一列向量的元素作为一个样本,将去噪后的相干矩阵中的所有样本组成一个样本集;
(2b)从样本集中随机选取5%的样本作为训练样本集,将剩余95%的样本作为测试样本集。
步骤3,对极化SAR图像的训练样本集进行深层特征的学习,训练出所述的深度稀疏主分量分析网络。
(3a)将步骤(2)选取的训练样本集作为深度稀疏主分量分析网络第一层的输入,通过稀疏主分量分析对训练样本集进行训练,得到深度稀疏主分量分析网络的第一层输出,即训练样本集的高级特征,完成深度稀疏主分量分析网络第一层的训练;
通过稀疏主分量分析对训练样本集进行训练的实施步骤详述如下:
(3a1)对训练样本集进行去均值操作,获得去均值后的训练样本集;
(3a2)对去均值后的训练样本集,采用最小角回归-弹性网络LARS-EN算法,得到训练样本集的稀疏主分量;
(3a3)利用得到的训练样本集的稀疏主分量对去均值后的训练样本集进行卷积操作,得到极化SAR图像的训练样本集的高级特征矩阵,计算公式如下:
其中,Ii表示去均值后的训练样本集中的第i个训练样本,N表示训练样本集中训练样本的个数,表示深度稀疏主分量分析网络的第一层中训练样本集的第l个稀疏主分量,L1表示网络第一层的滤波器的个数,即训练样本集的稀疏主分量的个数,表示第l个滤波器对第i个训练样本进行卷积操作后输出的结果,*表示二维卷积操作;
(3b)通过稀疏主分量分析对训练样本集的高级特征进行训练,得到深度稀疏主分量分析网络的第二层输出,即训练样本集的深层特征,完成深度稀疏主分量分析网络第二层的训练;
通过稀疏主分量分析对训练样本集的高级特征进行训练的实施步骤详述如下:
(3b1)对训练样本集的高级特征进行去均值操作,获得去均值后的训练样本集的高级特征;
(3b2)对去均值后的训练样本集的高级特征,采用最小角回归-弹性网络LARS-EN算法,得到训练样本集的高级特征的稀疏主分量;
(3b3)利用得到的训练样本集的高级特征的稀疏主分量对去均值后的高级特征进行卷积操作,得到极化SAR图像的训练样本集的深层特征矩阵,计算公式如下:
其中,表示深度稀疏主分量分析网络第二层中的第l个滤波器对第i个训练样本的高级特征进行卷积操作后输出的结果,即训练样本的深层特征,表示第二层网络中训练样本集的高级特征的第l个稀疏主分量,表示第l个滤波器对第i个训练样本进行滤波操作后输出的结果,即训练样本的高级特征,N表示训练样本的个数,L2表示第二层滤波器的个数,即训练样本集的高级特征的稀疏主分量的个数,*表示二维卷积操作。
步骤4,对极化SAR图像的测试样本集进行分类。
(4a)利用深度稀疏主分量分析网络的第一层对步骤(3)选取的测试样本集进行训练,得到深度稀疏主分量分析网络的第一层输出,即测试样本集的高级特征;
利用深度稀疏主分量分析网络的第一层对步骤(3)选取的测试样本集进行训练的实施步骤详述如下:
(4a1)对测试样本集进行去均值操作,获得去均值后的测试样本集;
(4a2)利用步骤(3a2)得到的训练样本集的稀疏主分量对去均值后的测试样本集进行卷积操作,得到极化SAR图像的测试样本集的高级特征;
(4b)将测试样本集的高级特征通过深度稀疏主分量分析网络的第二层进行训练,得到测试样本集的深层特征:
(4b1)对测试样本集的高级特征进行去均值操作,获得去均值后的测试样本集的高级特征;
(4b2)利用步骤(3a2)得到的训练样本集的稀疏主分量对去均值后的测试样本集的高级特征进行卷积操作,得到极化SAR图像的测试样本集的深层特征。
(4c)利用libSVM工具箱对测试样本集的深层特征进行分类:
(4c1)通过libSVM工具箱对步骤(3b)得到的训练样本集的深层特征进行学习,得到分类模型,该libSVM工具箱是现有的一个简单、快速、有效的支持向量机SVM模式识别的软件包,通常用于多类的模式识别问题中;
(4c2)利用得到的分类模型对步骤(4b)得到的测试样本集的深层特征进行分类,完成对极化SAR图像的分类。
本发明的效果可以通过以下仿真实验来进行验证。
1、仿真条件:
本发明的仿真是在主频2.5GHZ的Pentium Dual_Core CPU E6550、内存2GB的硬件环境和MATLAB R2008a的软件环境下进行的。
本发明仿真使用的两组极化SAR图像如图2所示。其中:
图2(a)为NASA-JPL机载L波段AIRSAR系统于1989年获取的荷兰Flevoland农田区域极化SAR的RGB合成图像,图像的尺寸大小为380×420,图像中共有九类地物;
图2(b)为NASA-JPL机载L波段AIRSAR系统于1991年获取的荷兰Flevoland农田区域极化SAR的RGB合成图像,图像的尺寸大小为430×280,图像中共有七类地物。
与本发明仿真结果进行对比的两组极化SAR图像对应的真实地物标签图如图3所示。其中:
图3(a)为与图2(a)对应的真实地物标签图,图像的尺寸大小为380×420;
图3(b)为与图2(b)对应的真实地物标签图,图像的尺寸大小为430×280。
2、仿真内容与结果分析:
采用本发明对图2所示的两组极化SAR图像进行分类,其仿真结果如图4所示。其中:
图4(a)为采用本发明对图2(a)所示的极化SAR图像进行分类的仿真结果;结合图3(a)和图4(a)可以看出,采用本发明对图2(a)中的各个区域进行划分的结果较为细致,不同区域之间分类后的边缘也较为平滑;
图4(b)为采用本发明对图2(b)所示的极化SAR图像进行分类的仿真结果;结合图3(b)和图4(b)可以看出,采用本发明对图2(b)中的各个区域进行划分之后的边缘完整准确,水域和农田的交接处被清晰地划分出来,分类结果图中噪声较少。
由于本发明采用了一个两层的稀疏主分量分析网络来提取极化SAR图像的深层特征,能更好地逼近极化SAR图像的本质特征,所以分类精度较高。
以上仿真实验说明,本发明在极化SAR图像分类问题上的性能明显优于现有技术,体现了其分类的准确性与有效性。
Claims (3)
1.一种基于深度稀疏主分量分析的极化SAR图像分类方法,包括以下步骤:
(1)输入待分类的极化SAR图像的相干矩阵,并对其进行滤波,得到去噪后的相干矩阵;
(2)选取样本:
(2a)在去噪后的相干矩阵中,将每一列向量的元素作为一个样本,将去噪后的相干矩阵中的所有样本组成一个样本集;
(2b)从样本集中随机选取5%的样本作为训练样本集,将剩余95%的样本作为测试样本集;
(3)对极化SAR图像的训练样本集进行深层特征的学习,训练出所述的深度稀疏主分量分析网络:
(3a)将步骤(2)选取的训练样本集作为深度稀疏主分量分析网络第一层的输入,通过稀疏主分量分析对训练样本集进行训练,得到深度稀疏主分量分析网络的第一层输出,即训练样本集的高级特征,完成深度稀疏主分量分析网络第一层的训练;
(3b)通过稀疏主分量分析对训练样本集的高级特征进行训练,得到深度稀疏主分量分析网络的第二层输出,即训练样本集的深层特征,完成深度稀疏主分量分析网络第二层的训练;
(4)利用步骤(3)训练好的深度稀疏主分量分析网络对极化SAR图像的测试样本集进行分类:
(4a)利用深度稀疏主分量分析网络的第一层对步骤(2)选取的测试样本集进行训练,得到深度稀疏主分量分析网络的第一层输出,即测试样本集的高级特征;
(4b)将测试样本集的高级特征通过深度稀疏主分量分析网络的第二层进行训练,得到测试样本集的深层特征,利用libSVM工具箱对该测试样本集的深层特征进行分类,完成对极化SAR图像的分类。
2.根据权利要求1所述的方法,其中步骤(3a)所述的通过稀疏主分量分析对训练样本集进行训练,按如下步骤进行:
(3a1)对训练样本集进行去均值操作,得到去均值后的训练样本集;
(3a2)对去均值后的训练样本集,采用最小角回归-弹性网络LARS-EN算法,得到训练样本集的稀疏主分量;
(3a3)利用得到的训练样本集的稀疏主分量对去均值后的训练样本集进行卷积操作,得到极化SAR图像的训练样本集的高级特征矩阵:
其中,Ii表示去均值后的训练样本集中的第i个训练样本,N表示训练样本集中训练样本的个数,Wl 1表示深度稀疏主分量分析网络的第一层中训练样本集的第l个稀疏主分量,L1表示网络第一层的滤波器的个数,即训练样本集的稀疏主分量的个数,表示第l个滤波器对第i个训练样本进行卷积操作后输出的结果,*表示二维卷积操作。
3.根据权利要求1或2所述的方法,其中步骤(4a)所述的利用深度稀疏主分量分析网络的第一层对步骤(2)选取的测试样本集进行训练,按如下步骤进行:
(4a1)对测试样本集进行去均值操作,得到去均值后的测试样本集;
(4a2)利用步骤(3a2)得到的训练样本集的稀疏主分量对去均值后的测试样本集进行卷积操作,得到极化SAR图像的测试样本集的高级特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410747567.5A CN104408476A (zh) | 2014-12-08 | 2014-12-08 | 基于深度稀疏主分量分析的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410747567.5A CN104408476A (zh) | 2014-12-08 | 2014-12-08 | 基于深度稀疏主分量分析的极化sar图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104408476A true CN104408476A (zh) | 2015-03-11 |
Family
ID=52646107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410747567.5A Pending CN104408476A (zh) | 2014-12-08 | 2014-12-08 | 基于深度稀疏主分量分析的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408476A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
TWI682330B (zh) * | 2018-05-15 | 2020-01-11 | 美爾敦股份有限公司 | 自學式資料分類系統及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886336A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于稀疏自动编码器的极化sar图像分类方法 |
WO2014149115A2 (en) * | 2013-02-25 | 2014-09-25 | Raytheon Company | Reduction of cfar false alarms via classification and segmentation of sar image clutter |
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
-
2014
- 2014-12-08 CN CN201410747567.5A patent/CN104408476A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014149115A2 (en) * | 2013-02-25 | 2014-09-25 | Raytheon Company | Reduction of cfar false alarms via classification and segmentation of sar image clutter |
CN103886336A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于稀疏自动编码器的极化sar图像分类方法 |
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
Non-Patent Citations (4)
Title |
---|
HUI ZOU等: "Sparse Principal Component Analysis", 《JOURNAL OF COMPUTATIONAL AND GRAPHICAL STATISTICS》 * |
KAMRAN ULLAH KHAN等: "Novel Features for Polarimetric SAR Image Classification by Neural Network", 《ICNN&B 05 NEUTRAL NETWORK AND BRAIN》 * |
TSUNG-HAN CHAN等: "PCANet: A Simple Deep Learning Baseline for Image Classification?", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
孙志军 等: "深度学习研究综述", 《计算机应用研究》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106067042B (zh) * | 2016-06-13 | 2019-02-15 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
CN108388927B (zh) * | 2018-03-26 | 2021-10-29 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
TWI682330B (zh) * | 2018-05-15 | 2020-01-11 | 美爾敦股份有限公司 | 自學式資料分類系統及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955702B (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN103632168B (zh) | 一种机器学习中的分类器集成方法 | |
CN100595782C (zh) | 一种融合光谱信息和多点模拟空间信息的分类方法 | |
CN109190626A (zh) | 一种基于深度学习的多路径特征融合的语义分割方法 | |
CN107301381A (zh) | 基于深度学习和多任务学习策略的雷达辐射源识别方法 | |
CN103886336A (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN106022300A (zh) | 基于级联深度学习的交通标志识别方法和系统 | |
CN104063719A (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN103914704B (zh) | 一种基于半监督SVM和MeanShift的极化SAR图像分类方法 | |
CN108052863A (zh) | 基于最大方差展开法的电能质量扰动识别方法 | |
Zhang et al. | Polarimetric SAR terrain classification using 3D convolutional neural network | |
CN103208001A (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN104361351A (zh) | 一种基于区域统计相似度的合成孔径雷达图像分类方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN104680180A (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN107682109A (zh) | 一种适用于无人机通信系统的干扰信号分类识别方法 | |
CN105976376A (zh) | 一种基于部件模型的高分辨sar图像目标检测方法 | |
CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
CN104680184A (zh) | 基于深度rpca的极化sar地物分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150311 |