CN104616024A - 基于随机散射相似性的全极化合成孔径雷达图像分类方法 - Google Patents
基于随机散射相似性的全极化合成孔径雷达图像分类方法 Download PDFInfo
- Publication number
- CN104616024A CN104616024A CN201510080989.6A CN201510080989A CN104616024A CN 104616024 A CN104616024 A CN 104616024A CN 201510080989 A CN201510080989 A CN 201510080989A CN 104616024 A CN104616024 A CN 104616024A
- Authority
- CN
- China
- Prior art keywords
- prime
- scattering
- target
- similarity
- image
- 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 48
- 230000010287 polarization Effects 0.000 title abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 239000003086 colorant Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 239000004576 sand Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
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
本发明涉及一种基于随机散射相似性的全极化合成孔径雷达图像分类方法,包括:根据待分类的图像的目标相干矩阵为待分类图像计算目标与标准散射体间的随机散射相似性参数,根据所述随机散射相似性参数为待分类图像生成分类图并输出。本发明提出的随机散射相似性参数可用于任意两个散射体间的相似性计算,采用该随机散射相似性参数的全极化合成孔径雷达图像分类方法具有良好的目标区分性能。
Description
技术领域
本发明涉及图像分类领域,特别涉及一种基于随机散射相似性的全极化合成孔径雷达图像分类方法。
背景技术
利用电磁波远距离照射目标以获取其散射信息,是当代遥感科学和地球科学的研究重点。电磁波与目标相互作用的过程就是目标对电磁波进行幅度、相位和极化调制的过程,电磁波的极化特征使我们可获得关于目标的更多信息。通过测量入射波和散射波电场矢量或Stokes矢量间的变换关系,我们可获得目标散射矩阵(单目标情况下)或相干矩阵(分布目标情况下),通过对这些矩阵进行分析和处理,我们即可反演出目标的物理散射机制和几何结构信息。
一个常用的反演方法就是将散射矩阵或相干矩阵进行极化分解,这一概念由Huynen于1970年首次提出(参见参考文献1:“J.R.Huynen,"Phenomenological Theoryof Radar Targets,"Ph.D.Dissertation,Tech.Univ.Delft,Delft,The Netherland,1970”),引领了该领域40多年的蓬勃发展。此外,基于散射相似性的目标识别和分类方法也受到了广泛应用和关注。Yang等首先定义了两个单目标散射矩阵间的相似性(参见参考文献2:“J.Yang,Y.N.Peng,and S.M.Lin,"Similarity between two scatteringmatrices,"Electron.Lett.,vol.37,no.3,pp.193–194,Feb.2001”)。Chen等将该参数进行拓展,以描述分布目标与标准单目标散射体间的相似性(参见参考文献3:“Q.Chen,Y.M.Jiang,L.J.Zhao,and G.Y.Kuang,"Polarimetric scattering similarity between arandom scatterer and a canonical scatterer,"IEEE Geosci.Remote Sens.Lett.,vol.7,no.4,pp.866–869,Oct.2010”)。利用该参数,Chen等设计了一个目标分类算法:首先计算目标与标准表面散射、二面散射以及45°旋转的二面散射间的散射相似性参数,然后利用三个参数构建伪彩色RGB图实现对目标的简单分类。相比于基于极化分解的分类方案,该方法计算效率高,但不足之处在于对体散射的描述过于理想。Chen等利用45°旋转的标准二面散射来表征体散射,但体散射通常是由拥挤的建筑群或森林区域的各种随机散射叠加而成,为一个分布目标,无法用单目标来表示。因此一个可行的改进方向就是利用标准分布体散射代替旋转的二面散射,但Chen等提出的散射相似性参数无法描述两个分布目标间的相似性。
发明内容
本发明的目的在于克服现有技术中的图像分类方法中所采用的散射相似性参数无法描述两个分布目标间的相似性的问题,从而提供分类效果良好的全极化合成孔径雷达图像分类方法。
为了实现上述目的,本发明提供了一种基于随机散射相似性的全极化合成孔径雷达图像分类方法,包括:
根据待分类的图像的目标相干矩阵为待分类图像计算目标与标准散射体间的随机散射相似性参数,根据所述随机散射相似性参数为待分类图像生成分类图并输出。
上述技术方案中,所述标准散射体包括标准表面散射、标准二面散射与标准体散射;该方法包括以下步骤:
步骤1)、读入待分类图像的目标相干矩阵,并进行去取向处理;
步骤2)、由步骤1)所得到的去取向处理后的待分类图像的目标相干矩阵,结合标准表面散射相干矩阵和二面散射相干矩阵,计算目标与标准表面散射及二面散射间的相似性参数RSs和RSd;
步骤3)、由步骤1)所得到的去取向处理后的待分类图像的目标相干矩阵,结合已有的三种标准体散射模型,计算目标与三种不同标准体散射模型间的相似性参数,选择其中最优值作为目标与体散射间的相似性参数RSv;
步骤4)、基于参数RSs、RSd和RSv为待分类图像构建伪彩色分类图,所述伪彩色分类图作为最终分类结果输出。
上述技术方案中,所述步骤1)具体包括:对待分类图像中每一个像素位置的目标相干矩阵做去取向操作;其中,
若原始的目标相干矩阵T为:
取向角通过下式估计:
则去取向后的目标相干矩阵T'表示为:
上述技术方案中,在步骤2)中,目标与标准表面散射及二面散射间的相似性参数RSs和RSd的计算公式为:
其中,Tcs为标准表面散射相干矩阵,Tcd为二面散射相干矩阵,分别表示为:
上述技术方案中,所述步骤3)进一步包括:
步骤3-1)、计算目标与三种不同标准体散射模型间的相似性参数;其中,所述三种标准体散射模型的表达式如下:
目标与三种标准体散射间的相似性参数RSv1、RSv2和RSv3的表达式如下:
步骤3-2)、计算判据参数tol:
步骤3-3)、根据步骤3-2)所得到的判据参数,从RSv1、RSv2和RSv3中选取最优值作为RSv:
上述技术方案中,所述的步骤4)进一步包括:在待分类图像的任意一个像素位置,将之前步骤计算得到的RSd、RSv和RSs分别作为该像素的红色、绿色和蓝色分量,从而得到伪彩色分类图。
本发明的优点在于:
本发明提出的随机散射相似性参数可用于任意两个散射体间的相似性计算,采用该随机散射相似性参数的全极化合成孔径雷达图像分类方法具有良好的目标区分性能。
附图说明
图1是本发明的一种基于随机散射相似性的全极化合成孔径雷达图像分类方法的流程图;
图2是本发明的一种基于随机散射相似性的全极化合成孔径雷达图像分类方法的具体实现步骤的流程图;
图3是一个实施例中的待分类图像的示意图;
图4是图3所示待分类图像采用本发明的分类方法做分类后的分类结果示意图;
图5是图3所示待分类图像采用现有技术中的基于Chen等提出的相似性参数的分类方法做分类后得到的分类结果的示意图。
具体实施方式
现结合附图对本发明作进一步的描述。
参考图1,本发明的方法包括以下步骤:
步骤1)、读入待分类图像的目标相干矩阵,并进行去取向处理;
步骤2)、由步骤1)所得到的去取向处理后的待分类图像的目标相干矩阵,结合标准表面散射相干矩阵和二面散射相干矩阵,计算目标与标准表面散射及二面散射间的相似性参数RSs和RSd;
步骤3)、由步骤1)所得到的去取向处理后的待分类图像的目标相干矩阵,结合已有的三种标准体散射模型,计算目标与三种不同标准体散射模型间的相似性参数,选择其中最优值作为目标与体散射间的相似性参数RSv;
步骤4)、基于参数RSs、RSd和RSv为待分类图像构建伪彩色分类图,所述伪彩色分类图作为最终分类结果输出。
下面对本发明方法中的步骤做进一步的说明。
在步骤1)中,首先读入待分类的全极化合成孔径雷达图像。在一个实施例中,所读入的待分类图像如图3所示,该图像为由DLR研制的机载ESAR系统获取于德国Oberpfaffenhofen地区。
在读入待分类的全极化合成孔径雷达图像后,对图像每一个像素位置的目标相干矩阵(描述了对应像素的散射信息)做去取向操作,若原始目标相干矩阵T为:
则取向角可通过下式估计:
去取向后的目标相干矩阵T'可表示为:
经过该操作,目标取向引入的贡献得以补偿,保证了分类结果不受影响。
在本发明中,定义了一个散射相似性参数,其表达式如下:
其中,T'为步骤1)所得到的去取向后的目标相干矩阵,Tc为一个标准散射体相干矩阵,Tr(·)表示取矩阵迹操作,即将其主对角线元素相加起来。
Tc的表达式根据实际情况会有所变化,若Tc为标准单目标,则可将Tc用其Pauli散射矢量kc表示为Tc=kckc H,将其带入式(4)有:
式(5)即为Chen等定义的分布目标与标准散射体间的散射相似性参数。
若待分类目标T'进一步为单目标,那么也可将T'用其Pauli散射矢量k'表示为T'=k'k'H,带入式(5)有:
式(6)即为Yang等定义的两个任意单目标散射矩阵间的相似性参数。
由此可见,本发明提出的相似性参数能完全覆盖现有相关参数。
进一步,若Tc与T'完全相同,则式(4)可表示为:
该式中λ'i(i=1,2,3)为矩阵T'的特征值,下标“F”表示取Frobenius范数操作,SPAN为目标T'的总功率。可以验证,该自相似性参数在单目标时取值为1,在随机噪声时取值为1/3,在其它分布目标情况下介于1/3与1之间,因此可替代熵参数用于散射随机性描述。式(7)右端给出了该参数的快速计算方法,其使我们可独立于特征矢量分解,比熵参数具有明显优势。分布目标与自身的相似性表征其随机性,这是一个非常有意思的结果,故在本申请中称该参数为随机相似性。在T'为单目标时,式(7)值为1,此时“1”描述的即是单目标的随机性。目标与自身的相似性高于与其它目标间的相似性,因此散射随机性给出了相似性的上限。
利用本发明提出的随机散射相似性参数,可计算目标与任意标准散射体间的相似性。将其用于目标分类,我们须考虑两个问题。其一,选择多少标准散射类别?一般地,选择的标准散射类别数目越多,分类效果越好,但这必然将引入较多的计算量。本发明中,我们以三类标准散射体为例,来说明提出的分类方法的实现方式。这是因为三种类别可实现精度和速度间的良好折中,并可使我们方便地用RGB三原色来分别对其表征,从而可精确、快速得到一幅漂亮的伪彩色分类图像。但我们也不排除用两种或更少、四种或更多的散射类别,因为本发明提出的随机散射相似性参数可描述目标与任意标准散射体间的散射相似性,我们只要对伪彩色分类图的构建方式进行一些简单修改即可。其二,选择什么样的标准散射类别?这由待分类目标场景而确定,如果我们有关于该场景的先验信息,我们即可精确选择所需的散射类别。但实际情况是,分类前我们通常很难获得场景的先验信息,因此需提出一种有效的非监督分类方法。我们知道,常见的目标场景一般由地表或海区、建筑物(城区)和植被(森林)等三大类目标构成,其散射类型分别对应于表面散射、二面散射以及体散射。因此通过对这三类标准散射进行考察,就可对给定场景的散射情况进行识别和归类。但也不排除一些特殊场景,例如月球表面,其特有的环形山的存在可能使散射中存在较强的螺旋散射,此时我们需考虑标准螺旋散射体。但由于月球表面没有植被覆盖,我们可用螺旋散射体代替体散射,用表面散射、二面散射以及螺旋散射对月球场景进行分类。因此尽管本发明的分类方法基于目标对表面散射、二面散射以及体散射的散射相似性,但其可直接拓展至其它标准散射类型。由于本发明提出的随机散射相似性参数可完全描述目标与任意散射类型间的相似性,因此给定新的标准散射类型,我们即可计算出其与目标间的散射相似性,用该相似性参数替换步骤2或步骤3中相应的参数,并进一步带入步骤4构建伪彩色图,,我们即可得到新的分类结果。
在步骤2)中,为三类标准散射中的表面散射和二面散射计算对应的随机散射相似性参数。具体的说,标准表面散射相干矩阵Tcs和二面散射相干矩阵Tcd可分别表示为:
然后将式(3)和式(8)带入式(4),可得式(9)所示的目标与标准表面散射及二面散射间的相似性参数RSs和RSd:
在步骤3)中,已有的三种标准体散射模型的表达式如下:
将式(3)和式(10)带入式(4),可得式(11)所示的目标与三种标准体散射间的相似性参数RSv1、RSv2和RSv3:
进一步计算如下判据参数tol:
利用下式选择RSv1、RSv2和RSv3中的最优值作为RSv:
在步骤4)中,基于RSs、RSd和RSv构建伪彩色分类图。具体的说,在待分类图像的任意一个像素位置,将之前步骤计算得到的RSd、RSv和RSs分别作为该像素的红色(R)、绿色(G)和蓝色(B)分量,从而得到伪彩色分类图。
图4为图3所示待分类图像经分类后的分类结果。作为对比,图5给出了基于Chen等提出的相似性参数得到的分类结果。可看到,建筑物、森林、道路等目标特征在图4中得到了凸显,特别是在图中白框标识的机场区域,我们能明确区分出跑道和停机坪等目标信息,而这些在图5中模糊不清,因此提出的方法具有更清晰的分类效果。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于随机散射相似性的全极化合成孔径雷达图像分类方法,包括:
根据待分类的图像的目标相干矩阵为待分类图像计算目标与标准散射体间的随机散射相似性参数,根据所述随机散射相似性参数为待分类图像生成分类图并输出。
2.根据权利要求1所述的一种基于随机散射相似性的全极化合成孔径雷达图像分类方法,其特征在于,所述标准散射体包括标准表面散射、标准二面散射与标准体散射;该方法包括以下步骤:
步骤1)、读入待分类图像的目标相干矩阵,并进行去取向处理;
步骤2)、由步骤1)所得到的去取向处理后的待分类图像的目标相干矩阵,结合标准表面散射相干矩阵和二面散射相干矩阵,计算目标与标准表面散射及二面散射间的相似性参数RSs和RSd;
步骤3)、由步骤1)所得到的去取向处理后的待分类图像的目标相干矩阵,结合已有的三种标准体散射模型,计算目标与三种不同标准体散射模型间的相似性参数,选择其中最优值作为目标与体散射间的相似性参数RSv;
步骤4)、基于参数RSs、RSd和RSv为待分类图像构建伪彩色分类图,所述伪彩色分类图作为最终分类结果输出。
3.根据权利要求2所述的一种基于随机散射相似性的全极化合成孔径雷达图像分类方法,其特征在于,所述步骤1)具体包括:对待分类图像中每一个像素位置的目标相干矩阵做去取向操作;其中,
若原始的目标相干矩阵T为:
取向角通过下式估计:
则去取向后的目标相干矩阵T'表示为:
4.根据权利要求3所述的一种基于随机散射相似性的全极化合成孔径雷达图像分类方法,其特征在于,在步骤2)中,目标与标准表面散射及二面散射间的相似性参数RSs和RSd的计算公式为:
其中,Tcs为标准表面散射相干矩阵,Tcd为二面散射相干矩阵,分别表示为:
5.根据权利要求3所述的一种基于随机散射相似性的全极化合成孔径雷达图像分类方法,其特征在于,所述步骤3)进一步包括:
步骤3-1)、计算目标与三种不同标准体散射模型间的相似性参数;其中,所述三种标准体散射模型的表达式如下:
目标与三种标准体散射间的相似性参数RSv1、RSv2和RSv3的表达式如下:
步骤3-2)、计算判据参数tol:
步骤3-3)、根据步骤3-2)所得到的判据参数,从RSv1、RSv2和RSv3中选取最优值作为RSv:
6.根据权利要求2所述的一种基于随机散射相似性的全极化合成孔径雷达图像分类方法,其特征在于,所述的步骤4)进一步包括:在待分类图像的任意一个像素位置,将之前步骤计算得到的RSd、RSv和RSs分别作为该像素的红色、绿色和蓝色分量,从而得到伪彩色分类图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510080989.6A CN104616024B (zh) | 2015-02-13 | 2015-02-13 | 基于随机散射相似性的全极化合成孔径雷达图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510080989.6A CN104616024B (zh) | 2015-02-13 | 2015-02-13 | 基于随机散射相似性的全极化合成孔径雷达图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104616024A true CN104616024A (zh) | 2015-05-13 |
CN104616024B CN104616024B (zh) | 2018-06-15 |
Family
ID=53150461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510080989.6A Expired - Fee Related CN104616024B (zh) | 2015-02-13 | 2015-02-13 | 基于随机散射相似性的全极化合成孔径雷达图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616024B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488533A (zh) * | 2015-12-03 | 2016-04-13 | 中国科学院国家空间科学中心 | 基于随机相似圆图的全极化合成孔径雷达图像分类方法 |
CN105550696A (zh) * | 2015-12-03 | 2016-05-04 | 中国科学院国家空间科学中心 | 基于随机相似性的全极化合成孔径雷达图像快速分类方法 |
CN109460751A (zh) * | 2018-12-28 | 2019-03-12 | 内蒙古工业大学 | 一种基于散射相似性的地物分类的方法 |
CN109754004A (zh) * | 2018-12-25 | 2019-05-14 | 中国科学院国家空间科学中心 | 一种极化sar图像的对偶g4u目标分解方法 |
CN110058230A (zh) * | 2019-04-01 | 2019-07-26 | 中国科学院国家空间科学中心 | 基于全极化sar的陡峭地形取向角的估计方法及系统 |
CN110109099A (zh) * | 2019-04-01 | 2019-08-09 | 中国科学院国家空间科学中心 | 基于散射相似熵自适应拓展的地表取向角估计方法及系统 |
CN110501704A (zh) * | 2019-07-16 | 2019-11-26 | 中国科学院电子学研究所 | 一种全极化图像极化分解方法、装置及存储介质 |
CN110516552A (zh) * | 2019-07-29 | 2019-11-29 | 南京航空航天大学 | 一种基于时序曲线的多极化雷达图像分类方法及系统 |
CN113057529A (zh) * | 2021-02-22 | 2021-07-02 | 江苏柯林博特智能科技有限公司 | 一种基于楼梯清扫机器人的垃圾分类控制系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1758070A (zh) * | 2005-11-10 | 2006-04-12 | 复旦大学 | 基于全极化合成孔径雷达数据的地表分类方法 |
US20060176209A1 (en) * | 2005-02-10 | 2006-08-10 | Raytheon Company | Recognition algorithm for the unknown target rejection based on shape statistics obtained from orthogonal distance function |
CN101923711A (zh) * | 2010-07-16 | 2010-12-22 | 西安电子科技大学 | 基于邻域相似性及掩模增强的sar图像变化检测方法 |
CN102637296A (zh) * | 2012-04-23 | 2012-08-15 | 中国民航大学 | 基于相似性特征分类的极化sar图像斑点抑制方法 |
CN102799896A (zh) * | 2012-06-29 | 2012-11-28 | 中山大学 | 一种基于目标散射鉴别的polsar图像无监督分类方法 |
-
2015
- 2015-02-13 CN CN201510080989.6A patent/CN104616024B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060176209A1 (en) * | 2005-02-10 | 2006-08-10 | Raytheon Company | Recognition algorithm for the unknown target rejection based on shape statistics obtained from orthogonal distance function |
CN1758070A (zh) * | 2005-11-10 | 2006-04-12 | 复旦大学 | 基于全极化合成孔径雷达数据的地表分类方法 |
CN101923711A (zh) * | 2010-07-16 | 2010-12-22 | 西安电子科技大学 | 基于邻域相似性及掩模增强的sar图像变化检测方法 |
CN102637296A (zh) * | 2012-04-23 | 2012-08-15 | 中国民航大学 | 基于相似性特征分类的极化sar图像斑点抑制方法 |
CN102799896A (zh) * | 2012-06-29 | 2012-11-28 | 中山大学 | 一种基于目标散射鉴别的polsar图像无监督分类方法 |
Non-Patent Citations (1)
Title |
---|
Q.CHEN, Y.M.JIANG, L.J.ZHAO, G.Y.KUANG: ""Polarimetric Scattering Similarity Between a Random Scatterer and a Canonical Scatterer"", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488533A (zh) * | 2015-12-03 | 2016-04-13 | 中国科学院国家空间科学中心 | 基于随机相似圆图的全极化合成孔径雷达图像分类方法 |
CN105550696A (zh) * | 2015-12-03 | 2016-05-04 | 中国科学院国家空间科学中心 | 基于随机相似性的全极化合成孔径雷达图像快速分类方法 |
CN105550696B (zh) * | 2015-12-03 | 2018-11-13 | 中国科学院国家空间科学中心 | 基于随机相似性的全极化合成孔径雷达图像快速分类方法 |
CN109754004A (zh) * | 2018-12-25 | 2019-05-14 | 中国科学院国家空间科学中心 | 一种极化sar图像的对偶g4u目标分解方法 |
CN109754004B (zh) * | 2018-12-25 | 2020-10-23 | 中国科学院国家空间科学中心 | 一种极化sar图像的对偶g4u目标分解方法 |
CN109460751A (zh) * | 2018-12-28 | 2019-03-12 | 内蒙古工业大学 | 一种基于散射相似性的地物分类的方法 |
CN110058230A (zh) * | 2019-04-01 | 2019-07-26 | 中国科学院国家空间科学中心 | 基于全极化sar的陡峭地形取向角的估计方法及系统 |
CN110109099A (zh) * | 2019-04-01 | 2019-08-09 | 中国科学院国家空间科学中心 | 基于散射相似熵自适应拓展的地表取向角估计方法及系统 |
CN110058230B (zh) * | 2019-04-01 | 2021-05-14 | 中国科学院国家空间科学中心 | 基于全极化sar的陡峭地形取向角的估计方法及系统 |
CN110501704A (zh) * | 2019-07-16 | 2019-11-26 | 中国科学院电子学研究所 | 一种全极化图像极化分解方法、装置及存储介质 |
CN110516552A (zh) * | 2019-07-29 | 2019-11-29 | 南京航空航天大学 | 一种基于时序曲线的多极化雷达图像分类方法及系统 |
CN113057529A (zh) * | 2021-02-22 | 2021-07-02 | 江苏柯林博特智能科技有限公司 | 一种基于楼梯清扫机器人的垃圾分类控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104616024B (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616024A (zh) | 基于随机散射相似性的全极化合成孔径雷达图像分类方法 | |
Zhang et al. | Multiple-component scattering model for polarimetric SAR image decomposition | |
US10107904B2 (en) | Method and apparatus for mapping and characterizing sea ice from airborne simultaneous dual frequency interferometric synthetic aperture radar (IFSAR) measurements | |
CN104463193B (zh) | 基于深度稀疏ica的极化sar图像分类方法 | |
Marino et al. | Detecting depolarized targets using a new geometrical perturbation filter | |
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 | |
CN101344587B (zh) | 用于极化合成孔径雷达图像的多成分分解方法 | |
CN104331707A (zh) | 基于深度pca网络和svm的极化sar图像分类方法 | |
CN104077599A (zh) | 基于深度神经网络的极化sar图像分类方法 | |
Mustapha et al. | Comparison of neural network and maximum likelihood approaches in image classification | |
CN102073873B (zh) | 一种基于支持向量机的sar景象匹配区选取方法 | |
CN103247059A (zh) | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 | |
CN103593669A (zh) | 一种极化合成孔径雷达影像四分量分解的方法 | |
CN103955926A (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
CN103969634B (zh) | 基于全极化属性散射中心模型的目标属性特征提取方法 | |
CN102540157A (zh) | 一种基于简缩极化合成孔径雷达数据的地物分类方法 | |
CN104680184A (zh) | 基于深度rpca的极化sar地物分类方法 | |
CN103208118A (zh) | 一种高光谱遥感影像端元提取方法 | |
CN103456020A (zh) | 基于treelet特征融合的遥感图像变化检测方法 | |
CN104636752A (zh) | 一种面向全极化合成孔径雷达图像的散射金字塔分类方法 | |
Xu et al. | Impact of cross-polarization isolation on polarimetric target decomposition and target detection | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
Fryskowska et al. | Some aspects of satellite imagery integration from Eros B and Landsat 8 | |
CN117475236A (zh) | 用于矿产资源勘探的数据处理系统及其方法 | |
CN107507251B (zh) | 一种双极化sar图像的伪彩色合成方法和装置 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100190 No. two south of Zhongguancun, Haidian District, Beijing 1 Patentee after: NATIONAL SPACE SCIENCE CENTER, CAS Address before: 100190 No. two south of Zhongguancun, Haidian District, Beijing 1 Patentee before: NATIONAL SPACE SCIENCE CENTER, CHINESE ACADEMY OF SCIENCES |
|
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: 20180615 Termination date: 20220213 |