CN104680180A - 基于k均值和稀疏自编码的极化sar图像分类方法 - Google Patents
基于k均值和稀疏自编码的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN104680180A CN104680180A CN201510102433.2A CN201510102433A CN104680180A CN 104680180 A CN104680180 A CN 104680180A CN 201510102433 A CN201510102433 A CN 201510102433A CN 104680180 A CN104680180 A CN 104680180A
- Authority
- CN
- China
- Prior art keywords
- pixel
- sar image
- image
- synthetic aperture
- 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.)
- Granted
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于K-Means特征表示和稀疏自编码器的极化SAR图像地分类方法,其实现步骤为:(1)输入图像;(2)精致Lee滤波;(3)提取空间邻域特征;(4)提取聚类中心;(5)获得K均值特征表示;(6)样本特征集归一化、白化;(7)选择训练样本和测试样本;(8)训练稀疏自编码网络;(9)分类;(10)计算精度;(11)输出结果。本发明提取的图像特征不易受噪声点的影响,且冗余性小,维度低,用于分类时有效地提高了分类精度,可用于极化合成孔径雷达SAR图像目标的检测和目标识别。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及极化合成孔径雷达图像分类技术领域中的一种基于K均值和稀疏自编码的极化SAR(Synthetic ApertureRadar,SAR)图像分类方法。该方法采用K均值对极化SAR图像的每个像素的空间邻域进行特征表示,并用稀疏自编码对该特征表示进行降维,去除特征表示的冗余性然后分类,可用于极化合成孔径雷达SAR图像目标的检测和目标识别。
背景技术
极化SAR是一种主动式高分辨有源微波遥感成像雷达,其研究始于20世纪50年代初,而极化SAR是SAR的一个重要分支。它是一种相干多通道微波式成像系统,通过调整收发电磁波的极化方式可以获得每个分辨单元的极化散射矩阵,包含有丰富的地物信息,极大地增强了成像雷达对目标信息的获取能力。极化SAR图像地物分类是极化SAR图像处理的中的重要内容,也是极化SAR图像解译的关键技术之一,它是将解译系统中的前端部分单独提取出来作为具体应用的一个典型实例。快速、准确的极化SAR图像地物分类是实现各种实际应用的前提。
武汉大学在其申请的专利“基于混合分类器的极化SAR数据分类方法及系统”(专利申请号:201310310179,公开号:CN103366184A)中公开了一种基于混合分类器的极化SAR数据分类方法。该方法首先获取极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)数据的不同类的初始极化特征,然后采用决策树分类器从初始极化特征中选择用于分类的极化特征,最后采用支持向量机分类器对PolSAR数据进行分类。该方法虽然集成了决策树分类器和支持向量机分类器的优势。但是,该方法仍然存在的不足是,操作复杂,准确率和支持向量机的准确率相比没有显著的提高,另外由于只考虑了图像单个像素的散射特征,故易受到噪声的干扰,而导致分类的结果中存在较多的错分点,分类精度不高。
西安电子科技大学拥有的专利技术“基于SDIT和SVM的极化SAR图像分类方法”(专利申请号:201410089692.1,授权公告号:CN103824084A)中提出了一种基于SDIT和SVM的极化SAR图像分类方法。该方法首先对待分类的极化SAR图像进行精致Lee滤波,然后提取图像的散射、偏振及纹理特征,将得到的特征进行组合并归一化,最后用归一化后的特征训练分类器,预测分类并计算分类精度。该专利技术虽然充分利用了极化SAR图像包含的丰富的纹理信息和偏振信息,弥补了仅仅依靠散射特性对极化SAR图像分类的不足,在一定程度上提高了分类的精度。但是,仍然存在的不足是,该专利技术提取特征的过程复杂且只是将所提取的散射、偏振和纹理信息进行简单的堆叠,然后输入SVM直接用于分类,这导致输入的特征中包含较多的冗余信息,并且特征维数过高,使得分类效率大大下降。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于K均值和稀疏自编码的极化SAR图像分类方法。本发明充分利用极化SAR的空间领域特征,并用K均值对空间领域特征进行编码得到特征表示,然后用稀疏自编码网络对特征表示进行降维,去除特征表示的冗余性,提高分类精度和分类效率。
实现本发明上述目的的思路是:对待分类的极化SAR图像进行精致Lee滤波,提取滤波后图像的空间领域特征作为原始特征;利用K均值方法提取原始特征的特征表示并从特征表示中提取训练样本集和测试样本集;用训练样本集训练稀疏自编码网络,并用训练好的稀疏自编码网络对训练样本集和测试样本集进行降维处理;用降维处理后的训练样本集训练分类器softmax并用训练好的分类器softmax对整幅极化SAR图像进行分类;对分类后的极化SAR图像进行上色输出。
实现本发明目的的具体步骤如下:
(1)输入图像:
(1a)输入待分类的极化合成孔径雷达SAR图像;
(1b)输入待分类极化合成孔径雷达SAR图像的真实地物标记图像;
(2)精致Lee滤波:
采用精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除斑点噪声,得到滤波后的极化合成孔径雷达SAR图像中每个像素相干T矩阵;
(3)提取空间邻域特征:
(3a)用matlab软件,分别提取每个像素相干T矩阵中位于上三角处的三个元素的实部值和虚部值、相干T矩阵中位于对角线上三个元素的实部值,共9个数值;
(3b)从待分类的极化合成孔径雷达SAR图像每个像素的9个数值中任取一个数值,组合成一幅与待分类的极化合成孔径雷达SAR图像大小相同的图像,9个数值得到9幅图像;
(3c)利用滑动窗,获得9幅图像中每幅图像上每个像素点的9*K*K个邻域特征;
(3d)采用matlab软件,将每个像素点的9*K*K个邻域特征转换成3*K的方阵形式的邻域特征;
(4)提取聚类中心:
(4a)建立一个P×P的窗口,其中,P表示所建立窗口的大小,2≤P≤3*K;
(4b)从方阵形式的邻域特征中,由左到右、由上到下,依次提取P×P大小的子块;
(4c)从所有子块中随机选择m个子块,用matlab软件,将m个子块转换成m个向量,其中,m≥1000;
(4d)采用K均值方法,获得m个向量的C个聚类中心,其中,C为聚类中心的数目,C≥2;
(5)获得K均值特征表示:
(5a)利用欧氏距离公式,得到待分类的极化合成孔径雷达SAR图像中每个像素的每个子块到C个聚类中心的C个欧式距离值;
(5b)计算C个欧式距离值的平均值;
(5c)当欧式距离值大于平均值时,将步骤(4b)中子块编码后的值设置为0,否则将步骤(4b)中子块编码后的值设置为平均值与欧式距离值的差值;
(5d)将待分类的极化合成孔径雷达SAR图像中像素的所有子块编码后的值,作为像素的K均值特征表示;
(6)样本特征集归一化、白化:
(6a)将所有像素的K均值特征表示组合在一起,得到样本特征集;
(6b)利用matlab软件,将样本特征集的值归一化到[-1,1]之间,得到归一化后的样本特征集;
(6c)对归一化后的样本特征集进行白化处理,得到白化后的样本特征集;
(7)选择训练样本和测试样本:
(7a)根据待分类极化合成孔径雷达SAR图像的真实地物标记图像,在白化后的样本特征集中选出与真实地物标记图像中已标记真实地物相同样本,作为已标记样本特征集;
(7b)从已标记样本特征集的每一类地物中随机选择n个样本特征,将所有选出的样本特征组合在一起,作为训练样本集,其中,n≥700;
(7c)从已标记样本特征集中去掉训练样本集,剩余的已标记样本特征作为测试样本集;
(8)训练稀疏自编码网络:
(8a)用训练样本集训练稀疏自编码网络,得到训练后的稀疏自编网络和降维后的训练样本集;
(8b)用训练好的稀疏自编网络对测试样本集进行降维处理,得到降维后的测试样本集;
(9)分类:
(9a)利用降维后的训练样本集,训练分类器softmax;
(9b)利用训练后的分类器softmax,对待分类的极化合成孔径雷达SAR图像的每个像素进行分类,得到每个像素所属地物类别;
(10)计算精度:
将分类得到的极化合成孔径雷达SAR测试样本像素所属地物类别与真实地物类别进行对比,将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度;
(11)输出结果:
根据红、绿、蓝三基色原理,对每个像素所属地物类别,用同一种颜色标出同类地物,得到上色后的极化合成孔径雷达SAR图像并输出图像。
本发明与现有技术相比具有以下优点:
第一,由于本发明在利用K均值编码的方法,提取原始空间邻域特征的特征表示时,充分利用了极化合成孔径雷达SAR图像的空间信息,克服了现有技术由于只考虑了图像单个像素的散射特征,故易受到噪声的干扰而导致分类的结果中存在较多的错分点,分类精度不高的问题,使得本发明提取的特征不易受噪声干扰,更具有鲁棒性,提高了图像的分类精度。
第二,由于本发明将获得的特征表示输入稀疏自编码网络中进行特征表示的降维处理,克服了现有技术提取的输入特征中包含较多的冗余信息,并且特征维数过高,使得分类效率大大下降问题,使得本发明提取的特征用于图像分类时能提高分类效率。
附图说明
图1是本发明的流程图;
图2是本发明实施例中待分类极化合成孔径雷达SAR图像示意图;
图3是本发明实施例中待分类极化合成孔径雷达SAR图像真实地物标记图像示意图;
图4是采用Wishart有监督分类法,对待分类极化合成孔径雷达SAR图像进行分类的结果图;
图5是本发明提取的原始特征对待分类极化合成孔径雷达SAR图像进行分类的结果图;
图6是本发明对待分类极化合成孔径雷达SAR图像进行分类的结果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明的具体实施步骤如下。
步骤1.输入图像。
第一步,输入待分类的极化合成孔径雷达SAR图像。
第二步,输入待分类极化合成孔径雷达SAR图像的真实地物标记图像。
步骤2.精致Lee滤波。
采用精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除斑点噪声,得到滤波后的极化合成孔径雷达SAR图像中每个像素相干T矩阵。
步骤3.提取空间邻域特征。
第一步,用matlab软件,分别提取每个像素相干T矩阵中位于上三角处的三个元素的实部值和虚部值、相干T矩阵中位于对角线上三个元素的实部值,共9个数值,如下:
9个数值分别为real(T11),real(T12),imag(T12),real(T13),imag(T13),real(T22),real(T23),imag(T23),real(T33),其中,real(·)表示取实部操作,imag(·)表示虚实部操作。
第二步,从待分类的极化合成孔径雷达SAR图像每个像素的9个数值中任取一个数值,组合成一幅与待分类的极化合成孔径雷达SAR图像大小相同的图像,9个数值得到9幅图像。
第三步,利用滑动窗,获得9幅图像中每幅图像上每个像素点的9*K*K个邻域特征,其中K为滑动窗口的大小,K≥3,步骤如下:
首先建立一个K×K的窗口,其中,K表示所建立窗口的大小,K≥3。
其次以9幅图像中每幅图像上的每个像素点为窗口的中心,获得窗口覆盖范围内的K*K个像素值。
然后将所获得的K*K个像素值,作为待分类极化合成孔径雷达SAR图像像素的K*K个邻域特征。
最后将提取的9幅图像像素的邻域特征,组合成待分类极化合成孔径雷达SAR图像像素的9*K*K个邻域特征。
第四步,采用matlab软件,将每个像素点的9*K*K个邻域特征转换成3*K的方阵形式的邻域特征。
步骤4.提取聚类中心。
第一步,建立一个P×P的窗口,其中,P表示所建立窗口的大小,2≤P≤3*K。
第二步,从方阵形式的邻域特征中,由左到右、由上到下,依次提取P×P大小的子块。
第三步,从所有子块中随机选择m个子块,用matlab软件,将m个子块转换成m个向量,其中,m≥1000。
第四步,采用K均值方法,获得m个向量的C个聚类中心,分别是C1、C2、C3......CC,其中,C为聚类中心的数目,C≥2。
步骤5.获得K均值特征表示。
第一步,利用欧氏距离公式,得到待分类的极化合成孔径雷达SAR图像中每个像素的每个子块到C个聚类中心的C个欧式距离值,分别是d1、d2、d3......dC。
第二步,计算C个欧式距离值的平均值
第三步,当欧式距离值di大于平均值时,将步骤(4b)中子块编码后所得向量的第i个值设置为0,否则将步骤(4b)中子块编码后的值设置为平均值与欧式距离值的差值,其中i∈{1,2,3......C}。
第四步,将待分类的极化合成孔径雷达SAR图像中像素的所有子块编码后的值,作为像素的K均值特征表示。
步骤6.样本特征集归一化、白化。
第一步,将所有像素的K均值特征表示组合在一起,得到样本特征集。
第二步,利用matlab软件,将样本特征集的值归一化到[-1,1]之间得到归一化后的样本特征集。
第三步,对归一化后的样本特征集进行白化处理,得到白化后的样本特征集。
步骤7.选择训练样本和测试样本。
第一步,根据待分类极化合成孔径雷达SAR图像的真实地物标记图像,在白化后的样本特征集中选出与真实地物标记图像中已标记真实地物相同样本,作为已标记样本特征集。
第二步,从已标记样本特征集中,每类地物随机选择n个样本特征,将所有选出的样本特征组合在一起,作为训练样本集,其中,n≥700。
第三步,从已标记样本特征集中去掉训练样本集,剩余的已标记样本特征作为测试样本集。
步骤8.训练稀疏自编码网络。
第一步,用训练样本集训练稀疏自编码网络,得到训练好的稀疏自编网络和降维后的训练样本集。
第二步,用训练好的稀疏自编网络对测试样本集进行降维处理,得到降维后的测试样本集。
步骤9.分类。
第一步,利用降维后的训练样本集,训练分类器softmax。
第二步,利用训练好的分类器softmax,对待分类的极化合成孔径雷达SAR图像的每个像素进行分类,得到每个像素所属地物类别。
步骤10.计算精度。
将分类得到的极化合成孔径雷达SAR测试样本像素所属地物类别与真实地物类别进行对比,将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度。
步骤11.输出结果。
根据红、绿、蓝三基色原理,对每个像素所属地物类别,用同一种颜色标出同类地物,得到上色后的极化合成孔径雷达SAR图像并输出图像。
本发明的效果可通过以下仿真进一步说明。
1、仿真条件:
本发明的仿真试验是在Intel(R)Xeon(R)CPU X56502.67GHZ、32.0GBRAM的硬件环境和MATLAB R2014a的软件环境下进行的。
2、仿真内容:
本发明仿真是对图2的SAR图像进行分类实验,图2是ESAR机载平台获得的德国Oberpfaffenhofen地区L波段极化合成孔径雷达SAR图像,图像分辨率是3m×2.2m。图2表示地区的地表覆盖物为城区、植被区和开放区域。仿真实验按三类对表示地区进行分类。图3是本发明实施例中待分类极化合成孔径雷达SAR图像真实地物标记图像示意图。
本发明仿真内容为:仿真1,采用现有技术的Wishart有监督分类方法对图2进行分类,结果如图4。仿真2,将本发明提取的原始空间邻域特征输入SVM分类器对图2进行分类,结果如图5。仿真3,用本发明对图2进行分类,结果如图6。
3、仿真效果分析:
分别将图4、图5和图6与本发明实验所用的待分类极化SAR图像真实地物标记图3对比可以看出,图6相比于对比方法图4和图5,图6更加接近于图3待分类极化合成孔径雷达SAR图像真实地物标记图像,而且图6中各类地物的区分更加的细致,准确。
以图3中的待分类极化SAR真实地物标记图像作为精度评价标准,对现有技术的Wishart有监督分类方法、本发明提取的原始空间邻域特征直接输入SVM分类方法、本发明分类方法的分类精度进行统计,结果如表1。其中,Alg1表示Wishart有监督分类方法,Alg2表示本发明提取的原始空间邻域特征直接输入SVM分类方法,Alg3表示本发明的分类方法。
表1.三种方法在仿真中得到的分类精度
实验 | 仿真算法 | 分类精度(%) |
Alg1 | 73.31 | |
仿真实验 | Alg2 | 88.49 |
Alg3 | 90.05 |
从表1中可以看出,本发明基于K均值和稀疏自编码的极化SAR图像分类方法相比于两种对比实验,精度有较大的提高,这主要是因为本发明提取的特征表示相比于极化合成孔径雷达SAR图像的相干矩阵本身和本发明提取的原始空间邻域特征,包含了更加丰富的地物信息,且特征冗余性小,维度低,有利于分类,分类精度更高。
Claims (2)
1.一种基于K均值和稀疏自编码的极化SAR图像分类方法,包括如下步骤:
(1)输入图像:
(1a)输入待分类的极化合成孔径雷达SAR图像;
(1b)输入待分类极化合成孔径雷达SAR图像的真实地物标记图像;
(2)精致Lee滤波:
采用精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除斑点噪声,得到滤波后的极化合成孔径雷达SAR图像中每个像素相干T矩阵;
(3)提取空间邻域特征:
(3a)用matlab软件,分别提取每个像素相干T矩阵中位于上三角处的三个元素的实部值和虚部值、相干T矩阵中位于对角线上三个元素的实部值,共9个数值;
(3b)从待分类的极化合成孔径雷达SAR图像每个像素的9个数值中任取一个数值,组合成一幅与待分类的极化合成孔径雷达SAR图像大小相同的图像,9个数值得到9幅图像;
(3c)利用滑动窗,获得9幅图像中每幅图像上每个像素点的9*K*K个邻域特征;
(3d)采用matlab软件,将每个像素点的9*K*K个邻域特征转换成3*K的方阵形式的邻域特征;
(4)提取聚类中心:
(4a)建立一个P×P的窗口,其中,P表示所建立窗口的大小,2≤P≤3*K;
(4b)从方阵形式的邻域特征中,由左到右、由上到下,依次提取P×P大小的子块;
(4c)从所有子块中随机选择m个子块,用matlab软件,将m个子块转换成m个向量,其中,m≥1000;
(4d)采用K均值方法,获得m个向量的C个聚类中心,其中,C为聚类中心的数目,C≥2;
(5)获得K均值特征表示:
(5a)利用欧氏距离公式,得到待分类的极化合成孔径雷达SAR图像中每个像素的每个子块到C个聚类中心的C个欧式距离值;
(5b)计算C个欧式距离值的平均值;
(5c)当欧式距离值大于平均值时,将步骤(4b)中子块编码后的值设置为0,否则将步骤(4b)中子块编码后的值设置为平均值与欧式距离值的差值;
(5d)将待分类的极化合成孔径雷达SAR图像中像素的所有子块编码后的值,作为像素的K均值特征表示;
(6)样本特征集归一化、白化:
(6a)将所有像素的K均值特征表示组合在一起,得到样本特征集;
(6b)利用matlab软件,将样本特征集的值归一化到[-1,1]之间,得到归一化后的样本特征集;
(6c)对归一化后的样本特征集进行白化处理,得到白化后的样本特征集;
(7)选择训练样本和测试样本:
(7a)根据待分类极化合成孔径雷达SAR图像的真实地物标记图像,在白化后的样本特征集中选出与真实地物标记图像中已标记真实地物相同样本,作为已标记样本特征集;
(7b)从已标记样本特征集的每一类地物中随机选择n个样本特征,将所有选出的样本特征组合在一起,作为训练样本集,其中,n≥700;
(7c)从已标记样本特征集中去掉训练样本集,剩余的已标记样本特征作为测试样本集;
(8)训练稀疏自编码网络:
(8a)用训练样本集训练稀疏自编码网络,得到训练后的稀疏自编网络和降维后的训练样本集;
(8b)用训练好的稀疏自编网络对测试样本集进行降维处理,得到降维后的测试样本集;
(9)分类:
(9a)利用降维后的训练样本集,训练分类器softmax;
(9b)利用训练后的分类器softmax,对待分类的极化合成孔径雷达SAR图像的每个像素进行分类,得到每个像素所属地物类别;
(10)计算精度:
将分类得到的极化合成孔径雷达SAR测试样本像素所属地物类别与真实地物类别进行对比,将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度;
(11)输出结果:
根据红、绿、蓝三基色原理,对每个像素所属地物类别,用同一种颜色标出同类地物,得到上色后的极化合成孔径雷达SAR图像并输出图像。
2.根据权利要求1所述的基于K均值和稀疏自编码的极化SAR图像分类方法,其特征在于:步骤(3c)所述的利用滑动窗获得9幅图像中每幅图像上每个像素点的9*K*K个邻域特征的步骤如下:
第一步,建立一个K×K的窗口,其中,K表示所建立窗口的大小,K≥3;
第二步,以9幅图像中每幅图像上的每个像素点为窗口的中心,获得窗口覆盖范围内的K*K个像素值;
第三步,将所获得的K*K个像素值,作为待分类极化合成孔径雷达SAR图像像素的K*K个邻域特征;
第四步,将提取的9幅图像像素的邻域特征,组合成待分类极化合成孔径雷达SAR图像像素的9*K*K个邻域特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510102433.2A CN104680180B (zh) | 2015-03-09 | 2015-03-09 | 基于k均值和稀疏自编码的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510102433.2A CN104680180B (zh) | 2015-03-09 | 2015-03-09 | 基于k均值和稀疏自编码的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680180A true CN104680180A (zh) | 2015-06-03 |
CN104680180B CN104680180B (zh) | 2018-06-26 |
Family
ID=53315197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510102433.2A Active CN104680180B (zh) | 2015-03-09 | 2015-03-09 | 基于k均值和稀疏自编码的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680180B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069137A (zh) * | 2015-08-18 | 2015-11-18 | 苏州大学张家港工业技术研究院 | 一种基于概念分解的半监督文档分类方法及系统 |
CN106096652A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106503734A (zh) * | 2016-10-14 | 2017-03-15 | 哈尔滨工程大学 | 基于三边滤波器和堆栈稀疏自动编码器的图像分类方法 |
CN106529490A (zh) * | 2016-11-15 | 2017-03-22 | 华东理工大学 | 基于稀疏自编码码本实现笔迹鉴别的系统及方法 |
CN107451604A (zh) * | 2017-07-12 | 2017-12-08 | 河海大学 | 一种基于K‑means的图像分类方法 |
CN108764064A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 基于导向滤波器与自编码器的sar目标识别算法 |
CN110210574A (zh) * | 2019-06-13 | 2019-09-06 | 中国科学院自动化研究所 | 合成孔径雷达图像解译方法、目标识别装置及设备 |
CN111565156A (zh) * | 2020-04-27 | 2020-08-21 | 南京烽火星空通信发展有限公司 | 一种对网络流量识别分类的方法 |
CN114566052A (zh) * | 2022-04-27 | 2022-05-31 | 华南理工大学 | 一种基于车流方向判别高速公路车流监控设备转动的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976433A (zh) * | 2010-09-09 | 2011-02-16 | 西安电子科技大学 | 一种对极化sar数据相干斑噪声的抑制方法 |
CN102073989A (zh) * | 2010-11-09 | 2011-05-25 | 西安电子科技大学 | 融入pca的非局部均值的极化sar数据相干斑抑制方法 |
CN104156728A (zh) * | 2014-07-14 | 2014-11-19 | 西安电子科技大学 | 一种基于栈式编码和softmax的极化SAR图像分类方法 |
-
2015
- 2015-03-09 CN CN201510102433.2A patent/CN104680180B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976433A (zh) * | 2010-09-09 | 2011-02-16 | 西安电子科技大学 | 一种对极化sar数据相干斑噪声的抑制方法 |
CN102073989A (zh) * | 2010-11-09 | 2011-05-25 | 西安电子科技大学 | 融入pca的非局部均值的极化sar数据相干斑抑制方法 |
CN104156728A (zh) * | 2014-07-14 | 2014-11-19 | 西安电子科技大学 | 一种基于栈式编码和softmax的极化SAR图像分类方法 |
Non-Patent Citations (3)
Title |
---|
ADAM COATES等: "An Analysis of Single-Layer Networks in Unsupervised Feature Learning", 《JMLR》 * |
BIAO HOU ET AL.: "Unsupervised Change Detection in SAR Image", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
HUIMING XIE等: "MULTILAYER FEATURE LEARNING FOR POLARIMETRIC SYNTHETIC RADAR DATA CLASSIFICATION", 《IGARSS》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069137B (zh) * | 2015-08-18 | 2018-11-20 | 苏州大学张家港工业技术研究院 | 一种基于概念分解的半监督文档分类方法及系统 |
CN105069137A (zh) * | 2015-08-18 | 2015-11-18 | 苏州大学张家港工业技术研究院 | 一种基于概念分解的半监督文档分类方法及系统 |
CN106096652A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106096652B (zh) * | 2016-06-12 | 2019-05-24 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106503734A (zh) * | 2016-10-14 | 2017-03-15 | 哈尔滨工程大学 | 基于三边滤波器和堆栈稀疏自动编码器的图像分类方法 |
CN106503734B (zh) * | 2016-10-14 | 2019-08-06 | 哈尔滨工程大学 | 基于三边滤波器和堆栈稀疏自动编码器的图像分类方法 |
CN106529490A (zh) * | 2016-11-15 | 2017-03-22 | 华东理工大学 | 基于稀疏自编码码本实现笔迹鉴别的系统及方法 |
CN106529490B (zh) * | 2016-11-15 | 2019-10-18 | 华东理工大学 | 基于稀疏自编码码本实现笔迹鉴别的系统及方法 |
CN107451604A (zh) * | 2017-07-12 | 2017-12-08 | 河海大学 | 一种基于K‑means的图像分类方法 |
CN108764064A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 基于导向滤波器与自编码器的sar目标识别算法 |
CN110210574A (zh) * | 2019-06-13 | 2019-09-06 | 中国科学院自动化研究所 | 合成孔径雷达图像解译方法、目标识别装置及设备 |
CN110210574B (zh) * | 2019-06-13 | 2022-02-18 | 中国科学院自动化研究所 | 合成孔径雷达图像解译方法、目标识别装置及设备 |
CN111565156A (zh) * | 2020-04-27 | 2020-08-21 | 南京烽火星空通信发展有限公司 | 一种对网络流量识别分类的方法 |
CN114566052A (zh) * | 2022-04-27 | 2022-05-31 | 华南理工大学 | 一种基于车流方向判别高速公路车流监控设备转动的方法 |
CN114566052B (zh) * | 2022-04-27 | 2022-08-12 | 华南理工大学 | 一种基于车流方向判别高速公路车流监控设备转动的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104680180B (zh) | 2018-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104680180A (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN103247059B (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 | |
CN102651073B (zh) | 基于稀疏动态集成选择的sar图像地物分类方法 | |
CN104268879B (zh) | 基于遥感多光谱图像的建筑物实物量损毁评估方法 | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN108133173A (zh) | 基于半监督梯形网络的极化sar图像分类方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN108830243A (zh) | 基于胶囊网络的高光谱图像分类方法 | |
CN105138970A (zh) | 基于空间信息的极化sar图像分类方法 | |
CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
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 | |
CN103413151A (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN104463193A (zh) | 基于深度稀疏ica的极化sar图像分类方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN103886336A (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN104239902A (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |