CN104680182B - 基于nsct和判别字典学习的极化sar分类方法 - Google Patents
基于nsct和判别字典学习的极化sar分类方法 Download PDFInfo
- Publication number
- CN104680182B CN104680182B CN201510103312.XA CN201510103312A CN104680182B CN 104680182 B CN104680182 B CN 104680182B CN 201510103312 A CN201510103312 A CN 201510103312A CN 104680182 B CN104680182 B CN 104680182B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- dictionary
- transform domain
- mtd
- 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.)
- Active
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于NSCT和判别字典学习的极化SAR分类方法，主要解决现有极化SAR图像分类方法的分类准确率低和分类速度慢的问题。其实现步骤是:1.获取待分类极化SAR图像的相干矩阵，对其进行Lee滤波，得到去噪后的相干矩阵；2.对去噪后的相干矩阵进行Cloude分解，将分解值中的3个非负特征值和散射角作为分类特征；3.对分类特征进行3层非下采样Contourlet变换，将变换后的低频系数作为变换域分类特征；4.使用变换域分类特征，结合判别字典学习模型训练字典和分类器；5.使用训练得到的字典和分类器对测试样本进行分类，得到分类结果。本发明提高了分类准确率和分类速度，适用于图像处理。
Description
技术领域
本发明属于图像处理技术领域，特别涉及一种SAR图像分类方法，可用于目标识别领域。
背景技术
合成孔径雷达SAR因其全天时、全天候、高分辨的强大优势而倍受青睐。同传统的单极化合成孔径雷达相比，极化合成孔径雷达是对目标进行全极化测量，能获得更为丰富的目标信息，因此近年来备受关注。
极化合成孔径雷达获得的图像被称为极化SAR图像。极化SAR图像分类是极化SAR图像解译过程中的一个重要研究内容，其目的是利用极化SAR传感器获取的极化测量数据来确定极化SAR图像中各单元所属类别。极化SAR图像分类的结果在军用和民用方面得到了广泛的应用，具有重要的应用价值。
近年来，大量的极化SAR图像分类方法被提出。一些学者从极化散射信息的角度出发对极化SAR图像的像素进行分类，主要方法是基于统计特性分析的分类方法和基于物理散射特性分析的分类方法，提取与极化SAR数据相关的具有散射特性的特征，然后采用现有分类方法实现极化SAR图像分类的目的。虽然该分类方法领域已经获得了比较理想的成果，但是它要求使用者对极化SAR数据的固有物理特性有较为深刻的理解，因此限制了该方法的广泛使用。
另有学者在已有的极化SAR图像数据的特征集的基础之上，引入更为有效的分类方法对极化SAR图像进行分类，如有人将近几年较为热门的基于稀疏表示的SRC分类方法应用到极化SAR图像的分类中，虽然该领域已有较为理想的分类效果，但仍然存在以下问题。首先，SRC方法是基于重构误差最小准则对数据进行分类，但事实上数据重构和数据分类两者之间是有差异的，如果仅考虑重构误差而不考虑分类误差，将会影响数据分类效果；其次，由于SRC分类器是基于重构误差最小准则，这样每个样本都要进行多次重构误差计算，就会对分类速度产生影响；最后，极化SAR图像数据因其成像原理的特殊性，使得它具有较强的乘性噪声，因此若直接在极化SAR图像数据的原始特征域中进行分类将会受到噪声的干扰，影响其分类效果。
发明内容
本发明的目的在于针对上述已有技术的不足，提供一种基于NSCT和判别字典学习的极化SAR分类方法，以能够提高分类准确率和分类速度。
为实现上述目的，本发明的技术方案包括如下步骤：
(1)输入待分类极化SAR图像，获取其各像素点的相干矩阵，并对该相干矩阵进行Lee滤波处理，得到去噪后的相干矩阵；
(2)对去噪后的相干矩阵进行Cloude分解，得到3个非负特征值和3个特征向量，再通过计算得到散射熵和散射角，并将散射角和3个非负特征值作为各像素点的分类特征；
(3)对各像素点的每个分类特征进行3层非下采样Contourlet变换NSCT，将变换得到的低频系数作为对应像素点的变换域分类特征；
(4)使用像素点的变换域分类特征，结合判别字典学习模型进行字典和分类器的训练；
(5)使用训练得到的字典和分类器对各测试样本进行分类，得到分类结果。
本发明与现有技术相比具有如下优点：
1、本发明在对极化SAR图像数据进行分类时，仅用其相干矩阵的Cloude分解得到的4个值作为后续分类特征，这样不仅利于理解，而且可以降低提取特征的计算复杂度。
2、本发明在对极化SAR图像进行分类的过程中，引入非下采样Contourlet变换对分类特征进行变换，这种变换可以在低频子带上进行多分辨率、多方向上的迭代变换，而且每个方向子带的图像大小和原始图像大小相等，且该变换是一种冗余变换，可以使图像的边缘和纹理细节最大程度地保留下来，同时该变换还具有平移不变性。
3、本发明中极化SAR图像的分类特征经过3层非下采样Contourlet变换后，得到低频系数和高频系数，其中低频系数相比于高频系数更加具有分类判别能力，因此本发明中只提取第3层变换后的低频系数作为各像素点的变换域分类特征。提高了分类准确率。
4、本发明所使用的判别字典学习模型在训练过程中是将字典和分类器统一进行优化求解的，并且求解得到的分类器为线性分类器，这样可以在很大程度上提升算法的分类速度。因而，本发明提供的极化SAR图像分类方法，可以提高分类速度；
综上，本发明提供的极化SAR图像分类方法，不仅能够提高分类准确率，同时还可以提高分类速度。
附图说明
图1为本发明的实现流程示意图；
图2为本发明所使用的极化SAR伪彩图；
图3为使用本发明对图2进行分类的仿真效果图。
具体实施方式
下面将结合附图，对本发明的技术方案及效果进行清楚、完整地描述。
参照图1，本发明的实现步骤如下：
步骤1，输入待分类极化SAR图像，获取其各像素点的相干矩阵，并对该相干矩阵进行Lee滤波处理，得到去噪后的相干矩阵。
步骤2，对去噪后的相干矩阵进行Cloude分解，得到3个非负特征值和3个特征向量。
对去噪后的相干矩阵进行分解获取分类特征，分解方法有Freeman分解、Cloude分解、四成份分解等方法；
本发明采用Cloude分解对极化SAR图像的每一个像素进行分解，得到3个非负特征值λ1,λ2,λ3和3个特征向量v1,v2,v3。
其中，λ1代表VV和HH同极化回波强度，不包括它们之间的相干部分；λ2代表VV和HH相干强度；λ3是考虑介质引起的去极化效应；VV表示垂直发射和垂直接收的极化方式，HH表示水平发射和水平接收的极化方式。
步骤3，根据3个非负特征值计算得到散射角α，并将3个非负特征值λ1,λ2,λ3和散射角α作为各像素点的分类特征。
使用下式计算散射角α：
其中，
散射角α表征的是目标的平均散射机制，其取值范围从0-90连续变化，当α＝0时，散射机制属于各向同性的表面散射类型；当α＝45时，散射机制类型为偶极子散射；当α＝90时，散射机制类型为各向同性的二面角散射；
本实例选取3个非负特征值λ1,λ2,λ3和散射角α作为每个像素点新的分类特征。
步骤4，对各像素点的每个分类特征进行3层非下采样Contourlet变换，将变换得到的低频系数作为对应像素点的变换域分类特征。
对各像素点的每个分类特征进行变换得到变换系数，其变换方法有小波变换、非下采样平稳小波变换、Curvelet变换、非下采样Contourlet变换等方法；
本实例采用非下采样Contourlet变换对对各像素点的每个分类特征进行3层变换，得到低频系数和高频系数，并提取各特征的第3层变换所对应的低频系数作为对应像素点的变换域分类特征。
步骤5，使用像素点的变换域分类特征，结合判别字典学习模型进行字典和分类器的训练。
对极化SAR图像分类的方法有：基于稀疏表示的SRC分类器、基于稀疏表示的判别字典学习模型、基于统计原理的Bayes分类器，K最近邻KNN分类器等分类方法，本发明采用判别字典学习模型进行极化SAR图像的分类。
具体实现步骤如下：
(5.1)选取5％有类标的像素点作为变换域训练样本，再从变换域训练样本中选取80％的样本作为变换域初始化字典；
(5.2)根据变换域训练样本矩阵中样本的类别数及类标，计算变换域训练样本矩阵对应的类标矩阵；
(5.3)根据类标矩阵初始化线性分类器参数矩阵：
(5.3a)根据下式，计算变换域训练样本的稀疏表示系数；
其中，Y为训练样本，WaY为NSCT变换域中的训练样本，D为变换域字典，X为变换域训练样本在该字典下的稀疏表示系数，||WaY-DX||F为变换域训练样本的重构误差项，T为稀疏表示系数的稀疏度约束，取值为2-4；
(5.3b)根据变换域训练样本的稀疏表示系数X，初始化分类器参数矩阵H；
H＝argmin||L-HX||2+γ||H||2，
其中，L为变换域训练样本对应的类标矩阵，γ为正则项参数，||H||2表示分类器H的2范数。
(5.4)根据步骤(5.1)-步骤(5.3)得到的结果，结合判别字典学习模型，进行字典和分类器的训练：
(5.4a)定义判别字典学习模型表示如下：
其中，Y为训练样本，WaY为NSCT变换域中的训练样本，D为NSCT变换域字典，X为变换域训练样本在该字典下的稀疏表示系数，L为训练样本对应的类标矩阵，H为分类器，||WaY-DX||F为训练样本的重构误差项，||L-HX||F为训练样本的分类误差项，β为重构误差项和分类误差项之间的权重值，xi为第i个变换域训练样本在字典D下的稀疏表示系数i＝1…M，M为训练样本的个数，T为稀疏表示系数的稀疏度约束，取值为2-4。
(5.4b)将上述判别字典学习模型简化为下式：
其中Ynew为变换域训练样本WaY和类标矩阵L得到的结合矩阵，即Dnew为由字典D和分类器H得到的结合矩阵，即X为变换域训练样本在字典D下的稀疏表示系数，xi为第i个变换域训练样本在字典D下的稀疏表示系数i＝1…M，M为训练样本的个数，T为稀疏表示系数的稀疏度约束，取值为2-4；
(5.4c)将上式求解得到的结合矩阵Dnew通过矩阵拆分得到字典D和分类器H。
由于在Dnew的求解过程中对D和H进行了统一归一化处理，因此得到的字典D和分类器H不能直接用于测试样本的分类，使用下式求出可直接用于分类的归一化字典和归一化分类器
其中d1表示字典D中的第1列，h1表示分类器H中的第1列，dk表示字典D中的第k列，hk表示分类器H中的第k列。
步骤6，使用上述得到的归一化字典和归一化分类器对测试样本进行分类。
(6.1)根据下式，计算测试样本在归一化字典上的稀疏表示系数
其中，为第i个测试样本i＝1…N，N为测试样本的个数，为变换域中第i个测试样本i＝1…N，N为测试样本的个数，T为稀疏表示系数的稀疏度约束，取值为2-4；
(6.2)根据上面得到稀疏表示系数和归一化分类器使用下式计算测试样本的类标
其中，ltest为第i个测试样本的类标矩阵。
本发明的效果可以通过以下仿真实验做进一步的说明：
1.仿真条件：仿真所用的CPU为core22.4GHZ、内存2G，并且在WINDOWSXP系统上使用Matlab2010。
本发明仿真实验所用的极化SAR图像为NASA-JPL机载L波段AIRSAR系统于1991年获取的荷兰Flevoland农田区域的极化SAR伪彩图，如图2所示，其中包含8类地物，图像大小为400×300。
2.仿真内容与结果：
仿真1，采用本发明对图2进行地物分类，结果如图3所示。从图3可以看出本发明对仿真所用极化SAR图像平滑区域的分类效果较为理想。
仿真2，使用本发明和现有SRC分类器方法对图2进行8类地物分类，其分类准确率如表1所示，分类速度如表2所示；
表1
表2
| 分类方法 | 训练及分类时间(S) |
| SRC分类器 | 515.46 |
| 本发明方法 | 69.32 |
从表1的数据可以看出本发明提出的方法可以提高分类准确率。
从表2的数据可以看出本发明提出的方法可以提升分类速度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (4)
1.一种基于NSCT和判别字典学习的极化SAR分类方法，其特征在于，包括如下步骤：
(1)输入待分类极化SAR图像，获取其各像素点的相干矩阵，并对该相干矩阵进行Lee滤波处理，得到去噪后的相干矩阵；
(2)对去噪后的相干矩阵进行Cloude分解，得到3个非负特征值和3个特征向量，再通过计算得到散射熵和散射角，并将散射角和3个非负特征值作为各像素点的分类特征；
(3)对各像素点的每个分类特征进行如下3层非下采样Contourlet变换NSCT，并将变换得到的低频系数作为对应像素点的变换域分类特征：
(3.1)将所有像素点的每个分类特征表示成与原始图像大小相同的一幅特征图，对各幅特征图进行3层4个方向的非下采样Contourlet变换，将每幅特征图变换为3幅低频系数图和12幅高频系数图；
(3.2)提取各特征图第3层变换所对应的低频系数图作为变换域特征图，即使用变换域低频系数作为对应像素点的变换域分类特征；
(4)使用像素点的变换域分类特征，结合判别字典学习模型进行字典和分类器的训练；
(5)使用训练得到的字典和分类器对各测试样本进行分类，得到分类结果。
2.根据权利要求1所述的方法，其特征在于，步骤(4)所述的使用像素点的变换域分类特征，结合判别字典学习模型进行字典和分类器的训练，按如下步骤进行：
(4.1)选取5％有类标的像素点作为变换域训练样本，再从变换域训练样本中选取80％的样本作为变换域初始化字典；
(4.2)根据变换域训练样本中样本的类别数目及类标，计算变换域训练样本对应的类标矩阵，再根据类标矩阵初始化分类器参数矩阵；
(4.3)根据变换域训练样本、变换域初始化字典、类标矩阵和分类器参数矩阵，结合判别字典学习模型训练字典和分类器：
(4.3a)定义判别字典学习模型表示如下：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo><</mo>
<mi>D</mi>
<mo>,</mo>
<mi>X</mi>
<mo>></mo>
<mo>=</mo>
<mi>argmin</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>W</mi>
<mi>a</mi>
</msub>
<mi>Y</mi>
<mo>-</mo>
<mi>D</mi>
<mi>X</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>F</mi>
</msub>
<mo>+</mo>
<mi>&beta;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>L</mi>
<mo>-</mo>
<mi>H</mi>
<mi>X</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>F</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>,</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>0</mn>
</msub>
<mo>&le;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，Y为训练样本，WaY为NSCT变换域训练样本，D为NSCT变换域训练得到的字典，X为变换域训练样本在该字典下的稀疏表示系数，L为训练样本对应的类标矩阵，H为分类器,||WaY-DX||F为训练样本的重构误差项，||L-HX||F为训练样本的分类误差项，β为重构误差项和分类误差项之间的权重值，xi为第i个变换域训练样本在字典D下的稀疏表示系数i＝1...M，M为训练样本的个数，T为稀疏表示系数的稀疏度约束，取值为2-4；
(4.3b)将上述判别字典学习模型简化为下式：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>=</mo>
<mi>argmin</mi>
<mo>|</mo>
<mo>|</mo>
<mi>Y</mi>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>-</mo>
<mi>D</mi>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>*</mo>
<mi>X</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>F</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>,</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>0</mn>
</msub>
<mo>&le;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中Ynew为由变换域训练样本WaY和类标矩阵L的得到的结合矩阵，即Dnew为由字典D和分类器H得到的结合矩阵，即X为变换域训练样本在字典D下的稀疏表示系数，xi为第i个变换域训练样本在字典D下的稀疏表示系数i＝1...M，M为训练样本的个数，T为稀疏表示系数的稀疏度约束，取值为2-4；
(4.3c)将计算得到的Dnew通过矩阵拆分，得到所需的字典D和分类器H。
3.根据权利要求2所述的方法，其特征在于，步骤(4.2)所述的根据类标矩阵初始化分类器参数矩阵，包括如下步骤：
(4.2.1)根据下式，计算变换域训练样本的稀疏表示系数；
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>X</mi>
<mo>=</mo>
<mi>argmin</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>W</mi>
<mi>a</mi>
</msub>
<mi>Y</mi>
<mo>-</mo>
<mi>D</mi>
<mi>X</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>F</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>,</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>0</mn>
</msub>
<mo>&le;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，Y为训练样本，WaY为NSCT变换域训练样本，D为变换域字典，X为变换域训练样本在字典D下的稀疏表示系数，||WaY-DX||F为变换域训练样本的重构误差项，T为稀疏表示系数的稀疏度约束，取值为2-4；
(4.2.2)根据步骤(4.2.1)求得的稀疏表示系数，初始化分类器参数矩阵H为：
H＝argmin||L-HX||2+γ||H||2
其中，L为变换域训练样本对应的类标矩阵，X为变换域训练样本的稀疏表示系数，γ为正则项参数。
4.根据权利要求1所述的方法，其特征在于，步骤(5)所述的使用训练得到的字典和分类器对测试样本进行分类，包括如下步骤：
(5.1)根据下式，计算测试样本在字典D上的稀疏表示系数；
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mi>argmin</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>W</mi>
<mi>a</mi>
</msub>
<msubsup>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>Dx</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>,</mo>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>0</mn>
</msub>
<mo>&le;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，为第i个测试样本i＝1...N，N为测试样本的个数，为NSCT变换域的第i个测试样本，为变换域的第i个测试样本在字典D上的稀疏表示系数，T为稀疏表示系数的稀疏度约束，取值为2-4；
(5.2)根据步骤(5.1)求得的第i个测试样本稀疏表示系数结合下式，对第i个测试样本进行分类得到类标
<mrow>
<msubsup>
<mi>l</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mi>argmin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>l</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>Hx</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中，H为分类器，ltest为第i个测试样本的类标矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510103312.XA CN104680182B (zh) | 2015-03-09 | 2015-03-09 | 基于nsct和判别字典学习的极化sar分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510103312.XA CN104680182B (zh) | 2015-03-09 | 2015-03-09 | 基于nsct和判别字典学习的极化sar分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104680182A CN104680182A (zh) | 2015-06-03 |
| CN104680182B true CN104680182B (zh) | 2018-03-13 |
Family
ID=53315199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510103312.XA Active CN104680182B (zh) | 2015-03-09 | 2015-03-09 | 基于nsct和判别字典学习的极化sar分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104680182B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106384341B (zh) * | 2016-09-12 | 2019-11-15 | 南京理工大学 | 一种基于目标极化辐射特性的毫米波被动图像增强方法 |
| CN107316013B (zh) * | 2017-06-14 | 2020-04-07 | 西安电子科技大学 | 基于nsct变换和dcnn的高光谱图像分类方法 |
| CN107358205A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于nsct dbn的极化sar影像变化检测方法 |
| CN109272019A (zh) * | 2018-08-17 | 2019-01-25 | 东软集团股份有限公司 | 数据分析方法、装置、存储介质及电子设备 |
| CN111860178B (zh) * | 2020-06-22 | 2021-03-23 | 中国科学院空天信息创新研究院 | 一种基于权重字典学习的小样本遥感目标检测方法及系统 |
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 |
| CN103886342A (zh) * | 2014-03-27 | 2014-06-25 | 西安电子科技大学 | 基于光谱和邻域信息字典学习的高光谱图像分类方法 |
| CN104239902A (zh) * | 2014-09-12 | 2014-12-24 | 西安电子科技大学 | 基于非局部相似性和稀疏编码的高光谱图像分类方法 |
-
2015
- 2015-03-09 CN CN201510103312.XA patent/CN104680182B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886342A (zh) * | 2014-03-27 | 2014-06-25 | 西安电子科技大学 | 基于光谱和邻域信息字典学习的高光谱图像分类方法 |
| 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 |
| CN104239902A (zh) * | 2014-09-12 | 2014-12-24 | 西安电子科技大学 | 基于非局部相似性和稀疏编码的高光谱图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| A learning-based target decomposition method using Kernel KSVD for polarimetric SAR image classification;C He et al.;《EURASIP Journal on Advances in Signal Processing》;20121231;第2页第3段到第5页1段 * |
| Unsupervised change detection in multitemporal SAR Images via NSCT-domain Feature Clustering;Qiang Sun et al.;《IEEE International Conference on Signal Processing》;20131231;第1页第2段到第3页第3段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104680182A (zh) | 2015-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104680182B (zh) | 基于nsct和判别字典学习的极化sar分类方法 | |
| CN108133232B (zh) | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 | |
| CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
| CN103886336B (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
| CN105930846B (zh) | 基于邻域信息和svgdl的极化sar图像分类方法 | |
| CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
| CN107527023B (zh) | 基于超像素和主题模型的极化sar图像分类方法 | |
| CN109389080A (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
| CN107085206B (zh) | 一种基于自适应稀疏保持投影的一维距离像识别方法 | |
| CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
| CN102945552A (zh) | 基于自然场景统计中稀疏表示的无参考图像质量评价方法 | |
| CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
| CN107563442A (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
| CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
| CN105894013B (zh) | 基于cnn和smm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 | |
| CN107133648B (zh) | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 | |
| CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
| CN104318246A (zh) | 基于深度自适应脊波网络的极化sar图像分类 | |
| CN105787517B (zh) | 基于小波稀疏自编码器的极化sar图像分类方法 | |
| CN105894018B (zh) | 基于深度多示例学习的极化sar图像分类方法 | |
| CN105138966B (zh) | 基于快速密度峰值聚类的极化sar图像分类方法 | |
| CN105608465A (zh) | 全极化sar海岸线地物分类方法 | |
| CN107742133A (zh) | 一种用于极化sar图像的分类方法 | |
| CN106446935A (zh) | 基于核稀疏表示和空间约束的极化sar图像分类方法 |
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 |