CN105138970B - 基于空间信息的极化sar图像分类方法 - Google Patents
基于空间信息的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN105138970B CN105138970B CN201510481787.2A CN201510481787A CN105138970B CN 105138970 B CN105138970 B CN 105138970B CN 201510481787 A CN201510481787 A CN 201510481787A CN 105138970 B CN105138970 B CN 105138970B
- Authority
- CN
- China
- Prior art keywords
- pixel
- classification
- new
- point
- polarimetric sar
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于空间信息的极化SAR图像分类方法,主要解决现有无监督极化SAR分类方法分类精度不高,不能自适应选择分类目标类别数的问题。其实现步骤为:1.对极化SAR图像进行滤波;2.对滤波后的极化SAR图像进行Pauli分解,获得极化SAR数据的伪彩色图;3.使用改进的SLIC超像素算法对伪彩色图进行过分割,获得K个超像素块;4.对K个超像素块进行快速密度峰值聚类,获得图像的预分类结果;5.对预分类得到的整幅图像Wishart分类器进行迭代分类,得到最终分类结果。实验表明,本发明的分类效果更好,可用于对各种极化SAR图像进行无监督分类。
Description
技术领域
本发明属于图像处理技术领域,涉及极化SAR图像分类方法,可用于目标识别。
背景技术
合成孔径雷达SAR是一种主动式微波遥感器,可以提供全天候、全天时的成像特点,可以对植被覆盖的地面、沙漠或浅水覆盖等地区成像,可应用于军事、农业、导航、地理监视等诸多领域。与SAR相比,极化SAR进行的是全极化测量,能获得目标更丰富的信息。近年来,利用极化SAR测量数据进行的分类在国际遥感领域受到高度重视,已成为图像分类的主要研究方向。经典的极化SAR分类方法包括:
1.Lee等人提出了基于Cloude目标分解和Wishart分类器的H/α-Wishart非监督分类方法,见Lee J S,Grunes M R,Ainsworth T L,et a1.Unsupervised classificationusing polarimetric decomposition and the complex Wishart classifier[J].IEEETrans.Geosci.Remote Sensing.1999,37(5):2249-2258.该方法通过Cloude分解获取H和α两个表征极化数据的特征,根据H和α组成的H/α平面将整幅极化SAR图像分为8类,然后在此基础上增加了Wishart迭代。H/α-Wishart分类方法分利用了极化数据的分布信息,使得极化信息利用更加全面,并且引入Wishart迭代的方法,有效的提高了分类的精度。但是该方法存在的两个缺陷:一是分类的类别数固定,对复杂区域分类缺乏灵活性,分类准确度低;另一个是该方法只考虑了像素点的统计信息,并没有考虑像素点之间的空间关系,分类结果区域一直性较差。
2.J.S.Lee等人在Freeman分解的基础上提出了一种基于Freeman-Durden分解的极化SAR图像分类方法,见Lee J S,Grunes M R,Pottier E,et a1.Unsupervised terrainclassification preserving polarimetric scattering characteristic[J].IEEETrans.Geosci.Remote Sensing.2004,42(4):722-731.该方法主要是根据地面目标的散射特性,用Freeman分解的方法将目标分解为:平面散射类型、二面角散射类型和体散射类型,并按照主散射类型对目标进行划分,最后再利用Wishart分类器对每一个像素进行重新划分。该算法结合了Freeman分解和极化SAR数据的分布特性,有效的提高了极化SAR图像的分类效果,但由于该方法中存在的多类别的划分以及合并,因此其计算复杂度较高,而且该方法仍然没有考虑像素点之间的空间关系。
发明内容
本发明的目的在于针对已有技术的不足,提出一种基于空间信息的极化SAR图像分类方法,以提高分类精度。
为实现上述目的,本发明包括如下步骤:
(1)对待分类的极化SAR图像进行滤波,去除斑点噪声,得到滤波后的极化SAR图像;
(2)对滤波后的极化SAR图像进行Pauli分解,获得伪彩色图;
(3)对Pauli分解得到的伪彩色图使用改进的SLIC超像素算法进行过分割,获得K个超像素块:
3a)将伪彩色图转化为CIELAB颜色空间下的三维特征向量:
Ci=[li ai bi]T
其中,li表示亮度,ai和bi表示相对维度;
3b)选择初始种子点,每个种子点的距离近似为其中N表示整幅极化SAR图像总的像素点个数,K表示预分割的超像素块的个数;
3c)在以种子点为中心的2S×2S区域内计算每个像素点与种子点的颜色差异dc:
3d)在以种子点为中心的2S×2S区域内计算每个像素点与种子点空间距离ds:
其中, Ti和Ti分别代表像素点i和j的相干矩阵,(Ti)-1和(Tj)-1分别表示对矩阵Ti和Tj求逆,|·|表示矩阵的行列式,Tr(·)是矩阵的迹;
3e)在以种子点为中心的2S×2S区域内计算每个像素点与种子点的相似度Di:
其中,S表示种子点间的距离,m表示平衡参数,且m=10;
3f)在以种子点为中心的2S×2S区域内比较所有点的相似度Di,选取Di值最大的像素点赋予其中心点相同的类别,并作为新的种子点;
3g)重复步骤3(c)-3(f),直到收敛;
(4)计算每个超像素块内所有像素点相干矩阵的均值Vi,i=1,…K,以Vi为新像素点,并用每一个Vi都代表其所对应超像素块内的所有像素点;
(5)对上述K个新像素点Vi进行快速密度峰值聚类,将K个新像素点聚为k类;
(6)在K个新像素点的聚类结果中,将由新像素点Vi代表的所有像素点标记为与新像素点Vi相同的类别,完成对整幅图像的预分类;
(7)对整个极化SAR图像的预分类结果进行复Wishart迭代,得到更为准确的分类结果。
本发明与现有的技术相比具有以下优点:
1.区域一致性好、分类精度高
传统的极化SAR分类方法都是基于像素点的,很少考虑像素点之间的空间关系,分类结果的区域一致性较差,分类精度较低。本发明利用改进的超像素过分割方法充分利用像素点之间的空间关系,分类结果的区域一致性更好,分类精度高;
2.自适应选择类别数目、分类精度高
传统方法都是在特定类别上分类的,分类精度较低。本发明采用快速密度峰值聚类,可根据具体的情况进行自适应聚类,自适应的选择类别数目,进一步提高了分类精度。
附图说明
图1是本发明的实现总流程图;
图2是本发明中的快速密度峰值聚类子流程图;
图3是本发明仿真使用的原始的旧金山极化SAR数据图像;
图4是用现有H/α-Wishart方法、基于Freeman分解的方法及本发明方法对图3 的分类结果图;
图5是本发明仿真使用的原始的弗莱福兰农田极化SAR数据图像;
图6是用本发明对图5的分类结果图。
具体实施方式
参照图1,本发明的实现步骤如下:
步骤1,对待分类极化SAR图像进行滤波,去除斑点噪声,得到滤波后的极化SAR 图像;
对极化SAR图像的滤波通常都是采用现有的精致极化LEE滤波法,滤波窗口的大小为7×7。
步骤2,对滤波后的极化SAR图像进行Pauli分解,获得伪彩色图。
Pauli分解是一种目标分解方法,该方法根据地物目标的散射特性将原始数据的散射矩阵分解成为单次散射机制、绕轴旋转0°的二面角散射机制和绕轴旋转45°的二面角散射机制的线性组合,见Cloude S R,and Pottier E.A review of targetdecomposition theorems in radar polarimetry[J].IEEE Trans.Geosci.RemoteSensing.1996.34(2):498-518。
步骤3,对Pauli分解得到的伪彩色图使用改进的SLIC超像素算法进行过分割,获得K个超像素块;
SLIC超像素过分割是Achanta等人提出的一种简单线性迭代聚类方法,能够生成紧凑、近似均匀的超像素块,见Achanta R,Shaji A,Smith K,et al.SLIC superpixelscompared to state-of-the-art superixel methods[J].IEEE Trans on PatternAnalysis and Machine Intelligence,2012,34(11):2274-2282.其步骤如下:
3a)将伪彩色图转化为CIELAB颜色空间下的三维特征向量:
Ci=[li ai bi]T,
其中,li表示亮度,ai和bi表示相对维度;
3b)选择初始种子点,每个种子点的距离近似为其中N表示整幅极化SAR图像总的像素点个数,K表示预分割的超像素块的个数;
3c)在以种子点为中心的2S×2S区域内计算每个像素点与种子点的颜色差异dc:
3d)在以种子点为中心的2S×2S区域内计算每个像素点与种子点空间距离ds:
其中, Ti和Ti分别代表像素点i和j的相干矩阵,(Ti)-1和(Tj)-1分别表示对矩阵Ti和Tj求逆,|·|表示矩阵的行列式,Tr(·)是矩阵的迹;
3e)在以种子点为中心的2S×2S区域内计算每个像素点与种子点的相似度Di:
其中,S表示种子点间的距离,m表示平衡参数,且m=10;
3f)在以种子点为中心的2S×2S区域内比较所有点的相似度Di,选取Di值最大的像素点赋予其中心点相同的类别,并作为新的种子点;
3g)重复步骤3(c)-3(f),直到收敛;
步骤4,计算每个超像素块内所有像素点相干矩阵的均值Vi,i=1,…K,以Vi为新像素点,并用每一个Vi都代表其所对应超像素块内的所有像素点;
步骤5,对上述K个新像素点Vi进行快速密度峰值聚类,将K个新像素点聚为k 类;
常用的聚类方法主要包括K-means聚类、谱聚类、模糊聚类和快速密度峰值聚类。本实例采用快速密度峰值聚类,该聚类方法是机器学习领域一种新的聚类方法,该方法认为聚类中心由一些具有低局部密度点的数据包围,而这些低密度数据点距离其它高密度数据点距离较大,并以此为根据自适应选择聚类中心和聚类类别,见Rodriguez A,andAlessandro L.Clustering by fast search and find of density peaks[J].Science27.2014,344(6191):1492-1496.
参照图2,本步骤的具体实现如下:
5a)计算任意两个新像素点Vi和Vj之间的相互距离dij:
dij=Tr((Ti)-1Tj+(Tj)-1Ti)-q,
其中,Ti,Tj分别表示新像素点Vi和Vj的相干矩阵,(Ti)-1和(Tj)-1分别表示对矩阵Ti和 Tj求逆,q为常数,取值为q=3,Tr(·)是矩阵的迹;
5b)计算新像素点Vi的局部密度ρi:
其中,当dij<dc时,χ(dij-dc)=1,否则χ(dij-dc)=0;M表示新像素点Vi的个数;dc为常数,其取值为将所有点的相互距离dij由小到大排列,将位于该排列2%位置处的值作为dc取值;
5c)计算新像素点Vi的距离δi:
5d)选择局部密度ρi和距离δi乘积最大的k个新像素点作为聚类中心;
6e)聚类中心确定后,用每个聚类中心代表一类,k个聚类中心共代表k类,比较剩余新像素点与每一类聚类中心的距离,如果该新像素点与第m类聚类中心的距离最近,则将该新像素点划分到第m类,m=1,…,k。
步骤6,在K个新像素点的聚类结果中,将由新像素点Vi代表的所有像素点标记为与新像素点Vi相同的类别,完成对整幅图像的预分类;
步骤7,对整个极化SAR图像的预分类结果进行复Wishart迭代,得到更为准确的分类结果。
Wishart分类器是一种能反映极化SAR数据分布特性的分类器,通过比较像素点与各聚类中心的距离,判断像素点的所属类别,见Lee J S,Grunes M R,Pottier E,eta1.Unsupervised terrain classification preserving polarimetric scatteringcharacteristic[J].IEEE Trans.Geosci.Remote Sensing.2004,42(4):722-731.其步骤如下:
(7a)对整个极化SAR图像预分类得到的k类划分结果,根据下式求每一类的聚类中心Bc:
其中Tρ是第c类中各像素点的相干矩阵,nc是属于第c类的像素点的个数;
(7b)根据每一类的聚类中心Bc,计算每个像素点i到第c类聚类中心的距离dic:
其中T是像素点的相干矩阵,<·>表示按视数平均,[·]表示矩阵的行列式,Tr(·)表示矩阵的迹,表示对聚类中心Bc求逆;
(7c)比较每个像素点与各聚类中心的距离,如果该新像素点与第m类聚类中心的距离最近,则将该像素点划分到第m类,m=1,…,k,完成对预分类后整幅极化SAR图像类别的重新划分;
(7d)重复步骤(7a)-(7c),直到迭代次数等于给定的迭代次数μ=4,得到分类结果。
本发明的效果可以通过以下实验验证:
1、实验条件与方法
硬件平台为:Intel(R)Pentium(R)1CPU 2.4GHz;
软件平台为:Window XP Professional,MATLAB 7.0.4;
实验方法:分别为现有H/α-Wishart方法、基于Freeman分解的方法及和本发明方法,其中现有的这两种方法都是极化SAR数据分类中引用较多的经典方法。
2.实验内容及结果
实验一,将图3所示视数为四的San Francisco Bay极化SAR图像作为测试图像,用本发明方法与现有H/α-Wishart方法以及基于Freeman分解的方法对图3进行分类仿真,分类结果见图4,其中,图4(a)是H/α-Wishart方法分类的结果,图4(b)是基于Freeman 分解方法的分类结果,图4(c)为本发明的分类结果。
由图4(a)可见,结合H/α和Wishart分类器的H/α-Wishart分类方法,图像区域划分的比较细致,但还有较多区域划分不清楚,甚至出现错误划分,如图4右上角的海洋区域出现的错误划分。
由图4(b)可见,基于Freeman分解方法分类效果较图4(a)更好,类别区分更合理,但是城区、桥梁等区域划分不准确,且边界区域划分过于武断。
由图4(c)可见,本发明的分类结果从视觉上看效果更好,其中高尔夫球场、跑马场、停车场等这些的区域分类区域的一致性明显好于前两种方法,不同区域之间分类后的边缘也更加平滑。
实验二,将图5所示视数为四的Flevoland极化SAR图像作为测试图像。用本发明对弗莱福兰省农田极化SAR图像进行分类仿真,分类结果见图6。
由图6可见,本发明对农田的区域划分较细致,边缘保持较好,分类精度高。
综上所述,本发明提出的基于空间信息的极化SAR图像分类方法对极化SAR图像分类能取得更好的分类结果,并可用于对各种极化SAR图像进行分类。
Claims (3)
1.一种基于空间信息的极化SAR图像分类方法,包括如下步骤:
(1)对待分类的极化SAR图像进行滤波,去除斑点噪声,得到滤波后的极化SAR图像;
(2)对滤波后的极化SAR图像进行Pauli分解,获得伪彩色图;
(3)对Pauli分解得到的伪彩色图使用改进的SLIC超像素算法进行过分割,获得K个超像素块:
(3a).将伪彩色图转化为CIELAB颜色空间下的三维特征向量:
Ci=[li ai bi]T
其中,li表示第i个像素点的亮度,ai和bi表示第i个像素点的相对维度;
(3b).选择初始种子点,每个种子点的距离近似为其中N表示整幅极化SAR图像总的像素点个数,K表示预分割的超像素块的个数;
(3c).在以种子点为中心的2S×2S区域内计算每个像素点与种子点的颜色差异dc:
其中,li表示第i个像素点颜色空间下三维特征的亮度,ai和bi表示第i个像素点在颜色空间下三维特征的相对维度,lj表示第j个像素点颜色在空间下三维特征的亮度,aj和bj表示第j个像素点在颜色空间下三维特征的相对维度;
(3d).在以种子点为中心的2S×2S区域内计算每个像素点与种子点空间距离ds:
其中,Ti和Ti分别代表像素点i和j的相干矩阵,(Ti)-1和(Tj)-1分别表示对矩阵Ti和Tj求逆,|·|表示矩阵的行列式,Tr(·)是矩阵的迹;
(3e).在以种子点为中心的2S×2S区域内计算每个像素点与种子点的相似度Di:
其中,S表示种子点间的距离,m表示平衡参数,且m=10;
(3f).在以种子点为中心的2S×2S区域内比较所有点的相似度Di,选取Di值最大的像素点赋予其中心点相同的类别,并作为新的种子点;
(3g).重复步骤3(c)-3(f),直到收敛;
(4)计算每个超像素块内所有像素点相干矩阵的均值Vi,i=1,…K,以Vi为新像素点,并用每一个Vi都代表其所对应超像素块内的所有像素点;
(5)对上述K个新像素点Vi进行快速密度峰值聚类,将K个新像素点聚为k类;
(6)在K个新像素点的聚类结果中,将由新像素点Vi代表的所有像素点标记为与新像素点Vi相同的类别,完成对整幅图像的预分类;
(7)对整个极化SAR图像的预分类结果进行复Wishart迭代,得到更为准确的分类结果。
2.根据权利要求1所述的基于空间信息的极化SAR图像分类方法,其中所述步骤(5)中对K个新像素点进行聚类,按如下步骤进行:
(5a).计算新像素点Vi的局部密度ρi:
其中,当dij<dc时,χ(dij-dc)=1,否则χ(dij-dc)=0;M表示新像素点Vi的个数;dij表示任意两点间的相互距离:
dij=Tr((Ti)-1Tj+(Tj)-1Ti)-q
其中,Ti,Tj分别表示新像素点Vi和Vj的相干矩阵,(Ti)-1和(Tj)-1分别表示对矩阵Ti和Tj求逆,q为常数,取值为q=3,Tr(·)是矩阵的迹;dc为常数,其取值为将所有点的相互距离dij由小到大排列,将位于该排列2%位置处的值作为dc取值;
(5b).计算新像素点Vi的距离δi:
(5c).选择局部密度ρi和距离δi乘积最大的k个新像素点作为聚类中心;
(5d).聚类中心确定后,每个聚类中心代表一类,k个聚类中心共代表k类,比较剩余新像素点与每一类聚类中心的距离,如果该新像素点与第m类聚类中心的距离最近,则将该新像素点划分到第m类,m=1,…,k。
3.根据权利要求1所述的基于空间信息的极化SAR图像分类方法,其中步骤(7)所述的对整个极化SAR图像的预分类结果进行复Wishart迭代,按如下步骤进行:
(7a).对整个极化SAR图像预分类得到的k类划分结果,根据下式求每一类的聚类中心Bc:
其中Tρ是第c类中各像素点的相干矩阵,nc是属于第c类的像素点的个数;
(7b).根据每一类的聚类中心Bc,计算每个像素点i到第c类聚类中心的距离dic:
其中T是像素点的相干矩阵,<·>表示按视数平均,[·]表示矩阵的行列式,Tr(·)表示矩阵的迹,表示对聚类中心Bc求逆;
(7c).比较每个像素点与各聚类中心的距离,如果该新像素点与第m类聚类中心的距离最近,则将该像素点划分到第m类,m=1,…,k,完成对预分类后整幅极化SAR图像类别的重新划分;
(7d).重复步骤(7a)-(7c),直到迭代次数等于给定的迭代次数μ=4,得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481787.2A CN105138970B (zh) | 2015-08-03 | 2015-08-03 | 基于空间信息的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481787.2A CN105138970B (zh) | 2015-08-03 | 2015-08-03 | 基于空间信息的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105138970A CN105138970A (zh) | 2015-12-09 |
CN105138970B true CN105138970B (zh) | 2018-11-16 |
Family
ID=54724314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510481787.2A Active CN105138970B (zh) | 2015-08-03 | 2015-08-03 | 基于空间信息的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105138970B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096651B (zh) * | 2016-06-12 | 2019-04-23 | 西安电子科技大学 | 基于超像素和度量学习的极化sar地物分类方法 |
CN106548483B (zh) * | 2016-10-27 | 2019-04-19 | 西北工业大学 | 一种基于三维超像素分割的材料晶粒边缘提取方法 |
CN106530242B (zh) * | 2016-10-31 | 2019-01-18 | 中国人民解放军国防科学技术大学 | 基于聚类的极化sar图像相干斑自适应滤波方法 |
CN107507251B (zh) * | 2017-07-19 | 2020-03-31 | 清华大学 | 一种双极化sar图像的伪彩色合成方法和装置 |
CN107578064B (zh) * | 2017-08-23 | 2020-09-04 | 中国地质大学(武汉) | 基于超像素利用极化相似性参数的海面溢油检测的方法 |
CN108509835B (zh) * | 2018-01-25 | 2020-04-07 | 西安电子科技大学 | 基于DFIC超像素的PolSAR图像地物分类方法 |
CN108334851B (zh) * | 2018-02-12 | 2021-08-03 | 西安电子科技大学 | 基于各向异质性的快速极化sar图像分割方法 |
CN108875798B (zh) * | 2018-05-29 | 2022-06-24 | 电子科技大学 | 一种基于空间金字塔池化的超像素级特征提取方法 |
CN109145964B (zh) * | 2018-08-01 | 2020-09-08 | 武汉大学 | 一种实现图像颜色聚类的方法和系统 |
CN109345536B (zh) * | 2018-08-16 | 2021-02-09 | 广州视源电子科技股份有限公司 | 一种图像超像素分割方法及其装置 |
CN109374572B (zh) * | 2018-12-10 | 2020-05-05 | 西安电子科技大学 | 基于神经网络的太赫兹时域光谱物品分类方法 |
CN109712153A (zh) * | 2018-12-25 | 2019-05-03 | 杭州世平信息科技有限公司 | 一种遥感图像城区超像素分割方法 |
CN111626380A (zh) * | 2020-07-07 | 2020-09-04 | 西安邮电大学 | 一种基于超像素和卷积网络的极化sar图像分类方法 |
CN111932543B (zh) * | 2020-10-16 | 2020-12-25 | 上海一嗨成山汽车租赁南京有限公司 | 确定像素化车伤数据的方法、电子设备和存储介质 |
CN112580687A (zh) * | 2020-11-23 | 2021-03-30 | 北京化工大学 | 基于毫米波全极化sar影像的无监督分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982338A (zh) * | 2012-10-25 | 2013-03-20 | 西安电子科技大学 | 基于谱聚类的极化sar图像分类方法 |
CN104050486A (zh) * | 2014-07-04 | 2014-09-17 | 西安电子科技大学 | 基于图和Wishart距离的极化SAR图像分类方法 |
CN104123555A (zh) * | 2014-02-24 | 2014-10-29 | 西安电子科技大学 | 一种基于稀疏表示和超像素的极化sar地物分类方法 |
CN104166856A (zh) * | 2014-07-30 | 2014-11-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
CN104504393A (zh) * | 2014-12-04 | 2015-04-08 | 西安电子科技大学 | 基于集成学习的极化sar图像半监督分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8494305B2 (en) * | 2011-12-20 | 2013-07-23 | Mitsubishi Electric Research Laboratories, Inc. | Image filtering by sparse reconstruction on affinity net |
US8977062B2 (en) * | 2013-02-25 | 2015-03-10 | Raytheon Company | Reduction of CFAR false alarms via classification and segmentation of SAR image clutter |
-
2015
- 2015-08-03 CN CN201510481787.2A patent/CN105138970B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982338A (zh) * | 2012-10-25 | 2013-03-20 | 西安电子科技大学 | 基于谱聚类的极化sar图像分类方法 |
CN104123555A (zh) * | 2014-02-24 | 2014-10-29 | 西安电子科技大学 | 一种基于稀疏表示和超像素的极化sar地物分类方法 |
CN104050486A (zh) * | 2014-07-04 | 2014-09-17 | 西安电子科技大学 | 基于图和Wishart距离的极化SAR图像分类方法 |
CN104166856A (zh) * | 2014-07-30 | 2014-11-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
CN104504393A (zh) * | 2014-12-04 | 2015-04-08 | 西安电子科技大学 | 基于集成学习的极化sar图像半监督分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105138970A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105138970B (zh) | 基于空间信息的极化sar图像分类方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
CN109711446A (zh) | 一种基于多光谱影像和sar影像的地物分类方法及装置 | |
Martin et al. | Region-based spatial preprocessing for endmember extraction and spectral unmixing | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
CN102117413B (zh) | 基于多层特征的不良图像自动过滤方法 | |
CN105718942B (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN106611421B (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN105608692B (zh) | 基于反卷积网络和稀疏分类的极化sar图像分割方法 | |
CN105005789B (zh) | 一种基于视觉词汇的遥感图像地物分类方法 | |
CN106203430A (zh) | 一种基于前景聚集度和背景先验的显著性物体检测方法 | |
CN104282008B (zh) | 对图像进行纹理分割的方法和装置 | |
CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN106683102B (zh) | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN107895139A (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
CN105138966B (zh) | 基于快速密度峰值聚类的极化sar图像分类方法 | |
CN106339674A (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN103903012A (zh) | 基于面向对象和支持向量机的极化sar数据分类方法 | |
CN104408467B (zh) | 基于金字塔采样和支持矢量机的极化sar图像分类方法 | |
CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
CN109034233A (zh) | 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 |
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 |