CN105139028B - 基于分层稀疏滤波卷积神经网络的sar图像分类方法 - Google Patents

基于分层稀疏滤波卷积神经网络的sar图像分类方法 Download PDF

Info

Publication number
CN105139028B
CN105139028B CN201510497374.3A CN201510497374A CN105139028B CN 105139028 B CN105139028 B CN 105139028B CN 201510497374 A CN201510497374 A CN 201510497374A CN 105139028 B CN105139028 B CN 105139028B
Authority
CN
China
Prior art keywords
mrow
layer
sparse
training
represent
Prior art date
Application number
CN201510497374.3A
Other languages
English (en)
Other versions
CN105139028A (zh
Inventor
杨淑媛
龙贺兆
焦李成
刘红英
马晶晶
马文萍
熊涛
刘芳
侯彪
刘志
Original Assignee
西安电子科技大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 西安电子科技大学 filed Critical 西安电子科技大学
Priority to CN201510497374.3A priority Critical patent/CN105139028B/zh
Publication of CN105139028A publication Critical patent/CN105139028A/zh
Application granted granted Critical
Publication of CN105139028B publication Critical patent/CN105139028B/zh

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6268Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • G06K9/627Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on distances between the pattern to be recognised and training or reference patterns
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting

Abstract

本发明公开了一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法。其步骤为:1.划分SAR数据库样本集为训练数据集和测试样本集;2.从训练数据集学习第一层稀疏字典;3.利用第一层稀疏字典提取第一层稀疏特征图并进行非线性变换;3.从第一层非线性变换特征图学习第二层稀疏字典;4.利用第二层稀疏字典提取第二层稀疏特征图并进行非线性变换;5.级联第一,二层非线性变换特征训练SVM分类器;6.利用第一,二层稀疏字典抽取测试集的稀疏特征,用SVM分类器进行分类。本发明解决了现有技术设计复杂,普适性和抗噪性差,分类精度低的问题,可用目标识别。

Description

基于分层稀疏滤波卷积神经网络的SAR图像分类方法

技术领域

[0001] 本发明属于图像处理技术领域,更进一步涉及一种SAR图像分类方法,可用于目标 识别。

背景技术

[0002] 合成孔径雷达SAR是一种微波成像雷达,具有良好的分辨率,不仅可以详细地、准 确地观测地形、地貌,获取地球表面信息,还可以透过地表和自然植被收集地表以下的信 息。SAR是从空间对地观测的一种有效手段,能够生成地面目标区域或地域的高分辨率地 图,提供类似于光学照片的雷达图像,已广泛应用于军事以及其它对地观测领域。

[0003] 合成孔径雷达的概念是1951年6月由美国Goodyear宇航公司的Carl Wiley首次提 出的。SAR是一种主动式微波成像传感器,它利用脉冲压缩技术提高距离分辨率,利用合成 孔径原理提高方位分辨率,从而获得大面积的高分辨率雷达图像,具有全天时、全天候、多 波段、多极化、可变侧视角及高分辨率等优点,甚至在恶劣的环境下也能以较高的分辨率提 供详细的地面测绘数据和图像。我国从20世纪70年代中期开始SAR系统的研制工作,先后取 得了一定的研究成果,1979年9月,中科院电子所研制的机载SAR原理样机试飞成功,获得我 国第一批SAR图像。我国第一颗SAR卫星已跻身国际先进行列,目前已进入实际应用阶段,并 在国土测绘、资源普查、城市规划、抢险救灾等领域发挥了重要的作用。

[0004] SAR技术具有如下特有的优势:

[0005] I) SAR成像不依赖光照,而是靠自己发射的微波,能够穿透云、雨、雪和烟雾,具有 全天时、全天候成像能力,这是SAR遥感最突出的优势。

[0006] 2)微波对地表有一定的穿透能力。

[0007] 3)对金属目标及地表纹理特征有较强的探测能力。

[0008] 现有的经典的SAR图像分类方法主要有以下两类:

[0009] (—)从特征入手。根据全极化SAR数据的特点,根据其数据分布特性或散射机理提 取包含极化信息的特征,设计分类方法以完成地物分类。该类算法大概可以细分为3种:一 种是基于极化SAR统计特性的分类方法;第二种是基于极化SAR散射机理的分类方法;第三 种是结合极化SAR统计分布和散射机理的分类方法。

[0010] (二)从处理方法入手。在已有的特征集上,引入更有效的处理方法,从而更充分的 利用现有的分类信息。SVM,Adab〇〇st以及神经网络等方法均属于此类,目前它们在极化SAR 分类解译方面都取得了大量优秀的研究成果。

[0011] 但上述方法与光学图像相比,由于SAR图像视觉可读性较差,使得SAR图像信息处 理非常困难。另一方面,随着SAR应用的日趋广泛以及技术的不断成熟,其数据信息也在急 剧增长,SAR所收集的数据量之大已经远远超出了人工作出迅速判断的极限。这些因素都限 制了传统的图像分类技术如基于模板匹配、基于模型和基于核的分类技术在SAR图像分类 中的应用。目前SAR图像识别技术主要有三个问题亟需解决:(1)由于SAR图像中存在大量的 相干斑噪声,采用常用的特征提取方法很难克服噪声的影响,分类精度不高;(2)由于SAR图 像中同类地物的场景复杂,传统的特征提取方法在设计上费时费力,且具有较大的局限性, 不具备自适应性。(3)由于对SAR图像地物的标注过程比较繁琐费力,因此需在标记样本较 少的情况下进行分类,而传统的分类方法在这种情况下,分类精度较低,分类结果不稳定。

发明内容

[0012] 本发明的目的在于针对上述已有技术的不足,提出一种基于分层稀疏滤波卷积神 经网络的SAR图像分类方法,利用深度神经网络提取SAR图像局部和全局特征,提高SAR图像 的分类精度。

[0013] 本发明的技术方案是:通过逐层训练适应于SAR图像的稀疏滤波器,构建多层稀疏 滤波卷积神经网络,用于提取SAR图像局部和全局的特征,进而训练分类器,达到对SAR图像 分类的目的。其实现步骤包括如下:

[0014] (1)将SAR图像数据库样本集划分为训练数据集X和测试样本集y;

[0015] ⑵训练SVM分类器:

[0016] 2a)从训练数据集X中随机抽取m块尺寸dXd的训练图像块,并进行全局对比度归 一化,构成训练图像块集

Figure CN105139028BD00051

[0017] 2b)利用训练图像块集X训练第一层稀疏字典

Figure CN105139028BD00052

,其中N表示X中每个图像 块的特征数目;

[0018] 2c)利用第一层的稀疏字典0:求训练集X的第一层稀疏特征图:Z GRn ><(11_<1+1)><('^+1),其中11^分别表示图片的高度和宽度;

[0019] 2d)对第一层稀疏特征图Z进行非线性变换,得到特征图:

Figure CN105139028BD00053

其中w表示池化的比例;

[0020] 2e)从训练集X的特征图C1上随机抽取m2块尺寸NX d2 X d2的训练图像块,构成训练 集

Figure CN105139028BD00054

[0021] 2f)利用训练集X2采用与2b)相同的方法,训练第二层稀疏字典:

Figure CN105139028BD00055

其中 N2表示X2中每个图像块的特征数量;

[0022] 2g)利用第二层的稀疏字典02采用与2c)相同的方法,求训练集X的第二层稀疏特 征图

Figure CN105139028BD00056

[0023] 2h)对第二层稀疏特征图乏进行与2d)相同的非线性变换,得到非线性变换特征图 C2;

[0024] 2i)级联&amp;和&amp;构成一维向量c,训练线性核SVM分类器;

[0025] (3)抽取测试集y的特征并进行分类,得到分类结果:

[0026] 3a)对测试集y利用训练阶段获得的第一层稀疏字典0:和第二层稀疏字典D2,采用 与训练集X相同的非线性变换方法抽取测试集第一层和第二层的非线性变换特征巧和迄, 级联C1和_<?2构成一维向量c ;

[0027] 3b)将一维向量2输入到SVM分类器进行分类,得到最终分类结果。

[0028] 与现有技术相比,本发明具有以下优点:

[0029] 本发明通过逐层无监督的训练获得适应SAR图像特征分布的稀疏滤波器,相比费 时费力通过手工设计的特征提取方法如,SIFT,H0G等更具有普适性,能够很好的克服相干 斑噪声的影响,同时通过提取SAR图像深层的特征,在标记样本很少的情况下,仍能达到很 高分类精度和非常稳定的分类结果。

附图说明

[0030]图1是本发明的实现流程图;

[0031] 图2是本发明仿真使用的SAR图像。

具体实施方式

[0032] 参照图1,本发明的实现步骤如下。

[0033] 步骤1:将SAR图像数据库样本集划分为训练数据集X和测试样本集y。

[0034] 首先,在包含6类SAR图像数据库样本集的每类样本集中各取大小为256 X 256的 1000张图片,然后,再从每一类图片中随机抽取200张构成训练集X,剩余作为测试集y。

[0035] 步骤2:从训练数据集X中随机抽取m块尺寸dXd的训练图像块,并进行全局对比度 归一化,构成训练图像块集JTe 。

[0036] 步骤3:利用训练图像块集X训练第一层稀疏字典。

[0037] 3a)将训练图像块集X的特征矩阵表示为:

[0038]

Figure CN105139028BD00061

[0039] 其中=

Figure CN105139028BD00062

表示字典,N表示每个图像块的特征数量,ε是极小的常数, 示特征矩阵。矩阵F第i行的值对应第i个图像块的特征值,第j列的值表示不同图像块的第j 类特征;

[0040] 3b)根据特征矩阵F求稀疏字典D1:

[0041] 常用的字典学习方法有稀疏编码算法,稀疏自编码算法,稀疏RBM算法,OMP正交匹 配追踪算法,ICA独立成分分析算法,稀疏滤波算法等,本实例中采用但不局限于稀疏滤波 算法求稀疏字典。即:

[0042] 首先,按照公式

Figure CN105139028BD00063

对特征矩阵F的每一列进行归一化处理,再对每一行进 行归一化处理,得到归一化后的特征矩阵F2;

[0043] 然后,对归一化后的特征矩阵F2进行稀疏约束,求得第一层稀疏字典:

Figure CN105139028BD00064

〇:

[0044] 步骤4:利用第一层的稀疏字典以求训练集X的第一层稀疏特征图Z。

[0045] 利用稀疏字典求解整幅输入图片的稀疏特征图的常用方法有:随机抽取处理合成 法,重叠卷积算法和分片卷积算法,本实例中采用但不局限于重叠卷积算法,其步骤如下:

[0046] 4a)求解输入图片的第i张稀疏特征图Z1:

[0047]

Figure CN105139028BD00065

[0048] 其中Ki e Rdxd表示第i个卷积核,i = 〇〜N,®表示卷积操作,I e Ruxv表示训练集X的 一张图片,u Xv为图片尺寸,卷积核!^由稀疏字典D1的第i列

Figure CN105139028BD00066

变换得到,Z1GRh -d+1)X(v-d+1) ,

[0049] 4b)利用N个不同的卷积核心对输入图片进行卷积操作,得到第一层稀疏特征图:Z (~~ J^NX (u—d+1) X (v—d+1)

[0050] 步骤5:对第一层稀疏特征图进行非线性变换。

[0051] 非线性变换包括稀疏特征图归一化和池化操作,常用的归一化方法有局部响应归 一化法和局部对比度归一化法,常用的池化操作有平均池化,最大池化和随机池化,本实例 中采用但不局限于局部响应归一化法和最大池化。其步骤如下:

[0052] 5a)求解第i张局部响应归一化特征图护在(X,y)位置上的值(:

[0053]

Figure CN105139028BD00071

[0054] 其中表示第i张稀疏特征图Z1在(x,y)位置上的值,a,i3,c分别表示不同数值的 常量,η表示与第i张稀疏特征图相邻的稀疏特征图数目;

[0055] 5b)对第i张稀疏特征图Z1中所有坐标上的值进行局部响应归一化操作,得到第i 张稀疏特征图Zi的局部响应归一化特征图Bi:

[0056]

Figure CN105139028BD00072

[0057] 5c)对N张稀疏特征图采用5a) _5b)的操作,得到第一层局部响应归一化特征图:B _ [βΐ gNj ^ rNX (u-d+1) X (v-d+1).

[0058] 5d)对第一层局部响应归一化特征图B进行最大池化操作,得到第一层非线性变换 特征图C1 e Rnx (u_d+1)/wX (v-d+1) /'其中W表示池化比例,W=2〜10。

[0059] 步骤6:从非线性变换特征图C1上随机抽取m2块尺寸为NX d2 X d2的训练图像块,构 成训练集JT2 并利用训练集X2采用与步骤3相同的方法,训练第二层稀疏字典

Figure CN105139028BD00073

,.其中N2表示X2中每个图像块的特征数量。

[0060] 步骤7:利用第二层的稀疏字典出,求训练集X的第二层稀疏特征图Z。

[0061] 7a)求解第一层非线性变换特征图&amp;的第s张稀疏特征图^ :

[0062]

Figure CN105139028BD00074

[0063] 其中

Figure CN105139028BD00075

表示第s个卷积核,s = 0〜N2,卷积核Ks由稀疏字典D2的第s列

Figure CN105139028BD00076

变换得到,

Figure CN105139028BD00077

[0064] 7b)利用N2个不同的卷积核1对输入图片进行卷积操作,得到第二层稀疏特征图:

Figure CN105139028BD00078

[0065] 步骤8:对第二层稀疏特征图乏进行非线性变换,得到非线性变换特征图C2。

[0066] 8a)求解第s张局部响应归一化特征图在(x,y)位置上的值:

Figure CN105139028BD00079

[0067]

Figure CN105139028BD00081

[0068] 其中ζ;表示第s张稀疏特征图P在(x,y)位置上的值,〇2,此,(:2分别表示不同数 值的常量,112表示与第s张稀疏特征图相邻的稀疏特征图数目;

[0069] 8b)对第s张稀疏特征图P中所有坐标上的值进行局部响应归一化操作,得到第s 张稀疏特征图i、的局部响应归一化特征图€

[0070]

Figure CN105139028BD00082

[0071] 8c)对N2张稀疏特征图采用8a) -8b)的操作,得到第二层局部响应归一化特征图:

Figure CN105139028BD00083

[0072] 8d)对第二层局部响应归一化特征图&amp;进行最大池化操作,得到第二层非线性变 换特征图I

Figure CN105139028BD00084

.其中W2表示池化比例,W2 = 2〜10。

[0073] 步骤9:训练分类器。

[0074] 常用的分类器有K近邻分类器,线性回归分类器,多层感知器,DBN深信网络和SVM 分类器,本实例中采用但不局限于线性核SVM分类器。即:级联CjPC2构成一维向量c,训练线 性核SVM分类器。

[0075] 步骤10:抽取测试集y的特征并进行分类,得到分类结果。

[0076] IOa)对测试集y利用训练阶段获得的第一层稀疏字典0:和第二层稀疏字典D2,采用 与训练集X相同的非线性变换方法抽取测试集第一层和第二层的非线性变换特征a;和€, 级联式和ξ构成一维向量“

[0077] IOb)将一维向量^输入到线性核SVM分类器进行分类,得到最终分类结果。

[0078] 本发明的效果可以通过以下仿真实验进一步说明。

[0079] 1.仿真实验条件。

[0080] 本实验采用包含六种地貌特征的SAR图像数据集作为实验数据,采用软件 SPYDER2 · 3 · 4作为仿真工具,计算机配置为CPU: InteI Core i5/2 · 27Hz,GPU: GT645M/2G, RAM:8G〇

[0081] SAR图像数据集包含六类:飞机场跑道,桥梁,城市,农田,山脉,海洋,各1000张图 片,每张图片尺寸为256 X 256,如图2所示,其中图2 (a)表示城市,图2(b)表示机场,图2 (c) 表示农田,图2 (d)表示桥梁,图2 (d)表示山脉,图2 (f)表示海洋。

[0082] 仿真使用的方法为本发明方法和现有三种方法,S卩HOG,SIFT和共生灰度矩阵算 法。

[0083] 2.仿真实验内容

[0084] 在图2所给的SAR数据上用本发明方法和现有三种方法在不同标记样本个数下进 行分类,结果如表1。

[0085] 表格的第二列表示在每一类标记样本数量不同的情况下,HOG算法对剩余测试样 本分类的精度。表格的第三列表示在每一类标记样本数量不同的情况下,SIFT算法对剩余 测试样本分类的精度。表格的第四列表示在每一类标记样本数量不同的情况下,共生灰度 矩阵算法对剩余测试样本分类的精度。表格的第五列表示在每一类标记样本数量不同的情 况下,本发明方法对剩余测试样本分类的精度。

[0086] 表1:本发明与现有方法在不同标记样本个数下的对比结果

[0087]

Figure CN105139028BD00091

[0088] 表格1可以看出,相比于传统方法,本发明在只有少量标记样本的情况下,就可以 获取较好的分类效果,证明了本发明的有效性。

Claims (5)

1. 一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法,包括以下步骤: (1)将SAR图像数据库样本集划分为训练数据集X和测试样本集y; ⑵训练SVM分类器: 2a)从训练数据集X中随机抽取m块尺寸dXd的训练图像块,并进行全局对比度归一化, 构成训练图像块集
Figure CN105139028BC00021
2b)利用训练图像块集X训练第一层稀疏字典
Figure CN105139028BC00022
,其中N表示X中每个图像块的特 征数目; 2c)利用第一层的稀疏字典以求训练集X的第一层稀疏特征图:
Figure CN105139028BC00023
,其中 u^分别表示图片的高度和宽度; 2d)对第一层稀疏特征图Z进行非线性变换,得到特征图:
Figure CN105139028BC00024
,其中w 表示池化的比例; 2e)从训练集X的特征图C1上随机抽取m2块尺寸N X d2 X d2的训练图像块,构成训练集
Figure CN105139028BC00025
2f)利用训练集X2采用与2b)相同的方法,训练第二层稀疏字典:
Figure CN105139028BC00026
,其中N2表 示X2中每个图像块的特征数量; 2g)利用第二层的稀疏字典02采用与2c)相同的方法,求训练集X的第二层稀疏特征图
Figure CN105139028BC00027
2h)对第二层稀疏特征图泛进行与2d)相同的非线性变换,得到非线性变换特征图C2; 2i)级联CjPC2构成一维向量c,训练线性核SVM分类器; ⑶抽取测试集y的特征并进行分类,得到分类结果: 3a)对测试集y利用训练阶段获得的第一层稀疏字典0:和第二层稀疏字典D2,采用与训 练集X相同的非线性变换方法抽取测试集第一层和第二层的非线性变换特征
Figure CN105139028BC00028
,级联
Figure CN105139028BC00029
构成一维向量
Figure CN105139028BC000210
3b)将一维向1
Figure CN105139028BC000211
输入到SVM分类器进行分类,得到最终分类结果。
2. 根据权利要求1所述的基于分层稀疏滤波卷积神经网络的SAR图像分类方法,其中, 所述步骤(1)的将SAR图像数据库样本集划分为训练数据集X和测试样本集y,是先在包含6 类SAR图像数据库样本集的每类样本集中各取大小为256 X 256的1000张图片,再从每一类 图片中随机抽取200张构成训练集X,剩余作为测试集y。
3. 根据权利要求1所述的基于分层稀疏滤波卷积神经网络的SAR图像分类方法,其中, 所述步骤2b)中利用训练图像块集X训练第一层稀疏字典D1,按如下步骤进行: 2bl)将训练图像块集X的特征矩阵F表示为:
Figure CN105139028BC000212
其中
Figure CN105139028BC000213
表示字典,N表示每个图像块的特征数量,ε是极小的常数
Figure CN105139028BC000214
表示特 征矩阵,且F的第i行值对应第i个图像块的特征值,第j列值表示不同图像块的第j类特征; 2b2)对特征矩阵F进行稀疏约束,求第一层稀疏字典D1: 首先,按照公式
Figure CN105139028BC000215
对特征矩阵F的每一列f进行归一化处理,再对每一行进行归 一化处理,得到归一化后的特征矩阵F2; 最后,对归一化后的特征矩阵F2进行稀疏约束,求得第一层稀疏字典:
Figure CN105139028BC00031
4. 根据权利要求1所述的基于分层稀疏滤波卷积神经网络的SAR图像分类方法,其中, 所述步骤2c)中利用第一层的稀疏字典0:求训练集X的第一层稀疏特征图Z,按如下步骤进 行: 2cl)求解输入图片的第i张稀疏特征图Z1:
Figure CN105139028BC00032
其中
Figure CN105139028BC00033
表示第i个卷积核,i =O〜N,
Figure CN105139028BC00034
表示卷积操作,
Figure CN105139028BC00035
表示训练集X的一张 图片,u X V为图片尺寸,卷积核Ki由稀疏字典Di的第i列
Figure CN105139028BC00036
变换得到
Figure CN105139028BC00037
Figure CN105139028BC00038
2c2)利用N个不同的卷积核心对输入图片进行卷积操作,得到第一层稀疏特征图:
Figure CN105139028BC00039
Figure CN105139028BC000310
5. 根据权利要求1所述的基于分层稀疏滤波卷积神经网络的SAR图像分类方法,其中, 所述步骤2d)中对第一层稀疏特征图Z进行非线性变换,得到非线性特征图C1,按如下步骤 进行: 2dl)求解第i张局部响应归一化特征图护在(x,y)位置上的值L :
Figure CN105139028BC000311
其中表示第i张稀疏特征图Z1在(x,y)位置上的值,a,i3,c分别表示不同数值的常量, η表示与第i张稀疏特征图相邻的稀疏特征图数目; 2d2)对第i张稀疏特征图Z1中所有坐标上的值进行局部响应归一化操作,得到第i张稀 疏特征图?1的局部响应归一化特征图:
Figure CN105139028BC000312
2d3)对N张稀疏特征图采用2dl) -2d2)的操作,得到第一层局部响应归一化特征图:
Figure CN105139028BC000313
Figure CN105139028BC000314
2d4)对第一层局部响应归一化特征图B进行最大池化操作,得到第一层非线性变换特 征图
Figure CN105139028BC000315
,其中w表示池化比例。
CN201510497374.3A 2015-08-13 2015-08-13 基于分层稀疏滤波卷积神经网络的sar图像分类方法 CN105139028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510497374.3A CN105139028B (zh) 2015-08-13 2015-08-13 基于分层稀疏滤波卷积神经网络的sar图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510497374.3A CN105139028B (zh) 2015-08-13 2015-08-13 基于分层稀疏滤波卷积神经网络的sar图像分类方法

Publications (2)

Publication Number Publication Date
CN105139028A CN105139028A (zh) 2015-12-09
CN105139028B true CN105139028B (zh) 2018-05-25

Family

ID=54724371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510497374.3A CN105139028B (zh) 2015-08-13 2015-08-13 基于分层稀疏滤波卷积神经网络的sar图像分类方法

Country Status (1)

Country Link
CN (1) CN105139028B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105718957A (zh) * 2016-01-26 2016-06-29 西安电子科技大学 非下采样轮廓波卷积神经网络的极化sar图像分类方法
CN105913076B (zh) * 2016-04-07 2019-01-08 西安电子科技大学 基于深度方向波网络的极化sar图像分类方法
CN105913083B (zh) * 2016-04-08 2018-11-30 西安电子科技大学 基于稠密sar-sift和稀疏编码的sar分类方法
CN105868793B (zh) * 2016-04-18 2019-04-19 西安电子科技大学 基于多尺度深度滤波器的极化sar图像分类方法
CN106017876A (zh) * 2016-05-11 2016-10-12 西安交通大学 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
CN105930876A (zh) * 2016-05-13 2016-09-07 华侨大学 一种基于逆向训练的植物图像集分类方法
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
CN106127230B (zh) * 2016-06-16 2019-10-01 上海海事大学 基于人类视觉感知的图像识别方法
CN106203444B (zh) * 2016-07-01 2019-02-19 西安电子科技大学 基于条带波与卷积神经网络的极化sar图像分类方法
CN106295516A (zh) * 2016-07-25 2017-01-04 天津大学 基于图像的雾霾pm2.5值估计方法
CN106407986B (zh) * 2016-08-29 2019-07-19 电子科技大学 一种基于深度模型的合成孔径雷达图像目标识别方法
CN106408018B (zh) * 2016-09-13 2019-05-14 大连理工大学 一种基于幅频特征稀疏滤波的图像分类方法
CN106709511A (zh) * 2016-12-08 2017-05-24 华中师范大学 基于深度学习的城市轨道交通全景监控视频故障检测方法
CN106934455B (zh) * 2017-02-14 2019-09-06 华中科技大学 基于cnn的遥感影像光学适配结构选取方法及系统
CN107358203B (zh) * 2017-07-13 2019-07-23 西安电子科技大学 一种基于深度卷积阶梯网络的高分辨sar图像分类方法
CN107977683A (zh) * 2017-12-20 2018-05-01 南京大学 基于卷积特征提取和机器学习的联合sar目标识别方法
CN108665484A (zh) * 2018-05-22 2018-10-16 国网山东省电力公司电力科学研究院 一种基于深度学习的危险源识别方法与系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200224A (zh) * 2014-08-28 2014-12-10 西北工业大学 基于深度卷积神经网络的无价值图像去除方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200224A (zh) * 2014-08-28 2014-12-10 西北工业大学 基于深度卷积神经网络的无价值图像去除方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAR target recognition based on deep learning;S Chen等;《IEEE》;20150312;全文 *
一种深度神经网络SAR遮挡目标识别方法;李帅;《IEEE》;20150630;第42卷(第3期);全文 *

Also Published As

Publication number Publication date
CN105139028A (zh) 2015-12-09

Similar Documents

Publication Publication Date Title
Kampffmeyer et al. Semantic segmentation of small objects and modeling of uncertainty in urban remote sensing images using deep convolutional neural networks
Gergel et al. Learning landscape ecology: a practical guide to concepts and techniques
Yu et al. Semiautomated extraction of street light poles from mobile LiDAR point-clouds
Hladik et al. Salt marsh elevation and habitat mapping using hyperspectral and LIDAR data
Johnson et al. Classifying a high resolution image of an urban area using super-object information
Phinn et al. Multi-scale, object-based image analysis for mapping geomorphic and ecological zones on coral reefs
Hung et al. Feature learning based approach for weed classification using high resolution aerial images from a digital camera mounted on a UAV
Yuan et al. Remote sensing image segmentation by combining spectral and texture features
Liu et al. Mapping vegetation in an urban area with stratified classification and multiple endmember spectral mixture analysis
Bechtel et al. Classification of local climate zones based on multiple earth observation data
CN103955702B (zh) 基于深度rbf网络的sar图像地物分类方法
Pu et al. Object-based urban detailed land cover classification with high spatial resolution IKONOS imagery
Sohn et al. Supervised and unsupervised spectral angle classifiers
CN104102929B (zh) 基于深度学习的高光谱遥感数据分类方法
Longbotham et al. Very high resolution multiangle urban classification analysis
Yang et al. Spatial and spectral hybrid image classification for rice lodging assessment through UAV imagery
Navulur Multispectral image analysis using the object-oriented paradigm
LaGro Assessing patch shape in landscape mosaics
Zhao et al. Object-based convolutional neural network for high-resolution imagery classification
CN103034863B (zh) 一种结合核Fisher与多尺度提取的遥感影像道路获取方法
CN104881865B (zh) 基于无人机图像分析的森林病虫害监测预警方法及其系统
Zhang et al. Airport detection on optical satellite images using deep convolutional neural networks
Hartfield et al. Fusion of high resolution aerial multispectral and LiDAR data: land cover in the context of urban mosquito habitat
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
CN105809198B (zh) 基于深度置信网络的sar图像目标识别方法

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