CN105184297B - 基于张量和稀疏自编码器的极化sar图像分类方法 - Google Patents
基于张量和稀疏自编码器的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN105184297B CN105184297B CN201510523567.1A CN201510523567A CN105184297B CN 105184297 B CN105184297 B CN 105184297B CN 201510523567 A CN201510523567 A CN 201510523567A CN 105184297 B CN105184297 B CN 105184297B
- Authority
- CN
- China
- Prior art keywords
- pixel
- represent
- encoding encoder
- training sample
- sar 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Abstract
本发明公开一种基于张量和稀疏自编码器的极化SAR图像分类方法,其实现步骤是:(1)输入极化SAR图像T矩阵;(2)生成每个像素点对应的三阶张量;(3)计算所取像素点与其相邻像素点间的相似度;(4)生成每个像素点对应的散射向量;(5)生成每个像素点对应的特征向量;(6)选取训练数据;(7)训练稀疏自编码器;(8)获得最终的分类结果。本发明采用张量表示原始数据和使用稀疏自编码器提取特征的方法,克服了现有技术中用向量表示数据使原始数据有所丢失,缺少邻域信息,区域一致性差的不足,充分利用了图像的原始数据信息,保持了良好的区域一致性。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像分类技术领域中的一种基于张量和稀疏自编码器的极化合成孔径雷达(Synthetic Aperture Rader,SAR)图像分类方法。本发明采用基于张量和稀疏自编码器的分类方法,可用于极化合成孔径雷达SAR图像的地物分类。
背景技术
极化合成孔径雷达SAR是一种可以测量目标散射信号的极化特征的新型雷达,它的优越性在于可以得到多通道的极化图像,这有利于理解目标的散射机理,提高对目标的检测、辨别和分类能力,这样便于有效地抑制杂波,提高抗干扰的能力。极化合成孔径雷达SAR扩大了合成孔径雷达SAR的应用范围,在对地表和地表覆盖物的物理和电磁结构信息的采集中起着十分重要的作用。全极化合成孔径雷达SAR数据提供了各个极化通道的相位和幅度信息,并且提供了各个计划通道的相对信息。因此,极化合成孔径雷达SAR图像具有更丰富的地物信息,通过这些信息可以得到更好的合成孔径雷达SAR图像处理结果。
近些年来,对散射模型的研究也有了进一步进展。人们的探索和理解这些机制是不够的,需要通过研究找到更有效和更新的散射机制。除了传统的从理论上构造的方法,基于学习的方法也逐渐的被人们所重视,
西安电子科技大学提出的专利申请“基于K-SVD和稀疏表示的极化SAR图像分类方法”(专利申请号:CN201410564225.X公开号:CN104361346A)中公开了一种基于K-SVD和稀疏表示的极化SAR图像分类方法。该方法的具体步骤是:首先,将极化SAR的极化相干矩阵作为输入数据,对每个像素点提取相干矩阵、协方差矩阵等特征,组成特征矩阵;其次,根据实际地物分布,选取训练样本,组成初始字典;然后用K-SVD算法训练初始字典,得到训练字典,将特征矩阵用训练字典表示,用OMP算法求解稀疏系数;最后,用求解出的稀疏系数重构特征矩阵,确定像素点的类别,得到最终分类结果。该方法存在的不足之处是,没有考虑到像素的邻域信息,可能会破坏区域的一致性,对分类结果造成影响。而且该方法没有考虑到特征向量中元素之间的关系,这对于特征的学习会产生影响。
Ying-hua Wang,Hong-wei Liu以及Bo Jiu在其发表的论文“PolSAR CoherencyMatrix Decomposition Based on Constrained Sparse Representation”(IEEETransactions on Geoscience and Remote Sensing,2014,52(9))中作者公开了一种基于约束稀疏表示的极化合成孔径雷达SAR分类方法。该方法实现的具体步骤是:首先,对不同的散射模型中的一些参数进行设定来构造字典;其次,提取待分极化合成孔径雷达SAR图像对应的观测向量;然后,根据所得的字典对观测数据进行稀疏表示,得到特征;最后对所得特征进行分类,得到分类结果。该方法存在的不足是把极化合成孔径雷达SAR图像中的每个点对应于一个散射向量进行处理,这就使得原本的T矩阵中的数据有所丢失,改变了极化合成孔径雷达SAR数据的多维数组的自然结构,影响了后续的特征提取以及分类结果。
发明内容
本发明针对上述现有技术的不足,提出一种基于张量和稀疏自编码器的极化SAR图像分类方法。本发明提高了分类精度,更为完整地保留了极化合成孔径雷达SAR数据的原始信息,更完好的保持了分类区域的一致性。
为实现上述目的,本发明包括以下步骤:
(1)输入极化SAR图像T矩阵:
读取极化合成孔径雷达SAR图像中每个像素点对应的T矩阵,T矩阵的大小为3×3个数据,每个数据为一个复数;
(2)生成每个像素点对应的三阶张量:
分离T矩阵中每个数据复数的实部与虚部,将实部与虚部所对应的实数构成一个大小为3×3×2个数据的三阶张量,每个数据为一个实数;
(3)按照下式,计算所取像素点与其相邻像素点间的相似度:
其中,<X,Y>表示所取像素点张量X与其相邻像素点张量Y间的相似度,X表示在极化合成孔径雷达SAR图像中所取像素点对应的三阶张量,Y表示所取像素点X的3×3邻域内九个相邻像素点分别所对应的三阶张量,L1,L2,L3分别表示所取像素点张量X与其相邻像素点张量Y中对应阶的大小,l1,l2,l3分别表示所取像素点张量X与其相邻像素点张量Y中对应阶的位置,∑表示求和操作,对于每个像素点,与其邻域内九个点分别经过相似度计算共得到九个实数,将这九个实数组成一个九维的向量,作为所选像素点的邻域信息;
(4)生成每个像素点对应的散射向量;
(5)生成每个像素点对应的特征向量:
对于极化合成孔径雷达SAR图像中的每个像素点,将表示其邻域信息的九维向量与表示其散射信息的九维向量组合成十八维的特征向量;
(6)选取训练数据:
对极化合成孔径雷达SAR图像所对应标准图中的每一类地物,任意选取30%的带有标签的像素点所对应的特征向量作为训练数据;
(7)训练稀疏自编码器:
(7a)构建稀疏自编码器;
(7b)将训练数据输入稀疏自编码器,训练稀疏自编码器;
(8)获得最终的分类结果:
将极化合成孔径雷达SAR图像中每个像素点对应的特征向量输入到训练好的稀疏自编码器中,稀疏自编码器输出分类标签,根据得到的分类标签对极化合成孔径雷达SAR图像中每个像素点进行上色,得到最终的分类结果图。
本发明与现有技术相比,具有以下优点:
第一,由于本发明采用生成每个像素点对应的三阶张量来的方法,表示极化合成孔径雷达SAR图像T矩阵的原始数据,克服了现有技术中将极化合成孔径雷达SAR图像中的每个点对应于一个散射向量进行处理,使得原本的T矩阵中的数据有所丢失,并且改变了极化合成孔径雷达SAR数据的多维数组的自然结构的不足,使得本发明更大程度的保留了原始数据的信息和结构,提高了后续的特征提取和分类的准确度。
第二,本发明采用计算像素点与相邻像素点间相似度的方法,将邻域信息包含到了每个像素点对应的特征向量中,克服了现有技术中没有考虑像素邻域信息,会破坏区域的一致性的不足,使得本发明更大程度上保留了图像的区域一致性,提高了分类结果的可靠性。
第三,本发明采用稀疏自编码器提取像素点特征向量中包含的特征的方法,克服了现有技术中没有考虑像素点特征向量中元素之间关系,降低了对特征的学习能力的不足,使得本发明对像素点原始数据所包含的特征的学习能力得到了增强,提高了后续的分类精度。
附图说明
图1是本发明流程图;
图2是本发明与现有技术在一幅两类复杂地物背景极化合成孔径雷达SAR图像上的仿真结果图;
图3是本发明与现有技术在一幅三类复杂地物背景极化合成孔径雷达SAR图像上的仿真结果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
结合附图1,实现本发明的具体步骤如下:
步骤1,输入极化SAR图像T矩阵。
读取极化合成孔径雷达SAR图像中每个像素点对应的T矩阵,T矩阵的大小为3×3个数据,每个数据为一个复数。
步骤2,生成每个像素点对应的三阶张量。
分离T矩阵中每个数据复数的实部与虚部,将实部与虚部所对应的实数构成一个大小为3×3×2个数据的三阶张量,每个数据为一个实数。
步骤3,计算所取像素点与相邻像素点间的相似度。
按照下式,计算所取像素点与其相邻像素点间的相似度:
其中,<X,Y>表示所取像素点张量X与其相邻像素点张量Y间的相似度,X表示在极化合成孔径雷达SAR图像中所取像素点对应的三阶张量,Y表示所取像素点X的3×3邻域内九个相邻像素点分别所对应的三阶张量,L1,L2,L3分别表示所取像素点张量X与其相邻像素点张量Y中对应阶的大小,l 1,l2,l3分别表示所取像素点张量X与其相邻像素点张量Y中对应阶的位置,∑表示求和操作,对于每个像素点,与其邻域内九个点分别经过相似度计算共得到九个实数,将这九个实数组成一个九维的向量,作为所选像素点的邻域信息;
步骤4,生成每个像素点对应的散射向量。
生成每个像素点对应的散射向量是按照下式,由极化合成孔径雷达SAR图像中每个像素点对应的T矩阵,得到一个九维的散射向量:
v(T)=[T11T22 T33Re(T12) Im(T12)Re(T13) Im(T23) Re(T23) Im(T23)]T
其中,v(T)表示极化合成孔径雷达SAR图像中每个像素点对应的散射向量,Tij表示极化合成孔径雷达SAR图像中每个像素点对应的T矩阵中第i行第j列的以复数形式表示的元素,Re(·)表示对复数取实部操作,Im(·)表示对复数取虚部操作。
步骤5,生成每个像素点对应的特征向量。
对于极化合成孔径雷达SAR图像中的每个像素点,将表示其邻域信息的九维向量与表示其散射信息的九维向量组合成十八维的特征向量。
步骤6,选取训练数据。
对极化合成孔径雷达SAR图像所对应标准图中的每一类地物,任意选取30%的带有标签的像素点所对应的特征向量作为训练数据。
步骤7,训练稀疏自编码器。
训练稀疏自编码器的具体步骤如下:
第一步,构建稀疏自编码器:
将稀疏自编码器的网络隐含层的层数设为两层,每层结点的个数为20个,设稀疏性参数为0.1,设权重衰减参数λ为3×e-3,其中,e表示大小为2.718的自然常数,设稀疏惩罚项的权重β设为3;
第二步,定义训练样本集如下:
其中,xi表示训练样本表示,yi与训练样本xi对应的样本标签,i表示训练样本xi在样本集中的编号,m表示训练样本的个数,d表示训练样本的维度,Rd表示纬度为d的复数集合,∈表示属于符号;
第三步,定义自编码器的假设函数如下:
hw,b(Xi)
其中,W和b分别表示自编码器的权重和偏置,Xi表示训练样本,i表示训练样本Xi在样本集中的编号;
第四步,定义训练样本Xi的隐含层中第j个结点的输出表示为且隐含层结点个数n为20个;
第五步,按照下式,计算训练样本Xi的隐含层中所有结点输出值的平均值:
其中,表示隐含层中所有结点输出值的平均值,m表示训练样本的个数,表示训练样本Xi的隐含层中第j个结点的输出值
第六步,按照下式,计算训练样本Xi的隐含层中第j个结点的输出值与该隐含层所有结点输出值的平均值间的距离:
其中,KL(·)表示训练样本Xi的隐含层中第j个结点的输出值与该隐含层所有结点输出值的平均值间的距离,ρ表示第j个结点的输出值,表示该隐含层中所有结点输出值的平均值;
第七步,确定稀疏自编码器的目标函数如下:
第八步,使用反向传播算法,求解使得目标函数J(W,b)最小的参数Wopt和bopt,将Wopt和bopt代入自编码器的假设函数中,得到目标假设函数。
步骤8,获得最终的分类结果。
将极化合成孔径雷达SAR图像中每个像素点对应的特征向量输入到训练好的稀疏自编码器中,稀疏自编码器输出分类标签,根据得到的分类标签对极化合成孔径雷达SAR图像中每个像素点进行上色,得到最终的分类结果图。
下面结合仿真图对本发明的效果作进一步的描述。
1、仿真条件:
仿真实验环境为:MATLAB R2012b,CPU intel Pentium Dual-Core I52.67GHz,内存2G,Windows7普通版。
2、仿真内容:
本发明的仿真实验1如图2所示。图2用本发明的方法与现有技术的H/α-Wishart方法以及Lee category-preserving法分别对一幅大小为512×512的极化合成孔径雷达SAR图像进行分类,类别数为2。其中,图2(a)为西安西部部分区域c波段的单视极化合成孔径雷达SAR图像,该图像来源于RADARSAT-2雷达获取的数据。图2(b)为采用现有技术的H/α-Wishart方法,对图2(a)的图像进行分类得到的结果图。图2(c)为采用现有技术的Leecategory-preserving方法,对图2(a)的图像进行分类得到的结果图。图2(d)为采用本发明方法,对图2(a)进行分类得到的结果图。表1是对采用现有技术的H/α-Wishart方法,Leecategory-preserving法以及本方法分类结果的精度统计表,表中所示精度是由图2(b)、图2(c)、图2(d)结果图中,每类地物的类别标签与标准图的类别标签相同的标签个数除以标准图中该类地物总的标签个数得到的。
表1.仿真实验1结果的精度统计表
本方法 | Lee | wishart | |
城市 | 94.31% | 55.24% | 52.59% |
植被 | 72.18% | 27.06% | 22.82% |
平均 | 83.25% | 41.15% | 37.71% |
本发明的仿真实验2如图3所示。图3用本发明的方法与现有技术的H/α-Wishart方法以及Lee category-preserving法分别对一幅大小为512×512的极化合成孔径雷达SAR图像进行分类,类别数为3。其中,图3(a)为西安西部部分区域c波段的单视极化合成孔径雷达SAR图像,该图像来源于RADARSAT-2雷达获取的数据。图3(b)为采用现有技术的H/α-Wishart方法,对图3(a)的图像进行分类得到的结果图。图3(c)为采用现有技术的Leecategory-preserving方法,对图3(a)的图像进行分类得到的结果图。图3(d)为采用本发明方法,对图3(a)的图像进行分类得到的结果图。表2是对采用现有技术的H/α-Wishart方法,Lee category-preserving法以及本方法分类结果的精度统计表,表中所示精度是由图3(b)、图3(c)、图3(d)结果图中,每类地物的类别标签与标准图的类别标签相同的标签个数除以标准图中该类地物总的标签个数得到的。
表2.对仿真实验2结果的精度统计表
本方法 | Lee | wishart | |
水域 | 83.63% | 93.77% | 94.97% |
城市 | 80.32% | 35.13% | 8.63% |
草地 | 84.87% | 45.94% | 55.21% |
平均 | 82.94% | 58.28% | 52.94% |
3、实验结果分析:
从图2(b)、图2(c)、图3(b)、图3(c)可以看出现有技术的极化合成孔径雷达SAR图像分类方法出现了区域错分、零散的小区域较多、区域一致性差的状况。这是由于现有技术的方法将极化合成孔径雷达SAR图像中的每个点对应于一个散射向量进行处理,使得原本的T矩阵中的数据有所丢失,改变了极化合成孔径雷达SAR数据的多维数组的自然结构,并且没有考虑像素点与其相邻像素点间的邻域信息造成的。从图2(d)、图3(d)可以看出,本方法提出的极化合成孔径雷达SAR图像分类方法分类区域稳定,更好的保持了区域的一致性,这是因为本方法能够充分利用数据的原始信息,并考虑到了像素点的邻域信息。从表1和表2中可以看出本方法与现有的方法相比,取得了更好的分类精度。
综上所述,本发明提出的极化合成孔径雷达SAR图像分类方法,更好的利用了图像的原始信息,具有良好的区域一致性。本发明的分类方法由于现有的分类技术。
Claims (1)
1.一种基于张量和稀疏自编码器的极化SAR图像分类方法,包括以下步骤:
(1)输入极化SAR图像T矩阵:
读取极化合成孔径雷达SAR图像中每个像素点对应的T矩阵,T矩阵的大小为3×3个数据,每个数据为一个复数;
(2)生成每个像素点对应的三阶张量:
分离T矩阵中每个数据复数的实部与虚部,将实部与虚部所对应的实数构成一个大小为3×3×2个数据的三阶张量,每个数据为一个实数;
(3)按照下式,计算所取像素点与其相邻像素点间的相似度:
其中,<X,Y>表示所取像素点张量X与其相邻像素点张量Y间的相似度,X表示在极化合成孔径雷达SAR图像中所取像素点对应的三阶张量,Y表示所取像素点X的3×3邻域内九个相邻像素点分别所对应的三阶张量,L1,L2,L3分别表示所取像素点张量X与其相邻像素点张量Y中对应阶的大小,l1,l2,l3分别表示所取像素点张量X与其相邻像素点张量Y中对应阶的位置,∑表示求和操作,对于每个像素点,与其邻域内九个点分别经过相似度计算共得到九个实数,将这九个实数组成一个九维的向量,作为所选像素点的邻域信息;
(4)生成每个像素点对应的散射向量;
所述的生成每个像素点对应的散射向量是按照下式,由极化合成孔径雷达SAR图像中每个像素点对应的T矩阵,得到一个九维的散射向量:
v(T)=[T11T22 T33Re(T12) Im(T12)Re(T13) Im(T23) Re(T23) Im(T23)]T
其中,v(T)表示极化合成孔径雷达SAR图像中每个像素点对应的散射向量,Tij表示极化合成孔径雷达SAR图像中每个像素点对应的T矩阵中第i行第j列的以复数形式表示的元素,Re(·)表示对复数取实部操作,Im(·)表示对复数取虚部操作;
(5)生成每个像素点对应的特征向量:
对于极化合成孔径雷达SAR图像中的每个像素点,将表示其邻域信息的九维向量与表示其散射信息的九维向量组合成十八维的特征向量;
(6)选取训练数据:
对极化合成孔径雷达SAR图像所对应的标准图中的每一类地物,任意选取30%的带有标签的像素点所对应的特征向量作为训练数据;
(7)训练稀疏自编码器:
(7a)构建稀疏自编码器;
所述的构建稀疏自编码器的具体步骤如下:
第一步:将稀疏自编码器的网络隐含层的层数设为两层,每层结点的个数为20个;
第二步:设稀疏性参数为0.1;
第三步:设权重衰减参数λ为3×e-3,其中,e表示大小为2.718的自然常数;
第四步:设稀疏惩罚项的权重β设为3;
(7b)将训练数据输入稀疏自编码器,训练稀疏自编码器;
所述训练自编码器的具体步骤如下:
第一步:定义训练样本集如下:
其中,xi表示训练样本表示,yi与训练样本xi对应的样本标签,i表示训练样本xi在样本集中的编号,m表示训练样本的个数,d表示训练样本的维度,Rd表示纬度为d的复数集合,∈表示属于符号;
第二步:定义自编码器的假设函数如下:
hw,b(Xi)
其中,W和b分别表示自编码器的权重和偏置,Xi表示训练样本,i表示训练样本Xi在样本集中的编号;
第三步:定义训练样本Xi的隐含层中第j个结点的输出表示为且隐含层结点个数n为20个;
第四步:按照下式,计算训练样本Xi的隐含层中所有结点输出值的平均值:
其中,表示隐含层中所有结点输出值的平均值,m表示训练样本的个数,表示训练样本Xi的隐含层中第j个结点的输出值;
第五步:按照下式,计算训练样本Xi的隐含层中第j个结点的输出值与该隐含层所有结点输出值的平均值间的距离:
其中,KL(·)表示训练样本Xi的隐含层中第j个结点的输出值与该隐含层所有结点输出值的平均值间的距离,ρ表示第j个结点的输出值,表示该隐含层中所有结点输出值的平均值;
第六步:确定稀疏自编码器的目标函数如下:
其中,表示重构项,表示权重衰减项,表示稀疏惩罚项;其中,m表示训练样本的个数,Xi表示训练样本,i表示训练样本Xi在样本集中的编号,hW,b(xi)表示自编码器的假设函数,W和b分别表示自编码器的权重和偏置,λ表示权重衰减系数,β表示系数惩罚因子的权重,KL(·)表示训练样本Xi的隐含层中第j个结点的输出值ρ与该隐含层所有结点输出值的平均值间的距离;
第七步:使用反向传播算法,求解使得目标函数J(W,b)最小的参数Wopt和bopt,将Wopt和bopt代入自编码器的假设函数中,得到目标假设函数;
(8)获得最终的分类结果:
将极化合成孔径雷达SAR图像中每个像素点对应的特征向量输入到训练好的稀疏自编码器中,稀疏自编码器输出分类标签,根据得到的分类标签对极化合成孔径雷达SAR图像中每个像素点进行上色,得到最终的分类结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510523567.1A CN105184297B (zh) | 2015-08-24 | 2015-08-24 | 基于张量和稀疏自编码器的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510523567.1A CN105184297B (zh) | 2015-08-24 | 2015-08-24 | 基于张量和稀疏自编码器的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184297A CN105184297A (zh) | 2015-12-23 |
CN105184297B true CN105184297B (zh) | 2018-06-26 |
Family
ID=54906363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510523567.1A Active CN105184297B (zh) | 2015-08-24 | 2015-08-24 | 基于张量和稀疏自编码器的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184297B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608823B (zh) * | 2016-03-14 | 2020-09-11 | 北京北邮国安技术股份有限公司 | 基于主成分分析的光纤安防方法及系统 |
CN106682606A (zh) * | 2016-12-23 | 2017-05-17 | 湘潭大学 | 一种人脸确认方法及安全认证装置 |
CN106971178A (zh) * | 2017-05-11 | 2017-07-21 | 北京旷视科技有限公司 | 行人检测和再识别的方法及装置 |
CN109871907B (zh) * | 2019-03-19 | 2023-04-18 | 山东大学 | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 |
CN110096632A (zh) * | 2019-04-16 | 2019-08-06 | 华东师范大学 | 一种基于稀疏自编码器的刷榜者检测方法 |
CN111523567B (zh) * | 2020-03-31 | 2023-09-01 | 彩虹无人机科技有限公司 | 一种基于张量局部保留投影的极化特征提取与分类方法 |
Citations (2)
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 |
CN104751183A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于张量mpca的极化sar图像分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7961975B2 (en) * | 2006-07-31 | 2011-06-14 | Stc. Unm | System and method for reduction of speckle noise in an image |
US7663529B2 (en) * | 2006-08-15 | 2010-02-16 | General Dynamics Advanced Information Systems, Inc. | Methods for two-dimensional autofocus in high resolution radar systems |
-
2015
- 2015-08-24 CN CN201510523567.1A patent/CN105184297B/zh active Active
Patent Citations (2)
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 |
CN104751183A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于张量mpca的极化sar图像分类方法 |
Non-Patent Citations (1)
Title |
---|
"Tensorial Independent Component Analysis-Based Feature Extraction for Polarimetric SAR Data Classification";Mingliang Tao, 等;《IEEE Transactions on Geoscience and Remote Sensing》;20141030;论文第2481-2495页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105184297A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184297B (zh) | 基于张量和稀疏自编码器的极化sar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 | |
Liu et al. | Application of deep convolutional neural networks for detecting extreme weather in climate datasets | |
CN106815601B (zh) | 基于递归神经网络的高光谱图像分类方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN102096825B (zh) | 基于图的半监督高光谱遥感图像分类方法 | |
CN106096652B (zh) | 基于稀疏编码和小波自编码器的极化sar图像分类方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN109389080A (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
CN103984966A (zh) | 基于稀疏表示的sar图像目标识别方法 | |
CN107944370A (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN104794730B (zh) | 基于超像素的sar图像分割方法 | |
CN104298999B (zh) | 基于递归自动编码的高光谱特征学习方法 | |
Shang et al. | Spatial feature-based convolutional neural network for PolSAR image classification | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN110516728A (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
CN109359525A (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN107330457A (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
CN105160351A (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
Zhang et al. | Segmentation model based on convolutional neural networks for extracting vegetation from Gaofen-2 images | |
CN107563420B (zh) | 基于散射能量和堆栈自编码的极化sar图像分类方法 | |
CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
Chen et al. | The building recognition and analysis of remote sensing image based on depth belief network |
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 |