CN105894018B - 基于深度多示例学习的极化sar图像分类方法 - Google Patents

基于深度多示例学习的极化sar图像分类方法 Download PDF

Info

Publication number
CN105894018B
CN105894018B CN201610188365.0A CN201610188365A CN105894018B CN 105894018 B CN105894018 B CN 105894018B CN 201610188365 A CN201610188365 A CN 201610188365A CN 105894018 B CN105894018 B CN 105894018B
Authority
CN
China
Prior art keywords
sar image
polarimetric sar
polarization
classification
neural networks
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
Application number
CN201610188365.0A
Other languages
English (en)
Other versions
CN105894018A (zh
Inventor
焦李成
刘旭
张丹
赵佳琦
赵进
尚荣华
侯彪
杨淑媛
马文萍
马晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201610188365.0A priority Critical patent/CN105894018B/zh
Publication of CN105894018A publication Critical patent/CN105894018A/zh
Application granted granted Critical
Publication of CN105894018B publication Critical patent/CN105894018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于深度多示例学习的极化SAR图像分类方法，用于解决现有极化SAR图像分类方法中存在特征提取不足导致的分类精度低的技术问题。包括如下步骤：对极化SAR图像进行滤波；选取训练样本集合；提取样本特征；初始化卷积神经网络CNN和深度置信网DBN；归一化样本特征，训练卷积神经网络CNN和深度置信网DBN；提取联合特征；输入联合特征到SVM分类器中训练；利用训练好的SVM分类器进行极化SAR图像分类；输出分类结果，并计算分类精度。本发明将图像空间邻域特征与极化特征进行有效的结合，提高了极化SAR图像分类精度，可用于对极化SAR图像的地物分类和目标识别。

Description

基于深度多示例学习的极化SAR图像分类方法
技术领域
本发明属于图像处理技术领域，涉及一种极化SAR图像分类方法，具体涉及一种基于深度多示例学习的极化SAR图像分类方法，可用于对极化SAR图像的地物分类和目标识别。
背景技术
SAR是合成孔径雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，极化SAR是一种高分辨主动式相干多通道合成孔径雷达，它是SAR的一个重要组成部分，具有多极化通道获取数据的特性，相比SAR能够更加丰富的表示信息。可广泛应用于军事、导航、农业、地理监视等诸多领域。在国际遥感领域极其重要，因此极化SAR图像分类已成为极化SAR信息处理的一个重要研究方向。
现有的极化SAR图像分类方法可以分为无监督分类和有监督分类。
无监督分类方法包括：无监督分类方法是指没有标准类标做为指导的分类方法，主要方法有Cloude等提出的H/α无监督分类，它是通过Cloude目标分解得到散射熵H和平均散射角α特征参数后，根据这两个参数的范围对目标进行八分类，这种方法分类边界固定导致区域的划分过于武断，且只利用H和α这两个参数，极化信息没有得到充分利用，导致分类准确度低；Lee等提出基于Cloude目标分解和Wishart分类器的H/α-Wishart无监督分类方法，它是在原始H/α分类基础上增加了Wishart迭代，弥补了H/α分类固定边界的缺陷，但这种方法不能很好的保持各类的极化散射特性；Lee等基于Freeman分解提出了一种极化SAR图像分类方法，它主要是根据Freeman分解获得平面散射功率、二面角散射功率和体散射功率的大小对极化数据进行划分，并对初始划分进行类别合并，最后再利用Wishart分类器重新划分，这种方法保持了各类的散射特性，但存在多类别的划分及合并，计算复杂度较高。
有监督分类方法包括：有监督分类方法是指有标准类标做为指导的分类方法，主要方法有Lee等提出的基于复Wishart分布的极化协方差矩阵监督分类方法，由于极化协方差矩阵C可以通过线性变换得到极化相干矩阵T，这样就得到Wishart分类器，这种方法要求C或T矩阵的概率密度分布函数服从复Wishart分布，对数据分布要求严格；Heermann等提出的基于后向传播神经网络的极化SAR图像分类方法，这种方法收敛速度慢，且容易陷入局部最优。最近，Jiao等人提出基于CNN和SVM的极化SAR图像分类方法，这种方法在对图像进行卷积的时候虽然考虑到了图像的空间邻域信息，用全连接层作为图像特征，输入到SVM分类器中进行分类，效果明显，但是，这种方法因为没有将图像的空间邻域信息和极化信息相结合，导致图像特征缺乏完备性，影响分类精度。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷，提出一种基于深度多示例学习的极化SAR图像分类方法，用于解决现有极化SAR图像分类中因为没有将图像的空间邻域信息和极化信息相结合，导致图像分类精度低的技术问题。
为实现上述目的，本发明采取的技术方案包括如下步骤：
步骤1，输入待分类的极化SAR图像，并对该图像进行精致极化Lee滤波，得到包含有极化相干矩阵T和极化协方差矩阵C的极化SAR图像；
步骤2，利用已标注的极化SAR图像的地物分布参考图中的类别信息，随机选择相同数量的各类别训练样本，得到训练样本集合；
步骤3，利用所述极化相干矩阵T和极化协方差矩阵C，提取所述训练样本集合的样本特征；
步骤4，同时对卷积神经网络CNN的相关参数和深度置信网DBN的相关参数进行随机初始化；
步骤5，对所述样本特征进行归一化处理，并将经过归一化处理的样本特征，分别输入到相关参数已经随机初始化的卷积神经网络CNN和深度置信网DBN中进行特征训练；
步骤6，从经过特征训练的卷积神经网络CNN和深度置信网DBN中分别提取各自的最后一层特征得到两个一维特征向量，并将其进行一维拼接得到一个一维特征向量，作为联合特征向量，通过如下步骤实现：
步骤6a，提取卷积神经网络CNN最后一层特征，得到具有空间邻域信息的一维特征向量；
步骤6b，提取深度置信网DBN最后一层特征，得到具有极化信息的一维特征向量；
步骤6c，将步骤6a所得具有空间邻域信息的一维特征向量和步骤6b所得具有极化信息的一维特征向量进行一维拼接，得到一个一维特征向量，作为联合特征向量；
步骤7，将所述联合特征向量输入到SVM分类器中进行分类器训练；
步骤8，利用经过训练的SVM分类器对极化SAR图像进行分类；
步骤9，输出对极化SAR图像进行分类的结果图像，并计算分类精度。
本发明与现有的技术相比，具有以下优点：
本发明实现特征提取时，将CNN提取的空间邻域特征和DBN提取的极化特征这两种特征作为两个示例进行联合，得到联合特征，与现有技术在特征提取时采用的单一特征提取方法相比，克服了单一特征薄弱的问题，将空间邻域信息和极化信息相结合，丰富和完善了特征信息，有利于提高图像分类精度。
附图说明
图1是本发明的流程图；
图2是本发明仿真使用的一幅极化SAR图像；
图3是图2的地物分布参考图；
图4是对图2采用经典的Wishart分类器分类所得到的结果图；
图5是对图2采用基于CNN和SVM分类器分类所得到的结果图；
图6是本发明对图2的分类仿真结果图。
具体实施方式
参照图1，本发明的具体实现步骤如下：
步骤1，输入待分类的极化SAR图像，并对该图像进行精致极化Lee滤波，得到包含有极化相干矩阵T和极化协方差矩阵C的极化SAR图像，通过如下步骤实现：
步骤1a，设置待极化SAR图像的滤波窗口大小，得到多个均值窗口，选取每个均值窗口不同方向边缘模板，进行边缘检测，得到多个方向滤波窗口：在待分类的极化SAR分类图像的span总功率图像上，其中图像每一像素点的值等于该像素点的极化协方差矩阵对角线元素之和，设置大小为7×7滤波窗口，根据图像像素空间位置，从左到右、从上到下将滤波窗口依次分解为9个子窗口，其中子窗口大小为3×3，子窗口之间重叠区域为一个单元，计算每个子窗口的均值，得到3×3大小的均值窗口；在均值窗口中，用水平、垂直、45度、135度四个方向的边缘模板进行检测，来确定边缘方向，具体计算过程是将四个模板分别与均值窗口进行加权，求加权结果的绝对值，选取绝对值当中的最大值，最大值所对应的方向就是边缘方向；下一步，在3×3的均值窗口中，比较中心像素与边缘方向两侧的像素元素(位于3×3均值窗口中心的像素)的邻近性，具体计算方式是均值窗口在边缘方向两侧的值与中心像素的值相减，选取结果绝对值最小对应的一侧作为方向窗口；
步骤1b，在所述多个方向滤波窗口中，对待极化SAR图像进行去斑去噪处理，得到数据干净的极化相干矩阵T和极化协方差矩阵C
在方向窗口中，采用下式：
计算精致极化Lee滤波的滤波系数b，(1)式中的y表示方向窗口内极化SAR总功率图像的像素值，var(y)表示方向窗口内像素值的总功率方差，表示y的数学期望，σv表示相干斑噪声的标准差。由滤波系数b，根据下式
计算滤波后中心像素的极化相干矩阵或极化协方差矩阵(2)式中的表示方向窗口内像素的极化相干矩阵或极化协方差矩阵的数学期望，Z表示中心像素的极化相干矩阵或极化协方差矩阵。
步骤2，利用已标注的极化SAR图像的地物分布参考图中的类别信息，随机选择相同数量的各类别训练样本，得到训练样本集合，
本发明中采样得到的每类样本数目为500个。
步骤3，利用所述极化相干矩阵T和极化协方差矩阵C，提取所述训练样本集合的样本特征，通过如下步骤实现：
步骤3a，由于极化相干矩阵T和极化协方差矩阵C具有丰富的关于雷达目标的相位和幅度信息，而且都是哈密顿半正定矩阵，所以可提取维数为3×3的极化相干矩阵T的上三角位置的六个元素的模值，维数为3×3的极化协方差矩阵C的上三角位置的六个元素的实部和虚部(对角线元素虚部为0，不包括在内)，以及对角线元素之和得到功率图span；
步骤3b，对极化相干矩阵T进行Cloude分解：
其中，TD＝diag{λ1,λ2,λ3}，λi(i＝1,2,3)是极化相干矩阵的特征值，且λ1≥λ2≥λ3，U＝[v1,v2,v3]，vi是与λi相对应的单位特征矢量，()H表示这个矩阵的共轭转置；
接着，得到相应的特征：散射熵其中
平均散射角其中αi为散射体的内部自由度，
反熵A＝(λ2-λ3)/(λ2+λ3)，极化相干矩阵T的特征值λ1，λ2，λ3，继续作为每个像素点的原始特征。基于上述特征提取方法，每个像素点共22维原始特征[T11,T22,T33,abs(T12),abs(T13),abs(T23),C11,C22,C33,real(C12),imag(C12),real(C13),imag(C13),real(C23),imag(C23),span,H,α,A,λ1,λ2,λ3]；
步骤3c，由于图像具有空间相关性，因此本方法将每个像素点的四邻域的四个像素点的特征也作为其特征，图像边界采用镜像对称进行填充，加上步骤2b中得到的22维原始特征，每个像素点共提取了110维的特征。
步骤4，随机初始化卷积神经网络CNN和深度置信网DBN的相关参数；
步骤5，对所述样本特征进行归一化处理，并将经过归一化处理的样本特征输入到分别输入到卷积神经网络CNN和深度置信网DBN中进行特征训练，通过如下步骤实现：
步骤5a，在卷积神经网络CNN训练过程中，目标函数关于第l层的神经元z(l)的梯度为
在卷积神经网络中，每一个卷积层后都接着一个子采样层，然后不断重复。因此我们需要分别来看卷积层和子采样层的梯度。
步骤5b，卷积层的梯度，我们假定卷积层为l层，子采样层为l+1层。因为子采样层是下采样操作，l+1层的一个神经元的误差δ对应于卷积层(上一层)的相应特征映射的一个区域。l层的第k个特征映射中的每个神经元都有一条边和l+1层的第k个特征映射中的一个神经元相连。根据链式法则，第l层的一个特征映射的误差项δ(l,k)，只需要将l+1层对应特征映射的误差项δ(l+1,k)进行上采样操作，再和l层特征的激活值偏导数逐元素相乘，再乘上权重w(l+1,k)，就得到了δ(l,k)。
第l层的第k个特征映射的误差项δ(l,k)的具体推导过程如下：
在得到第l层的第k个特征映射的误差项δ(l,k)，目标函数关于第l层的第k个特征映射神经元滤波器梯度：
目标函数关于第l层的第k个特征映射的偏置b(l)的梯度可以写为：
步骤5c，子采样层的梯度，我们假定子采样层为l层，l+1层为卷积层。因为子采样层是下采样操作，l+1层的一个神经元的误差项δ对应于卷积层(上一层)的相应特征映射的一个区域。
第l层的第k个特征映射的误差项δ(l,k)的具体推倒过程如下：
从而目标函数关于第l层的第k个特征映射的神经元滤波器的梯度可以写为：
目标函数关于第l层的第k个特征映射的偏置b(l)的梯度可以写为：
步骤5d，在深度置信网DBN的训练过程中，对于每次迭代，在每小批量数据上，调用CD-k算法，进行k次交替Gibbs采样，本方法只需1次交替Gibbs采样即可保证采集到的样本符合目标分布,具体为：
其中(12)式表示在已知可见层状态v(0)时采样出隐藏层的第j个单元的状态等于1的概率，v(0)表示可见层的输入状态，即训练样本原始特征向量归一化后的数据，表示可见层第i个单元的状态，表示隐藏层第j个单元的状态，bj表示隐藏层第j个单元的偏置，wj,i表示可见层第i个单元与隐藏层第j个单元之间的连接权重；
接着，产生[0,1]内的随机数rj,对进行二值化，即：若则否则，
其中(13)式表示在已知隐藏层状态时采样出可见层各个单元状态以此来代替目标分布，其中ai表示可见层第i个单元的偏置；
利用(14)、(15)、(16)式分别计算每次迭代时目标函数在每小批量数据上关于连接权重W、可见层偏置a、隐藏层偏置b的偏导数；
Δwi,j (iter)＝ρ*Δwi,j (iter-1)+ηW*(Δwi,j (iter)/nblock-λ*wi,j (iter-1)) (17)
Δai (iter)＝ρ*Δai (iter-1)+ηvb*(Δai (iter)/nblock) (18)
Δbi (iter)＝ρ*Δbi (iter-1)+ηhb*(Δbi (iter)/nblock) (19)
本方法采用(17)、(18)、(19)式更新当前迭代(iter≥1)每小批量数据上的平均偏导数，其中nblock为小批量数据的数目，ρ为动量学习率；
步骤5e，利用梯度上升法更新RBM参数θ＝(W,a,b)，具体为：
按上式更新当前迭代每小批量数据上的连接权重、可见层偏置和隐藏层偏置。
步骤6，从经过特征训练的卷积神经网络CNN和深度置信网DBN中分别提取各自的最后一层特征得到两个一维特征向量，并将其进行一维拼接得到一个一维特征向量，作为联合特征，通过如下步骤实现：
步骤6a，提取卷积神经网络CNN最后一层特征，得到具有空间邻域信息的一维特征向量；
步骤6b，提取深度置信网DBN最后一层特征，得到具有极化信息的一维特征向量；
步骤6c，将步骤6a所得具有空间邻域信息的一维特征向量和步骤6b所得具有极化信息的一维特征向量进行一维拼接，得到一个一维特征向量，作为联合特征；
步骤7，将所述联合特征输入到SVM分类器中进行分类器训练；
步骤8，利用经过所述分类器训练得到的SVM分类器进行极化SAR图像分类；
将待分类的极化SAR图像原始的测试数据归一化到[0.1,0.9]后，输入训练好网络，得到联合特征，然后利用这些特征输入到训练好的分类器对待分类的极化SAR图像进行分类，得到每个像素点的类别；
步骤9，输出经过分类的图像，并计算分类精度；
步骤9a，利用SVM对图像分类得到的像素类别，将R(红色)、G(绿色)、B(蓝色)作为三基色，按照三基色上色法进行上色，得到上色后的极化SAR图像，然后将其输出；
步骤9b，将极化SAR图像得到的像素类别与真实地物类别进行比较，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。
1.实验条件
硬件平台为：Intel Core2 Duo CPU E8400@3.00GHZ、6GB RAM；
软件平台为：MATLAB R2015a，Caffe；
2.仿真内容
2.1采用Wishart分类器的对图2进行仿真，其结果如图4所示；
2.2采用基于CNN和SVM分类方法对图2进行仿真，其结果如图5所示；
2.3采用本发明方法对图2进行仿真，其结果如图6所示。
3.实验结果分析
参照图4可以看出，分类效果虽然区域边缘划分相对平滑，有较多杂散点，而且存在严重的错分现象；
参照图5可以看出，能够有效的正确分类，杂散点有所减少，空间邻域信息得到有效保持；
参照图6可以看出，有更好的分类能力，有效解决了空间邻域信息和极化信息相结合的问题。
为了验证本发明的技术效果，本发明和两种对比方法在仿真实验中得到的各类分类精度和总分类精度，如表1所示：
其中，Alg1表示Wishart分类器的方法，Alg2表示基于CNN和SVM分类的方法，Alg3是本发明的方法。可以看出每类分类精度都高于两种对比方法，同时总分类精度明显地提高；
表1
综上所述，本发明提出的基于深度多示例学习的极化SAR图像分类方法能够明显地提高极化SAR图像分类精度，有效解决了空间邻域信息和极化信息相结合的问题。

Claims (5)

1.一种基于深度多示例学习的极化SAR图像分类方法，包括如下步骤：
(1)输入待分类的极化SAR图像，并对该图像进行精致极化Lee滤波，得到包含有极化相干矩阵T和极化协方差矩阵C的极化SAR图像；
(2)利用已标注的极化SAR图像的地物分布参考图中的类别信息，随机选择相同数量的各类别训练样本，得到训练样本集合；
(3)利用所述极化相干矩阵T和极化协方差矩阵C，提取所述训练样本集合的样本特征；
(4)同时对卷积神经网络CNN的相关参数和深度置信网DBN的相关参数进行随机初始化；
(5)对所述样本特征进行归一化处理，并将经过归一化处理的样本特征，分别输入到相关参数已经随机初始化的卷积神经网络CNN和深度置信网DBN中进行特征训练；
(6)从经过特征训练的卷积神经网络CNN和深度置信网DBN中分别提取各自的最后一层特征得到两个一维特征向量，并将其进行一维拼接得到一个一维特征向量，作为联合特征向量，按照如下步骤进行：
6a)提取卷积神经网络CNN最后一层特征，得到具有空间邻域信息的一维特征向量；
6b)提取深度置信网DBN最后一层特征，得到具有极化信息的一维特征向量；
6c)将步骤6a)所得具有空间邻域信息的一维特征向量和步骤6b)所得具有极化信息的一维特征向量进行一维拼接，得到一个一维特征向量，作为联合特征向量；
(7)将所述联合特征向量输入到SVM分类器中进行分类器训练；
(8)利用经过训练的SVM分类器对极化SAR图像进行分类；
(9)输出对极化SAR图像进行分类的结果图像，并计算分类精度。
2.根据权利要求1所述的基于深度多示例学习的极化SAR图像分类方法，其中步骤(1)所述的精致极化Lee滤波，按照如下步骤进行：
1a)设置待极化SAR图像的滤波窗口大小，得到多个均值窗口，选取每个均值窗口不同方向边缘模板，进行边缘检测，得到多个方向滤波窗口；
1b)在所述多个方向滤波窗口中，对待极化SAR图像进行去斑去噪处理，得到数据干净的极化相干矩阵T和极化协方差矩阵C。
3.根据权利要求1所述的基于深度多示例学习的极化SAR图像分类方法，其中步骤(3)所述的提取样本特征，按照如下步骤进行：
3a)针对每个像素点的极化，提取极化相干矩阵T上三角位置元素的模值和极化协方差矩阵C的上三角位置的元素的实部和虚部，以及两个矩阵的对角线元素之和；
3b)对极化相干矩阵T进行Cloude分解；
3c)图像边界采用镜像对称进行填充，以每个像素点为中心选取固定大小的邻域作为样本特征。
4.根据权利要求1所述的基于深度多示例学习的极化SAR图像分类方法，其中步骤(5)所述的卷积神经网络CNN和深度置信网DBN训练过程，按照如下步骤进行：
5a)计算卷积神经网络CNN目标函数关于第1层神经元的梯度；
5b)计算卷积神经网络CNN卷积层的梯度；
5c)计算卷积神经网络CNN子采样层的梯度；
5d)针对深度置信网DBN,调用CD-k算法，进行k次交替Gibbs采样；
5e)利用梯度上升法更新DBN参数θ＝(W,a,b)。
5.根据权利要求1所述的基于深度多示例学习的极化SAR图像分类方法，其特征在于，步骤(9)所述的输出图像及计算精度，按照如下步骤进行：
9a)输出极化SAR图像的分类效果图；
9b)计算极化SAR图像的分类精度。
CN201610188365.0A 2016-03-29 2016-03-29 基于深度多示例学习的极化sar图像分类方法 Active CN105894018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610188365.0A CN105894018B (zh) 2016-03-29 2016-03-29 基于深度多示例学习的极化sar图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610188365.0A CN105894018B (zh) 2016-03-29 2016-03-29 基于深度多示例学习的极化sar图像分类方法

Publications (2)

Publication Number Publication Date
CN105894018A CN105894018A (zh) 2016-08-24
CN105894018B true CN105894018B (zh) 2019-04-23

Family

ID=57014058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610188365.0A Active CN105894018B (zh) 2016-03-29 2016-03-29 基于深度多示例学习的极化sar图像分类方法

Country Status (1)

Country Link
CN (1) CN105894018B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427958B (zh) * 2018-02-02 2021-06-01 哈尔滨工程大学 基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法
CN108960300B (zh) * 2018-06-20 2021-03-02 北京工业大学 一种基于深度神经网络的城市土地利用信息分析方法
JP7096361B2 (ja) * 2018-12-14 2022-07-05 富士フイルム株式会社 ミニバッチ学習装置とその作動プログラム、作動方法、および画像処理装置
CN110287317A (zh) * 2019-06-06 2019-09-27 昆明理工大学 一种基于cnn-dbn的层次多标签医疗问题分类方法
CN110703221A (zh) * 2019-10-16 2020-01-17 艾索信息股份有限公司 基于极化特征的城市低空小目标分类识别系统
CN111047577B (zh) * 2019-12-12 2021-02-26 太原理工大学 一种畸形尿红细胞分类统计方法与系统
CN113505256B (zh) * 2021-07-02 2022-09-02 北京达佳互联信息技术有限公司 特征提取网络训练方法、图像处理方法及装置
CN117557497A (zh) * 2023-10-19 2024-02-13 沈阳航空航天大学 基于多层cnn及图像处理的焊缝缺陷检测与标记方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077599A (zh) * 2014-07-04 2014-10-01 西安电子科技大学 基于深度神经网络的极化sar图像分类方法
CN104331707A (zh) * 2014-11-02 2015-02-04 西安电子科技大学 基于深度pca网络和svm的极化sar图像分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077599A (zh) * 2014-07-04 2014-10-01 西安电子科技大学 基于深度神经网络的极化sar图像分类方法
CN104331707A (zh) * 2014-11-02 2015-02-04 西安电子科技大学 基于深度pca网络和svm的极化sar图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于目标相干散射特性的极化SAR图像分解分类方法;李晓玮;《遥感技术与应用》;20070630;第22卷(第3期);全文

Also Published As

Publication number Publication date
CN105894018A (zh) 2016-08-24

Similar Documents

Publication Publication Date Title
CN105894018B (zh) 基于深度多示例学习的极化sar图像分类方法
CN105894013B (zh) 基于cnn和smm的极化sar图像分类方法
Jin et al. A survey of infrared and visual image fusion methods
CN104331706B (zh) 基于rbm和svm的极化sar图像分类
CN108446716B (zh) 基于FCN与稀疏-低秩子空间表示融合的PolSAR图像分类方法
CN105184309B (zh) 基于cnn和svm的极化sar图像分类
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
Zhao et al. Learning from normalized local and global discriminative information for semi-supervised regression and dimensionality reduction
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
CN107085716A (zh) 基于多任务生成对抗网络的跨视角步态识别方法
CN107463920A (zh) 一种消除局部遮挡物影响的人脸识别方法
CN103996047B (zh) 基于压缩谱聚类集成的高光谱图像分类方法
CN107330457B (zh) 一种基于多特征融合的极化sar图像分类方法
CN102982338B (zh) 基于谱聚类的极化sar图像分类方法
CN106682569A (zh) 一种基于卷积神经网络的快速交通标识牌识别方法
CN109389080A (zh) 基于半监督wgan-gp的高光谱图像分类方法
CN102999762B (zh) 基于Freeman分解和谱聚类的极化SAR图像分类方法
CN105787517B (zh) 基于小波稀疏自编码器的极化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
CN107145836A (zh) 基于栈式边界辨别自编码器的高光谱图像分类方法
CN105160353B (zh) 基于多特征集的极化sar数据地物分类方法
CN109389045A (zh) 基于混合时空卷积模型的微表情识别方法与装置
CN104021384B (zh) 一种人脸识别方法及装置
Jin et al. Intrinsic image recovery from remote sensing hyperspectral images
CN107895139A (zh) 一种基于多特征融合的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