CN105913076A - 基于深度方向波网络的极化sar图像分类方法 - Google Patents
基于深度方向波网络的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN105913076A CN105913076A CN201610213957.3A CN201610213957A CN105913076A CN 105913076 A CN105913076 A CN 105913076A CN 201610213957 A CN201610213957 A CN 201610213957A CN 105913076 A CN105913076 A CN 105913076A
- Authority
- CN
- China
- Prior art keywords
- sar image
- polarimetric sar
- pixel
- convolutional neural
- pauli
- 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.)
- Granted
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于深度方向波网络的极化SAR图像分类方法,本方法实现步骤为:(1)输入极化SAR图像;(2)提取泡利分解特征;(3)构建训练样本特征矩阵;(4)初始化卷积神经网络;(5)训练卷积神经网络;(6)构建测试样本特征矩阵;(7)得到测试样本的类标;(8)计算分类精度;(9)上色;(10)输出上色后的极化SAR图像。本发明将方向滤波器作为卷积神经网络的滤波器,对极化SAR图像进行分类,使得本发明具有很好地保留极化SAR图像的方向信息的优点。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及极化合成孔径雷达图像分类技术领域中的一种基于深度方向波网络的极化合成孔径雷达(Synthetic ApertureRadar,SAR)图像分类方法。本发明可用于对极化SAR图像的地物进行分类,能有效地提高极化SAR图像分类的精度。
背景技术
合成孔径雷达是一种高分辨成像雷达。由于微波具有穿透特性,不受光线强度的影响,因此合成孔径雷达具有全天时、全天候的工作能力。随着技术的发展,合成孔径雷达逐渐向高分辨、多极化、多通道的方向发展。相比于传统的单极化SAR,多极化SAR能够提供更加丰富的目标信息,有利于确定和理解散射机制,提高目标检测和分类识别的能力。
中山大学申请的专利“一种基于目标散射鉴别的POLSAR图像无监督分类方法”(专利申请号:201210222987.2,公布号:CN102799896A)中提出了一种基于目标散射鉴别的POLSAR图像无监督分类的方法。该方法首先计算POLSAR图像极化散射熵,以及表面散射、偶次散射和体散射的相似性参数,并利用这些参数将POLSAR图像初始划分类别;然后选取以表面散射为主的地物的最小天线接收功率特征极化作为天线极化状态,计算每个像素的天线接收功率;最后计算每一类的聚类中心并根据极化散射差异度量将所有像素重新分类并更新聚类中心,重复这一过程直到聚类中心不再发生变化。该方法属于无监督的分类方法,具有能够准确地描述地物散射,并且能够很好对应实际散射情况,减少类别调整的运算时间等优点,但是仍然存在的不足之处是,由于该方法属于无监督分类,只能依靠散射信息对地物进行分类,使得分类准确率偏低。
西安电子科技大学在其申请的专利“基于深度小波神经网络的极化SAR图像分类方法”(专利申请号:201410741410.1,公开号:CN104408481A)中提出了一种基于深度小波神经网络的极化SAR图像分类方法。该方法首先对极化合成孔径雷达SAR图像的相干矩阵进行滤波,再将滤波后的相干矩阵作为特征向量组成一个样本集,从样本集中随机选取样本组成训练样本、测试样本,利用训练样本训练深度小波神经网络,得到深度小波神经网络的最优权重和小波参数,利用获得的最优权重和小波参数对测试样本进行特征提取,最后利用支撑向量机SVM对提取的特征进行分类,得到最终分类结果。该方法采用逐层化方式训练深度小波神经网络,避免了层数较多时出现梯度扩散的问题,但是仍然存在的不足之处是,由于该方法直接利用了极化SAR图像的小波特征信息,无法保留极化SAR图像的方向信息。
发明内容
本发明的目的在于克服上述现有技术的不足,提出了一种基于深度方向波网络的极化SAR图像分类方法。本发明能提高极化SAR图像的分类精度,同时能具有很好地保留极化SAR图像的方向信息的优点。
一种基于深度方向波网络的极化SAR图像分类方法,包括如下步骤:
(1)输入一幅待分类的极化SAR图像的相干矩阵;
(2)提取泡利Pauli分解特征值:
(2a)采用泡利Pauli分解公式,从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值;
(2b)将从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值分别归一到[0,255]之间;
(3)构建训练样本的特征矩阵:
(3a)从待分类的极化SAR图像的每类物体中随机选取20000个像素点作为训练样本;
(3b)以训练样本中的每个像素点为中心,选取该中心周围的21×21大小的正方形邻域中的所有像素点,将该正方形区域中的每个像素点提取的泡利Pauli分解的a,b,c三个特征值,组成训练样本中的每个像素点的的21×21×3大小的特征矩阵;
(4)用方向波初始化卷积层方法得到初始化的卷积神经网络:
(4a)按照下式,随机产生4×4大小的矩阵作为初始滤波器:
x=(rand(4,4)-0.5)*2*sqrt(6/f)
其中,x表示初始滤波器,rand表示随机产生矩阵的操作,*表示相乘操作,sqrt表示开方操作,/表示除法操作,f表示滤波器参数,l表示卷积神经网络的层数。
(4b)按照下式,将初始滤波器变换成高斯滤波器:
其中,y表示方向波滤波器,x表示初始滤波器,e表示自然底数。
(4c)按照下式,将高斯滤波器逆时针旋转不同的角度得到方向波滤波器:
其中,z表示方向波滤波器,rot0表示逆时针旋转0度,rot90表示逆时针旋转90度,rot180表示逆时针旋转180度,%表示取余运算,i表示高斯滤波器的序号,i=1,2,3,...,M,M表示卷积层的高斯滤波器的总数。
(4d)将方向滤波器作为卷积神经网络的滤波器,得到初始化的卷积神经网络。
(5)训练卷积神经网络:
(5a)将训练样本中的每个像素点的21×21×3大小的特征矩阵输入到初始化的卷积神经网络中;
(5b)训练初始化的卷积神经网络,得到训练好的卷积神经网络;
(6)构建测试样本的特征矩阵:
(6a)从待分类的极化SAR图像的每类地物中选取所有像素点作为测试样本;
(6b)以测试样本中的每个像素点为中心,选取该中心周围的21×21大小的正方形邻域中的所有像素点,将该正方形区域中的每个像素点提取的泡利Pauli分解的a,b,c三个特征值,组成测试样本中的每个像素点的的21×21×3大小的特征矩阵;
(7)得到测试样本中每个像素点的类标:
将测试样本中的每个像素点的的21×21×3大小的特征矩阵输入到训练好的卷积神经网络中,得到测试样本中每个像素点的类标;
(8)计算极化SAR图像的分类精度:
将到测试样本中每个像素点的类标与真实地物类标进行对比,将类标一致的像素点个数与测试样本中像素点个数的比值作为极化SAR图像的分类精度;
(9)上色:
(9a)将分类后的极化SAR图像像素点的类标排列成与待分类的极化SAR图像大小相等的标签矩阵,将该标签矩阵表示为一幅图像,得到分类后的极化SAR图像;
(9b)在分类后的极化SAR图像上,将红色、绿色、蓝色三个颜色作为三基色,按照三基色上色原理进行上色,得到上色后的极化SAR图像;
(10)输出上色后的极化SAR图像。
本发明与现有技术相比较,具有以下优点:
第一,由于本发明采用了卷积神经网络,对极化SAR图像进行分类,克服了现有技术中只能依靠散射信息对地物进行分类,使得分类准确率偏低的问题,使得本发明具有提取极化SAR图像的深层特征,提高分类精度的优点。
第二,由于本发明将方向滤波器作为卷积神经网络的滤波器,对极化SAR图像进行分类,克服了现有技术中直接利用了极化SAR图像的小波特征信息,无法保留极化SAR图像的方向信息的问题,使得本发明具有很好地保留极化SAR图像的方向信息的优点。
附图说明
图1是本发明的流程图;
图2是本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明实现的步骤如下:
步骤1,输入一幅待分类的极化SAR图像的相干矩阵。
步骤2,提取泡利Pauli分解特征值。
采用泡利Pauli分解公式,从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值。
泡利Pauli分解公式如下:
其中,a表示待分类的极化SAR图像中的每个像素点的奇次散射的散射能量,b表示待分类的极化SAR图像中的每个像素点的偶次散射的散射能量,c表示待分类的极化SAR图像中的每个像素点的度角偶次散射的散射能量,T(1,1)表示待分类的极化SAR图像的相干矩阵第一行第一列的元素,T(2,2)表示待分类的极化SAR图像的相干矩阵第二行第二列的元素,T(3,3)表示待分类的极化SAR图像的相干矩阵第三行第三列的元素。
将从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值分别归一到[0,255]之间。
步骤3,构建训练样本的特征矩阵。
从待分类的极化SAR图像的每类物体中随机选取20000个像素点作为训练样本。
以训练样本中的每个像素点为中心,选取该中心周围的21×21大小的正方形区域中的所有像素点,将该正方形区域中的每个像素点提取的泡利Pauli分解的a,b,c三个特征值,组成训练样本中的每个像素点的的21×21×3大小的特征矩阵。
步骤4,用方向波初始化卷积层方法得到初始化的卷积神经网络。
按照下式,随机产生4×4大小的矩阵作为初始滤波器:
x=(rand(4,4)-0.5)*2*sqrt(6/f)
其中,x表示初始滤波器,rand表示随机产生矩阵的操作,*表示相乘操作,sqrt表示开方操作,/表示除法操作,f表示滤波器参数,l表示卷积神经网络的层数。
按照下式,将初始滤波器变换成高斯滤波器:
其中,y表示方向波滤波器,x表示初始滤波器,e表示自然底数;
按照下式,将高斯滤波器逆时针旋转不同的角度得到方向波滤波器:
其中,z表示方向波滤波器,rot0表示逆时针旋转0度,rot90表示逆时针旋转90度,rot180表示逆时针旋转180度,%表示取余运算,i表示高斯滤波器的序号,i=1,2,3,...,M,M表示卷积层的高斯滤波器的总数。
将方向滤波器作为卷积神经网络的滤波器,得到初始化的卷积神经网络。
卷积神经网络由7层组成,第1层为输入层,第2层和第4层为卷积层,卷积层由多个滤波器组成。第3层和第5层为下采样层,第6层为全连接层,第7层为线性回归分类器。
步骤5,训练卷积神经网络。
将训练样本中的每个像素点的21×21×3大小的特征矩阵输入到初始化的卷积神经网络中。
训练初始化的卷积神经网络,得到训练好的卷积神经网络。
训练初始化的卷积神经网络的具体步骤如下:
第一步,将训练样本的每个像素点的特征矩阵作为卷积神经网络的输入层的输入,经过前向传播,得到卷积神经网络的输出层的输出类标。
第二步,将卷积神经网络的输出层的输出类标和极化SAR图像中的物体类标的均方误差作为训练误差。
第三步,采用反向传播算法,最小化训练误差,得到训练好的卷积神经网络。
步骤6,构建测试样本的特征矩阵。
从待分类的极化SAR图像的每类物体中选取所有像素点作为测试样本。
以测试样本中的每个像素点为中心,选取该中心周围的21×21大小的正方形区域中的所有像素点,将该正方形区域中的每个像素点提取的泡利Pauli分解的a,b,c三个特征值,组成测试样本中的每个像素点的的21×21×3大小的特征矩阵。
步骤7,得到测试样本中每个像素点的类标。
将测试样本中的每个像素点的的21×21×3大小的特征矩阵输入到训练好的卷积神经网络中,得到测试样本中每个像素点的类标。
步骤8,计算极化SAR图像的分类精度。
将到测试样本中每个像素点的类标与真实物体类标进行对比,将类标一致的像素点个数与测试样本中像素点个数的比值作为极化SAR图像的分类精度。
步骤9,上色。
将分类后的极化SAR图像像素点的类标排列成与待分类的极化SAR图像大小相等的标签矩阵,将该标签矩阵表示为一幅图像,得到分类后的极化SAR图像。
在分类后的极化SAR图像上,将红色、绿色、蓝色三个颜色作为三基色,按照三基色上色原理进行上色,得到上色后的极化SAR图像。
步骤10,输出上色后的极化SAR图像。
下面结合仿真图对本发明效果做进一步的说明:
1、仿真实验条件:
本发明的仿真实验是在主频2.8GHz的Six-Core AMD Opteron(tm)Processor 2439SE、内存32GB的硬件环境和MATLAB R2012b的软件环境中进行编程实现。
2、仿真结果分析:
图2是本发明的仿真图,其中,图2(a)是本发明仿真实验中使用的极化SAR图像,该图像是美国宇航局喷气推进实验室(NASA/JPL)的AIRSAR系统获取的旧金山San Francisco地区的数据,其位于L波段,是一个四视的全极化数据,大小为1800*1380。该区域包含5类地物:高密度城区(High-Density Urban)、低密度城区(Low-Density Urban)、水域(Water)、植被(Vegetation)和开发区(Developed)。图2(b)是采用现有技术的支持向量机SVM分类方法的仿真结果图;图2(c)是采用现有技术的稀疏SVM分类方法的结果图;图2(d)是采用现有技术的深度SVM分类方法的结果图;图2(e)是采用现有技术的自编码器分类方法的结果图;图2(f)是采用现有技术的卷积神经网络CNN分类方法的结果图;图2(g)是本发明的仿真结果图。
本发明的仿真实验将待分类的极化合成孔径雷达图像分成5类。
分别将图2(b)、图2(c)、图2(d)、图2(e)、图2(f)和图2(g)对比,可以看出,采用本发明的方法,相比于采用现有技术的支持向量机SVM分类方法、采用现有技术的稀疏SVM分类方法、采用现有技术的深度SVM分类方法、采用现有技术的自编码器分类方法和采用现有技术的卷积神经网络CNN分类方法,区域内错分杂点较少,提高了分类精度。
采用现有技术的支持向量机SVM分类方法、采用现有技术的稀疏SVM分类方法、采用现有技术的深度SVM分类方法、采用现有技术的自编码器分类方法和采用现有技术的卷积神经网络CNN分类方法和本发明方法对分类正精度进行统计,结果见表1。
表1.六种方法在仿真中得到的分类精度
地物类别 | SVM | 稀疏SVM | 深度SVM | 自编码器 | CNN | 本发明 |
高密度城区 | 99.78% | 99.54% | 99.42% | 99.13% | 99.67% | 100% |
低密度城区 | 84.11% | 79.57% | 84.78% | 86.32% | 90.11% | 96.18% |
水域 | 68.44% | 70.99% | 68.98% | 79.01% | 90.34% | 95.78% |
植被 | 67.23% | 78.46% | 68.05% | 61.92% | 90.65% | 93.21% |
开发区 | 71.48% | 76.88% | 69.05% | 68.22% | 95.29% | 95.71% |
平均精度 | 85.25% | 87.04% | 85.29% | 85.74% | 95.02% | 97.42% |
从表1中可以看出,用本发明方法相比于其他五种方法,不仅在平均精度上有较大的提高,在每类精度上也有大幅度提高,这主要是因为本发明具有很好地保留极化SAR图像的方向信息的优点,从而提高了图像分类的计算效率。
Claims (4)
1.一种基于深度方向波网络的极化SAR图像分类方法,包括如下步骤:
(1)输入一幅待分类的极化SAR图像的相干矩阵;
(2)提取泡利Pauli分解特征值:
(2a)采用泡利Pauli分解公式,从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值;
(2b)将从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值分别归一到[0,255]之间;
(3)构建训练样本的特征矩阵:
(3a)从待分类的极化SAR图像的每类物体中随机选取20000个像素点作为训练样本;
(3b)以训练样本中的每个像素点为中心,选取该中心周围的21×21大小的正方形区域中的所有像素点,将该正方形区域中的每个像素点提取的泡利Pauli分解的a,b,c三个特征值,组成训练样本中的每个像素点的的21×21×3大小的特征矩阵;
(4)初始化卷积神经网络:
(4a)按照下式,随机产生4×4大小的矩阵作为初始滤波器:
x=(rand(4,4)-0.5)*2*sqrt(6/f)
其中,x表示初始滤波器,rand表示随机产生矩阵的操作,*表示相乘操作,sqrt表示开方操作,/表示除法操作,f表示滤波器参数,l表示卷积神经网络的层数;
(4b)按照下式,将初始滤波器变换成高斯滤波器:
其中,y表示方向波滤波器,x表示初始滤波器,e表示自然底数;
(4c)按照下式,将高斯滤波器逆时针旋转不同的角度得到方向波滤波器:
其中,z表示方向波滤波器,rot0表示逆时针旋转0度,rot90表示逆时针旋转90度,rot180表示逆时针旋转180度,%表示取余运算,i表示高斯滤波器的序号,i=1,2,3,...,M,M表示卷积层的高斯滤波器的总数;
(4d)将方向滤波器作为卷积神经网络的滤波器,得到初始化的卷积神经网络;
(5)训练卷积神经网络:
(5a)将训练样本中的每个像素点的21×21×3大小的特征矩阵输入到初始化的卷积神经网络中;
(5b)训练初始化的卷积神经网络,得到训练好的卷积神经网络;
(6)构建测试样本的特征矩阵:
(6a)从待分类的极化SAR图像的每类物体中选取所有像素点作为测试样本;
(6b)以测试样本中的每个像素点为中心,选取该中心周围的21×21大小的正方形区域中的所有像素点,将该正方形区域中的每个像素点提取的泡利Pauli分解的a,b,c三个特征值,组成测试样本中的每个像素点的的21×21×3大小的特征矩阵;
(7)得到测试样本中每个像素点的类标:
将测试样本中的每个像素点的的21×21×3大小的特征矩阵输入到训练好的卷积神经网络中,得到测试样本中每个像素点的类标;
(8)计算极化SAR图像的分类精度:
将到测试样本中每个像素点的类标与真实物体类标进行对比,将类标一致的像素点个数与测试样本中像素点个数的比值作为极化SAR图像的分类精度;
(9)上色:
(9a)将分类后的极化SAR图像像素点的类标排列成与待分类的极化SAR图像大小相等的标签矩阵,将该标签矩阵表示为一幅图像,得到分类后的极化SAR图像;
(9b)在分类后的极化SAR图像上,将红色、绿色、蓝色三个颜色作为三基色,按照三基色上色原理进行上色,得到上色后的极化SAR图像;
(10)输出上色后的极化SAR图像。
2.根据权利要求1所述的基于深度方向波网络的极化SAR图像分类方法,其特征在于:步骤(2a)中所述的泡利Pauli分解公式如下:
其中,a表示待分类的极化SAR图像中的每个像素点的奇次散射的散射能量,b表示待分类的极化SAR图像中的每个像素点的偶次散射的散射能量,c表示待分类的极化SAR图像中的每个像素点的度角偶次散射的散射能量,T(1,1)表示待分类的极化SAR图像的相干矩阵第一行第一列的元素,T(2,2)表示待分类的极化SAR图像的相干矩阵第二行第二列的元素,T(3,3)表示待分类的极化SAR图像的相干矩阵第三行第三列的元素。
3.根据权利要求1所述的基于深度方向波网络的极化SAR图像分类方法,其特征在于:步骤(4d)中所述的卷积神经网络由7层组成,第1层为输入层,第2层和第4层为卷积层,卷积层由多个滤波器组成;第3层和第5层为下采样层,第6层为全连接层,第7层为线性回归分类器。
4.根据权利要求1所述的基于深度方向波网络的极化SAR图像分类方法,其特征在于:步骤(5b)所述的训练初始化的卷积神经网络的具体步骤如下:
第一步,将训练样本的每个像素点的特征矩阵作为卷积神经网络的输入层的输入,经过前向传播,得到卷积神经网络的输出层的输出类标;
第二步,将卷积神经网络的输出层的输出类标和极化SAR图像中的物体类标的均方误差作为训练误差;
第三步,采用反向传播算法,最小化训练误差,得到训练好的卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610213957.3A CN105913076B (zh) | 2016-04-07 | 2016-04-07 | 基于深度方向波网络的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610213957.3A CN105913076B (zh) | 2016-04-07 | 2016-04-07 | 基于深度方向波网络的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913076A true CN105913076A (zh) | 2016-08-31 |
CN105913076B CN105913076B (zh) | 2019-01-08 |
Family
ID=56745752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610213957.3A Active CN105913076B (zh) | 2016-04-07 | 2016-04-07 | 基于深度方向波网络的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913076B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408030A (zh) * | 2016-09-28 | 2017-02-15 | 武汉大学 | 基于中层语义属性和卷积神经网络的sar图像分类方法 |
CN106909939A (zh) * | 2017-02-20 | 2017-06-30 | 中国人民解放军国防科学技术大学 | 一种结合旋转域极化零角特征的极化sar地物分类方法 |
CN107085733A (zh) * | 2017-05-15 | 2017-08-22 | 山东工商学院 | 基于cnn深度学习的近岸红外舰船识别方法 |
CN107239799A (zh) * | 2017-05-26 | 2017-10-10 | 西安电子科技大学 | 基于Pauli分解和深度残差网的极化SAR影像分类方法 |
CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
CN107491793A (zh) * | 2017-09-04 | 2017-12-19 | 西安电子科技大学 | 一种基于稀疏散射全卷积的极化sar图像分类方法 |
CN108171273A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于k-svd和深度堆栈网络的极化sar图像分类方法 |
CN108537245A (zh) * | 2018-02-05 | 2018-09-14 | 西安电子科技大学 | 基于加权稠密网的极化sar图像分类方法 |
CN108564098A (zh) * | 2017-11-24 | 2018-09-21 | 西安电子科技大学 | 基于散射全卷积模型的极化sar分类方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
CN109374572A (zh) * | 2018-12-10 | 2019-02-22 | 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 |
CN109993050A (zh) * | 2018-11-28 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种合成孔径雷达图像识别方法 |
CN112560966A (zh) * | 2020-12-18 | 2021-03-26 | 西安电子科技大学 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
CN113420812A (zh) * | 2021-06-23 | 2021-09-21 | 西安电子科技大学 | 基于进化卷积神经网络的极化sar图像分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110026652A1 (en) * | 2009-07-28 | 2011-02-03 | Mark Kent | Method and system for diversity and mask matching in channel estimation in ofdm communication networks using circular convolution |
US20140043171A1 (en) * | 2012-08-08 | 2014-02-13 | Utilidata, Inc. | Augmented mesh delivery system |
CN105069480A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于高斯滤波和pso的极化sar地物分类方法 |
CN105139028A (zh) * | 2015-08-13 | 2015-12-09 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
-
2016
- 2016-04-07 CN CN201610213957.3A patent/CN105913076B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110026652A1 (en) * | 2009-07-28 | 2011-02-03 | Mark Kent | Method and system for diversity and mask matching in channel estimation in ofdm communication networks using circular convolution |
US20140043171A1 (en) * | 2012-08-08 | 2014-02-13 | Utilidata, Inc. | Augmented mesh delivery system |
CN105139028A (zh) * | 2015-08-13 | 2015-12-09 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
CN105069480A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于高斯滤波和pso的极化sar地物分类方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408030B (zh) * | 2016-09-28 | 2019-06-25 | 武汉大学 | 基于中层语义属性和卷积神经网络的sar图像分类方法 |
CN106408030A (zh) * | 2016-09-28 | 2017-02-15 | 武汉大学 | 基于中层语义属性和卷积神经网络的sar图像分类方法 |
CN106909939A (zh) * | 2017-02-20 | 2017-06-30 | 中国人民解放军国防科学技术大学 | 一种结合旋转域极化零角特征的极化sar地物分类方法 |
CN106909939B (zh) * | 2017-02-20 | 2020-09-11 | 中国人民解放军国防科学技术大学 | 一种结合旋转域极化零角特征的极化sar地物分类方法 |
CN107085733A (zh) * | 2017-05-15 | 2017-08-22 | 山东工商学院 | 基于cnn深度学习的近岸红外舰船识别方法 |
CN107239799A (zh) * | 2017-05-26 | 2017-10-10 | 西安电子科技大学 | 基于Pauli分解和深度残差网的极化SAR影像分类方法 |
CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
CN107491793A (zh) * | 2017-09-04 | 2017-12-19 | 西安电子科技大学 | 一种基于稀疏散射全卷积的极化sar图像分类方法 |
CN107491793B (zh) * | 2017-09-04 | 2020-05-01 | 西安电子科技大学 | 一种基于稀疏散射全卷积的极化sar图像分类方法 |
CN108564098B (zh) * | 2017-11-24 | 2021-09-03 | 西安电子科技大学 | 基于散射全卷积模型的极化sar分类方法 |
CN108564098A (zh) * | 2017-11-24 | 2018-09-21 | 西安电子科技大学 | 基于散射全卷积模型的极化sar分类方法 |
CN108171273A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于k-svd和深度堆栈网络的极化sar图像分类方法 |
CN108171273B (zh) * | 2018-01-12 | 2022-04-19 | 西安电子科技大学 | 基于k-svd和深度堆栈网络的极化sar图像分类方法 |
CN108537245B (zh) * | 2018-02-05 | 2020-04-07 | 西安电子科技大学 | 基于加权稠密网的极化sar图像分类方法 |
CN108537245A (zh) * | 2018-02-05 | 2018-09-14 | 西安电子科技大学 | 基于加权稠密网的极化sar图像分类方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN108564006B (zh) * | 2018-03-26 | 2021-10-29 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
CN109993050A (zh) * | 2018-11-28 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种合成孔径雷达图像识别方法 |
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 |
CN109374572A (zh) * | 2018-12-10 | 2019-02-22 | 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 |
CN112560966A (zh) * | 2020-12-18 | 2021-03-26 | 西安电子科技大学 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
CN112560966B (zh) * | 2020-12-18 | 2023-09-15 | 西安电子科技大学 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
CN113420812A (zh) * | 2021-06-23 | 2021-09-21 | 西安电子科技大学 | 基于进化卷积神经网络的极化sar图像分类方法 |
CN113420812B (zh) * | 2021-06-23 | 2024-04-19 | 西安电子科技大学 | 基于进化卷积神经网络的极化sar图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105913076B (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913076A (zh) | 基于深度方向波网络的极化sar图像分类方法 | |
CN107292317A (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
CN108154192A (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
CN112052754B (zh) | 基于自监督表征学习的极化sar影像地物分类方法 | |
CN104318246B (zh) | 基于深度自适应脊波网络的极化sar图像分类 | |
CN102208031B (zh) | 基于Freeman分解和同极化比的极化SAR图像分类方法 | |
CN104156728B (zh) | 一种基于栈式编码和softmax的极化SAR图像分类方法 | |
CN107256414A (zh) | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 | |
CN108846426A (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
CN104331707A (zh) | 基于深度pca网络和svm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 | |
CN102999762B (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
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 | |
CN105046268B (zh) | 基于Wishart深度网络的极化SAR图像分类方法 | |
CN103824084A (zh) | 基于sdit和svm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 | |
CN107103338A (zh) | 融合卷积特征和集成超限学习机的sar目标识别方法 | |
CN107590515A (zh) | 基于熵率超像素分割的自编码器的高光谱图像分类方法 | |
CN103366371B (zh) | 基于k分布和纹理特征的sar图像分割方法 | |
CN105160353B (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN104318245A (zh) | 基于稀疏深度网络的极化sar图像分类 |
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 |