CN105913081B - 基于改进的PCAnet的SAR图像分类方法 - Google Patents

基于改进的PCAnet的SAR图像分类方法 Download PDF

Info

Publication number
CN105913081B
CN105913081B CN201610217481.0A CN201610217481A CN105913081B CN 105913081 B CN105913081 B CN 105913081B CN 201610217481 A CN201610217481 A CN 201610217481A CN 105913081 B CN105913081 B CN 105913081B
Authority
CN
China
Prior art keywords
layer
image
principal component
pcanet
component analysis
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
CN201610217481.0A
Other languages
English (en)
Other versions
CN105913081A (zh
Inventor
焦李成
吴建设
焦翔
侯彪
马文萍
马晶晶
尚荣华
赵进
赵佳琦
张丹
杨淑媛
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 CN201610217481.0A priority Critical patent/CN105913081B/zh
Publication of CN105913081A publication Critical patent/CN105913081A/zh
Application granted granted Critical
Publication of CN105913081B publication Critical patent/CN105913081B/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
    • G06F18/21—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes

Abstract

本发明公开了一种基于改进的PCAnet的SAR图像分类方法，主要解决了现有技术中合成孔径雷达高分辨SAR图像分类过程中，滤波器初始化低效率，更新学习慢导致的分类计算复杂度高，效率低下的问题。本发明的具体步骤如下：(1)读取数据；(2)切片处理；(3)归一化预处理；(4)提取图像低频成分；(5)训练主成分分析网络PCAnet；(6)获取测试集的特征向量；(7)计算分类准确率；(8)输出分类结果。本发明具有对SAR图像分类分类时间短且分类准确率高的优点。

Description

基于改进的PCAnet的SAR图像分类方法
技术领域
本发明属于图像处理技术领域，更进一步涉及高分辨合成孔径雷达图像分类技术领域中的一种基于改进的主成成分分析网络PCAnet(Principal Component Analysisnet)的合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本发明提出了一种基于改进的PCAnet的SAR图像分类方法，有效改善SAR图像分类中计算复杂，计算效率低的问题。
背景技术
合成孔径雷达能够全天时，全天候的工作，并且其获得的图像分辨率与光学图像相当。SAR图像的分类是合成孔径雷达成像领域的一个重要分支。SAR图像的分类技术中，对目标的特征提取是最为关键的。SAR图像中的典型特征包括峰值，纹理，区域，边缘，强度等。图像中不同区域，目标或者物体可以根据其显示的不同的纹理特性进行区分。
SAR图像分类技术包括无监督分类和有监督分类两种。无监督分类是根据图像数据本身的统计特性及点群的分布情况，从纯统计学的角度对图像进行类别划分，对象的类别数目和所属类别事先未知。非监督分类的主要方法有动态聚类法，模糊聚类法，系统聚类法和分裂法等。与无监督分类方法相比，监督分类的优势在于它能通过较为理想的训练样本获得更好的分类精度。监督分类是根据已知的训练样本，通过建立判别函数，将图像中的目标分到给定的类别。常用的监督分类方法有最小距离分类法，最大似然分类法，误差反传神经网络分类方法等。有监督分类方法精度高，是进行SAR图像分类的有效方法。
武汉大学在其申请的专利“一种弱监督的SAR图像分类方法”(专利申请号：201010221605.5，公布号：CN 101894275 A)中公开了一种基于弱监督的SAR图像分类方法。该方法同时利用图像本身的数据信息，图像与图像之间的相关性信息和图像在多个尺度上的相关信息，从少量弱信息中提取较为的重要信息，即从关键词标注的训练数据中学习SAR图像的分类模型，可以大幅度地减少获取精确训练数据的难度，很好的克服了SAR图像分类中的一些局部不确定性问题，但是，该方法仍然存在的不足之处是，在同时获取图像之间多种相关信息的过程中，数据之间的信息削减地太快，用来训练的少量的弱信息丢失了很多重要细节，导致该分类方法的多次平均分类精度不高。
西安电子科技大学在其申请的专利“基于深度RBF网络的SAR图像地物分类方法”(专利申请号：201410160538.9，公布号：CN 103955702 A)中公开了一种基于深度RBF网络的SAR图像地物分类方法。该方法实现的主要过程包括提取SAR图像的纹元特征，通过深度RBF网络第一层RBF神经网络对SAR图像纹元特征进行训练，得到图像的高级特征，通过深度RBF网络的第二层稀疏自动编码器网络SAE对高级特征进行训练，得到图像的更高级特性，通过深度RBF网络第三层RBF网络对更高级特征进行训练，得到图像地物分类的特征，将图像测试样本的地物分类特征与测试样本标签对比，调节深度RBF网络各层参数，得到最优测试分类准确率，实现了较好的SAR图像分类准确率低的问题。但是，该方法存在的不足之处是，训练深层次的RBF网络中的滤波器需要大量时间，需要采用返向传播错误率的方法对网络参数进行调整，其网络训练过程的计算复杂度极高，训练时间过长，并且网络鲁棒性不强。
发明内容
本发明的目的在于克服上述已有技术的缺点，提出了一种基于改进的PCAnet的SAR图像分类方法。本发明与现有技术中其他合成孔径雷达SAR图像分类技术相比计算量降低，耗时短，分类精度有所提高。
本发明实现上述目的的思路是：先从SAR数据集中读取训练集图像和测试集图像，对训练集和测试集中所有的图像进行切片处理，归一化处理和提取图像低频成分的操作，用训练集数据学习主成分分析网络PCAnet，得到训练集中每张低频图像对应的特征向量，将测试集输入主成分分析网络PCAnet得到测试集中每张低频图像对应的特征向量，应用稀疏分类方法，得到最终分类结果。
本发明实现的具体步骤包括如下：
(1)读取数据：
从待分类SAR图像集中读取训练集和测试集；
(2)切片处理：
(2a)从训练集和测试集中所有的SAR图像中找到每幅图像的中心点；
(2b)对于每一幅图像，在其中心点处截取64*64的图像切片，得到切片处理之后的训练样本集和测试样本集；
(3)归一化处理：
将训练集和测试集中所有的SAR图像切片的灰度值变换到[0,1]区间内；
(4)提取图像低频成分：
采用频域低通滤波方法，对训练集和测试集中所有的SAR图像进行切片，得到与训练集和测试集对应的低频成分图像；
(5)训练主成分分析网络PCAnet：
(5a)将训练集的低频成分图像输入主成分分析网络PCAnet的第一层；
(5b)使用主成分分析法，得到主成分分析网络PCAnet第一层的8个滤波器；
(5c)用主成成分分析网络PCAnet第一层的8个滤波器分别卷积主成分分析网络PCAnet中第一层的每张输入图像，得到更新后的训练集的低频成分图像的第一层特征图像；
(5d)采用平均池化方法，得到更新后的训练集的低频成分图像的第一层特征图像；
(5e)将更新后的训练集的低频成分图像的第一层特征图像输入主成分分析网络PCAnet的第二层；
(5f)使用主成分分析法，得到主成分分析网络PCAnet第二层的8个滤波器；
(5g)用主成成分分析网络PCAnet第二层的8个滤波器分别卷积训练集的低频成分图像的第一层特征图像，得到训练集的低频成分图像的第二层特征图像；
(5h)采用平均池化方法，得到更新后的训练集的低频成分图像的第二层特征图像；
(5i)对更新后的训练集的低频成分图像的第二层特征图像进行二值化和分块直方图统计，得到训练集中每张低频图片对应的特征向量；
(6)获取测试集的特征向量：
将测试集中所有样本输入到主成分分析网络PCAnet中，得到测试集中每张低频图片对应的特征向量；
(7)计算分类准确率：
采用稀疏分类的方法，得到测试集中每个样本的特征向量对应的类别标签，统计得到的测试集中每个样本的特征向量对应的类别标签中分类正确的个数，得到测试集的分类准确率；
(8)输出测试集的分类准确率。
本发明与现有技术相比具有以下优点：
第一，由于本发明使用了主成分分析法得到了主成分分析网络PCAnet的滤波器，克服了现有技术中滤波器训练过程的反复迭代更新，滤波器训练的复杂性问题，使得本发明提高了滤波器训练的效率，减少了分类时间。
第二，由于本发明使用了平均池化方法对特征图进行池化操作，克服了现有技术中存在的算法鲁棒性差的问题，使得本发明增强了在SAR分类工作中算法的鲁棒性。
第三，由于本发明使用了稀疏分类的方法对测试集进行分类，克服了现有分类技术中存在训练时间过长且分类准确率低的不足的问题，使得本发明在SAR图像分类工作中快速，有效。
附图说明
图1是本发明的流程图；
图2是本发明仿真图。
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，本发明实现的具体步骤如下：
步骤1，读入SAR图像。
从待分类SAR图像集中读取训练样本和测试样本。
步骤2，切片处理。
从训练集和测试集中所有的SAR图像中找到每幅图像的中心点。
对于每一幅图像，在其中心点处截取64*64的图像切片，得到切片处理之后的训练样本集和测试样本集。
步骤3，归一化处理。
将训练集和测试集中所有的SAR图像切片的灰度值变换到[0,1]区间内。
步骤4，提取图像低频成分。
将训练集和测试集中所有的SAR图像切片，采用低通滤波方法，得到与训练集和测试集对应的低频成分图片。
低通滤波方法的具体步骤如下：
将训练集和测试集中每一幅SAR图像切片，进行二维离散傅里叶变换，得到训练集和测试集中每一幅SAR图像的频域图像；
在频域中，用训练集和测试集中每一幅SAR图像的频域图像进行滤波，得到每一幅SAR图像频域的低频图像；
利用二维离散傅里叶反变换，得到训练集和测试集中每一幅SAR图像的对应的低频成分图像。
步骤5，学习主成分分析网络PCAnet。
将训练集的低频成分图像输入主成分分析网络PCAnet的第一层。
使用主成分分析法，用主成分分析网络PCAnet第一层的输入图像得到主成分分析网络PCAnet中共包含8个滤波器的第一层。
用主成成分分析网络PCAnet的第一层的8个滤波器分别卷积第一层的每张输入图像，得到主成分分析网络PCAnet的第一层特征图像。
将主成分分析网络PCAnet的第一层特征图像使用平均池化方法，得到更新后的主成成分分析网络PCAnet的第一层特征图像。
将主成成分分析网络PCAnet的第一层特征图像输入主成分分析网络PCAnet的第二层。
使用主成分分析法，用主成分分析网络PCAnet第二层的输入图像得到主成分分析网络PCAnet中共包含8个滤波器的第二层。
用主成成分分析网络PCAnet的第二层的8个滤波器分别卷积第二层的每张输入图像，得到主成分分析网络PCAnet第二层特征图像。
将主成分分析网络PCAnet的第二层特征图像使用平均池化方法，得到更新后的主成成分分析网络PCAnet的第二层特征图像。
对主成成分分析网络PCAnet的第二层特征图像进行二值化和分块直方图统计，得到主成成分分析网络PCAnet的第二层特征图像的特征向量，即训练集中每张低频图片的特征向量。
主成分分析法的具体步骤如下：
将主成分分析网络PCAnet第一层或者第二层的输入图像进行窗口大小为11*11，步长为1的滑块处理，得到主成分分析网络PCAnet第一层或者第二层的输入图像对应的分块矩阵；
按照下式，对主成分分析网络PCAnet第一层或者第二层的输入图像对应的分块矩阵中的每个灰度值进行去平均操作，得到主成分分析网络PCAnet第一层或者第二层的输入图像对应的分块矩阵对应的去平均分块矩阵中的每个灰度值：
其中，xa,b表示去平均分块矩阵中第a列中第b个元素的灰度值，xi,j表示主成分分析网络PCAnet第一层或者第二层的输入图像对应的分块矩阵中第i列中第j个元素的灰度值，i表示矩阵列数的序号，j表示矩阵中每列元素的序号，k表示主成分分析网络PCAnet第一层或者第二层的输入图像对应的分块矩阵的行数，∑表示求和操作；
将主成分分析网络PCAnet第一层或者第二层的输入图像对应的去平均分块矩阵横向排列，得到主成分分析网络PCAnet第一层或者第二层的输入图像的去平均分块矩阵：
其中，表示主成分分析网络PCAnet第一层或者第二层的输入图像中第t个图像对应的去平均分块矩阵，t＝1,2...n,n表示主成分分析网络PCAnet第一层或者第二层的输入图像的总数；
按照下式，得到主成分分析网络PCAnet第一层或者第二层的输入图像的去平均分块矩阵的特征向量：
[V,D]＝eig(XXT)
其中，V表示协方差矩阵XXT对应的特征向量矩阵，D表示协方差矩阵XXT对应的特征值矩阵，eig(·)表示求矩阵对应的特征向量矩阵和特征值矩阵的操作，X表示主成分分析网络PCAnet第一层或者第二层的输入图像的去平均分块矩阵，T表示转置操作；
将特征值矩阵D中的对角线元素按降序排列，从排序中选取前8个值，将该8个值在特征向量矩阵V中所对应的特征向量转换为11*11的矩阵，将转化后的8个矩阵作为主成分分析网络PCAnet中第一层或者第二层的8个滤波器。
平均池化方法是指，对主成分分析网络PCAnet第一层或者第二层输入的特征图像，取2*2的窗口进行不重叠划窗操作，将当前窗口中四个灰度值的平均值，设置为当前特征图像对应的平均池化后的主成成分分析网络PCAnet的第一层或者第二层的特征图像中对应位置的灰度值，得到更新后的主成成分分析网络PCAnet的第一层或者第二层的特征图像。
步骤6，获取测试集的特征向量。
将测试集中所有样本输入到主成分分析网络PCAnet中，得到测试集中每张低频图片对应的特征向量。
步骤7，计算分类准确率。
采用稀疏分类的方法，得到测试集中每个样本的特征向量对应的类别标签，统计得到的测试集中每个样本的特征向量对应的类别标签中分类正确的个数，得到测试集的分类准确率。
稀疏分类方法的具体步骤如下：
用Ap表示训练集中标签为第p类的低频图像的特征向量组成的矩阵，p＝1,2,3；
按照下式，得到测试集中所有特征向量对应的稀疏向量：
s.t.Apx＝yq
其中，xq表示测试集低频图像对应的特征向量中的第q列特征向量在矩阵Ap映射下的稀疏向量，yq表示测试集低频图像对应的特征向量中的第q列特征向量,q＝1,2...m,m表示测试集的总数，||·||1表示1范数操作；
按照下式，得到测试集中所有特征向量对应的类别标签：
其中，rp表示测试集低频图像对应的特征向量中的第q列特征向量稀疏分类后的第p个类别标签，p＝1,2,3，yq表示测试集低频图像对应的特征向量中的第q列特征向量,q＝1,2...m,m表示测试集的总数，xq表示测试集低频图像对应的特征向量中的第q列特征向量在矩阵Ap映射下的稀疏向量，||·||2表示2范数操作。
步骤8，输出测试集的分类准确率。
本发明的效果可以通过仿真实验具体说明：
1.实验条件：
本发明的仿真实验是在主频3.2GHz的Inter(R)Core(TM)i5-3470 CPU、内存4GB的硬件环境和MATLAB R2015a的软件环境下进行的。
2.仿真内容与结果分析：
图2是本发明的仿真图，本发明仿真实验的数据是美国的运动和静止目标获取与识别(MSTAR)计划中录取的实测SAR地面静止军用目标数据。包括3大类：BMP2(装甲车)，BMP70(装甲车)，T72(主战坦克)。实验使用该计划推荐的训练样本是目标在俯仰角为17°的成像数据，测试样本是目标在俯仰角为15°的程序数据。其中，图2(a)和2(b)是随机挑选的BMP2数据集中一组对应的训练图像和测试图像，图2(c)和2(d)是随机挑选的BMP70数据集中一组对应的训练图像和测试图像，图2(e)和2(f)是随机挑选的T72数据集中一组对应的训练图像和测试图像。
本发明的仿真实验是将待分类的合成孔径雷达图像分成3类。
表1是分别采用现有的方法栈式自编码SAE、采用现有的方法卷积神经网络CNN和本发明方法对MSTAR数据中SAR图像分类正确率和运行时间进行统计。其中F1表示栈式自编码SAE方法，F2表示卷积神经网络CNN方法，F3表示本发明方法。
表1.三种方法在仿真中得到的分类正确率和运行时间
仿真算法 分类正确率(％) 运行时间(s)
F1 87.69 4120
F2 92.6 872
F3 97.95 625
从表1中可以看出，用本发明方法相比于现有技术其他两种方法，不仅在精度上有较大的提高，在运行速度上也有大幅度提高，这主要是因为结合了平均池化的主成分分析网络PCAnet，不仅加快滤波器学习速度，相比于其他传统的滤波器学习方法更具鲁棒性，从而学习的滤波器更有效。

Claims (5)

1.一种基于改进的PCAnet的SAR图像分类方法，包括如下步骤：
(1)读取数据：
从待分类SAR图像集中读取训练集和测试集；
(2)切片处理：
(2a)从训练集和测试集中所有的SAR图像中找到每幅图像的中心点；
(2b)对于每一幅图像，在其中心点处截取64*64的图像切片，得到切片处理之后的训练样本集和测试样本集；
(3)归一化处理：
将训练集和测试集中所有的SAR图像切片的灰度值变换到[0,1]区间内；
(4)提取图像低频成分：
采用频域低通滤波方法，对训练集和测试集中所有的SAR图像进行切片，得到与训练集和测试集对应的低频成分图像；
(5)训练主成分分析网络PCAnet：
(5a)将训练集的低频成分图像输入主成分分析网络PCAnet的第一层；
(5b)使用主成分分析法，得到主成分分析网络PCAnet第一层的8个滤波器；
(5c)用主成成分分析网络PCAnet第一层的8个滤波器分别卷积主成分分析网络PCAnet中第一层的每张输入图像，得到更新后的训练集的低频成分图像的第一层特征图像；
(5d)采用平均池化方法，得到更新后的训练集的低频成分图像的第一层特征图像；
(5e)将更新后的训练集的低频成分图像的第一层特征图像输入主成分分析网络PCAnet的第二层；
(5f)使用主成分分析法，得到主成分分析网络PCAnet第二层的8个滤波器；
(5g)用主成成分分析网络PCAnet第二层的8个滤波器分别卷积训练集的低频成分图像的第一层特征图像，得到训练集的低频成分图像的第二层特征图像；
(5h)采用平均池化方法，得到更新后的训练集的低频成分图像的第二层特征图像；
(5i)对更新后的训练集的低频成分图像的第二层特征图像进行二值化和分块直方图统计，得到训练集中每张低频图片对应的特征向量；
(6)获取测试集的特征向量：
将测试集中所有样本输入到主成分分析网络PCAnet中，得到测试集中每张低频图片对应的特征向量；
(7)计算分类准确率：
采用稀疏分类的方法，得到测试集中每个样本的特征向量对应的类别标签，统计得到的测试集中每个样本的特征向量对应的类别标签中分类正确的个数，得到测试集的分类准确率；
(8)输出测试集的分类准确率。
2.根据权利要求1所述的基于改进的PCAnet的SAR图像分类方法，其特征在于，步骤(4)中所述低通滤波方法的具体步骤如下：
第一步:将训练集和测试集中每一幅SAR图像切片，进行二维离散傅里叶变换，得到训练集和测试集中每一幅SAR图像的频域图像；
第二步:在频域中，用训练集和测试集中每一幅SAR图像的频域图像进行滤波，得到每一幅SAR图像频域的低频图像；
第三步:利用二维离散傅里叶反变换，得到训练集和测试集中每一幅SAR图像的对应的低频成分图像。
3.根据权利要求1所述的基于改进的PCAnet的SAR图像分类方法，其特征在于，步骤(5b)和(5f)中所述的主成分分析法的具体步骤如下：
第一步，将主成分分析网络PCAnet第一层或者第二层的输入图像进行窗口大小为11*11，步长为1的滑块处理，得到主成分分析网络PCAnet第一层或者第二层的输入图像对应的分块矩阵；
第二步，按照下式，对主成分分析网络PCAnet第一层或者第二层的输入图像对应的分块矩阵中每个元素的灰度值进行去平均操作，得到主成分分析网络PCAnet第一层或者第二层的输入图像对应的分块矩阵对应的去平均分块矩阵中每个元素的灰度值：
其中，xa,b表示去平均分块矩阵中第a列中第b个元素的灰度值，xi,j表示主成分分析网络PCAnet第一层或者第二层的输入图像对应的分块矩阵中第i列中第j个元素的灰度值，i表示矩阵列数的序号，j表示矩阵中每列元素的序号，k表示主成分分析网络PCAnet第一层或者第二层的输入图像对应的分块矩阵的行数，∑表示求和操作；
第三步,将主成分分析网络PCAnet第一层或者第二层的输入图像对应的去平均分块矩阵横向排列，得到主成分分析网络PCAnet第一层或者第二层的输入图像的去平均分块矩阵：
其中，表示主成分分析网络PCAnet第一层或者第二层的输入图像中第t个图像对应的去平均分块矩阵，t＝1,2...n,n表示主成分分析网络PCAnet第一层或者第二层的输入图像的总数；
第四步，按照下式，得到主成分分析网络PCAnet第一层或者第二层的输入图像的去平均分块矩阵的特征向量：
[V,D]＝eig(XXT)
其中，V表示协方差矩阵XXT对应的特征向量矩阵，D表示协方差矩阵XXT对应的特征值矩阵，eig(·)表示求矩阵对应的特征向量矩阵和特征值矩阵的操作，X表示主成分分析网络PCAnet第一层或者第二层的输入图像的去平均分块矩阵，T表示转置操作；
第五步，将特征值矩阵D中的对角线元素按降序排列，从排序中选取前8个值，将该8个值在特征向量矩阵V中所对应的特征向量转换为11*11的矩阵，将转化后的8个矩阵作为主成分分析网络PCAnet中第一层或者第二层的8个滤波器。
4.根据权利要求1所述的基于改进的PCAnet的SAR图像分类方法，其特征在于，步骤(5d)和(5h)中所述平均池化方法是指，对主成分分析网络PCAnet第一层或者第二层输入的特征图像，取2*2的窗口进行不重叠划窗操作，将当前窗口中四个灰度值的平均值，设置为当前特征图像对应的平均池化后的主成成分分析网络PCAnet的第一层或者第二层的特征图像中对应位置的灰度值，得到更新后的主成成分分析网络PCAnet的第一层或者第二层的特征图像。
5.根据权利要求1所述的基于改进的PCAnet的SAR图像分类方法，其特征在于，步骤(7)中所述稀疏分类方法的具体步骤如下：
第一步，用Ap表示训练集中标签为第p类的低频图像的特征向量组成的矩阵，p＝1,2,3；
第二步，按照下式，得到测试集中每列特征向量对应的稀疏向量：
s.t.Apz＝yq
其中，xq表示测试集低频图像对应的特征向量中的第q列特征向量在矩阵Ap映射下的稀疏向量，z表示主成分分析网络PCAnet第一层或者第二层的输入图像的去平均分块矩阵的特征向量，表示求||z||1最小时z的值，||·||1表示1范数操作，yq表示测试集低频图像对应的特征向量中的第q列特征向量,q＝1,2...m,m表示测试集的总数；
第三步，按照下式，得到测试集中所有特征向量对应的类别标签：
其中，rp表示测试集低频图像对应的特征向量中的第q列特征向量稀疏分类后的第p个类别标签，p＝1,2,3，yq表示测试集低频图像对应的特征向量中的第q列特征向量,q＝1,2...m,m表示测试集的总数，xq表示测试集低频图像对应的特征向量中的第q列特征向量在矩阵Ap映射下的稀疏向量，||·||2表示2范数操作。
CN201610217481.0A 2016-04-08 2016-04-08 基于改进的PCAnet的SAR图像分类方法 Active CN105913081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610217481.0A CN105913081B (zh) 2016-04-08 2016-04-08 基于改进的PCAnet的SAR图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610217481.0A CN105913081B (zh) 2016-04-08 2016-04-08 基于改进的PCAnet的SAR图像分类方法

Publications (2)

Publication Number Publication Date
CN105913081A CN105913081A (zh) 2016-08-31
CN105913081B true CN105913081B (zh) 2019-01-15

Family

ID=56745651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610217481.0A Active CN105913081B (zh) 2016-04-08 2016-04-08 基于改进的PCAnet的SAR图像分类方法

Country Status (1)

Country Link
CN (1) CN105913081B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778554A (zh) * 2016-12-01 2017-05-31 广西师范大学 基于联合特征PCANet的宫颈细胞图像识别方法
CN106845417B (zh) * 2017-01-20 2019-11-08 上海交通大学 基于特征池化与除归一化表示的高分辨率遥感图像分类方法
CN106970986B (zh) * 2017-03-29 2019-10-15 武汉大学 基于深度学习的城市内涝影响程度挖掘方法及系统
CN109784325A (zh) * 2017-11-10 2019-05-21 富士通株式会社 开集识别方法和设备及计算机可读存储介质
CN110110734B (zh) * 2018-02-01 2023-04-07 富士通株式会社 开集识别方法、信息处理设备以及存储介质
CN109254654B (zh) * 2018-08-20 2022-02-01 杭州电子科技大学 一种结合PCA和PCANet的驾驶疲劳特征提取方法
CN109242028A (zh) * 2018-09-19 2019-01-18 西安电子科技大学 基于2d-pca和卷积神经网络的sar图像分类方法
CN109492593B (zh) * 2018-11-16 2021-09-10 西安电子科技大学 基于主成分分析网络和空间坐标的高光谱图像分类方法
CN109711314B (zh) * 2018-12-21 2021-04-02 西安电子科技大学 基于特征融合与sae的雷达辐射源信号分类方法
CN110298400A (zh) * 2019-06-28 2019-10-01 北京奇艺世纪科技有限公司 一种图像分类方法、装置、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8849380B2 (en) * 2007-11-26 2014-09-30 Canfield Scientific Inc. Multi-spectral tissue imaging
CN101908138B (zh) * 2010-06-30 2012-05-23 北京航空航天大学 基于噪声独立成分分析的合成孔径雷达图像目标识别方法
CN101894269B (zh) * 2010-07-16 2012-07-04 西安电子科技大学 基于多分类器系统的合成孔径雷达自动目标识别方法
US20140222349A1 (en) * 2013-01-16 2014-08-07 Assurerx Health, Inc. System and Methods for Pharmacogenomic Classification

Also Published As

Publication number Publication date
CN105913081A (zh) 2016-08-31

Similar Documents

Publication Publication Date Title
CN105913081B (zh) 基于改进的PCAnet的SAR图像分类方法
CN107564025B (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
CN107103338B (zh) 融合卷积特征和集成超限学习机的sar目标识别方法
CN110348399B (zh) 基于原型学习机制和多维残差网络的高光谱智能分类方法
CN105809198B (zh) 基于深度置信网络的sar图像目标识别方法
CN108537102B (zh) 基于稀疏特征与条件随机场的高分辨sar图像分类方法
CN110837768B (zh) 一种面向珍稀动物保护的在线检测与识别方法
CN107358203B (zh) 一种基于深度卷积阶梯网络的高分辨sar图像分类方法
CN103246894B (zh) 一种解决光照不敏感问题的地基云图识别方法
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
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
CN108416318A (zh) 基于数据增强的合成孔径雷达图像目标深度模型识别方法
Chawan et al. Automatic detection of flood using remote sensing images
CN106600595A (zh) 一种基于人工智能算法的人体特征尺寸自动测量方法
CN105913090A (zh) 基于sdae-svm的sar图像目标分类方法
Valliammal et al. A novel approach for plant leaf image segmentation using fuzzy clustering
CN103886335B (zh) 基于模糊粒子群和散射熵的极化sar图像分类方法
CN103456017B (zh) 基于种子集的半监督权重核模糊聚类的图像分割方法
CN103235954A (zh) 一种基于改进AdaBoost算法的地基云图识别方法
CN105894035B (zh) 基于sar-sift和dbn的sar图像分类方法
CN103365985A (zh) 一种类别自适应的极化sar分类方法
CN107292268A (zh) 快速脊波反卷积结构学习模型的sar图像语义分割方法
CN111815640B (zh) 一种基于忆阻器的rbf神经网络医学图像分割算法
CN106778897A (zh) 基于余弦距离和中心轮廓距离的两次植物物种识别方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法

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