CN105913090B - 基于sdae-svm的sar图像目标分类方法 - Google Patents

基于sdae-svm的sar图像目标分类方法 Download PDF

Info

Publication number
CN105913090B
CN105913090B CN201610230172.7A CN201610230172A CN105913090B CN 105913090 B CN105913090 B CN 105913090B CN 201610230172 A CN201610230172 A CN 201610230172A CN 105913090 B CN105913090 B CN 105913090B
Authority
CN
China
Prior art keywords
sar image
sdae
svm
vector machine
encoding encoder
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
CN201610230172.7A
Other languages
English (en)
Other versions
CN105913090A (zh
Inventor
焦李成
屈嵘
贾庆超
杨淑媛
马文萍
侯彪
马晶晶
尚荣华
赵进
赵佳琦
张丹
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 CN201610230172.7A priority Critical patent/CN105913090B/zh
Publication of CN105913090A publication Critical patent/CN105913090A/zh
Application granted granted Critical
Publication of CN105913090B publication Critical patent/CN105913090B/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)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于SDAE‑SVM的SAR图像目标分类方法。主要解决现有方法中普通堆栈自编码器提取到的SAR图像特征鲁棒性差，softmax分类器微调深度网络分类准确率低的问题。其步骤为：(1)读入数据；(2)分割操作；(3)旋转操作；(4)确定SAR图像的目标切片；(5)目标切片向量化；(6)构建一个四层的初始栈式去噪自编码器SDAE；(7)训练初始栈式去噪自编码器SDAE；(8)微调；(9)计算测试准确率；本发明具有提取得到的SAR图像目标特征鲁棒性高、能够提高SAR图像目标分类正确率的优点。

Description

基于SDAE-SVM的SAR图像目标分类方法
技术领域
本发明属于图像处理技术领域，更进一步涉及到图像分类技术领域中的一种基于堆栈去噪自编码器和支撑矢量机SDAE-SVM(Stacked Denoising Autoencoder SupportVector Machine)的合成孔径雷达SAR(Synthetic Aperture Radar)图像目标分类方法。本发明可用于SAR图像中的目标分类和识别。
背景技术
合成孔径雷达SAR是一种高分辨率成像雷达，它作为一种成像系统有着不受天气、光照影响的优势，可以全天时，全天候地对目标场景进行监控。因此，进行合成孔径雷达SAR图像的目标分类无论对军事还是民用都有着积极的意义。随着合成孔径雷达SAR系统的开发与应用以及合成孔径雷达SAR数据传输水平的提高，人们可以在短时间内获得大量的合成孔径雷达SAR图像数据，因此快速、准确地处理合成孔径雷达SAR目标图像成为了人类的必然趋势和重要需求。
深度学习作为一种新兴的特征提取方法，在近些年来得到了广泛的关注和使用。而栈式去噪自编码器SDAE作为一种无监督的特征提取方法，可以提取出合成孔径雷达SAR图像样本更为鲁棒、本质的特征，得到较高的分类准确率。
电子科技大学在其申请的专利“一种SAR图像目标识别方法”(专利申请号：201210201460.1，公开号：CN102737253A)中公开了本发明公开了一种SAR图像目标识别方法，本发明的方法利用稀疏表示理论将目标数据表示为训练样本的线性组合，通过求解最优化问题得到了具有可区分能力的近似非负稀疏系数，然后基于各类别系数和的大小确定样本的类别。本发明的方法训练样本系数值的大小反应了目标数据与该训练样本的相似性程度，系数值越大相似性越高，反之则相似性越低，因此实际上目标数据对应系数的大小在某种程度上可以体现目标数据的真实类别；而且通过非负约束保证测试图像均为各训练样本的非负加权和，使其具有更加可以解。该方法存在的不足之处是，提取特征过程复杂，且提取到的特征缺少鲁棒性，分类精度低。
哈尔滨工业大学在其申请的专利“基于堆栈自动编码机的合成孔径雷达分类”(专利申请号：201410765174.7，公开号：CN104392244A)中公开了一种基于堆栈自动编码机的合成孔径雷达分类方法。该方法首先采集N幅原始SAR图像进行数据准备，获得SAR图像数据及SAR监督数据；由SAR图像数据获得训练图像数据和测试图像数据；由SAR监督数据获得训练监督数据及测试监督数据；使用训练图像数据对各层自动编码机进行预训练，在预训练的基础上，使用训练监督数据对网络进行有监督学习，微调网络，获得训练好的基于堆栈自动编码机的网络；将测试图像数据输入训练好的基于堆栈自动编码机的网络实现SAR图像分类。该方法存在的不足之处是，使用传统的堆栈自编码机和softmax分类器模型，导致分类精度低。
发明内容
本发明的目的是针对上述现有技术存在的不足，提出了一种基于SDAE-SVM的SAR图像目标分类方法。本发明与现有技术中其他SAR图像的目标分类技术相比，计算量低，分类准确率更高。
本发明实现上述目的的思路是：首先利用马尔科夫随机场MRF对SAR图像进行预分割处理，再对分割后的二值图像与该二值图像预分割前的SAR图像进行旋转操作，使得SAR图像的目标部分呈现垂直状态，计算每幅旋转后的SAR图像中目标部分的质心，以质心为中心对SAR图像中的目标部分进行切割，获得目标切片，将训练样本的目标切片变为列向量输入到去噪自编码器中进行预训练，利用支撑矢量机对预训练后的去噪自编码器进行微调，得到训练好的堆栈去噪自编码器和支撑矢量机SDAE-SVM，将测试样本的目标切片变为列向量，输入到训练好的堆栈去噪自编码器和支撑矢量机SDAE-SVM中，得到测试准确率。
本发明实现的具体步骤包括如下：
(1)读入数据：
(1a)从SAR图像数据集中分别读入训练样本集和测试样本集；
(1b)从SAR图像数据集中分别读入训练样本集和测试样本集中每幅SA R图像对应的旋转角度；
(2)分割操作：
采用马尔科夫随机场MRF分割方法，对读入的SAR图像数据集中的训练集样本和测试样本集的每幅SAR图像进行预分割，得到每幅SAR图像对应的二值图像；
(3)旋转操作：
(3a)以每幅SAR图像对应的旋转角度为旋转角，分别对每幅SAR图像与该SAR图像对应的二值图像进行顺时针旋转操作，使得每幅SAR图像与该SAR图像对应的二值图像的目标部分处于垂直状态，得到旋转后的SAR图像和对应的旋转后的二值图像；
(4)确定SAR图像的目标切片：
(4a)利用质心计算公式，计算每幅旋转后的SAR图像中目标部分的质心位置横坐标值和纵坐标值，得到每幅旋转后的SAR图像中目标部分的质心位置；
(4b)以每幅旋转后的SAR图像中目标部分的质心位置为中心，从每幅旋转后的SAR图像中选取大小为61×31的图像块，将所选取的图像块作为每幅SAR图像的目标切片；
(5)目标切片向量化：
(5a)将训练样本集中每幅SAR图像的目标切片按列排列，得到每个训练样本的列向量；
(5b)将测试样本集中每幅SAR图像的目标切片按列排列，得到每个测试样本的列向量；
(6)构建一个四层的初始栈式去噪自编码器SDAE；
(7)训练初始栈式去噪自编码器SDAE：
(7a)将每个训练样本的列向量输入到初始栈式去噪自编码器SDAE中；
(7b)采用反向传递BP算法，对初始栈式去噪自编码器SDAE进行预训练，得到预训练后的栈式去噪自编码器SDAE；
(8)微调：
(8a)将支撑矢量机SVM堆叠在预训练后的栈式去噪自编码器SDAE的顶层，得到初始的栈式去噪自编码器和支撑矢量机SDAE-SVM；
(8b)采用反向传递梯度方法，对初始的栈式去噪自编码器和支撑矢量机 SDAE-SVM进行微调，得到微调好的栈式去噪自编码器和支撑矢量机SDAE-SVM；
(9)计算测试准确率：
(9a)采用微调好的的栈式去噪自编码器和支撑矢量机SDAE-SVM对每个测试样本的列向量进行分类，得到每个测试样本的预测类别标签；
(9b)按照下式，计算测试准确率：
其中，c表示测试样本的测试准确率，size表示求个数操作，b表示测试样本的预测类别标签，k表示测试样本的真实类别标签。
本发明与现有技术相比具有以下优点：
第一，由于本发明采用微调好的的栈式去噪自编码器和支撑矢量机SDAE-SVM对每个测试样本的列向量进行分类，克服了现有技术中提取特征过程复杂，且提取到的特征缺少鲁棒性，分类精度低的问题，使得本发明能够提取到深层、抽象、鲁棒的特征，具有分类精度高的优势。
第二，由于本发明采用反向传递梯度方法，对初始的栈式去噪自编码器和支撑矢量机SDAE-SVM进行微调，克服了现有技术中使用传统的堆栈自编码机和softmax分类器模型，导致分类精度低的问题，使得本发明更适于不同样本的分类，具有分类精度高的优势。
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，本发明的具体实现步骤如下。
步骤1，读入数据。
从SAR图像数据集中分别读入训练样本集和测试样本集。
从SAR图像数据集中分别读入训练样本集和测试样本集中每幅SAR图像对应的旋转角度。
步骤2，分割操作。
采用马尔科夫随机场MRF分割方法，对读入的SAR图像数据集中的训练集样本和测试样本集的每幅SAR图像进行预分割，得到每幅SAR图像对应的二值图像。
步骤3，旋转操作。
以每幅SAR图像对应的旋转角度为旋转角，分别对每幅SAR图像与该SAR图像对应的二值图像进行顺时针旋转操作，使得每幅SAR图像与该SAR图像对应的二值图像的目标部分处于垂直状态，得到旋转后的SAR图像和对应的旋转后的二值图像。
步骤4，确定SAR图像的目标切片。
利用质心计算公式，计算每幅旋转后的SAR图像中目标部分的质心位置横坐标值和纵坐标值，得到每幅旋转后的SAR图像中目标部分的质心位置。
质心计算公式如下：
其中，p表示每幅旋转后的SAR图像中目标部分的质心位置横坐标值，∑表示求和操作，∈表示属于关系，i表示每幅旋转后的SAR图像中目标部分每个像素点的横坐标值，j表示每幅旋转后的SAR图像中目标部分每个像素点的纵坐标值，N1表示每幅旋转后的SAR图像中目标部分所有像素点横坐标值的集合，N2表示每幅旋转后的SAR图像中目标部分所有像素点纵坐标值的集合，f(i,j)表示每幅旋转后的SAR图像中目标部分(i,j)处像素点的灰度值，q表示每幅旋转后的SAR图像中目标部分的质心位置纵坐标值。
以每幅旋转后的SAR图像中目标部分的质心位置为中心，从每幅旋转后的SAR图像中选取大小为61×31的图像块，将所选取的图像块作为每幅SAR图像的目标切片。
步骤5，目标切片向量化。
将训练样本集中每幅SAR图像的目标切片按列排列，得到每个训练样本的列向量。
将测试样本集中每幅SAR图像的目标切片按列排列，得到每个测试样本的列向量。
步骤6，构建一个四层的初始栈式去噪自编码器SDAE。
四层的初始栈式去噪自编码器SDAE，其自下向上结构是：第一层神经元的个数为1891、第二层神经元的个数为1300、第三层神经元的个数为600、第四层神经元的个数为200。
步骤7，训练初始栈式去噪自编码器SDAE。
将每个训练样本的列向量输入到初始栈式去噪自编码器SDAE中。
采用反向传递BP算法，对初始栈式去噪自编码器SDAE进行预训练，得到预训练后的栈式去噪自编码器SDAE。
步骤8，微调。
将支撑矢量机SVM堆叠在预训练后的栈式去噪自编码器SDAE的顶层，得到初始的栈式去噪自编码器和支撑矢量机SDAE-SVM。
采用反向传递梯度方法，对初始的栈式去噪自编码器和支撑矢量机SDAE-SVM进行微调，得到微调好的栈式去噪自编码器和支撑矢量机SDAE-SVM。
反向传递梯度方法的具体步骤如下：
第一步，将当前微调的迭代次数设置为1；
第二步，将训练样本的列向量输入到预训练后的栈式去噪自编码器SDAE中，自下向上逐层传递到顶层，得到预训练后的栈式去噪自编码器SDAE的顶层特征；
第三步，将预训练后的栈式去噪自编码器SDAE的顶层特征作为支撑矢量机SVM训练样本，输入到支撑矢量机SVM中进行训练，得到支撑矢量机SVM的权值；
第四步，按照下式，计算支撑矢量机SVM的目标函数；
其中，l(w)表示支撑矢量机SVM的目标函数，w表示支撑矢量机SVM的权值，min表示求最小值操作，T表示转置操作，C表示支撑矢量机SVM的惩罚项系数，∑表示求和操作，N表示训练样本总数，n表示训练样本的索引值，max表示求最大值操作，xn表示支撑矢量机SVM的第n个训练样本，tn表示支撑矢量机SVM的第n个训练样本的标签；
第五步，按照下式，计算支撑矢量机SVM训练样本的梯度；
hn＝-2Ctnw(max(1-wTxntn,0))
其中，hn表示支撑矢量机SVM中第n个训练样本的梯度，C表示支撑矢量机SVM的惩罚项系数，tn表示支撑矢量机SVM的第n个训练样本的标签，w表示支撑矢量机SVM的权值，max表示最大值操作，T表示转置操作，xn表示支撑矢量机SVM的第n个训练样本；
第六步，利用反向传递BP算法，对预训练后的栈式去噪自编码器SDAE进行微调；
第七步，判断当前微调的迭代次数是否小于150，若是，则将微调的迭代次数加1后执行本步骤第二步，否则，执行本步骤第八步；
第八步，得到微调好的栈式去噪自编码器和支撑矢量机SDAE-SVM。
步骤8，计算测试准确率。
采用微调好的的栈式去噪自编码器和支撑矢量机SDAE-SVM对每个测试样本的列向量进行分类，得到每个测试样本的预测类别标签。
按照下式，计算测试准确率：
其中，c表示测试样本的测试准确率，size表示求个数操作，b表示测试样本的预测类别标签，k表示测试样本的真实类别标签。
下面结合仿真图对本发明的效果做进一步的说明。
1、仿真条件：
本发明的仿真实验是在主频3.2GHz的Inter(R)Core(TM)i5-3470CPU、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是本发明仿真图，本发明仿真实验的SAR图像数据集是美国国防预研究计划署和空军研究实验室(DARPA/AFRL)联合资助的运动和静止目标获取与识别(MSTAR)计划录取的实测SAR地面静止目标数据。数据是由聚束SAR采集而得，分辨率为0.3×0.3m，目标图像大小为128×128像素。仿真使用的数据集包括俯仰角在17°和15°下BMP2(装甲车)、BTR70(装甲车)和T72(主战坦克)的3大类目标。图2(a)、图2(b)分别是在BMP2(装甲车)训练集和测试集中随机抽取的样本，图2(c)、图2(d)分别是在BTR70(装甲车)训练集和测试集中随机抽取的样本，图2(e)、图2(f)分别是在T72(主战坦克)训练集和测试集中随机抽取的样本。
本发明的仿真实验是将待分类的合成孔径雷达图像目标分成3类，仿真实验中，训练集和测试集中分别有698幅和1365幅SAR图像。
表1是分别采用现有技术支持向量机SVM分类方法、SDAE-softmax分类方法和本发明方法对MSTAR SAR图像的目标分类正确率和运行时间的统计。表中F1表示采用支持向量机SVM分类方法，F2表示采用SDAE-softmax分类方法，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一览表
仿真算法 分类正确率(％) 训练时间(s) 测试时间(s)
F1 90.77 1.36 0.13
F2 96.19 801.66 0.28
F3 98.24 773.28 0.87
从表1中可以看出，本发明方法相比于现有技术的其他两种方法，在分类正确率上有较大的提高，这主要是因为采用SDAE深度网络对样本提取特征，能够提取到更为深层、鲁棒、本质的特征，且使用支撑矢量机SVM对SDAE网络进行微调，相比于softmax分类器，更适用于样本的分类，因此得到了更高的分类准确率。

Claims (4)

1.一种基于SDAE-SVM的SAR图像目标分类方法，主要包括如下步骤：
(1)读入数据：
(1a)从SAR图像数据集中分别读入训练样本集和测试样本集；
(1b)从SAR图像数据集中，分别读入训练样本集和测试样本集中每一幅SAR图像对应的旋转角度；
(2)分割操作：
采用马尔科夫随机场MRF分割方法，对读入的SAR图像数据集中的训练样本集和测试样本集的每幅SAR图像进行预分割，得到每幅SAR图像对应的二值图像；
(3)旋转操作：
以每幅SAR图像对应的旋转角度为旋转角，分别对每幅SAR图像与该SAR图像对应的二值图像进行顺时针旋转操作，使得每幅SAR图像与该SAR图像对应的二值图像的目标部分处于垂直状态，得到旋转后的SAR图像和对应的旋转后的二值图像；
(4)确定SAR图像的目标切片：
(4a)利用质心计算公式，计算每幅旋转后的SAR图像中目标部分的质心位置横坐标值和纵坐标值，得到每幅旋转后的SAR图像中目标部分的质心位置；
(4b)以每幅旋转后的SAR图像中目标部分的质心位置为中心，从每幅旋转后的SAR图像中选取大小为61×31的图像块，将所选取的图像块作为每幅SAR图像的目标切片；
(5)目标切片向量化：
(5a)将训练样本集中每幅SAR图像的目标切片按列排列，得到每个训练样本的列向量；
(5b)将测试样本集中每幅SAR图像的目标切片按列排列，得到每个测试样本的列向量；
(6)构建一个四层的初始栈式去噪自编码器SDAE；
(7)训练初始栈式去噪自编码器SDAE：
(7a)将每个训练样本的列向量输入到初始栈式去噪自编码器SDAE中；
(7b)采用反向传递BP算法，对初始栈式去噪自编码器SDAE进行预训练，得到预训练后的栈式去噪自编码器SDAE；
(8)微调：
(8a)将支撑矢量机SVM堆叠在预训练后的栈式去噪自编码器SDAE的顶层，得到初始的栈式去噪自编码器和支撑矢量机SDAE-SVM；
(8b)采用反向传递梯度方法，对初始的栈式去噪自编码器和支撑矢量机SDAE-SVM进行微调，得到微调好的栈式去噪自编码器和支撑矢量机SDAE-SVM。
(9)计算测试准确率：
(9a)采用微调好的的栈式去噪自编码器和支撑矢量机SDAE-SVM对每个测试样本的列向量进行分类，得到每个测试样本的预测类别标签；
(9b)按照下式，计算测试准确率：
其中，c表示测试样本的测试准确率，size表示求个数操作，b表示测试样本的预测类别标签，k表示测试样本的真实类别标签。
2.根据权利要求1所述的基于SDAE-SVM的SAR图像目标分类方法，其特征在于：步骤(4a)所述的质心计算公式如下：
其中，p表示每幅旋转后的SAR图像中目标部分的质心位置横坐标值，∑表示求和操作，∈表示属于关系，i表示每幅旋转后的SAR图像中目标部分每个像素点的横坐标值，j表示每幅旋转后的SAR图像中目标部分每个像素点的纵坐标值，N1表示每幅旋转后的SAR图像中目标部分所有像素点横坐标值的集合，N2表示每幅旋转后的SAR图像中目标部分所有像素点纵坐标值的集合，f(i,j)表示每幅旋转后的SAR图像中目标部分(i,j)处像素点的灰度值，q表示每幅旋转后的SAR图像中目标部分的质心位置纵坐标值。
3.根据权利要求1所述的基于SDAE-SVM的SAR图像目标分类方法，其特征在于：步骤(6)中所述的四层的初始栈式去噪自编码器SDAE，其自下向上结构是：第一层神经元的个数为1891、第二层神经元的个数为1300、第三层神经元的个数为600、第四层神经元的个数为200。
4.根据权利要求1所述的基于SDAE-SVM的SAR图像目标分类方法，其特征在于：步骤(8b)中所述反向传递梯度方法的具体步骤如下：
第一步，将当前微调的迭代次数设置为1；
第二步，将训练样本的列向量输入到预训练后的栈式去噪自编码器SDAE中，自下向上逐层传递到顶层，得到预训练后的栈式去噪自编码器SDAE的顶层特征；
第三步，将预训练后的栈式去噪自编码器SDAE的顶层特征作为支撑矢量机SVM训练样本，输入到支撑矢量机SVM中进行训练，得到支撑矢量机SVM的权值；
第四步，按照下式，计算支撑矢量机SVM的目标函数；
其中，l(w)表示支撑矢量机SVM的目标函数，w表示支撑矢量机SVM的权值，min表示求最小值操作，T表示转置操作，C表示支撑矢量机SVM的惩罚项系数，∑表示求和操作，N表示训练样本总数，n表示训练样本的索引值，max表示求最大值操作，xn表示支撑矢量机SVM的第n个训练样本，tn表示支撑矢量机SVM的第n个训练样本的标签；
第五步，按照下式，计算支撑矢量机SVM训练样本的梯度；
hn＝-2Ctnw(max(1-wTxntn,0))
其中，hn表示支撑矢量机SVM中第n个训练样本的梯度，C表示支撑矢量机SVM的惩罚项系数，tn表示支撑矢量机SVM的第n个训练样本的标签，w表示支撑矢量机SVM的权值，max表示最大值操作，T表示转置操作，xn表示支撑矢量机SVM的第n个训练样本；
第六步，利用反向传递BP算法，对预训练后的栈式去噪自编码器SDAE进行微调；
第七步，判断当前微调的迭代次数是否小于150，若是，则将微调的迭代次数加1后执行第二步，否则，执行第八步；
第八步，得到微调好的栈式去噪自编码器和支撑矢量机SDAE-SVM。
CN201610230172.7A 2016-04-14 2016-04-14 基于sdae-svm的sar图像目标分类方法 Active CN105913090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610230172.7A CN105913090B (zh) 2016-04-14 2016-04-14 基于sdae-svm的sar图像目标分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610230172.7A CN105913090B (zh) 2016-04-14 2016-04-14 基于sdae-svm的sar图像目标分类方法

Publications (2)

Publication Number Publication Date
CN105913090A CN105913090A (zh) 2016-08-31
CN105913090B true CN105913090B (zh) 2019-03-26

Family

ID=56746048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610230172.7A Active CN105913090B (zh) 2016-04-14 2016-04-14 基于sdae-svm的sar图像目标分类方法

Country Status (1)

Country Link
CN (1) CN105913090B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107239793B (zh) * 2017-05-17 2020-01-17 清华大学 多量化深度二值特征学习方法及装置
CN107392940B (zh) * 2017-06-12 2020-10-30 西安电子科技大学 一种基于堆栈半监督自适应去噪自编码器的sar图像变化检测方法
CN110009141B (zh) * 2019-03-22 2021-02-02 国网山东省电力公司经济技术研究院 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN110348533A (zh) * 2019-07-17 2019-10-18 中国海洋大学 一种基于svm的浮游生物粒径谱检测方法
CN111259912B (zh) * 2020-01-13 2023-05-12 金陵科技学院 一种基于ae-svm变电站巡检机器人的仪表图像识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964060A (zh) * 2010-06-24 2011-02-02 西安电子科技大学 基于局部纹理特征的sar变体目标识别方法
CN102682306A (zh) * 2012-05-02 2012-09-19 武汉大学 用于sar图像的小波金字塔极化纹理基元特征提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8538071B2 (en) * 2009-03-18 2013-09-17 Raytheon Company System and method for target separation of closely spaced targets in automatic target recognition

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964060A (zh) * 2010-06-24 2011-02-02 西安电子科技大学 基于局部纹理特征的sar变体目标识别方法
CN102682306A (zh) * 2012-05-02 2012-09-19 武汉大学 用于sar图像的小波金字塔极化纹理基元特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Polarimetric SAR image classification using Multiple-Component Scattering Model and Support Vector Machine;Lamei zhang等;《 2009 2nd Asian-Pacific Conference on Synthetic Aperture Radar》;20091030;全文
灰度和纹理特征组合的SAR影像SVM分类;付仲良等;《应用科学学报》;20120930;第30卷(第5期);全文

Also Published As

Publication number Publication date
CN105913090A (zh) 2016-08-31

Similar Documents

Publication Publication Date Title
CN105913090B (zh) 基于sdae-svm的sar图像目标分类方法
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN105488536B (zh) 一种基于多特征深度学习技术的农田害虫图像识别方法
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN107133616B (zh) 一种基于深度学习的无分割字符定位与识别方法
CN105809198B (zh) 基于深度置信网络的sar图像目标识别方法
CN107229917B (zh) 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法
CN106815604B (zh) 基于多层信息融合的注视点检测方法
CN110210362A (zh) 一种基于卷积神经网络的交通标志检测方法
CN107909109B (zh) 基于显著性和多尺度深度网络模型的sar图像分类方法
CN107480620B (zh) 基于异构特征融合的遥感图像自动目标识别方法
CN109766835A (zh) 基于多参数优化生成对抗网络的sar目标识别方法
CN104484681B (zh) 基于空间信息和集成学习的高光谱遥感影像分类方法
CN104239902B (zh) 基于非局部相似性和稀疏编码的高光谱图像分类方法
CN105913083B (zh) 基于稠密sar-sift和稀疏编码的sar分类方法
CN105913081B (zh) 基于改进的PCAnet的SAR图像分类方法
CN104463196A (zh) 一种基于视频的天气现象识别方法
CN103218831A (zh) 一种基于轮廓约束的视频运动目标分类识别方法
CN103839078B (zh) 一种基于主动学习的高光谱图像分类方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN106096658B (zh) 基于无监督深度空间特征编码的航拍图像分类方法
CN103853724A (zh) 多媒体数据分类方法及装置
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
CN104008402A (zh) 一种基于改进som算法的地基云图识别方法
CN103235954A (zh) 一种基于改进AdaBoost算法的地基云图识别方法

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