CN106096627A - 顾及特征优化的极化sar图像半监督分类方法 - Google Patents
顾及特征优化的极化sar图像半监督分类方法 Download PDFInfo
- Publication number
- CN106096627A CN106096627A CN201610372737.5A CN201610372737A CN106096627A CN 106096627 A CN106096627 A CN 106096627A CN 201610372737 A CN201610372737 A CN 201610372737A CN 106096627 A CN106096627 A CN 106096627A
- Authority
- CN
- China
- Prior art keywords
- feature
- sar image
- polarimetric sar
- training
- training sample
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种顾及特征优化的极化SAR图像半监督分类方法,首先采用精致极化LEE滤波方法滤波,再提取极化特征,组合成原始特征集并作归一化处理;选取初始训练样本集和无标签集合,在初始训练样本集下,通过混合编码遗传算法进行特征选择和分类器参数优化;重新构建训练样本集和无标签样本集;训练分类器,从无标签样本集中选取候选集;利用训练的SVM分类器对候选集进行标注,选取置信度高的样本点扩充至训练样本集;重复训练分类器直到学习结束;将最终训练的SVM对整幅图像进行分类,得到分类专题图。此种分类方法一方面能自适应提取更有效的特征,改善半监督分类效果;一方面能提高了自训练学习的效率,并有效地避免错误累积。
Description
技术领域
本发明属于遥感图像处理技术领域,涉及遥感图像分类领域的应用,特别涉及一种顾及特征优化的极化SAR图像半监督分类方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是自20世纪50年代起逐渐被研发与投入使用的一种成像雷达,具有全天时、全天候、穿透能力强等特点。但是早期的SAR系统采用的是单极化的工作模式,只能获取地物目标回波功率的复数据,并不能得到地物目标的极化信息,不利于获取地物目标方位取向、几何尺寸、表面粗糙度等信息,也不利于分析地物目标的散射机制。为此,一种相干多通道微波成像系统,即极化SAR迅速的发展起来,成为SAR的一个重要分支。
极化SAR图像相比传统SAR图像能获取更加丰富的地物信息,因此,近年来,极化SAR图像分类成为遥感图像处理领域的研究热点。现有的极化SAR图像分类方法中,非监督分类方法虽然不需要标注样本,但是缺乏先验知识导致无法保证分类精度,相对而言,监督分类更容易获得较好的分类效果,但在实际应用中往往过分依赖大量、高质量的标记样本。为解决该问题,不少学者提出将半监督学习理论应用在全极化SAR分类领域,希望通过使用少量标注的样本学习扩大训练集克服样本不足和人为错误选取等问题。
其中,自训练(self-training)半监督分类方法是比较常用且简便的方法。该方法利用少量标注样本训练一个基分类器,以此对无标签样本进行标注,将较为可靠的标注点扩充至标签样本集,达到优化分类器的目的。但是由于使用少量样本训练的基分类器往往分类精度不高,往往容易造成错误累积现象。此外,在全极化SAR半监督分类中,各类极化分解下的特征集通过自训练学习的效果不一样,聚类效果差异也较大,综合利用所有的特征也无法保证能达到较好效果,反而增加计算负担。现有的方法中往往凭经验选取特征,如何自适应地进行特征选择与优化是值得讨论的问题。
发明内容
本发明的目的,在于提供一种顾及特征优化的极化SAR图像半监督分类方法,其一方面能自适应提取更有效的特征,改善半监督分类效果;一方面能提高了自训练学习的效率,并有效地避免错误累积。
为了达成上述目的,本发明的解决方案是:
一种顾及特征优化的极化SAR图像半监督分类方法,包括如下步骤:
(1)读入一幅待分类的极化SAR图像,采用精致极化LEE滤波方法对待分类的图像进行滤波,去除斑点噪声,得到去噪后的极化SAR图像;
(2)从去噪后的极化图像的相干矩阵T、协方差矩阵C、散射矩阵S中提取极化特征,将提取的所有特征组合成原始特征集并作归一化处理;
(3)根据极化SAR图像的地物分布参考图,人工选取少量样本作为初始训练样本集L',随机从图中选取大量未标记样本作为无标签样本集U';
(4)在初始训练样本集L'下,通过混合编码遗传算法进行特征选择和分类器参数优化;
(5)根据选择的特征重新构建训练样本集L和无标签样本集U;
(6)利用训练样本集L和优化的分类器参数训练SVM分类器;
(7)利用模糊聚类算法从无标签样本集U中选取候选集H;
(8)利用训练的SVM分类器对H进行标注,选取置信度高的样本点扩充至训练样本集L;
(9)再次执行步骤(6)至步骤(8)直到满足学习结束的条件;
(10)将最终训练的SVM分类器对整幅图像进行分类,得到分类专题图。
上述步骤(1)中,精致极化LEE滤波方法的滑动窗口大小为7*7像素。
上述步骤(2)中,提取特征的具体步骤是:
(21)通过各种极化目标分解方法提取极化特征:所述极化目标分解方法包括Pauli分解、Freeman分解和Krogager分解;
(22)从极化SAR图像每个像素点的相干矩阵T提取9个矩阵元素特征。
上述步骤(4)中,混合编码遗传算法包括如下步骤:
(41)采用二进制编码进行特征选择,实数编码进行参数优化,两段染色体组合形成编码串;
(42)初始种群后,以特征集和参数共同决定的分类精度作为遗传算法的适应度函数,通过赌盘运算对编码串进行选择;
(43)对选择的编码串,在各自的编码段内独立进行交叉、变异之后再组合计算适应值;
(44)得到最佳适应值的个体,通过解码获得选择的特征和优化的参数。
上述步骤(7)中,利用模糊聚类算法从无标签样本集U中选取候选集H的具体步骤如下:
(71)利用模糊聚类算法对训练样本集L产生聚类中心R;
(72)以R为初始聚类中心,在无标签样本集U中进行聚类产生模糊隶属度函数值,并根据最大隶属度原则划分每个类簇;
(73)在每个类簇中,以隶属度高低进行排序,并选取前N个点作为候选集H。
上述步骤(8)中,选取置信度高的样本点扩充至训练样本集L具体为将标注每个类别中置信度最高的W个点加入到训练样本集L中,并从无标签样本集U中去除这些点。
上述步骤(9)中,学习结束的条件为设置迭代次数或无标签样本集U为空集。
采用上述方案后,本发明具有以下特点:
(1)利用遗传算法预先对极化特征集进行优化选择,克服了单一特征集的局限性,又避免了综合所有特征集时特征之间的相干性等问题,使其后续半监督分类精度得到有效提高;
(2)能在少量人工标注样本条件下,获得较好的分类效果;
(3)引入模糊聚类算法,特别是核模糊聚类算法辅助自训练学习,提高了自训练学习的效率,并有效地避免错误累积。
附图说明
图1是本发明的流程图;
图2是本发明中混合编码遗传算法的染色体编码区寻优策略;
图3是本发明仿真实验区域(弗莱福兰Flevoland)Pauli假彩色合成图像(a),真实地物标记(b),地物类别(c);
图4是仿真一的分类精度图;
图5是仿真二的不同方法分类结果图;
图6是仿真二的不同方法分类结果与真实地物差异图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
如图1所示,本发明提供一种顾及特征优化的极化SAR图像半监督分类方法,包括如下步骤:
(1)读入一幅待分类的极化SAR图像,对其进行预处理,具体是采用精致极化LEE(Refined Lee)滤波算法对待分类的SAR图像进行滤波,该算法的滑动窗口大小为7*7像素,从而去除斑点噪声,消除斑点噪声的影响,得到去噪后的极化SAR图像,增强图像的可读性;
(2)对前述去噪后的极化SAR图像进行特征提取,所提取的特征如表1所示。
表1
在进行特征提取时,主要以各种经典的极化目标分解方法为主,如Pauli分解、Freeman分解和Krogager分解,从极化SAR图像中每个像素点的相干矩阵T3中提取9个矩阵元素特征,再将提取的所有特征组合成原始特征集并作归一化处理。
(3)根据极化SAR图像的地物分布参考图,人工选取少量样本作为初始训练样本集L',随机从图中选取大量未标记样本作为无标签样本集U';在本实施例中,根据真实地物参考,选每类2个样本(9类地物,共18个样本)作为初始训练样本集L',以真实地物标记(共78019个样本)作为无标签样本集U'和测试样本集;
(4)在初始训练样本集L'下,通过混合编码遗传算法(记为Ga-SVM)进行特征选择和参数优化,具体步骤如下:
(41)采用二进制编码进行特征选择,通过“1”为选中,“0”为未选中的方式随机产生一定长度(特征个数)的编码串(个体)进行初始化种群,实数编码进行参数优化,主要为SVM分类器中的C和σ2个参数。C的范围选取[0.1-100],σ的范围为[0.01-1000],两段染色体组合形成编码串(个体);
(42)初始种群后,以特征集和参数共同决定的分类精度作为遗传算法的适应度函数,通过赌盘运算对个体进行选择;
(43)对选择的个体,在各自的编码段内独立进行交叉、变异之后再组合计算适应值。交叉算子在二进制编码中,选择单点交叉形式,在配对个体编码串中随机寻找一个交叉点,并在改点相互交换基因。实数编码中,以算术交叉为主,通过线性组合产生新的个体。变异算子在二进制中编码变异为“1”和“0”之间的替换。实数编码变异则通过公式M=l+x×Δb生成新的值,其中,M是变异后的值,l为参数范围的下界,Δb为上界与下界之差,x为[0-1]之间的随机数;
(44)得到最佳适应值的个体,通过解码获得选择的特征和优化的参数。
(5)根据选择的特征重新构建训练样本集L和无标签样本集U;
(6)利用步骤(5)重新构建的训练样本集L和步骤(4)优化的SVM分类器参数训练SVM分类器;
(7)利用模糊聚类算法(FCM/KFCM)从无标签样本集U中选取候选集H,具体步骤如下:
(71)利用模糊聚类算法对训练样本集L产生聚类中心R;
(72)以R为初始聚类中心,在无标签样本集U中进行聚类产生模糊隶属度函数值,并根据最大隶属度原则划分每个类簇;
(73)在每个类簇中,以隶属度高低进行排序,并选取前N个点作为候选集H,N取值为30。
其中,模糊聚类算法为模糊C-均值算法聚类(FCM)和核模糊c-均值算法聚类(KFCM),主要公式为FCM的目标函数:以及通过核函数(K(x,xi)=exp[-σ|x-xi|2])替代Euclid距离(d2=||xj-ci||2),将原 空间的非线性问题转化为高维特征空间的线性问题进行处理的KFCM,其目标函数定义为:其中,K是输入数据点数,N为聚类个数,Uji为数据点j到聚类中心i的模糊隶属度,m为FCM/KFCM的模糊指数,σ为KFCM中的核参数,在本实施例中,选取m=2,σ=0.9。
(8)利用步骤(6)中训练的SVM分类器对候选集H进行标注,选取置信度高的样本点扩充至训练样本集L,其中,具体是将标注每个类别中置信度最高的W个点加入到训练样本集L中并从无标签样本集U中去除这些点,其中W取值为3;
(9)再次执行步骤(6)至步骤(8)直到满足学习结束的条件,所述学习结束的条件可以设置为迭代次数(如100次),或设置为无标签样本集U为空集;
(10)将最终训练的SVM对整幅图像进行分类,得到分类专题图。
本发明的效果可通过以下仿真进一步说明:
仿真内容:仿真一,分别从真实标记地物中随机选取比例为0.025%,0.05%,0.1%,0.25%,0.5%的样本参与了SVM分类实验。为便于表述,将利用pauli分解、Freeman分解、Krogager分解和相干矩阵T矩阵元素特征进行SVM分类的方法分别称pauli-SVM,Freeman-SVM,Krogager-SVM,T3-SVM;所有特征组合进行SVM分类称为All-SVM;将利用改进遗传算法进行特征选择和参数优化后进行SVM分类的方法称为Ga-SVM。
仿真二,根据真实地物参考,选每类2个样本(9类地物,共18个样本)作为初始训练集,以真实地物标记(共78019个样本)作为未标记样本和测试样本开展实验。将本发明提出的采用模糊聚类的半监督自训练分类方法记为FSSVM,采用核模糊聚类的半监督自训练分类方法记为KFSSVM,按照所述步骤分别利用6种不同特征集进行分类。其中,利用pauli分解、Freeman分解、Krogager分解和相干矩阵T矩阵元素组成的特征集分别记为pauli、Freeman、Krogager和T3,所有特征组合形成的特征集记为All,利用本发明进行特征优化得到的特征集记为Ga。
仿真实验结果:仿真一各类特征集在不同样本数量下的SVM分类的仿真结果精度图(图4);仿真二各类特征集下的不同方法的精度表(表2)和分类结果图(图5)以及与真实地物差异图(图6)。
表2
由表2可知:(1)监督方法(SVM)在样本不足时(每类别2个样本),无论是采用单一特征集还是所有特征集,其分类精度均不高,而采用本发明方法进行特征优化后分类精度有了明显的提升;(2)采用半监督分类方法(SSVM、FSSVM、KFSSVM)后,利用不同的特征集进行分类,分类精度差异很大。如Freeman分解、Krogager分解以及T矩阵元素特征集进行自训练学习效果不佳,仅仅提高大约5%的精度,结合FCM聚类之后精度提升也不明显。综合所有特征集进行自训练后精度提高10%以上,但却不如Pauli特征集。这说明对于不同的地物类别,各极化分解下特征集合自训练学习能力有差异,而直接综合所有特征进行自训练并不能确保分类精度的提升;(3)采用本发明提出的顾及特征优化的半监督自训练分类方法,能自适应地优化特征,其分类精度最好,利用优选的特征集采用FSSVM和KFSSVM方法进行半监督分类的精度达到了90%以上,基本达到样本充足时水平。
为了更直观地评价分类效果,取效果较为明显的单一特征集分类结果Pauli-SVM和Paui-KFSSVM;所有特征分类结果All-SVM和All-KFSSVM;以及优化特征集分类结果Ga-SVM,Ga-SSVM,Ga-FSSVM和Ga-KFSSVM进行对比分析。不同方法的分类结果如图5所示,为便于对比分类效果,绘制不同分类结果与真实地物参考的差异图如图6所示,其中白色区域为正确分类结果,彩色点为各类别的错分地物。可以看出:(1)如图5中(a)、(c)、(e)所示由于样本不足采用SVM分类的结果较差,从图6中(a)、(c)、(e)中可以明显看出错分地物较多,而且如果直接利用全部特征进行分类All-SVM)并不一定能达到更好的效果,采用本文方法进行特征优化后的分类效果更佳;(2)图5中(b)、(d)、(h)为采用本文提出的算法(KFSSVM方法)对各特征集进行分类的结果,从图6中(b)、(d)、(h)可以看出SVM分类时黄色 圈中误识率较高的地物,采用KFSSVM方法后基本准确识别;(3)进一步对比采用不同方法对优化后的特征集进行分类的结果(图6中(e)、(f)、(g)、(h)),可以发现传统SSVM虽然能一定程度上提升分类精度,但是无法克服错误累积现象,本文提出的Ga-KFSSVM方法分类效果最好。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (7)
1.一种顾及特征优化的极化SAR图像半监督分类方法,其特征在于包括如下步骤:
(1)读入一幅待分类的极化SAR图像,采用精致极化LEE滤波方法对待分类的图像进行滤波,去除斑点噪声,得到去噪后的极化SAR图像;
(2)从去噪后的极化图像的相干矩阵T、协方差矩阵C、散射矩阵S中提取极化特征,将提取的所有特征组合成原始特征集并作归一化处理;
(3)根据极化SAR图像的地物分布参考图,人工选取少量样本作为初始训练样本集L',随机从图中选取大量未标记样本作为无标签样本集U';
(4)在初始训练样本集L'下,通过混合编码遗传算法进行特征选择和分类器参数优化;
(5)根据选择的特征重新构建训练样本集L和无标签样本集U;
(6)利用训练样本集L和优化的分类器参数训练SVM分类器;
(7)利用模糊聚类算法从无标签样本集U中选取候选集H;
(8)利用训练的SVM分类器对H进行标注,选取置信度高的样本点扩充至训练样本集L;
(9)再次执行步骤(6)至步骤(8)直到满足学习结束的条件;
(10)将最终训练的SVM分类器对整幅图像进行分类,得到分类专题图。
2.如权利要求1所述的一种顾及特征优化的极化SAR图像半监督分类方法,其特征在于:所述步骤(1)中,精致极化LEE滤波方法的滑动窗口大小为7*7像素。
3.如权利要求1所述的一种顾及特征优化的极化SAR图像半监督分类方法,其特征在于:所述步骤(2)中,提取特征的具体步骤是:
(21)通过各种极化目标分解方法提取极化特征:所述极化目标分解方法包括Pauli分解、Freeman分解和Krogager分解;
(22)从极化SAR图像每个像素点的相干矩阵T提取9个矩阵元素特征。
4.如权利要求1所述的一种顾及特征优化的极化SAR图像半监督分类方法,其特征在于:所述步骤(4)中,混合编码遗传算法包括如下步骤:
(41)采用二进制编码进行特征选择,实数编码进行参数优化,两段染色体组合形成编码串;
(42)初始种群后,以特征集和参数共同决定的分类精度作为遗传算法的适应度函数,通过赌盘运算对编码串进行选择;
(43)对选择的编码串,在各自的编码段内独立进行交叉、变异之后再组合计算适应值;
(44)得到最佳适应值的个体,通过解码获得选择的特征和优化的参数。
5.如权利要求1所述的一种顾及特征优化的极化SAR图像半监督分类方法,其特征在于:所述步骤(7)中,利用模糊聚类算法从无标签样本集U中选取候选集H的具体步骤如下:
(71)利用模糊聚类算法对训练样本集L产生聚类中心R;
(72)以R为初始聚类中心,在无标签样本集U中进行聚类产生模糊隶属度函数值,并根据最大隶属度原则划分每个类簇;
(73)在每个类簇中,以隶属度高低进行排序,并选取前N个点作为候选集H。
6.如权利要求1所述的一种顾及特征优化的极化SAR图像半监督分类方法,其特征在于:所述步骤(8)中,选取置信度高的样本点扩充至训练样本集L具体为将标注每个类别中置信度最高的W个点加入到训练样本集L中,并从无标签样本集U中去除这些点。
7.如权利要求1所述的一种顾及特征优化的极化SAR图像半监督分类方法,其特征在于:所述步骤(9)中,学习结束的条件为设置迭代次数或无标签样本集U为空集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610372737.5A CN106096627A (zh) | 2016-05-31 | 2016-05-31 | 顾及特征优化的极化sar图像半监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610372737.5A CN106096627A (zh) | 2016-05-31 | 2016-05-31 | 顾及特征优化的极化sar图像半监督分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096627A true CN106096627A (zh) | 2016-11-09 |
Family
ID=57229593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610372737.5A Pending CN106096627A (zh) | 2016-05-31 | 2016-05-31 | 顾及特征优化的极化sar图像半监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096627A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133649A (zh) * | 2017-05-09 | 2017-09-05 | 西安电子科技大学 | 基于点‑域距离的增量式极化sar地物分类方法 |
CN107133653A (zh) * | 2017-05-23 | 2017-09-05 | 西安电子科技大学 | 一种基于深度阶梯网络的高分辨sar图像分类方法 |
CN107330457A (zh) * | 2017-06-23 | 2017-11-07 | 电子科技大学 | 一种基于多特征融合的极化sar图像分类方法 |
CN107358142A (zh) * | 2017-05-15 | 2017-11-17 | 西安电子科技大学 | 基于随机森林构图的极化sar图像半监督分类方法 |
CN107491734A (zh) * | 2017-07-19 | 2017-12-19 | 苏州闻捷传感技术有限公司 | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 |
CN108520124A (zh) * | 2018-03-28 | 2018-09-11 | 电子科技大学 | 一种面向非线性能效隶属特性的组网雷达任务规划方法 |
CN109389052A (zh) * | 2018-09-20 | 2019-02-26 | 河海大学 | 基于聚类算法的全极化sar图像城市识别提取方法 |
CN109635850A (zh) * | 2018-11-23 | 2019-04-16 | 杭州健培科技有限公司 | 一种基于生成对抗网络优化医学图像分类性能的方法 |
WO2019075771A1 (en) * | 2017-10-20 | 2019-04-25 | Huawei Technologies Co., Ltd. | SEMI-SUPERVISED APPRENTICESHIP SELF-LEARNING METHOD AND SYSTEM USING GENERATIVE ANTAGONIST NETWORKS |
CN110046666A (zh) * | 2019-04-18 | 2019-07-23 | 深圳市深视创新科技有限公司 | 海量图片标注方法 |
CN110647943A (zh) * | 2019-09-26 | 2020-01-03 | 西北工业大学 | 基于演化数据聚类分析的切削刀具磨损监测方法 |
CN110766084A (zh) * | 2019-10-28 | 2020-02-07 | 北京理工大学 | 基于cae与hl-cnn的小样本sar目标识别方法 |
CN111914492A (zh) * | 2020-04-28 | 2020-11-10 | 昆明理工大学 | 一种基于进化优化的半监督学习工业过程软测量建模方法 |
CN111931562A (zh) * | 2020-06-28 | 2020-11-13 | 山东师范大学 | 一种基于软标签回归的无监督特征选择方法和系统 |
CN112200245A (zh) * | 2020-10-10 | 2021-01-08 | 深圳市华付信息技术有限公司 | 一种基于半监督的图像分类方法 |
CN112434628A (zh) * | 2020-11-30 | 2021-03-02 | 西安理工大学 | 基于主动学习和协同表示的小样本极化sar图像分类方法 |
CN112488237A (zh) * | 2020-12-07 | 2021-03-12 | 北京天融信网络安全技术有限公司 | 一种分类模型的训练方法及装置 |
WO2021159844A1 (zh) * | 2020-02-12 | 2021-08-19 | 河海大学 | 基于半监督域适应的雨、雪、冰雹分类监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110026804A1 (en) * | 2009-08-03 | 2011-02-03 | Sina Jahanbin | Detection of Textural Defects Using a One Class Support Vector Machine |
CN103366184A (zh) * | 2013-07-23 | 2013-10-23 | 武汉大学 | 基于混合分类器的极化sar数据分类方法及系统 |
-
2016
- 2016-05-31 CN CN201610372737.5A patent/CN106096627A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110026804A1 (en) * | 2009-08-03 | 2011-02-03 | Sina Jahanbin | Detection of Textural Defects Using a One Class Support Vector Machine |
CN103366184A (zh) * | 2013-07-23 | 2013-10-23 | 武汉大学 | 基于混合分类器的极化sar数据分类方法及系统 |
Non-Patent Citations (3)
Title |
---|
巫兆聪等: ""顾及特征优化的全极化SAR图像SVM分类"", 《测绘科学》 * |
朱春雷: ""支持向量机中核函数和参数选择研究及其应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
滑文强等: ""基于半监督学习的SVM-Wishart极化SAR图像分类方法"", 《雷达学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133649A (zh) * | 2017-05-09 | 2017-09-05 | 西安电子科技大学 | 基于点‑域距离的增量式极化sar地物分类方法 |
CN107358142A (zh) * | 2017-05-15 | 2017-11-17 | 西安电子科技大学 | 基于随机森林构图的极化sar图像半监督分类方法 |
CN107358142B (zh) * | 2017-05-15 | 2020-12-08 | 西安电子科技大学 | 基于随机森林构图的极化sar图像半监督分类方法 |
CN107133653A (zh) * | 2017-05-23 | 2017-09-05 | 西安电子科技大学 | 一种基于深度阶梯网络的高分辨sar图像分类方法 |
CN107133653B (zh) * | 2017-05-23 | 2020-11-03 | 西安电子科技大学 | 一种基于深度阶梯网络的高分辨sar图像分类方法 |
CN107330457B (zh) * | 2017-06-23 | 2019-11-05 | 电子科技大学 | 一种基于多特征融合的极化sar图像分类方法 |
CN107330457A (zh) * | 2017-06-23 | 2017-11-07 | 电子科技大学 | 一种基于多特征融合的极化sar图像分类方法 |
CN107491734A (zh) * | 2017-07-19 | 2017-12-19 | 苏州闻捷传感技术有限公司 | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 |
CN107491734B (zh) * | 2017-07-19 | 2021-05-07 | 苏州闻捷传感技术有限公司 | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 |
WO2019075771A1 (en) * | 2017-10-20 | 2019-04-25 | Huawei Technologies Co., Ltd. | SEMI-SUPERVISED APPRENTICESHIP SELF-LEARNING METHOD AND SYSTEM USING GENERATIVE ANTAGONIST NETWORKS |
US11120337B2 (en) | 2017-10-20 | 2021-09-14 | Huawei Technologies Co., Ltd. | Self-training method and system for semi-supervised learning with generative adversarial networks |
CN108520124A (zh) * | 2018-03-28 | 2018-09-11 | 电子科技大学 | 一种面向非线性能效隶属特性的组网雷达任务规划方法 |
CN109389052A (zh) * | 2018-09-20 | 2019-02-26 | 河海大学 | 基于聚类算法的全极化sar图像城市识别提取方法 |
CN109389052B (zh) * | 2018-09-20 | 2022-02-11 | 河海大学 | 基于聚类算法的全极化sar图像城市识别提取方法 |
CN109635850A (zh) * | 2018-11-23 | 2019-04-16 | 杭州健培科技有限公司 | 一种基于生成对抗网络优化医学图像分类性能的方法 |
CN110046666A (zh) * | 2019-04-18 | 2019-07-23 | 深圳市深视创新科技有限公司 | 海量图片标注方法 |
CN110647943A (zh) * | 2019-09-26 | 2020-01-03 | 西北工业大学 | 基于演化数据聚类分析的切削刀具磨损监测方法 |
CN110766084A (zh) * | 2019-10-28 | 2020-02-07 | 北京理工大学 | 基于cae与hl-cnn的小样本sar目标识别方法 |
CN110766084B (zh) * | 2019-10-28 | 2021-06-15 | 北京理工大学 | 基于cae与hl-cnn的小样本sar目标识别方法 |
WO2021159844A1 (zh) * | 2020-02-12 | 2021-08-19 | 河海大学 | 基于半监督域适应的雨、雪、冰雹分类监测方法 |
CN111914492A (zh) * | 2020-04-28 | 2020-11-10 | 昆明理工大学 | 一种基于进化优化的半监督学习工业过程软测量建模方法 |
CN111931562A (zh) * | 2020-06-28 | 2020-11-13 | 山东师范大学 | 一种基于软标签回归的无监督特征选择方法和系统 |
CN112200245A (zh) * | 2020-10-10 | 2021-01-08 | 深圳市华付信息技术有限公司 | 一种基于半监督的图像分类方法 |
CN112434628A (zh) * | 2020-11-30 | 2021-03-02 | 西安理工大学 | 基于主动学习和协同表示的小样本极化sar图像分类方法 |
CN112434628B (zh) * | 2020-11-30 | 2023-06-16 | 西安理工大学 | 基于主动学习和协同表示的小样本图像分类方法 |
CN112488237A (zh) * | 2020-12-07 | 2021-03-12 | 北京天融信网络安全技术有限公司 | 一种分类模型的训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096627A (zh) | 顾及特征优化的极化sar图像半监督分类方法 | |
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
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 | |
CN103034858B (zh) | 一种卫星云图的二次聚类分割方法 | |
CN100557626C (zh) | 基于免疫谱聚类的图像分割方法 | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
CN107273853B (zh) | 一种基于类心和协方差对齐的遥感图像迁移学习方法 | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN106529574B (zh) | 基于稀疏自动编码器和支持向量机的图像分类方法 | |
CN103955702A (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN106169081A (zh) | 一种基于不同照度的图像分类及处理方法 | |
CN102208037B (zh) | 基于高斯过程分类器协同训练算法的高光谱图像分类方法 | |
CN105488528A (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
CN108537102A (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN101866490B (zh) | 基于差分免疫克隆聚类的图像分割方法 | |
CN104331716A (zh) | 面向大规模训练数据的svm主动学习分类算法 | |
CN102999762B (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN104268552B (zh) | 一种基于部件多边形的精细类别分类方法 | |
CN105279519A (zh) | 基于协同训练半监督学习的遥感影像水体提取方法及系统 | |
CN105069478A (zh) | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 | |
CN103914705A (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
CN104680180A (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN110807485B (zh) | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 | |
CN104156945A (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
CN104050680B (zh) | 基于迭代自组织和多智能体遗传聚类算法的图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
RJ01 | Rejection of invention patent application after publication |