CN106778814A - 一种基于投影谱聚类算法的去除sar图像斑点的方法 - Google Patents
一种基于投影谱聚类算法的去除sar图像斑点的方法 Download PDFInfo
- Publication number
- CN106778814A CN106778814A CN201611044300.5A CN201611044300A CN106778814A CN 106778814 A CN106778814 A CN 106778814A CN 201611044300 A CN201611044300 A CN 201611044300A CN 106778814 A CN106778814 A CN 106778814A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- vector
- subblock
- links
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003595 spectral effect Effects 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 230000015556 catabolic process Effects 0.000 claims abstract description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 17
- 230000011218 segmentation Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000012364 Peperomia pellucida Nutrition 0.000 description 1
- 240000007711 Peperomia pellucida Species 0.000 description 1
- 101100070542 Podospora anserina het-s gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Abstract
本发明公开了一种基于投影谱聚类的去除SAR图像斑点的方法,其包括以下步骤:首先将图像分解为图像子块,再通过计算图像子块向量之间的相似度构造相似矩阵,并利用度矩阵标准化相似矩阵,再使用随机生成的高斯随机变量右乘标准化相似矩阵得到低秩矩阵;对低秩矩阵进行幂运算,扩大特征值之间的差异,再使用奇异值分解和QR分解计算低秩矩阵的左奇异值向量,最后使用k‑means算法聚类左奇异值向量的行,得到标签图像后还原图片。经过图像子块的聚类过程,标识了不同的图像子块类别,与图像子块对应的原图像区域中所有的像素灰度亦有了统一的数值,从而消除了图像子块内像素灰度值不一致的现象。
Description
技术领域
本申请涉及遥感和SAR图像处理领域,设计了一种近似谱聚类算法,基于此提出了一种面向SAR图像的分层聚类算法,同时抑制了SAR图像中的斑点和定位了目标区域。
背景技术
随着高精度传感器在航空领域的广泛应用,遥感图像处理成为近些年来的研究热点之一。然而,随着图像解析度的增加、数量的增多,该类图像处理已成为一项棘手的任务,许多传统的技术在大量像素、图像面前显得力不从心。在图像分割和降噪任务中,在保持较高的精度下降低所处理图像的维度,降低计算复杂度已成为一个重要的研究课题。SAR图像是一类特殊的灰度图像,由雷达反射波构成。反射波之间的相干作用产生了图像斑点,影响了图像质量。
在算法方面,谱聚类广泛用于SAR处理,如图像分割、目标识别等。谱聚类使用Laplacian矩阵的特征向量构造数据的低维空间表示,发现了数据的非线性低维嵌入结构。然而,在计算实践中,常见的谱聚类算法——NJW算法,在特征分解阶段耗费大量的时间和内存,不适用于高清SAR图像的处理。在基于Nystrom方法的谱聚类算法中,图像处理结果可能具有较大的随机性。
在图像分割领域,谱聚类实际上是图分割问题,设定不同的优化目标会得到不同的算法模型。然而,这些算法使用了广义Laplacian等矩阵的特征值,从整体上分割图像分割,忽略了图像的局部信息,容易造成随机分割误差。目前,在图像局部分割精化上有一些改进的方法。Mahoney等人在Ncut优化目标中增加约束条件,增大数据在指定方向上的投影。Maji等人提出了包含偏置信息的BiasedNcut算法,解决了图像指定区域的分割问题。李小斌和田铮基于谱聚类算法提出了一种图像的多尺度随机分割方法,提高了分割的精度。以上这些算法均以可见光图像或视频为研究对象,并未见到在SAR图像中得到应用。由于SAR图像具有斑点噪声,直接采用这些算法处理并不能有效地消除这些噪声,从而造成目标难以识别。因此,构造一种新的谱聚类算法,在消除斑点的同时鉴别目标区域成为一种现实需求。
发明内容
鉴于当前技术存在的不足,本发明基于近似SVD、QR分解和谱聚类算法,给出了一种基于投影谱聚类的去除SAR图像斑点的方法,其包括以下步骤:
S1:图像分解环节:
s101.按照设定的大小将图像以不重叠的正方形或者长方形进行分块,得到图像子块,并设定图像子块聚类数;建立数字标签对应像素类别对照表;
s102.不改变图像子块位置,依次将每个图像子块的像素值按列叠加,形成向量集,按列构成矩阵:
其中,由列构成的矩阵为r=st;
分别标准化各列:假设则令k为图像子块数量,得到
B=(B1,B2,…,Bk)=(bij)r×k;
S2.去除斑点环节:
s201.通过S1环节中的向量集计算图像子块向量之间的相似度,构造相似矩阵,矩阵的对角线为0;
s202.累加相似矩阵的每行,然后依次把结果存放在一个零矩阵的对角线上,得到度矩阵;
s203.用度矩阵的平方根的逆分别同时左乘和右乘相似矩阵,得到标准化的相似矩阵;
s204.使用随机生成的高斯随机变量右乘标准化相似矩阵得到低秩矩阵;
s205.对低秩矩阵进行幂运算,扩大特征值之间的差异:Y=(SST)WS∈Rk×m,m<<k,其中,W为标准化相似矩阵;p表示投影后矩阵特征值的绝对值衰减的速度,p值越大衰减越快;ST为S的转置;S为随机变量矩阵;m高斯随机矩阵的个数;
s206.使用奇异值分解和QR分解计算低秩矩阵的左奇异值向量:
其中,QR分解为:Y=QR,Q∈Rk×m,R∈Rm×m;B=QTW∈Rm×k;
其中,奇异值分解为:B=U1ΣVT,U1∈Rm×m;使用奇异值分解后,得到s101环节中的子块图像中与平坦地区区别的主体结构,从而识别目标区域;
其中,U1为左奇异向量;V为右奇异向量,VT为V的转置;
s207.使用k-means算法聚类左奇异值向量的行,令U=QU1∈Rk×m,得到标签矩阵L;所述的L共有k0个类,1≤k0。
S3.还原图片环节:
S301.L中的每个数字标签标识了对应的图像子块的像素类别,对L中的每个数字按s101环节图像子块的分块大小进行放大,得到与原图像大小一致的标签图像,将标签图像中的数字标签对应像素类别,得到分割后去除斑点的图像。
其中,s201环节中根据核函数公式计算列向量之间的相似性:令得到相似性矩阵W1∈Rk×k,其中,相似性度量的方差为σ。
其中,s202环节中的度矩阵D=diag(β1,β2,…,βk),构造s203环节中的标准化相似矩阵W=D-1/2W1D-1/2,W∈Rk×k。
其中,s204环节中设生成m个高斯随机变量si,i≤m,得到随机变量矩阵S∈Rk×m,S=(sij)k×m。
其中,s205环节中,p=0.5或1,保留了图像的大部分主体细节。
本发明与现有技术相比具有如下优点:
1.对于k×k的相似矩阵,具有较低的计算复杂度O(k2m),m为随机样本数,m<<k。SVD、特征值分解和NJW算法的复杂度为O(k3)。
2.与现有算法相比,运算过程占用较少的内存。第一、根据数理统计的测度中心化原理,随机投影策略能够有效发现矩阵的低维近似。第二、QR分解避免了直接计算矩阵的SVD。
3.经过图像子块的聚类过程,标识了不同的图像子块类别,与图像子块对应的原图像区域中所有的像素灰度亦有了统一的数值,从而消除了图像子块内像素灰度值不一致的现象。
4.在消除斑点的同时得到与平坦地区有区别的目标识别区域,从而识别出图像主体部分。
附图说明
图1是本发明的流程图。
图2是待处理的SAR图像,大小为256×256。
图3是k-means算法处理结果,聚类数为2。
图4是文中算法处理结果,聚类数为2,子图大小为4×4。
图5是文中算法处理结果,聚类数为2,子图大小为8×8。
图6是文中算法处理结果,聚类数为3,子图大小为8×8。
图7是待处理的SAR图像,大小为1024×1024。
图8是文中算法处理结果,聚类数为3,子图大小为16×16。
图9是文中算法处理结果,聚类数为2,子图大小为10×10。
图10是k-means算法处理结果,聚类数为3。
图11是k-means算法处理结果,聚类数为2。
具体实施方式
如图1,一种基于投影谱聚类算法的去除SAR图像斑点的方法,其具体实施步骤表述如下:
S1:图像分解环节:
s101.设定初始参数:k-means算法中聚类数k0,相似性度量的方差σ,图像子块大小s×t,图像子块数量为k,高斯随机变量数目m。
给定大小为h×f的SAR图像,按照s×t的大小依次将图像分块,分块区域为不重叠的正方形或者长方形子块。
s102.将每个图像子块的像素值按照列方式依次叠加,形成向量集。
将图像按照大小s×t分块,每块的像素值按照列依次堆叠,形成一个向量,按列构成矩阵r=st。
分别标准化各列:假设则令得到B=(B1,B2,…,Bk)=(bij)r×k。
S2.去除斑点环节:
s201.计算S1环节中图像子块向量集中向量之间的相似度,构造相似矩阵,矩阵的对角线为0。
计算列向量之间的相似性,根据核函数公式:令得到相似性矩阵W1∈Rk×k,
s202.利用度矩阵与相似矩阵变换,得到标准化相似矩阵。
计算度矩阵D=diag(β1,β2,…,βk),构造标准化相似矩阵W=D-1/2W1D-1/2,W∈Rk×k。
s203.使用少量的、随机生成的高斯随机变量右乘标准化相似矩阵,得到投影向量,构成低秩矩阵。
设生成m个高斯随机变量si,j≤m,m<<k,得到随机变量矩阵S∈Rk×m既S=(sij)k×m。s204.将标准化相似矩阵投影到该低秩矩阵。
得到矩阵Y=(SST)WS∈Rk×m,其中p=0.5或者1,表示投影后矩阵特征值的绝对值衰减的速度,p值越大衰减越快。这里取值不同于传统值2,优点在于不过度放大新旧特征值之间的差异,保留图像的大部分主体细节。
s205.对低秩矩阵进行幂运算,扩大特征值之间的差异:使用奇异值分解和QR分解计算低秩矩阵的左奇异值向量。
计算Y的QR分解,得到Y=QR,Q∈Rk×m,R∈Rm×m;
计算B=QTW∈Rm×k;计算B的奇异值分解B=U1ΣVT,U1∈Rm×m为左奇异向量,V为右奇异向量,VT为V的转置。使用奇异值分解后,得到图像的主体结构,从而得到与平坦地区区别的主体结构的区域,识别出图像主体部分;
s206.根据S1环节设定的k0,即图像子块的聚类数目,使用k-means算法聚类左奇异值向量的行向量,得到图像子块的数字标签。
其中,分类(Categorization or Classification)就是按照某种标准给对象贴标签(label),再根据标签来区分归类;聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。
具体的,令U=QU1∈Rk×m,进而使用k-means算法聚类U的行,得到图像子块的标签矩阵L。矩阵L由数字标签组成,每个数字标签代表了一个类,一共有k0类(与聚类数相同)。
例如,具有3个标签的3×3矩阵L可以表示为:
此时,k0=3。经过S2环节的计算,图像子块的位置相对原图并未发生变化,仅仅是用这些图像子块生成了向量,利用这些向量构造了图像子块的分类数字标签。这些数字标签标识了图像子块的像素类别,其中,图像子块内部的像素也具有同样的像素类别。
S3.还原图像环节:
S301.由于图像子块的位置未发生变化,对L内的每个数字标签按s×t比例放大,得到由数字标签标识的图像子块所构成的标签图像,根据数字标签与像素类别的关系,就得到整体图像的像素类别,从而还原得到分割后的SAR图像。
矩阵L中的每个数字标签代表了对应的图像子块的像素类别,每个图像子块中每个像素也属于这个像素类别,统一了图像子块的像素类别。对每个被数字标签标注的图像子块与原图像区域进行一对一的位置匹配,还原颜色就得到了去除斑点后的图像。
数字标签对应像素类别对照表I:
数字标签 | 像素类别 |
1 | 灰色 |
2 | 浅灰色 |
3 | 深灰色 |
例如,假设原图划分出来的子块大小为2×2,则标签矩阵L放大后的效果如下:
中的每个元素对应原图像的一个像素,标识了像素类别。
将中的数字标签对应图像子块的像素特性,与原图的位置一一对应后,根据设定的数字标签对应像素类别对照表对原图进行着色,还原得到分割后的SAR图像。
本发明处理的图像经过了图像子块的聚类过程,标识了不同的图像子块类别。于是,与图像子块对应的原图像区域中所有的像素灰度亦有了统一的数值,从而消除了图像子块内像素灰度值不一致的现象,即消除了斑点。此外,由于所采用的近似奇异值分解过程能够发现SAR图像的主体结构,因此,本发明能够有效地鉴别不同特性的区域,发现有别于平坦区域的目标。
本发明在两幅不同大小的SAR图像上开展试验,与k-means算法。结果表明本发明所述方法能有效地抑制鉴别目标区域和匀质区域。其中,k-means算法受噪声影响大;由于计算量大,NJW算法在一般计算机上无法处理这些图像,具体步骤如下:
如图2和图4所示,文中使用美国MSTAR数据库中的SAR图像开展测试,图像大小分别为256×256和1024×1024。在第一个试验中,图3给出了k-means算法的聚类结果,聚类数目分别为2。可见k-means算法并不能有效地抑制斑点噪声,无法清楚辨别非同质区域。图4和图5给出了文中算法的结果,参数设置为:聚类数为2,方差为4,指数p为0.5,随机样本数为20,子块大小依次为4×4、8×8。图6参数设置为:聚类数为3,方差为2,指数p为0.5,随机样本数为20,子块大小为8×8。可见文中算法有效地鉴别了大部分同质区域的斑点噪声,较为准确地定位了非同质区域,发现了有别于平坦区域的物体。
在第二个实验中,图8给出了文中算法的结果,图像的秩数为1024,算法参数为:聚类数为3,子块大小16×16,方差为2,指数p为0.5,随机样本数为50。可见,算法识别出了匀质区域的斑点和目标区域。图9展示了本文算法更细致的划分结果,算法参数设置为:聚类数为2,子块大小10×10,方差为2,指数p为0.5,随机样本数为50。可见,匀质斑点区域得到有效的标识,有物体的区域定位更加清晰。图10和图11分别给出了k-means算法的计算结果,聚类数目分别为3和2。可见,k-means算法不能有效地抑制斑点噪声,不能有效区分包含目标的区域。
Claims (5)
1.一种基于投影谱聚类算法的去除SAR图像斑点的方法,其特征是:包括以下步骤:
S1:图像分解环节:
s101.按照设定的大小s×t将图像以不重叠的正方形或者长方形进行分块,得到图像子块;并设定图像子块聚类数,建立数字标签对应像素类别对照表;
s102.不改变图像子块的位置,依次将每个图像子块的像素值按列叠加,形成向量集,按列构成矩阵;
其中,由列构成的矩阵为r=st;
分别标准化各列:假设则令j=1,…,k,k为图像子块数量,得到
B=(B1,B2,…,Bk)=(bij)r×k;
S2.去除斑点环节:
s201.通过S1环节中的B的列构成的向量集计算图像子块向量之间的相似度,构造相似矩阵,矩阵的对角线为0;
s202.累加相似矩阵的每行,然后依次把结果存放在一个零矩阵的对角线上,得到度矩阵;
s203.用度矩阵的平方根的逆分别同时左乘和右乘相似矩阵,得到标准化的相似矩阵;
s204.使用随机生成的高斯随机变量右乘标准化相似矩阵得到低秩矩阵;
s205.对低秩矩阵进行幂运算,扩大特征值之间的差异:Y=(SST)WS∈Rk×m,m<<k,其中,W为标准化相似矩阵;p表示投影后矩阵特征值的绝对值衰减的速度,p值越大衰减越快;ST为S的转置;S为随机变量矩阵;m高斯随机矩阵的个数;
s206.使用奇异值分解和QR分解计算低秩矩阵的左奇异值向量:
其中,QR分解为:Y=QR,Q∈Rk×m,R∈Rm×m;B=QTW∈Rm×k;
其中,奇异值分解为:B=U1ΣVT,U1∈Rm×m;使用奇异值分解后,得到s101环节中的子块图像中与平坦地区区别的主体结构,从而识别目标区域;
其中,U1为左奇异向量;V为右奇异向量,VT为V的转置;
s207.使用k-means算法聚类左奇异值向量的行,令U=QU1∈Rk×m,得到标签矩阵L;所述的L共有k0个类,1≤k0;
S3.还原图片环节:
S301.对L中的每个数字标签按s101环节图像子块的分块大小进行放大,得到与原图像大小一致的标签图像,将标签图像中的数字标签对应像素类别,得到分割后去除斑点的图像。
2.根据权利要求1所述的一种基于投影谱聚类的去除SAR图像斑点的方法,其特征是:s201环节中根据核函数公式计算列向量之间的相似性:令得到相似性矩阵W1∈Rk×k,其中,相似性度量的方差为σ。
3.根据权利要求1所述的一种基于投影谱聚类的去除SAR图像斑点的方法,其特征是:s202环节中的度矩阵D=diag(β1,β2,…,βk),构造s203环节中的标准化相似矩阵W=D-1/2W1D-1/2,W∈Rk×k。
4.根据权利要求1所述的一种基于投影谱聚类的去除SAR图像斑点的方法,其特征是:s204环节中设生成m个高斯随机变量si,i≤m,得到随机变量矩阵S∈Rk×m,S=(sij)k×m。
5.根据权利要求1所述的一种基于投影谱聚类的去除SAR图像斑点的方法,其特征是:s205环节中,p=0.5或1,保留图像的大部分主体细节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611044300.5A CN106778814B (zh) | 2016-11-24 | 2016-11-24 | 一种基于投影谱聚类算法的去除sar图像斑点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611044300.5A CN106778814B (zh) | 2016-11-24 | 2016-11-24 | 一种基于投影谱聚类算法的去除sar图像斑点的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778814A true CN106778814A (zh) | 2017-05-31 |
CN106778814B CN106778814B (zh) | 2020-06-12 |
Family
ID=58974309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611044300.5A Expired - Fee Related CN106778814B (zh) | 2016-11-24 | 2016-11-24 | 一种基于投影谱聚类算法的去除sar图像斑点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778814B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227653A (zh) * | 2017-12-28 | 2018-06-29 | 湖州师范学院 | 一种基于随机化核主元分析的大规模非线性过程监控方法 |
CN108664976A (zh) * | 2018-04-25 | 2018-10-16 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
CN108776772A (zh) * | 2018-05-02 | 2018-11-09 | 北京佳格天地科技有限公司 | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 |
CN109255368A (zh) * | 2018-08-07 | 2019-01-22 | 平安科技(深圳)有限公司 | 随机选取特征的方法、装置、电子设备及存储介质 |
CN109949252A (zh) * | 2019-04-15 | 2019-06-28 | 北京理工大学 | 一种基于补偿系数拟合的红外图像光斑去除方法 |
CN110490206A (zh) * | 2019-08-20 | 2019-11-22 | 江苏建筑职业技术学院 | 一种基于低秩矩阵二元分解的快速显著性目标检测算法 |
CN110503113A (zh) * | 2019-08-28 | 2019-11-26 | 江苏建筑职业技术学院 | 一种基于低秩矩阵恢复的图像显著性目标检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853491A (zh) * | 2010-04-30 | 2010-10-06 | 西安电子科技大学 | 基于并行稀疏谱聚类的sar图像分割方法 |
CN102799891A (zh) * | 2012-05-24 | 2012-11-28 | 浙江大学 | 基于地标点表示的谱聚类方法 |
CN102867307A (zh) * | 2012-09-10 | 2013-01-09 | 西安电子科技大学 | 基于特征向量集成谱聚类的sar图像分割方法 |
US20130156340A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Image Filtering by Sparse Reconstruction on Affinity Net |
CN103854285A (zh) * | 2014-02-27 | 2014-06-11 | 西安电子科技大学 | 基于随机投影和改进谱聚类的sar图像地物分割方法 |
CN103903258A (zh) * | 2014-02-27 | 2014-07-02 | 西安电子科技大学 | 基于次序统计量谱聚类的遥感图像变化检测方法 |
CN104217436A (zh) * | 2014-09-16 | 2014-12-17 | 西安电子科技大学 | 基于多特征联合稀疏图的sar图像分割方法 |
CN105335975A (zh) * | 2015-10-22 | 2016-02-17 | 西安电子科技大学 | 基于低秩分解和直方图统计的极化sar图像分割方法 |
-
2016
- 2016-11-24 CN CN201611044300.5A patent/CN106778814B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853491A (zh) * | 2010-04-30 | 2010-10-06 | 西安电子科技大学 | 基于并行稀疏谱聚类的sar图像分割方法 |
US20130156340A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Image Filtering by Sparse Reconstruction on Affinity Net |
CN102799891A (zh) * | 2012-05-24 | 2012-11-28 | 浙江大学 | 基于地标点表示的谱聚类方法 |
CN102867307A (zh) * | 2012-09-10 | 2013-01-09 | 西安电子科技大学 | 基于特征向量集成谱聚类的sar图像分割方法 |
CN103854285A (zh) * | 2014-02-27 | 2014-06-11 | 西安电子科技大学 | 基于随机投影和改进谱聚类的sar图像地物分割方法 |
CN103903258A (zh) * | 2014-02-27 | 2014-07-02 | 西安电子科技大学 | 基于次序统计量谱聚类的遥感图像变化检测方法 |
CN104217436A (zh) * | 2014-09-16 | 2014-12-17 | 西安电子科技大学 | 基于多特征联合稀疏图的sar图像分割方法 |
CN105335975A (zh) * | 2015-10-22 | 2016-02-17 | 西安电子科技大学 | 基于低秩分解和直方图统计的极化sar图像分割方法 |
Non-Patent Citations (5)
Title |
---|
DEBARGHYA GHOSHDASTIDAR 等: "Spectral Clustering Using Multilinear SVD: Analysis, Approximations and Applications", 《TWENTY-NINTH AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE AAAI PRESS》 * |
HAISHUANG ZOU 等: "A new constrained spectral clustering for SAR image segmentation", 《2009 2ND ASIAN-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR》 * |
YING DUAN 等: "Self-Organizing Map Based Multiscale Spectral Clustering for Image Segmentation", 《2012 INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND ELECTRONICS ENGINEERING》 * |
杨帆 等: "基于区域谱聚类的极化合成孔径雷达图像分割", 《电波科学学报》 * |
管涛 等: "谱聚类的算子理论研究进展", 《计算机科学》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227653A (zh) * | 2017-12-28 | 2018-06-29 | 湖州师范学院 | 一种基于随机化核主元分析的大规模非线性过程监控方法 |
CN108664976A (zh) * | 2018-04-25 | 2018-10-16 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
CN108664976B (zh) * | 2018-04-25 | 2022-06-03 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
CN108776772B (zh) * | 2018-05-02 | 2022-02-08 | 北京佳格天地科技有限公司 | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 |
CN108776772A (zh) * | 2018-05-02 | 2018-11-09 | 北京佳格天地科技有限公司 | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 |
CN109255368A (zh) * | 2018-08-07 | 2019-01-22 | 平安科技(深圳)有限公司 | 随机选取特征的方法、装置、电子设备及存储介质 |
CN109255368B (zh) * | 2018-08-07 | 2023-12-22 | 平安科技(深圳)有限公司 | 随机选取特征的方法、装置、电子设备及存储介质 |
CN109949252B (zh) * | 2019-04-15 | 2020-12-25 | 北京理工大学 | 一种基于补偿系数拟合的红外图像光斑去除方法 |
CN109949252A (zh) * | 2019-04-15 | 2019-06-28 | 北京理工大学 | 一种基于补偿系数拟合的红外图像光斑去除方法 |
CN110490206A (zh) * | 2019-08-20 | 2019-11-22 | 江苏建筑职业技术学院 | 一种基于低秩矩阵二元分解的快速显著性目标检测算法 |
CN110490206B (zh) * | 2019-08-20 | 2023-12-26 | 江苏建筑职业技术学院 | 一种基于低秩矩阵二元分解的快速显著性目标检测算法 |
CN110503113A (zh) * | 2019-08-28 | 2019-11-26 | 江苏建筑职业技术学院 | 一种基于低秩矩阵恢复的图像显著性目标检测方法 |
CN110503113B (zh) * | 2019-08-28 | 2023-07-28 | 江苏建筑职业技术学院 | 一种基于低秩矩阵恢复的图像显著性目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106778814B (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778814A (zh) | 一种基于投影谱聚类算法的去除sar图像斑点的方法 | |
CN109271991B (zh) | 一种基于深度学习的车牌检测方法 | |
Gosselin et al. | Revisiting the fisher vector for fine-grained classification | |
Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
CN107909039B (zh) | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 | |
YongHua et al. | Study on the identification of the wood surface defects based on texture features | |
CN110751037A (zh) | 车身颜色识别的方法及终端设备 | |
Peng et al. | Ideal regularized composite kernel for hyperspectral image classification | |
CN110765912B (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
CN110163294B (zh) | 基于降维操作和卷积网络的遥感图像变化区域检测方法 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN111461039A (zh) | 基于多尺度特征融合的地标识别方法 | |
Tan et al. | Target recognition of SAR images by partially matching of target outlines | |
CN102289671A (zh) | 提取图像纹理特征的方法和装置 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
Mallikarjuna et al. | Multi‐gradient‐direction based deep learning model for arecanut disease identification | |
Kim et al. | Deep learning-based monitoring of overshooting cloud tops from geostationary satellite data | |
Yang et al. | Unsupervised images segmentation via incremental dictionary learning based sparse representation | |
Wang et al. | Local defect detection and print quality assessment | |
CN106778494A (zh) | 一种基于sift‑lpp的高光谱遥感影像特征提取方法 | |
CN104732534A (zh) | 一种图像中显著目标的抠取方法及系统 | |
Zheng et al. | Study on image retrieval based on image texture and color statistical projection | |
Wu et al. | Improved mask R-CNN-based cloud masking method for remote sensing images | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
Aswathy et al. | ADMM based hyperspectral image classification improved by denoising using Legendre Fenchel transformation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 450000 Middle Road, 27 District University, Zhengzhou, Henan Province, No. 2 Applicant after: Zhengzhou Institute of Aeronautical Industry Management Address before: 450046 No. 15, Wen Yuan Xi Road, Zheng Dong New District, Zhengzhou, Zhengzhou, Henan, Henan Applicant before: Zhengzhou Institute of Aeronautical Industry Management |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200612 Termination date: 20201124 |
|
CF01 | Termination of patent right due to non-payment of annual fee |