CN106778821B - 基于slic和改进的cnn的极化sar图像分类方法 - Google Patents
基于slic和改进的cnn的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN106778821B CN106778821B CN201611054919.4A CN201611054919A CN106778821B CN 106778821 B CN106778821 B CN 106778821B CN 201611054919 A CN201611054919 A CN 201611054919A CN 106778821 B CN106778821 B CN 106778821B
- Authority
- CN
- China
- Prior art keywords
- sar image
- polarized sar
- classification
- polarized
- category
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 230000010287 polarization Effects 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 51
- 238000001914 filtration Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000001427 coherent effect Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004040 coloring Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
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)
Abstract
本发明提出了一种基于SLIC和改进的CNN的极化SAR图像分类方法，用于解决现有有监督极化SAR图像分类方法中存在的分类速度慢和分类精度低的技术问题。首先，将极化SAR图像Wishart距离和极化特征作为新数据，进行Lee滤波以后输入到已改进的CNN中进行分类，获得初步分类结果，然后将极化SAR图像的伪彩色图像进行SLIC超像素分割，获得超像素分割结果，最后利用超像素分割结果对初步分类结果进行约束后处理，获得最终分类结果。本发明的分类速度快且精度高，可用于极化SAR地物分类等领域。
Description
技术领域
本发明属于图像处理技术领域，涉及一种极化SAR图像分类方法，具体涉及一种SLIC和改进的CNN融合的极化SAR图像分类方法，使卷积神经网络模型可以对极化SAR数据进行快速准确分类，可应用于对极化SAR图像的地物分类、目标检测和目标识别。
背景技术
图像分类技术主要是通过图像信息中反映的不同特征，对图像进行量化分析，将其归于某一类别。SAR图像获取途径同自然图像不同,其利用成像的地面目标与雷达间相对运动来改善雷达成像的方位向分辨率。SAR图像的每一像素点不仅包含反映地表微波反射强度的灰度值，还包含与雷达斜距有管的相位值。SAR图像所反映的特征与自然图像有很大差异，而且其获取成像过程中雷达回波相干性干扰形成大量相干斑噪声，使其分类方法与自然图像分类方法有很大差异，因此，SAR图像分类形成了图像分类技术中的一个特殊分支。
与传统的合成孔径雷达SAR相比，极化SAR可以得到更加丰富全面的目标信息，极大的提高了对于地物的识别分析能力。因此，极化SAR已经成为了SAR的主要发展趋势，并且在军事领域，地质与资源勘探，地形测绘和制图，海洋研究与应用，水资源应用，农业和林业应用等多个方面都有广泛的应用。其中，地物分类是极化SAR图像理解编译的重要内容。现有的极化SAR图像分类方法按照有无标记样本的可以分为有监督的分类和无监督的分类。
无监督的分类方法主要是通过极化SAR图像包含的各种固有特征信息来作为分类器输入进行分类，不需要对极化SAR图像进行标记，分类的类别数一般比较有限，经典模型包括：
Lee等人提出了基于H/α目标分解和Wishart分类器的H/α—Wishart分类方法，它在原始H/α分类的基础之上添加了Wishart迭代，弥补了边界固定带来的缺陷但是这种方法不能保持极化散射特性。
Lee等人基于Freeman分解还提出了一种极化SAR图像的分类方法，它主要是根据Freeman分解获得平面散射功率，二面角散射功率和体散射功率的大小对极化数据进行划分，很好的保持了各类的散射特性，但是存在多类别合并划分复杂度比较高的问题。
西安电子科技大学王爽等人利用Freeman分解得到的三种散射功率对图像进行初始大类的划分，并利用同极化比对初始大类进行更加细致的划分，最后在划分的初始类别的基础上对整幅图像进行复Wishart迭代，进一步提高了分类的准确度，该算法思想简单，易于理解操作，具有较高的分类准确率，但是该算法存在一定的局限性，该算法分类类别数目固定不变，一般为9类，因此对于类别数目多于9类或者少于9类的数据来说，该算法的分类精度会受到影响。
有监督的分类方由于近年深度学习的普遍应用可以包括基于固有特征加分类器和基于网络加分类器两种分类方法，两类的典型算法如下：
Lee等人提出的基于复Wishart分布的极化协方差矩阵监督分类方法，由于极化协方差矩阵C可以通过线性变换的到极化相干矩阵T，这样得到Wishart分类器，这种方法限制C和T矩阵的概率密度分布服从复Wishart分布，对数据分布类型要求比较严格；Heermann等人提出了基于后向传播的神经网络的极化SAR图像分类方法，但是该方法收敛速度较慢，容易陷入局部最优。
近来，深度学习网络开始广泛的应用于极化SAR图像分类领域，深度学习网络中的CNN也被应用到了极化SAR图像分类上，并取得了不错效果。例如，中国专利申请，申请公开号为CN105184309A，名称为“基于CNN和SVM的极化SAR图像分类”中，提出了一种基于CNN和SVM的极化SAR图像分类方法，将CNN网络作为特征提取工具，通过AE网络训练获得CNN网络参数，然后将CNN学习到的特征输入到SVM分类器进行分类，这种方法虽然显著提高了分类的精度，但分类速度较慢。
发明内容
本发明的目的在于克服上述已有技术的不足，提出了一种基于改进的CNN的极化SAR图像分类方法，将SLIC和改进的CNN结合起来解决现有有监督极化SAR图像分类方法中存在的分类速度慢和分类精度较低的技术问题。
为实现上述目的，本发明采取的技术方案包括如下步骤：
(1)根据极化SAR图像的九维极化数据i，计算极化SAR图像每一像素点的Wishart距离，并将该距离与九维极化数据i合并，获得极化SAR图像新数据，实现步骤为：
(1a)输入极化SAR图像的九维极化数据的类别标记，对每一类标记的相邻样本进行样本选取，得到多个类别极化样本；
(1b)计算每个类别极化样本的相干矩阵均值i，其中i为样本所属的类别数)；
(1c)利用相干矩阵均值T，计算极化SAR图像每一像素点到每一类别的类别中心的Wishart距离T；
(1d)将计算得到的Wishart距离与极化SAR图像的九维极化数据融合，获得极化SAR图像新数据；
(2)利用Lee滤波方法，对极化SAR图像新数据进行滤波，得到滤波后极化SAR图像新数据；
(3)从滤波后极化SAR图像新数据中选取同类别的相邻像素点，获得多个类别的小样本块；
(4)根据极化SAR图像的尺寸及其待分类图像的类别数，将CNN的全连接层和分类器层更换为分类卷积层，将CNN输出层连接到分类卷积层后，获得高效卷积神经网络；
(5)将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，得到稳定的高效卷积神经网络，并将极化SAR图像新数据输入到该稳定的高效卷积神经网络中，获得极化SAR图像的初步分类结果，实现步骤如下：
(5a)将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，在输出层获得小样本块每一像素点分别属于每一类别的概率；
(5b)将输出层得到每一像素点的最大概率类别作为该像素点的类别，迭代训练高效卷积神经网络的网络参数，获得稳定的高效卷积神经网络；
(5c)将极化SAR图像新数据输入到稳定的高效卷积神经网络中，在输出层获得极化SAR图像每一像素点分别属于每一类别的概率，并将这些类别中概率最大的类别作为该像素点的类别，获得极化SAR图像的初步分类结果；
(6)利用SLIC的分割方法，对极化SAR图像进行超像素分割，获得极化SAR图像的超像素分割图，实现步骤如下：
(6a)对极化SAR图像的九维极化数据进行Pauli分解，获得极化SAR图像的伪彩色图像；
(6b)对极化SAR图像的伪彩色图像进行SLIC的超像素分割，获得极化SAR图像的超像素分割图；
(7)将极化SAR图像的超像素分割图中的每一个超像素块作为独立单元，通过极化SAR图像初步分类结果中每一像素点的类别分别计算每一独立单元中所占比例，将比例最大的类别作为该独立单元的类别，获得极化SAR图像分类结果；
(8)用红色R、蓝色B和绿色G作为基色，给极化SAR图像分类结果上色，得到极化SAR图像彩色分类结果图。
本发明与现有的技术相比，具有如下优点：
1.本发明在获得极化SAR图像初步分类结果的过程中，通过固定各层的步长为1，避免大量重复运算，提高运算速度节约内存，使输出层可以同时输出每个像素点的分类结果，使该算法可以对大尺寸的图像也可以进行高速精确分类。
2.本发明在获得极化SAR图像的最终分类结果的过程中，通过SLIC对极化SAR图像分割，约束极化SAR图像的边界分类结果，并对零星的误分类点进行修正，从而提高极化SAR图像的分类精确度。
附图说明
图1是本发明的实现流程框图；
图2是本发明Sanfrancisico数据的伪彩色图和对该数据分类的不同阶段结果图；
图3是本发明与现有技术的分类结果对比图。
具体实施方式
以下结合附图和实施例，对本发明进行进一步说明。
参照图1，本发明的具体实现步骤如下：
步骤1，根据极化SAR图像的九维极化数据T，计算极化SAR图像每一像素的Wishart距离，并将该距离与九维极化数据T合并，获得极化SAR图像新数据，实现步骤为：
(1a)输入极化SAR图像的九维极化数据的类别标记，对每一类标记的相邻样本进行样本选取，得到多个类别极化样本。
(1b)计算每个类别极化样本的相干矩阵均值Ci，其中i为样本所属的类别数。
(1c)利用相干矩阵均值Ci，计算极化SAR图像每一像素点到每一类别的类别中心的Wishart距离dm，计算公式如下：
dm(T,Ci)＝ln|Ci|+tr(Ci -1T)。
(1d)将计算得到的Wishart距离与极化SAR图像的九维极化数据融合，获得极化SAR图像新数据。
步骤2，利用Lee滤波方法，对极化SAR图像新数据进行滤波，得到滤波后极化SAR图像新数据,计算公式如下：
x′p，q＝mp，q+k(xp，q-mp，q)，
其中，mp，q为局部方差，xp，q为原像素点的值，x′p，q为滤波后像素点的值，k为自定义参数，当k＞1时，图像锐化，相当于高通滤波；当0＜k＜1时，图像平滑，相当于低通滤波；当k＝0或者k＝1时，前者输出原图像的局部均值，后者输出原图像。
步骤3，从滤波后极化SAR图像新数据中选取同类别的相邻像素点，获得多个类别的小样本块。
步骤4，根据极化SAR图像的尺寸及其待分类图像的类别数，将CNN的全连接层和分类器层更换为分类卷积层，将CNN输出层连接到分类卷积层后，获得高效卷积神经网络，包括输入层，卷积层，池化卷积层，分类卷积层，输出层，其中，卷积层的卷积步长为1，池化卷积层的卷积步长为1，分类卷积层的卷积核个数与待分类图像的类别数相等，且卷积核行数和列数设定为奇数，其除四角元素以外的值固定为0，卷积步长为1。
步骤5，将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，得到稳定的高效卷积神经网络，并将极化SAR图像新数据输入到该稳定的高效卷积神经网络中，获得极化SAR图像的初步分类结果，实现步骤如下：
(5a)将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，在输出层获得小样本块每一像素点分别属于每一类别的概率。
(5b)将输出层得到每一像素点的最大概率类别作为该像素点的类别，迭代训练高效卷积神经网络的网络参数，获得稳定的高效卷积神经网络。
(5c)将极化SAR图像新数据输入到稳定的高效卷积神经网络中，在输出层获得极化SAR图像每一像素点分别属于每一类别的概率，并将这些类别中概率最大的类别作为该像素点的类别，获得极化SAR图像的初步分类结果。
步骤6，利用SLIC的分割方法，对极化SAR图像进行超像素分割，获得极化SAR图像的超像素分割图，实现步骤如下：
(6a)对极化SAR图像的九维极化数据进行Pauli分解，获得极化SAR图像的伪彩色图像。
(6b)对极化SAR图像的伪彩色图像进行SLIC的超像素分割，获得极化SAR图像的超像素分割图，SLIC分割步骤如下：
(6b1)将极化SAR图像的伪彩色图像从RGB颜色空间转换到CIE-Lab颜色空间，得到对应每个像素点的五维向量[L，a，b，x，y]，其中，L分量用于表示像素的亮度，取值范围是[0，100],表示从纯黑到纯白；a表示从绿色到红色的范围，取值范围是[-128，127]；b表示从蓝色到黄色的范围，取值范围是[-128，127]，x和y为像素点位置坐标。
(6b2)极化SAR图像包含像素点个数为N，设置伪彩色图像的待分割超像素块为K，计算得到分割完成以后的每一超像素块包含的像素点个数为和超像素块的边长
(6b3)在伪彩色图像上每隔S个像素点选取一个像素点作为聚类中心，聚类中心周围选取2S×2S范围获得搜索空间。
(6b4)在搜索空间中，选择与聚类中心向量距离最近的点构成该聚类中心的超像素块，向量距离的计算公式为:
ds＝dlab+(m÷S)×dxy，
其中，m为权值，取值范围为[1,20]；
(6b5)将超像素中过小的块合并到与该块相联且最大的超像素块中，使保证每个超像素块是完整联通的，获得极化SAR图像的超像素分割图。
步骤7，将极化SAR图像的超像素分割图中的每一个超像素块作为独立单元，通过极化SAR图像初步分类结果中每一像素点的类别分别计算每一独立单元中所占比例，将比例最大的类别作为该独立单元的类别，获得极化SAR图像分类结果。
步骤8，用红色R、蓝色B和绿色G作为基色，给极化SAR图像分类结果上色，得到极化SAR图像彩色分类结果图。
以下结合仿真实验对本发明的技术效果作进一步说明：
1.仿真条件和内容：
本发明在windows7系统core-i7-6700处理器的计算机上通过软件matlab-2014b，对Sanfrancisico数据进行分类仿真，其结果如图2，同时与现有技术中的SVM和H/α-Wishart两种方法的仿真结果进行对比，其结果如图3。
2.仿真结果分析:
参照图2，本实施例对Sanfrancisico数据进行分类仿真，其中图2(a)为Pauli分解获得的伪彩色图像，图2(b)为将极化特征和Wishart距离合并输入到已改进的CNN，获得初步分类结果图，由于利用大量的邻域信息，一个噪声点会影响邻域内的分类结果，导致误分类点大多集中在一起，形成较多的误分类快，图2(c)为对伪彩色图像进行SLIC聚类的超像素分割结果图，边界分割结果和实际有差异，图2(d)为经过超像素分割结果约束以后的分类结果图，由于分割结果的边界差异导致边界误分类结果较多，但是区域的一致性较好，整体分类精度较高。
参照图3，本实施例和现有的SVM分类以及H/α—Wishart分类方法对Sanfrancisico数据进行分类的仿真对比，其中图3(a)为Pauli分解获得的伪彩色图像，图3(b)为SVM分类方法对Sanfrancisico数据分类仿真结果，类内误分类点较多，部分区域很集中，区域一致性较差，而且如果两类别差异不够明显的时候，很难将两类分开，类别边缘不够平滑清晰，图3(c)为H/α—Wishart分类方法对Sanfrancisico数据的分类仿真结果，类内有较多的误分点，区域一致性差，差异不明显类别不能很好的区分，边界不够平滑但是很好的保持了图像原有细节特征，图3(d)为本实施例的仿真结果，类内误分类点基本被修正，区域一致性很好，可以将差异较小的类别很好的分开，但是细节信息丢失，边界保持不是很好，而且类别交界处比较不平滑。
通过图2和图3可以看出，本发明通过已改进的CNN对极化SAR图像进行分类，通过极化特征，Wishart特征以及邻域信息空间特征的综合输入来确定像素点类别，然后利用SLIC对上述结果进行修正，改善区域一致性和边界分类结果。通过整个模型得出的分类结果精确度明显提高，区域一致性极大改善，清晰比较可以被很好的保留表现；利用特定的卷积核和卷积步长，避免了大量重复计算，降低了时间复杂度。
综上所述，本发明提出的对极化SAR图像分类的方法，先结合Wishart距离通过已改进的CNN来分类，提高分类速度，获得初步分类结果图，然后对伪彩色图像进行SLIC聚类获得超像素分割结果图，利用该结果来约束初步分类结果，获得区域一致性良好的结果，保证分类精度，适用于任何尺寸尤其是大幅图像的高速高精度分类。
Claims (5)
1.一种基于SLIC和改进的CNN的极化SAR图像分类方法，包括如下步骤：
(1)根据极化SAR图像的九维极化数据T，计算极化SAR图像每一像素点的Wishart距离，并将该距离与九维极化数据T合并，获得极化SAR图像新数据，实现步骤为：
(1a)输入极化SAR图像的九维极化数据的类别标记，对每一类标记的相邻样本进行样本选取，得到多个类别极化样本；
(1b)计算每个类别极化样本的相干矩阵均值Ci，其中i为样本所属的类别数；
(1c)利用相干矩阵均值Ci，计算极化SAR图像每一像素点到每一类别的类别中心的Wishart距离dm；
(1d)将计算得到的Wishart距离与极化SAR图像的九维极化数据融合，获得极化SAR图像新数据；
(2)利用Lee滤波方法，对极化SAR图像新数据进行滤波，得到滤波后极化SAR图像新数据；
(3)从滤波后极化SAR图像新数据中选取同类别的相邻像素点，获得多个类别的小样本块；
(4)根据极化SAR图像的尺寸及其待分类图像的类别数，将CNN的全连接层和分类器层更换为分类卷积层，将CNN输出层连接到分类卷积层后，获得高效卷积神经网络；
(5)将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，得到稳定的高效卷积神经网络，并将极化SAR图像新数据输入到该稳定的高效卷积神经网络中，获得极化SAR图像的初步分类结果，实现步骤如下：
(5a)将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，在输出层获得小样本块每一像素点分别属于每一类别的概率；
(5b)将输出层得到每一像素点的最大概率类别作为该像素点的类别，迭代训练高效卷积神经网络的网络参数，获得稳定的高效卷积神经网络；
(5c)将极化SAR图像新数据输入到稳定的高效卷积神经网络中，在输出层获得极化SAR图像每一像素点分别属于每一类别的概率，并将这些类别中概率最大的类别作为该像素点的类别，获得极化SAR图像的初步分类结果；
(6)利用SLIC的分割方法，对极化SAR图像进行超像素分割，获得极化SAR图像的超像素分割图，实现步骤如下：
(6a)对极化SAR图像的九维极化数据进行Pauli分解，获得极化SAR图像的伪彩色图像；
(6b)对极化SAR图像的伪彩色图像进行SLIC的超像素分割，获得极化SAR图像的超像素分割图；
(7)将极化SAR图像的超像素分割图中的每一个超像素块作为独立单元，通过极化SAR图像初步分类结果中每一像素点的类别分别计算每一独立单元中所占比例，将比例最大的类别作为该独立单元的类别，获得极化SAR图像分类结果；
(8)用红色R、蓝色B和绿色G作为基色，给极化SAR图像分类结果上色，得到极化SAR图像彩色分类结果图。
2.根据权利要求1所述的基于SLIC和改进的CNN的极化SAR图像分类方法，其特征在于：步骤(1c)中所述的计算极化SAR图像每一像素点到每一类别的类别中心的Wishart距离dm，计算公式为：
dm(T，Ci)＝ln|Ci|+tr(Ci -1T)。
3.根据权利要求1所述的基于SLIC和改进的CNN的极化SAR图像分类方法，其特征在于：步骤(2)中所述的利用Lee滤波方法，其计算公式为：
x′p，q＝mp，q+k(xp，q-mp，q)，
其中，mp，q为局部方差，xp，q为原像素点的值，x′p，q为滤波后像素点的值，k为自定义参数。
4.根据权利要求1所述的基于SLIC和改进的CNN的极化SAR图像分类方法，其特征在于：步骤(4)中所述的高效卷积神经网络，包括输入层、卷积层、池化卷积层、分类卷积层和输出层，其中，卷积层的卷积步长为1，池化卷积层的卷积步长为1，分类卷积层的卷积核个数与待分类图像的类别数相等，且卷积核的行数和列数设定为奇数，其除四角元素以外的值固定为0，卷积步长为1。
5.根据权利要求1所述的基于SLIC和改进的CNN的极化SAR图像分类方法，其特征在于：步骤(6b)中所述的对极化SAR图像的伪彩色图像进行SLIC的超像素分割，实现步骤如下：
(6b1)将极化SAR图像的伪彩色图像从RGB颜色空间转换到CIE-Lab颜色空间，得到对应每个像素点的五维向量[L,a,b,x,y]，其中，L分量用于表示像素的亮度，取值范围是[0,100],表示从纯黑到纯白；a表示从绿色到红色的范围，取值范围是[-128,127]；b表示从蓝色到黄色的范围，取值范围是[-128,127]，x和y为像素点位置坐标；
(6b2)极化SAR图像包含像素点个数为N，设置伪彩色图像的待分割超像素块为K，计算得到分割完成以后的每一超像素块包含的像素点个数为N/K和超像素块的边长
(6b3)在伪彩色图像上每隔S个像素点选取一个像素点作为聚类中心，聚类中心周围选取2S×2S范围获得搜索空间；
(6b4)在搜索空间中，选择与聚类中心向量距离最近的点构成该聚类中心的超像素块，向量距离的计算公式为:
ds＝dlab+(m÷S)×dxy，
其中，m为权值，取值范围为[1,20]；
(6b5)将超像素中过小的块合并到与该块相联且最大的超像素块中，使保证每个超像素块是完整联通的，获得极化SAR图像的超像素分割图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611054919.4A CN106778821B (zh) | 2016-11-25 | 2016-11-25 | 基于slic和改进的cnn的极化sar图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611054919.4A CN106778821B (zh) | 2016-11-25 | 2016-11-25 | 基于slic和改进的cnn的极化sar图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106778821A CN106778821A (zh) | 2017-05-31 |
| CN106778821B true CN106778821B (zh) | 2019-05-03 |
Family
ID=58910778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611054919.4A Active CN106778821B (zh) | 2016-11-25 | 2016-11-25 | 基于slic和改进的cnn的极化sar图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106778821B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203757B (zh) * | 2017-06-02 | 2019-07-26 | 重庆市地理信息中心 | 基于二进制特征分类器的建筑物提取方法 |
| CN107358204B (zh) * | 2017-07-13 | 2020-11-03 | 西安电子科技大学 | 基于再编码和深度融合卷积网络的多光谱图像分类方法 |
| CN107392925B (zh) * | 2017-08-01 | 2020-07-07 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
| CN107578064B (zh) * | 2017-08-23 | 2020-09-04 | 中国地质大学（武汉） | 基于超像素利用极化相似性参数的海面溢油检测的方法 |
| CN107742133A (zh) * | 2017-11-08 | 2018-02-27 | 电子科技大学 | 一种用于极化sar图像的分类方法 |
| CN108304775B (zh) | 2017-12-26 | 2021-06-11 | 北京市商汤科技开发有限公司 | 遥感图像识别方法、装置、存储介质以及电子设备 |
| CN110008785B (zh) * | 2018-01-04 | 2022-09-02 | 清华大学 | 一种目标识别方法和装置 |
| CN108257154B (zh) * | 2018-01-12 | 2021-10-29 | 西安电子科技大学 | 基于区域信息和cnn的极化sar图像变化检测方法 |
| CN108509835B (zh) * | 2018-01-25 | 2020-04-07 | 西安电子科技大学 | 基于DFIC超像素的PolSAR图像地物分类方法 |
| CN108830869B (zh) * | 2018-05-11 | 2022-05-10 | 西安电子科技大学 | 基于超像素的遥感图像并行分割方法 |
| 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 |
| CN108734228A (zh) * | 2018-06-14 | 2018-11-02 | 中交第二公路勘察设计研究院有限公司 | 综合多特征的极化sar图像随机森林分类方法 |
| CN109063750B (zh) * | 2018-07-17 | 2022-05-13 | 西安电子科技大学 | 基于cnn和svm决策融合的sar目标分类方法 |
| CN109146001B (zh) * | 2018-09-14 | 2021-09-10 | 西安电子科技大学 | 多视角isar图像融合方法 |
| CN109784413A (zh) * | 2019-01-23 | 2019-05-21 | 西安电子科技大学 | 一种基于长短时记忆循环神经网的极化sar图像分类方法 |
| CN110443227A (zh) * | 2019-08-19 | 2019-11-12 | 重庆大学 | 一种基于学习超像素和qcnn的极化sar地物识别方法 |
| CN110838123B (zh) * | 2019-11-06 | 2022-02-11 | 南京止善智能科技研究院有限公司 | 一种室内设计效果图像光照高亮区域的分割方法 |
| CN111160180A (zh) * | 2019-12-16 | 2020-05-15 | 浙江工业大学 | 一种苹果采摘机器人夜间青苹果识别方法 |
| CN111524318B (zh) * | 2020-04-26 | 2022-03-01 | 熵基华运(厦门)集成电路有限公司 | 一种基于行为识别的健康状况智能监控方法和系统 |
| CN111626380A (zh) * | 2020-07-07 | 2020-09-04 | 西安邮电大学 | 一种基于超像素和卷积网络的极化sar图像分类方法 |
| CN112580687A (zh) * | 2020-11-23 | 2021-03-30 | 北京化工大学 | 基于毫米波全极化sar影像的无监督分类方法 |
| CN114463579A (zh) * | 2022-01-13 | 2022-05-10 | 中铁第四勘察设计院集团有限公司 | 点云分类方法、装置、电子设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8170279B2 (en) * | 2008-06-23 | 2012-05-01 | Raytheon Company | Adaptive match metric selection for automatic target recognition |
| CN102722883B (zh) * | 2012-04-16 | 2015-06-17 | 上海交通大学 | 一种具有空间自适应性的极化sar图像分割方法 |
| CN102982338B (zh) * | 2012-10-25 | 2016-05-25 | 西安电子科技大学 | 基于谱聚类的极化sar图像分类方法 |
| CN105005987A (zh) * | 2015-06-23 | 2015-10-28 | 中国人民解放军国防科学技术大学 | 基于广义gamma分布的SAR图像超像素生成方法 |
-
2016
- 2016-11-25 CN CN201611054919.4A patent/CN106778821B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106778821A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
| Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
| CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
| CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
| CN106611420B (zh) | 基于反卷积网络和素描图方向约束的sar图像分割方法 | |
| Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
| CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
| CN108830870A (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
| CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
| Wang et al. | An overview of 3d object detection | |
| Wang et al. | Recognition and localization of occluded apples using K-means clustering algorithm and convex hull theory: a comparison | |
| CN111783523A (zh) | 一种遥感影像旋转目标检测方法 | |
| CN111368658B (zh) | 一种自主航行中智能船舶外部目标的自动检测方法及系统 | |
| CN112784757B (zh) | 海上sar舰船目标显著性检测与识别方法 | |
| CN108596195B (zh) | 一种基于稀疏编码特征提取的场景识别方法 | |
| Cheng et al. | Efficient sea–land segmentation using seeds learning and edge directed graph cut | |
| CN109829426B (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
| CN106096651B (zh) | 基于超像素和度量学习的极化sar地物分类方法 | |
| CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
| CN112396655B (zh) | 一种基于点云数据的船舶目标6d位姿估计方法 | |
| CN114708313A (zh) | 基于双支路神经网络的光学与sar图像配准方法 | |
| CN109117739A (zh) | 一种基于邻域样本定向鉴别投影特征提取方法 | |
| CN107610136B (zh) | 基于凸包结构中心查询点排序的显著目标检测方法 | |
| Selvi et al. | Sea object detection using shape and hybrid color texture classification | |
| CN116503602A (zh) | 基于多层级边缘增强的非结构化环境三维点云语义分割方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |