CN107292317B - 基于浅层特征与t矩阵深度学习的极化sar分类方法 - Google Patents
基于浅层特征与t矩阵深度学习的极化sar分类方法 Download PDFInfo
- Publication number
- CN107292317B CN107292317B CN201710495285.4A CN201710495285A CN107292317B CN 107292317 B CN107292317 B CN 107292317B CN 201710495285 A CN201710495285 A CN 201710495285A CN 107292317 B CN107292317 B CN 107292317B
- Authority
- CN
- China
- Prior art keywords
- polarization
- matrix
- scattering
- representing
- polarized
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000001427 coherent effect Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000005571 horizontal transmission Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000021615 conjugation Effects 0.000 claims description 2
- 239000013307 optical fiber Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000005570 vertical transmission Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000002791 Brassica napus Species 0.000 description 1
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 240000004658 Medicago sativa Species 0.000 description 1
- 235000010624 Medicago sativa Nutrition 0.000 description 1
- 240000004713 Pisum sativum Species 0.000 description 1
- 235000010582 Pisum sativum Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06F18/25—Fusion 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于浅层特征与T矩阵深度学习的极化SAR分类方法,主要解决现有技术对散射信息差异明显的同一地物和散射信息相近的不同地物分类正确率低的问题。其实现步骤为:1.对原始极化SAR图像进行滤波处理2.提取滤波后的极化SAR图像的极化浅层特征;3.将浅层特征与滤波后的极化SAR数据进行融合,构造训练样本和测试样本;4.采用卷积神经网络对训练样本进行学习;5.利用学习得到的卷积神经网络对测试样本进行分类,得到最终的极化SAR地物分类结果。本发明对极化SAR目标地物的分类正确率高,并且对大区域的地物目标分类有良好的实验效果,可用于目标识别和大场景的地物分类。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种极化SAR地物分类方法,可适用于目标识别和大场景的地物分类。
背景技术
随着微波遥感技术的发展日新月异,作为其中典型代表之一的高分辨率极化合成孔径雷达必然会成为SAR领域的流行趋势。虽然高分辨率极化合成孔径雷达包含了丰富的后向散射信息,但实践中发现,仅仅采用浅层极化特征已经无法充分表达现实图像中包含的复杂场景信息。极化SAR图像的分类涉及物理、概率论、模式识别、数据挖掘、信号处理等众多学科,是图像处理领域的重要分支之一。目前,极化SAR图像分类技术已经广泛应用于军事和民用等领域。
目前针对极化SAR图像分类中的研究方法中,主要是基于极化散射矩阵S、极化相干矩阵T和极化协方差矩阵C进行特征提取,常见的特征包括极化相干矩阵T的特征值和特征向量,以及采用Cloude分解得到的散射熵H、散射角α和各向异性系数A和采用Freeman分解得到的三种散射功率等。通过对比上述这些特征在不同类别之间的差异性,进而实现极化SAR图像中不同地物目标的分类,例如:
首都师范大学在其申请的专利“极化SAR图像分类方法”(专利申请号:201310685303.7,公开号:CN 103617427A)中提出了一种基于决策树分类模型的分类方法。该方法提出的一种极化SAR图像分类方法包括:提取极化SAR图像的特征:散射熵H、反熵A和散射角α,将所得到的特征集合(H,A,α)作为第一特征集;将所述极化SAR图像分解为两个子孔径图像后,分别提取所述两个子孔径图像的特征:散射熵H、反熵A和散射角α,从而得到两个子特征集(H1,A1,α1)、(H2,A2,α2);将所述两个子特征集中的各相应特征的值相减,得到所述各相应特征的差值的集合(ΔH,ΔA,Δα)作为第二特征集;将所述第一特征集和所述第二特征集输入到决策树分类模型中,得到所述极化SAR图像的分类结果。该方法虽然可以提高分类结果的精度。但是,该方法由于分解图像时子孔径的个数与地面空间分辨率成反比,导致地面空间分辨率由于子孔径的个数增加而降低,使最终的分类精度受限。
武汉大学在其申请的专利“一种基于条件随机场模型的SAR图像监督分类方法”(专利申请号:201010256689.6,公开号:CN101950363A)中提出了一种基于条件随机场模型的SAR图像分类方法。该方法提出的一种SAR图像分类方法包括:将图像过分割成多个区域;将多个区域描述成一个区域连接图RAG;建立条件随机场CRF模型。该方法虽然可以结合更多更复杂的SAR图像特征和合适的图像上下文间的关系,从而获得更加鲁棒的分类结果。但是该方法的不足之处是:针对不同数据期望得到同样良好的分类精度,需要进行不同的特征选择,这显然大大增加了科研人员的工作量,而且,经典SAR图像特征对于图像的表达并不充分,这同样会对该方法的分类结果造成一定影响。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于浅层特征与T矩阵深度学习的极化SAR分类方法,以实现对极化合成孔径雷达图像原始数据的有效表示,并且充分利用极化SAR数据的极化特征,提高分类目标的准确性。
为实现上述目的,本发明目的技术方案包括如下:
(1)输入原始极化SAR图像,并对该图像进行滤波处理,去除图像中的斑点噪声,获得滤波后的极化SAR图像;
(2)提取其浅层极化特征,该浅层极化特征包括散射熵H、散射角α和各向异性系数A这三种特征;
(3)将提取得到的三种浅层极化特征H、α、A与极化相干矩阵T进行数据融合,构造训练样本和测试样本;
(4)利用卷积神经网络CNN对训练样本进行学习,得到能对数据进行特征表示的训练好的卷积神经网络;
(5)采用训练好的卷积神经网络对测试样本进行特征提取,并且通过Softmax分类器,得到最终分类结果。
本发明与现有技术相比,具有以下优点:
1)分类更加精确
由于本发明采用极化浅层特征与极化相干矩阵进行数据融合的方法构造训练数据和测试样本,从而使其样本中包含的极化合成孔径雷达图像信息更加丰富,充分挖掘了极化合成孔径雷达图像中地物之间的可区分信息,使其样本中类间距变大,类内距变小,这样可以更容易找到性能优良的目标函数,进而得到的分类结果更加准确。
2)提高同谱异物和同物异谱的分类准确性
本发明由于预先对极化SAR图像提取了极化特征,再将其与极化相干矩阵T进行数据融合,基于融合数据进行学习和分类,同时在训练过程中基于块进行处理,最终能够对散射信息相近的不同地物即同谱异物和散射信息差异明显的同一地物即同物异谱实现很好的分类。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真使用的极化SAR数据的PauliRGB合成图;
图3是本发明仿真使用的极化SAR数据的真实地物标记图;
图4是用现有支持向量机SVM对图2的分类结果图;
图5是用现有基于H、A、α的监督Wishart分类方法对图2的分类结果图;
图6是用本发明对图2的分类结果图。
具体实施方式
下面结合附图对本发明的实施例和效果作进一步详细描述。
参照图1,本发明的实现步骤如下:
步骤1.对原始极化SAR图像进行滤波处理。
输入待分类的极化SAR图像,采用polSARpro_v4.0软件中的精致极化Lee滤波器,通过大小为7×7的像素滑动窗口,去除待分类图像中的斑点噪声,获得滤波后的极化SAR图像。
步骤2.提取滤波后的极化SAR图像的极化浅层特征。
现有提取极化浅层特征的常用方法包括Freeman分解和Cloude分解,本实例采用Cloude分解方法对滤波后的极化SAR图像提取极化浅层特征,其步骤如下:
(2a)按如下公式将极化相干矩阵T进行相似对角化处理:
其中,H表示共轭转置;λ1、λ2、λ3表示滤波后的极化相干矩阵T的三个不同的特征值;e1表示第一特征值λ1对应的特征向量;e2表示第二特征值λ2对应的特征向量;e3表示第三特征值λ3对应的特征向量,每一个特征值对应的特征向量如下:
其中αi表示目标的第i个散射角,其取值范围为[0,90°];βi表示目标的第i个方位角,其取值范围为[-180°,180°];表示目标的水平发射水平接收HH通道与VV通道相位角之和;δ表示目标的2倍水平发射水平接收VV通道相位角;γ表示目标的与水平发射垂直接收HV通道相位角之差;
(2b)根据三个不同的特征值λ1、λ2、λ3,得到如下极化特征:
散射角:α=p1α1+p2α2+p3α3
散射熵:H=p1log3(p1)+p2log3(p2)+p3log3(p3)
步骤3.构造训练样本和测试样本。
将提取得到的三种浅层极化特征H、α、A与极化相干矩阵T进行数据融合,构造训练样本和测试样本,按如下步骤进行:
(3a)通过如下极化散射矩阵S表示单个像素散射特性:
其中,H表示水平极化,V表示垂直极化,SHH表示水平发射水平接收的回波数据,SVV表示垂直发射垂直接收的回波数据,SHV表示水平发射垂直接收的回波数据,SVH表示垂直发射水平接收的回波数据;
(3b)基于极化散射矩阵S推导极化相干矩阵T,即将极化散射矩阵S对空间求集合平均进而得到极化相干矩阵T:
其中*代表共轭处理,<·>表示在假设随机散射介质各向同性下的空间统计平均,A=SHH+SVV,B=SHH-SVV,C=2SHV;
(3c)根据极化相干矩阵T、散射熵H、散射角α和各向异性系数A,构造大小为4×4的矩阵U,其中矩阵的具体形式如下:
(3d)依据待分类极化SAR图像中地物种类的数目,在不同类别中分别选取区域制作训练样本,即从选定区域中的左上角依次从左向右、从上向下滑动一个像素,取大小为10×10的块,将块中每个像素由上述矩阵U代替,得到大小为40×40的训练样本;
(3e)将待分类的整张极化SAR图像按照步骤(3d)进行取块,得到测试样本。
步骤4.利用卷积神经网络算法对训练样本进行学习。
(4a)设定初始网络初始结构和参数:网络结构为7层,1个输入层,1个输出层,2个卷积层,2个下采样层,1个全连接的隐藏层;迭代次数n=1,学习率α=1;
(4b)从训练样本中依次选取一个样本,将该样本输入到网络中;
(4c)计算相应的实际输出:先通过第一层卷积层进行初次特征提取,再通过第一层下采样层进行数据的降维,对于降维后的结果再经过卷积和下采样处理,得到最终的前向传递计算结果;
(4d)选取的代价函数,计算实际输出结果与理想输出结果之间的差值,其中选取的代价函数E为:
(4e)采用反向传导算法进行参数的更新:
(4f)判断训练样本是否完成训练:若训练样本都已完成训练,则执行步骤(4g),否则,返回步骤(4b);
(4g)令n=n+1进行下一次迭代,判断迭代次数n是否等于200,若是,结束训练,执行步骤(5),否则返回步骤(4b)。
步骤5.对测试样本进行分类。
首先利用训练好的网络对卷积神经网络进行特征提取,然后采用Softmax分类器对样本进行分类,得到分类结果。在全部样本都完成分类的极化SAR图像上,将红色、绿色、蓝色三个颜色作为三基色,按照一定比例混合三基色得到9种不同颜色来对分类结果进行上色,其中分类结果中相同类别上相同的颜色。
本发明的效果可通过以下仿真进一步说明。
1.仿真条件
仿真在windows7旗舰版上进行,CPU基本频率为2.2GHZ*16,利用polSARpro_v4.0软件获取极化相干矩阵T和Pauli分解得到如图2所示的伪彩图像,其大小为750×1024。
2.仿真内容
本发明将图2所示的荷兰弗莱福兰省Flevoland极化SAR数据作为测试图像,依据图3的真实地物标记对每个类别进行取样,制作训练样本库,将整副图像作为测试样本库。
仿真一,用现有的支持向量机SVM分类方法对图2进行分类,分类结果如图4。
仿真二,用现有的基于H、A、α的监督Wishart分类方法对图2进行分类,分类结果如图5。
仿真三,用本发明对图2进行分类,分类结果如图6。
三个仿真实验每类的正确率及总的正确率,如表1。
表1
Land uses | SVM | Wishart | 本发明SAR分类方 |
Bare soil | 0 | 51.4% | 97.6% |
Peas | 34.3% | 0 | 100% |
Wheat 2 | 25.7% | 0 | 100% |
Water | 0 | 0 | 97.5% |
Rapeseed | 57.1% | 0 | 97.5% |
Lucerne | 28.6% | 2.9% | 83.3% |
Forest | 61.4% | 0 | 98.4% |
Stembeans | 0 | 42.9% | 0 |
Barley | 12.9% | 0 | 84.6% |
Average | 24.4% | 10.8% | 84.3% |
3.仿真效果分析
由图6和表1可见,本发明方法能够对极化SAR中弱散射地物实现有效的分类,并且在9种地物中除去Stembeans这一地物均实现很高的分类精度;同时对于散射强度不同的同一地物也可实现较高精确度的分类,尤其在极化SAR图像右上角散射强度不同的海洋地物取得了很高的分类精度,以及对于散射信息相近的不同地物也取得了很高的分类精度。
Claims (4)
1.基于浅层特征与T矩阵深度学习的极化SAR分类方法,包括:
(1)输入原始极化SAR图像,并对该图像进行滤波处理,去除图像中的斑点噪声,获得滤波后的极化SAR图像;
(2)提取其浅层极化特征,该浅层极化特征包括散射熵H、散射角α和各向异性系数A这三种特征;
(3)将提取得到的三种浅层极化特征H、α、A与极化相干矩阵T进行数据融合,构造训练样本和测试样本,按如下步骤进行:
(3a)通过如下极化散射矩阵S表示单个像素散射特性:
其中,H表示水平极化,V表示垂直极化,SHH表示水平发射水平接收的回波数据,SVV表示垂直发射垂直接收的回波数据,SHV表示水平发射垂直接收的回波数据,SVH表示垂直发射水平接收的回波数据;
(3b)基于极化散射矩阵S推导极化相干矩阵T,即将极化散射矩阵S对空间求集合平均进而得到极化相干矩阵T:
其中*代表共轭处理,<·>表示在假设随机散射介质各向同性下的空间统计平均,A=SHH+SVV,B=SHH-SVV,C=2SHV;
(3c)根据极化相干矩阵T、散射熵H、散射角α和各向异性系数A,构造大小为4×4的矩阵U,其中矩阵的具体形式如下:
(3d)依据待分类极化SAR图像中地物种类的数目,在不同类别中分别选取区域制作训练样本,即从选定区域中的左上角依次从左向右、从上向下滑动一个像素,取大小为10×10的块,将块中每个像素由上述矩阵U代替,得到大小为40×40的训练样本;
(3e)将待分类的整张极化SAR图像按照步骤(3d)进行取块,得到测试样本;
(4)利用卷积神经网络CNN对训练样本进行学习,得到能对数据进行特征表示的训练好的卷积神经网络;
(5)采用训练好的卷积神经网络对测试样本进行特征提取,并且通过Softmax分类器,得到最终分类结果。
2.根据权利要求1所述的方法,其中步骤(1)中对原始极化SAR图像进行滤波处理,是采用polSARpro_v4.0软件中的精致极化Lee滤波器,通过大小为7×7的像素滑动窗口,去除待分类图像中的斑点噪声,获得滤波后的极化SAR图像。
3.根据权利要求1所述的方法,其中步骤(2)中提取其浅层极化特征,是采用Cloude分解的方法对滤波后的极化SAR图像进行极化分解,其步骤如下:
(2a)按如下公式将极化相干矩阵T进行相似对角化处理:
其中,H表示共轭转置;λ1、λ2、λ3表示滤波后的极化相干矩阵T的三个不同的特征值;e1表示第一特征值λ1对应的特征向量;e2表示第二特征值λ2对应的特征向量;e3表示第三特征值λ3对应的特征向量,每一个特征值对应的特征向量如下:
其中αi表示目标的第i个散射角,其取值范围为[0,90°];βi表示目标的第i个方位角,其取值范围为[-180°,180°];表示目标的HH通道与VV通道相位角之和;δ表示目标的2倍VV通道相位角;γ表示目标的与HV通道相位角之差;
(2b)根据三个不同的特征值λ1、λ2、λ3,得到如下极化特征:
散射角:α=p1α1+p2α2+p3α3
散射熵:H=p1 log3(p1)+p2 log3(p2)+p3 log3(p3)
4.根据权利要求1所述的方法,其中步骤(4)利用卷积神经网络CNN对训练样本进行学习,按如下步骤进行:
(4a)设定初始网络初始结构和参数:网络结构为7层,1个输入层,1个输出层,2个卷积层,2个下采样层,1个全连接的隐藏层;迭代次数n=1,学习率α=1;
(4b)从训练样本中依次选取一个样本,将该样本输入网络中;
(4c)计算相应的实际输出:先通过第一层卷积层进行初次特征提取,再通过第一层下采样层进行数据的降维,对于降维后的结果再经过卷积和下采样处理,得到最终的前向传递计算结果;
(4d)选取的代价函数,计算实际输出结果与理想输出结果之间的差值,其中选取的代价函数E为:
(4e)采用反向传导算法进行参数的更新:
(4f)判断训练样本是否完成训练:若训练样本都已完成训练,则执行步骤(4g),否则,返回步骤(4b);
(4g)令n=n+1进行下一次迭代,判断迭代次数n是否等于200,若是,结束训练,否则返回步骤(4b)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710495285.4A CN107292317B (zh) | 2017-06-26 | 2017-06-26 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710495285.4A CN107292317B (zh) | 2017-06-26 | 2017-06-26 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292317A CN107292317A (zh) | 2017-10-24 |
CN107292317B true CN107292317B (zh) | 2020-07-28 |
Family
ID=60099012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710495285.4A Active CN107292317B (zh) | 2017-06-26 | 2017-06-26 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292317B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256454B (zh) * | 2018-01-08 | 2020-08-14 | 浙江大华技术股份有限公司 | 一种基于cnn模型的训练方法、人脸姿态估测方法及装置 |
CN108537245B (zh) * | 2018-02-05 | 2020-04-07 | 西安电子科技大学 | 基于加权稠密网的极化sar图像分类方法 |
CN108564006B (zh) * | 2018-03-26 | 2021-10-29 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN108846426B (zh) * | 2018-05-30 | 2022-01-11 | 西安电子科技大学 | 基于深度双向lstm孪生网络的极化sar分类方法 |
CN109164415B (zh) * | 2018-09-07 | 2022-09-16 | 东南大学 | 一种基于卷积神经网络的双耳声源定位方法 |
CN110321904B (zh) * | 2019-07-09 | 2021-02-23 | 中国人民解放军国防科技大学 | 结合上下文协方差矩阵的单极化sar图像相干斑滤波方法 |
CN110555483B (zh) * | 2019-09-09 | 2022-12-02 | 西安电子科技大学 | 基于fw-dcgan特征生成的极化sar分类方法 |
CN110646795B (zh) * | 2019-09-16 | 2021-09-24 | 武汉大学 | 一种简缩极化sar的海洋溢油检测方法和系统 |
CN112213722A (zh) * | 2019-10-14 | 2021-01-12 | 兰州交通大学 | 联合InSAR与深度学习的边坡监测方法 |
CN111325158B (zh) * | 2020-02-25 | 2022-09-02 | 中国电子科技集团公司第五十四研究所 | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 |
CN112419184B (zh) * | 2020-11-19 | 2022-11-04 | 重庆邮电大学 | 一种综合局部信息和全局信息的空间注意力图像去噪方法 |
CN112508684B (zh) * | 2020-12-04 | 2023-03-07 | 中信银行股份有限公司 | 一种基于联合卷积神经网络的催收风险评级方法及系统 |
CN113256497B (zh) * | 2021-06-21 | 2021-09-24 | 中南大学 | 图像重建方法及系统 |
CN113408547B (zh) * | 2021-07-12 | 2023-05-23 | 西南交通大学 | 一种多时相多极化sar滑坡提取方法 |
CN114510518B (zh) * | 2022-04-15 | 2022-07-12 | 北京快立方科技有限公司 | 一种海量结构化数据的自适应聚合方法、系统及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008014709A (ja) * | 2006-07-04 | 2008-01-24 | Mitsubishi Electric Corp | 画像処理装置 |
CN104517284A (zh) * | 2014-09-29 | 2015-04-15 | 西安电子科技大学 | 基于深度置信网的极化sar图像分割 |
CN105608465A (zh) * | 2015-12-15 | 2016-05-25 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN105825223A (zh) * | 2016-03-09 | 2016-08-03 | 西安电子科技大学 | 基于深度学习和度量学习的极化sar地物分类方法 |
CN105894013A (zh) * | 2016-03-29 | 2016-08-24 | 西安电子科技大学 | 基于cnn和smm的极化sar图像分类方法 |
CN106709482A (zh) * | 2017-03-17 | 2017-05-24 | 中国人民解放军国防科学技术大学 | 基于自编码器的人物亲缘关系识别方法 |
-
2017
- 2017-06-26 CN CN201710495285.4A patent/CN107292317B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008014709A (ja) * | 2006-07-04 | 2008-01-24 | Mitsubishi Electric Corp | 画像処理装置 |
CN104517284A (zh) * | 2014-09-29 | 2015-04-15 | 西安电子科技大学 | 基于深度置信网的极化sar图像分割 |
CN105608465A (zh) * | 2015-12-15 | 2016-05-25 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN105825223A (zh) * | 2016-03-09 | 2016-08-03 | 西安电子科技大学 | 基于深度学习和度量学习的极化sar地物分类方法 |
CN105894013A (zh) * | 2016-03-29 | 2016-08-24 | 西安电子科技大学 | 基于cnn和smm的极化sar图像分类方法 |
CN106709482A (zh) * | 2017-03-17 | 2017-05-24 | 中国人民解放军国防科学技术大学 | 基于自编码器的人物亲缘关系识别方法 |
Non-Patent Citations (1)
Title |
---|
一种利用 Cloude-Pottier 分解和极化白化滤波的全极化 SAR 图像分类算法;杨杰 等;《武汉大学学报》;20111231;第104-107页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107292317A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292317B (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
CN108564006B (zh) | 基于自步学习卷积神经网络的极化sar地物分类方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN104978573B (zh) | 一种应用于高光谱图像处理的非负矩阵分解方法 | |
Xu et al. | Multiscale and cross-level attention learning for hyperspectral image classification | |
CN103927551B (zh) | 基于超像素相关矩阵的极化sar图像半监督分类方法 | |
CN108564115A (zh) | 基于全卷积gan的半监督极化sar地物分类方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN105160353B (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN102999762B (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
CN110516728B (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
CN105608465B (zh) | 全极化sar海岸线地物分类方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN108460391A (zh) | 基于生成对抗网络的高光谱图像无监督特征提取方法 | |
CN102800093A (zh) | 基于分解的多目标遥感图像分割方法 | |
CN107527023A (zh) | 基于超像素和主题模型的极化sar图像分类方法 | |
CN103093478B (zh) | 基于快速核空间模糊聚类的异源图像粗大边缘检测方法 | |
CN105046268B (zh) | 基于Wishart深度网络的极化SAR图像分类方法 | |
CN104156728A (zh) | 一种基于栈式编码和softmax的极化SAR图像分类方法 | |
CN103839073A (zh) | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 | |
CN104751183B (zh) | 基于张量mpca的极化sar图像分类方法 | |
CN104680169A (zh) | 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN115909052A (zh) | 一种基于混合卷积神经网络的高光谱遥感图像分类方法 |
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 |