CN107437091A - 多层限制玻尔兹曼机的sar图像正负类变化检测方法 - Google Patents
多层限制玻尔兹曼机的sar图像正负类变化检测方法 Download PDFInfo
- Publication number
- CN107437091A CN107437091A CN201710180543.XA CN201710180543A CN107437091A CN 107437091 A CN107437091 A CN 107437091A CN 201710180543 A CN201710180543 A CN 201710180543A CN 107437091 A CN107437091 A CN 107437091A
- Authority
- CN
- China
- Prior art keywords
- pixel
- change
- boltzmann machine
- multilayer
- disparity map
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法,包括如下步骤:步骤101:开始基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法;步骤102:对两幅已配准的同一地区不同时相的SAR图像构造三类差异图;步骤103:对差异图进行模糊C均值聚类获得粗糙的三类变化检测结果;步骤104:根据变化检测结果选择可能性大的非噪声点作为改进的多层限制玻尔兹曼机的训练样本,训练改进的多层限制玻尔兹曼机;步骤105:将待检测图像输入训练好的网络中,得到最终的变化检测结果图。本发明将变化类细分为正变化,负变化与未变化三类,提高了变化检测的精度。
Description
技术领域
本发明属于计算机技术领域,主要解决也遥感图像变化检测问题,本发 明由两幅不同时相的遥感图像得到三类差异图像,再利用多层限制玻尔兹曼 机对三类差异图进行分类完成遥感图像的变化检测。本发明可以应用于自然 灾害检测与救援时灾区遥感图像的变化检测,城市发展规划,地质研究等领 域,完成对特定地区的遥感图像的变化进行检测。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)具有分辨率高、全天候 工作、有效识别伪装和穿透掩盖物等特点,已经广泛应用于军事,科研和工农业 生产领域。SAR图像变化检测是通过分析在不同时间的来自同一地区的两幅或 者多幅图像,通过技术手段从而检测出此地区的地物随时间发生的变化的信息。 对遥感图像进行处理,从中提取出有用的信息,并促进其转化成为更有价值的知 识,从而为有关部门做出相应的、准确的、快速的决策提供丰富且有益的辅助信 息。遥感图像应用处理和分析技术是一个非常有意义且十分重要的应用,而这些 应用的不断需求促使了遥感图像变化检测技术的产生和发展。
SAR图像的变化检测的研究方法可分为两种:(1)分类后比较法即对两幅已 配准的图像先进行分类,通过比较分类结果得出变化部分(2)差异图分类法即 先对两幅已配准的图像生成差异图,在对差异图进行分析,得出变化部分与未变 化部分,生成差异图和分析差异图像是这几年研究的重点,目的是尽量减小相干 斑噪声对SAR图像的影响,这种方法研究的空间大,思路简洁清晰,是当前比 较流行的处理方法。
经典的处理变化检测问题的流程:(1)预处理;(2)生成差异图;(3)分析差异 图,常用的差异图的分析方法有四种,阈值分析,图切分析和水平集分析,传统 的分析方法存在以下缺点(1)通过优化目标函数来进行图像分类往往会陷入局 部最优解;(2)基于固定而复杂的公式进行迭代限制了算法的应用;(3)算法没有 学习能力,分类的能力有限;在机器学习中,变化检测问题是一种分类不均衡的 问题,可以演化为增量学习问题,神经网络是解决这类问题的最佳方案。
发明内容
本发明的目的在于克服上述现有技术存在的不足,提供一种基于多层限 制玻尔兹曼机的SAR图像细分正负类变化检测方法,该方法在传统变化检测 的基础上细化了变化分类,并利用多层限制玻尔兹曼机(RBM)获得变化检测 结果。该方法思路简单明确,有效的提高了遥感图像变化检测的精度。
实现本发明目的的技术方案是通过构造两幅SAR图像三类差异图,利用模 糊C均值(FCM)对差异图进行聚类获得粗糙的三类变化检测结果,选择非噪声 点作为训练样本训练多层RBM网络,利用训练好的网络测试样本获得最终变化检 测的结果。其具体实施步骤包括如下:
步骤101:开始基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测 方法;
步骤102:对两幅已配准的同一地区不同时相的SAR图像构造三类差异图;
步骤103:对差异图进行模糊C均值聚类获得粗糙的三类变化检测结果;
步骤104:根据变化检测结果选择可能性大的非噪声点作为改进的多层限制 玻尔兹曼机的训练样本,训练改进的多层限制玻尔兹曼机;
步骤105:将待检测图像输入训练好的网络中,得到最终的变化检测结果图;
步骤106:结束基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测 方法;
所述步骤102,包括如下步骤:
步骤201:开始构造三类变化检测的差异图;
步骤202:按照下式,构造三类变化检测的差异图:
其中,X表示已配准的同一地区不同时刻的两幅遥感图像的差异图,log表 示以10为底的对数操作,X1和X2分别表示已配准的同一地区不同时刻的两幅 遥感图像;若X2大于X1,对数比图像的像素呈正值,代表了正变化;若X2小 于X1,对数比图的像素呈负值,代表了负变化;
步骤203:结束构造三类变化检测的差异图;
所述步骤103,包括如下步骤:
步骤301:开始模糊C均值聚类的分类算法;
步骤302:对每个像素点用值在O~1间的隶属度来确定其属于各个类别 的程度。隶属矩阵U允许有取值在[0,1]间元素。归一化处理后隶属度的和总 等于1,其中,N表示差异图的像素的个数,i表示对差 异图模糊聚类后的类别,j表示对差异图的像素的序号,uij表示差异图的第j个 像素在第i类上的隶属度,初始化隶属矩阵U,使其满足约束条件
步骤303:按照下式,计算差异图的聚类中心ci:
其中,N表示差异图的像素的个数,ci表示差异图的第i类的聚类中心,uij表示差异图的第j个像素在第i类上的隶属度,xj表示差异图的第j个像素的特 征。
步骤305:按照下式,计算差异图的隶属度:
步骤306:按照下式,计算模糊C均值方法的目标函数值:
其中,dij=||ci-xj||表示差异图的第i个聚类中心到第j个像素的欧氏距离。 判断迭代前后目标函数值的最大改变量是否小于0.00001,若是,停止迭代, 否则,计算新的隶属矩阵U,并执行步骤303;
步骤306:结束模糊C均值聚类的分类算法;
所述步骤104,包括如下步骤:
步骤401:开始选择多层限制玻尔兹曼机训练样本的算法;
步骤402:在得到的初始变化检测结果图上,以位置(i,j)的像素为中心像 素,取的5×5窗口,像素总个数为N=25;
步骤403:按照公式其中Pij是要预测 的像素点(i,j),Pxy是以像素点(i,j)为中心像素的窗口内的像素点,N(x)是在满 足条件x的像素个数,并令λ=0.5;
步骤404:按照步骤403对初始变化检测结果图上每一个位置进行判断,当 满足步骤403中的公式时即为非噪声点的位置,作为训练样本;
步骤405:结束选择多层限制玻尔兹曼机训练样本的算法;
所述步骤105,包括如下步骤:
步骤501:开始多层改进多层限制玻尔兹曼机的训练算法;
步骤502:建立带有1层卷积层和5层RBM的深度神经网络,利用在粗糙 的三类变化检测结果中选择出训练样本训练网络,通过逐层训练,最后一层RBM 的输出作为整个网络的输出;
步骤503:将输出进行反向传播网络的训练,将训练预测输出的分类结果与 训练样本实际分类结果的误差逐层向后传播,对改进的多层限制玻尔兹曼机各 层的连接权值调优,确定整个网络的连接权值和偏置参数;
步骤504:结束多层改进多层限制玻尔兹曼机的训练算法,获得最终训练 好的多层限制玻尔兹曼机;
本发明与现有的技术相比具有以下优点:
第一,由于本发明突破了传统的SAR图像变化检测方法,将差异图分为 三类进行分析,正变化,未变化和负变化三类,思路简单明确,使得本发明 具有保留变化检测结果细节较为丰富,精度较高的优点。
第二,本发明将卷积神经网络的局部感受野引入到的多层限制玻尔兹曼 机的网络结构中,在多层限制玻尔兹曼机的网络结构的第一层引入了卷积层, 提出一种改进的多层限制玻尔兹曼机的方法。卷积神经网络中的卷积层起到 了有效的局部特征提取的作用,改进了限制玻尔兹曼机没有特征提取的功能, 使得结果稳定,正确率高。
附图说明
图1是基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测的流程 图;
图2是第一组实验仿真图,图2(a)和图2(b)的拍摄时间分别为2008.08 和2009.08,大小均为290×290;
图3是对应图2的三类变化检测结果对比,图3(a),图3(b)分别表示 基于FCM的三类变化检测图和本发明方法的三类变化检测结果图;
图4是第二组实验仿真图,图4(a)和图4(b)的拍摄时间分别为2003.08 和2004.05,大小均为390×370;
图5是对应图4的三类变化检测结果对比,图5(a),图5(b)分别表示 基于FCM的三类变化检测图和本发明方法的三类变化检测结果图;
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1,对本发明的实现步骤做进一步的描述。
步骤1,输入图像。
输入已配准的同一地区不同时刻的两幅遥感图像。
步骤2,构造差异图。
按照下式,构造已配准的同一地区不同时刻的两幅遥感图像的差异图:
其中,X表示已配准的同一地区不同时刻的两幅遥感图像的差异图,log表 示以10为底的对数操作,X1和X2分别表示已配准的同一地区不同时刻的两幅 遥感图像;若X2大于X1,对数比图像的像素呈正值,代表了正变化;若X2小 于X1,对数比图的像素呈负值,代表了负变化;
步骤3,对差异图进行模糊C均值聚类获得粗糙的三类变化检测结果,利用 已配准的同一地区不同时刻的两幅遥感图像的差异图的每个像素的特征,采用模 糊C均值方法,对已配准的同一地区不同时刻的两幅遥感图像的差异图进行模糊 聚类将差异图分为三类,迭代至前后目标函数值的最大改变量小于0.00001, 输出变化检测结果。其具体步骤如下:
第一步:开始模糊C均值聚类的分类算法;
第二步:对每个像素点用值在O~1间的隶属度来确定其属于各个类别的程度。隶属矩阵U允许有取值在[0,1]间元素。归一化处理后隶属度的和总等 于1,其中,N表示差异图的像素的个数,i表示对差异 图模糊聚类后的类别,j表示对差异图的像素的序号,uij表示差异图的第j个像 素在第i类上的隶属度,初始化隶属矩阵U,使其满足约束条件
第三步:按照下式,计算差异图的聚类中心ci:
其中,N表示差异图的像素的个数,ci表示差异图的第i类的聚类中心,uij表示差异图的第j个像素在第i类上的隶属度,xj表示差异图的第j个像素的特 征。
第四步:按照下式,计算差异图的隶属度:
第五步:按照下式,计算模糊C均值方法的目标函数值,判断迭代前后 目标函数值的最大改变量是否小于0.00001,若是,停止迭代,否则,计算 新的隶属矩阵U,并执行步骤303,按照下式,计算目标函数:
其中,dij=||ci-xj||表示差异图的第i个聚类中心到第j个像素的欧氏距离。
第六步:结束模糊C均值聚类的分类算法;
步骤4,在得到的FCM变化检测结果图上,以位置(i,j)的像素为中心像素, 取的5×5窗口,像素总个数为N=25;按照如下公式:
其中Pij是要预测的像素点(i,j)的类别,Ωij以像素点(i,j)为中心像素的窗口内的像素点,Pxy是以像素点(i,j)周围像素的类别,N(x)是在满足条件x的像素 个数,并令λ=0.6;对初始变化检测结果图上每一个像素进行判断,当满足公式 时即为非噪声点的位置,作为训练样本;
步骤5,建立带有1层卷积层和5层RBM的深度神经网络,利用在粗糙的 三类变化检测结果中选择出训练样本训练多层限制玻尔兹曼机,RBM只有两层 结构,一层叫做显层,由显元成,用于输入训练数据。另一层叫做隐层,由隐元 组成,用于输出训练数据,层内无连接。RBM的能量函数E(V,H)定义为:
其中Vb={vb1,vb2,...,vbn},Hb={hb1,hb2,...,hbm}分别是显层和隐层的偏置,ω={ωij|1≤i≤n,1≤j≤m}为可见层与隐含层的连接权重矩阵。
基于该能量函数我们可以得到隐含层和可见层的联合分布为:
其中Z是归一化因子
其中Z是归一化因子,sigm(x)是sigmoid函数,其值分别为:
sigm(x)=1/[1+exp(-x)]
训练样本输入至可见层的节点,采用能量函数激励隐含层的各个节点后,进 行下一隐含层节点的激励,从而重新获得可见层节点;根据条件分布公式,由vi更新hj的状态,再由hj重构vi的状态,根据vi的状态再一次重构hj的状态,完成 一次训练学习过程,可见层和隐含层的权重更新公式如下:
△ωij=δ(<vi·hj>data-<vi·hj>model)
其中△ωij表示可见层第i个节点vi与隐含层第j个节点hj的连接权值 <vi·hj>data表示数据分布的期望,<vi·hj>model表示经过一步之后重新构造的数据分 布,δ是增量的学习效率
通过逐层训练,最后一层RBM的输出作为整个网络的输出,将输出进行反 向传播网络的训练,将训练预测输出的分类结果与训练样本实际分类结果的误差 逐层向后传播,对改进的多层限制玻尔兹曼机各层的连接权值调优后,确定整 个网络的连接权值和偏置参数。
步骤6,利用训练好的多层限制玻尔兹曼机测试粗糙的三类变化检测结果 中出除训练样本外的其他像素点。
步骤7,输出变化检测结果。
下面结合附图2和附图3对本发明的效果做进一步说明。
1.仿真实验条件:
本实验的硬件测试平台是:处理器为Intel Core2CPU,主频为2.33GHz, 内存2GB,软件平台为:Windows XP操作系统和Matlab R2014a。
仿真实验一是黄河地区的SAR图像变化检测,图像大小是290×290,图2(a)是2008年6月的SAR图像,图2(b)是2009年6月的SAR图像。
仿真实验二是美国旧金山地区的SAR图像变化检测,图像大小是390×370,图 3(a)是2003年8月的SAR图像,图3(b)是2004年5月的SAR图像。
2.仿真内容:
在实验中分别对黄河地区和美国旧金山地区的遥感图像做基于模糊C均 值(FCM)聚类的三类变化检测和基于多层限制玻尔兹曼机的三类变化检测,对 比了两种方法变化检测图的效果。
3.仿真结果分析:
仿真实验一:两种方法对这个问题的检测结果的具体对比分析见表1。由表 1可以看出,本发明总的错误的像素数比FCM少了14249个,正确率也提高了 18.89%,可见本发明方法提高了遥感图像变化检测的精确度。
表1黄河地区变化检测结果
仿真实验二:两种方法对这个问题的检测结果的具体对比分析见表2。由表 1可以看出,本发明总的错误的像素数比FCM少了1282个,正确率也提高了 0.89%,可见本发明方法提高了遥感图像变化检测的精确度。
表2旧金山地区变化检测结果
Claims (5)
1.一种基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法,其特征是:包括如下步骤:
步骤101:开始基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法;
步骤102:对两幅已配准的同一地区不同时相的SAR图像构造三类差异图;
步骤103:对差异图进行模糊C均值聚类获得粗糙的三类变化检测结果;
步骤104:根据变化检测结果选择可能性大的非噪声点作为改进的多层限制玻尔兹曼机的训练样本,训练改进的多层限制玻尔兹曼机;
步骤105:将待检测图像输入训练好的网络中,得到最终的变化检测结果图;
步骤106:结束基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法。
2.根据权利要求1所述的多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法,其特征在于,所述步骤102按照下式构造三类变化检测的差异图:
其中,X表示已配准的同一地区不同时刻的两幅遥感图像的差异图,log表示以10为底的对数操作,X1和X2分别表示已配准的同一地区不同时刻的两幅遥感图像;若X2大于X1,对数比图像的像素呈正值,代表了正变化;若X2小于X1,对数比图的像素呈负值,代表了负变化。
3.根据权利要求1所述的多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法,其特征在于,所述步骤103,包括如下步骤:
步骤301:开始模糊C均值聚类的分类算法;
步骤302:对每个像素点用值在O~1间的隶属度来确定其属于各个类别的程度;隶属矩阵U允许有取值在[0,1]间元素;归一化处理后隶属度的和总等于1,其中,N表示差异图的像素的个数,i表示对差异图模糊聚类后的类别,j表示对差异图的像素的序号,uij表示差异图的第j个像素在第i类上的隶属度,初始化隶属矩阵U,使其满足约束条件;
步骤303:按照下式,计算差异图的聚类中心ci:
其中,N表示差异图的像素的个数,ci表示差异图的第i类的聚类中心,uij表示差异图的第j个像素在第i类上的隶属度,xj表示差异图的第j个像素的特征;
步骤305:按照下式,计算差异图的隶属度:
步骤306:按照下式,计算模糊C均值方法的目标函数值:
其中,dij=||ci-xj||表示差异图的第i个聚类中心到第j个像素的欧氏距离;判断迭代前后目标函数值的最大改变量是否小于0.00001,若是,停止迭代,否则,计算新的隶属矩阵U,并执行步骤303;
步骤306:结束模糊C均值聚类的分类算法。
4.根据权利要求1所述的多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法,其特征在于,所述步骤104,包括如下步骤:
步骤401:开始选择多层限制玻尔兹曼机训练样本的算法;
步骤402:在得到的初始变化检测结果图上,以位置(i,j)的像素为中心像素,取的5×5窗口,像素总个数为N=25;
步骤403:按照公式其中Pij是要预测的像素点(i,j),Pxy是以像素点(i,j)为中心像素的窗口内的像素点,N(x)是在满足条件x的像素个数,并令λ=0.5;
步骤404:按照步骤403对初始变化检测结果图上每一个位置进行判断,当满足步骤403中的公式时即为非噪声点的位置,作为训练样本;
步骤405:结束选择多层限制玻尔兹曼机训练样本的算法。
5.根据权利要求1所述的多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法,其特征在于,所述步骤105,包括如下步骤:
步骤501:开始多层改进多层限制玻尔兹曼机的训练算法;
步骤502:建立带有1层卷积层和5层RBM的深度神经网络,利用在粗糙的三类变化检测结果中选择出训练样本训练网络,通过逐层训练,最后一层RBM的输出作为整个网络的输出;
步骤503:将输出进行反向传播网络的训练,将训练预测输出的分类结果与训练样本实际分类结果的误差逐层向后传播,对改进的多层限制玻尔兹曼机各层的连接权值调优,确定整个网络的连接权值和偏置参数;
步骤504:结束多层改进多层限制玻尔兹曼机的训练算法,获得最终训练好的多层限制玻尔兹曼机。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610167861 | 2016-03-23 | ||
CN2016101678618 | 2016-03-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107437091A true CN107437091A (zh) | 2017-12-05 |
Family
ID=60458951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710180543.XA Pending CN107437091A (zh) | 2016-03-23 | 2017-03-23 | 多层限制玻尔兹曼机的sar图像正负类变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107437091A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509989A (zh) * | 2018-03-26 | 2018-09-07 | 西安电子科技大学 | 基于高斯选控玻尔兹曼机的hrrp识别方法 |
CN108920998A (zh) * | 2018-04-14 | 2018-11-30 | 海南大学 | 基于巴氏系数的单类标注下遥感影像目标区域提取方法 |
CN109426813A (zh) * | 2018-11-02 | 2019-03-05 | 中电科新型智慧城市研究院有限公司 | 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 |
WO2022152110A1 (zh) * | 2021-01-18 | 2022-07-21 | 阿里巴巴集团控股有限公司 | 对象追踪、地物追踪方法、设备、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020978A (zh) * | 2012-12-14 | 2013-04-03 | 西安电子科技大学 | 结合多阈值分割与模糊聚类的sar图像变化检测方法 |
CN103810699A (zh) * | 2013-12-24 | 2014-05-21 | 西安电子科技大学 | 基于无监督深度神经网络的sar图像变化检测方法 |
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN104318246A (zh) * | 2014-10-20 | 2015-01-28 | 西安电子科技大学 | 基于深度自适应脊波网络的极化sar图像分类 |
CN104408483A (zh) * | 2014-12-08 | 2015-03-11 | 西安电子科技大学 | 基于深度神经网络的sar纹理图像分类方法 |
CN104700100A (zh) * | 2015-04-01 | 2015-06-10 | 哈尔滨工业大学 | 面向高空间分辨率遥感大数据的特征提取方法 |
CN105046241A (zh) * | 2015-08-19 | 2015-11-11 | 西安电子科技大学 | 基于rbm模型的目标级遥感图像变化检测方法 |
-
2017
- 2017-03-23 CN CN201710180543.XA patent/CN107437091A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN103020978A (zh) * | 2012-12-14 | 2013-04-03 | 西安电子科技大学 | 结合多阈值分割与模糊聚类的sar图像变化检测方法 |
CN103810699A (zh) * | 2013-12-24 | 2014-05-21 | 西安电子科技大学 | 基于无监督深度神经网络的sar图像变化检测方法 |
CN104318246A (zh) * | 2014-10-20 | 2015-01-28 | 西安电子科技大学 | 基于深度自适应脊波网络的极化sar图像分类 |
CN104408483A (zh) * | 2014-12-08 | 2015-03-11 | 西安电子科技大学 | 基于深度神经网络的sar纹理图像分类方法 |
CN104700100A (zh) * | 2015-04-01 | 2015-06-10 | 哈尔滨工业大学 | 面向高空间分辨率遥感大数据的特征提取方法 |
CN105046241A (zh) * | 2015-08-19 | 2015-11-11 | 西安电子科技大学 | 基于rbm模型的目标级遥感图像变化检测方法 |
Non-Patent Citations (5)
Title |
---|
HONGLAK LEE 等: "Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations", 《26TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING》 * |
JIA LIU 等: "Difference representation learning using stacked restricted Boltzmann machines for change detection in SAR images", 《SOFT COMPUTING》 * |
QIUNAN ZHAO 等: "Three-Class Change Detection in Synthetic Aperture Radar Images Based on Deep Belief Network", 《BIC-TA 2015: BIO-INSPIRED COMPUTING - THEORIES AND APPLICATIONS》 * |
杨桂元: "《数学建模》", 28 February 2015, 上海财经大学出版社 * |
赵秋楠: "基于深度神经网络的SAR图像变化检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509989A (zh) * | 2018-03-26 | 2018-09-07 | 西安电子科技大学 | 基于高斯选控玻尔兹曼机的hrrp识别方法 |
CN108509989B (zh) * | 2018-03-26 | 2020-04-21 | 西安电子科技大学 | 基于高斯选控玻尔兹曼机的hrrp识别方法 |
CN108920998A (zh) * | 2018-04-14 | 2018-11-30 | 海南大学 | 基于巴氏系数的单类标注下遥感影像目标区域提取方法 |
CN109426813A (zh) * | 2018-11-02 | 2019-03-05 | 中电科新型智慧城市研究院有限公司 | 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 |
CN109426813B (zh) * | 2018-11-02 | 2022-06-24 | 中电科新型智慧城市研究院有限公司 | 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 |
WO2022152110A1 (zh) * | 2021-01-18 | 2022-07-21 | 阿里巴巴集团控股有限公司 | 对象追踪、地物追踪方法、设备、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
CN113033520B (zh) | 一种基于深度学习的树木线虫病害木识别方法及系统 | |
CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
CN106845374A (zh) | 基于深度学习的行人检测方法及检测装置 | |
CN108846426A (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
CN106446930A (zh) | 基于深层卷积神经网络的机器人工作场景识别方法 | |
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 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN107358142A (zh) | 基于随机森林构图的极化sar图像半监督分类方法 | |
CN109766936A (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
CN107437091A (zh) | 多层限制玻尔兹曼机的sar图像正负类变化检测方法 | |
CN108447057A (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN105741267A (zh) | 聚类引导深度神经网络分类的多源图像变化检测方法 | |
CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
CN113989662A (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN110097091A (zh) | 训练与推理数据分布不一致条件下的图像细粒度识别方法 | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
Keshk et al. | Change detection in SAR images based on deep learning | |
CN105205807B (zh) | 基于稀疏自动编码机的遥感图像变化检测方法 | |
CN104463207B (zh) | 知识自编码网络及其极化sar影像地物分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171205 |
|
RJ01 | Rejection of invention patent application after publication |