CN107563420B - 基于散射能量和堆栈自编码的极化sar图像分类方法 - Google Patents
基于散射能量和堆栈自编码的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN107563420B CN107563420B CN201710727450.4A CN201710727450A CN107563420B CN 107563420 B CN107563420 B CN 107563420B CN 201710727450 A CN201710727450 A CN 201710727450A CN 107563420 B CN107563420 B CN 107563420B
- Authority
- CN
- China
- Prior art keywords
- aperture radar
- synthetic aperture
- coherence matrix
- radar sar
- polarimetric synthetic
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于散射能量和堆栈自编码的极化SAR图像分类方法,主要解决现有技术中极化合成孔径雷达SAR图像特征的提取数据无关性和冗余性的影响而导致分类过程复杂,和无法提取极化SAR图像空间特征而导致分类精度不高的问题。本发明的具体实现步骤如下:(1)输入待分类的极化合成孔径雷达SAR图像的相干矩阵;(2)对极化SAR相干矩阵进行补偿;(3)获取散射模型的散射能量;(4)获取样本;(5)训练堆栈自编码;(6)堆栈自编码分类;(7)输出分类结果。本发明具有对极化合成孔径雷达SAR图像分类效果显著的优点。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及目标识别领域中基于散射能量和堆栈自编码的极化合成孔径雷达(Synthetic Aperture Radar SAR)图像分类方法。本发明可用于对极化合成孔径雷达SAR图像的地物分类和目标识别。
背景技术
相比于传统的合成孔径雷达,极化合成孔径雷达SAR利用多个通道的散射信息,可以获得对目标更加全面的认识。极化合成孔径雷达SAR图像分类是极化合成孔径雷达SAR图像解译的重要研究内容,分类图既可作为中间结果为边缘提取、目标检测、识别等提供辅助信息,也可作为最终结果直接输出给用户。它在民用和军用领域均有着巨大的应用价值和理论意义。
近年来,很多极化合成孔径雷达SAR图像分类的方法被提取出来,这些方法的基本原理都是利用极化信息,从极化散射矩阵中提取一些与散射机理密切相关的参数,利用这些参数本身,再结合一些其他的方法,对极化合成孔径雷达SAR图像场景中的地物目标进行分类。经典的极化合成孔径雷达SAR图像分类方法包括:
电子科技大学在其专利申请“一种基于子孔径分析的极化合成孔径雷达图像分类方法”(专利申请号:200910058210.5,公开号:CN101464956A)中提出了一种基于子孔径分析的极化合成孔径雷达SAR图像分类方法。这种方法首先采用H/ɑ平面对全分辨率极化合成孔径雷达SAR图像进行初始分类,再对其进行子孔径分解,然后根据初始分类计算初始类别中心,最后计算所有子孔径图像中每一个像素点与各类别中心的距离测度,将像素点归类于距离测度最小的那一类。该方法虽然综合了目标在不同视角下的散射特性,以及散射特性的变化,但是仍然存在的不足是,该方法对待分类的极化合成孔径雷达SAR图像信息的丰富性要求高,待处理的高维数据具有无关性和冗余性,计算量大,实现过程复杂。
西安电子科技大学在其专利申请“基于深度神经网络的极化SAR图像分类方法”(专利申请号:201410319969.5,公开号:CN104077599A)中提出了一种基于深度神经网络的极化合成孔径雷达SAR图像分类方法。该方法首先对极化合成孔径雷达SAR图像进行Pauli分解得到极化合成孔径雷达SAR数据的功率图,对功率图进行预分割,得到若干小块,从极化合成孔径雷达SAR图像中选取训练样本集和测试样本集,使用训练样本集对深度神经网络进行训练,然后利用训练好的深度神经网络对测试样本集进行分类,在预分割小块中,将分类标签与功率图的通道信息结合,得到小块的标签,最终得到分类结果。该方法虽然结合了功率图像的纹理特性,但是仍然存在的不足是使用深度神经网络对极化合成孔径雷达SAR图像进行特征提取时,未能引入空间邻域特征,导致特征提取不合理,影响极化合成孔径雷达SAR图像的分类精度。
发明内容
本发明的目的是克服上述现有技术的不足,提供一种基于散射能量和堆栈自编码极化SAR图像分类方法。本发明与现有技术中其他极化合成孔径雷达SAR图像分类技术相比计算量小,分类精度和分类效率高。
本发明实现上述目的的思路是:先对极化合成孔径雷达SAR图像的相干矩阵进行极化方位角补偿,再将补偿后的极化合成孔径雷达SAR相干矩阵进行弗里曼Freeman-Durden分解获得散射能量,采用大小为5×5的滑动窗口,以极化合成孔径雷达SAR图像中每个像素点为该滑动窗口的中心,提取滑动窗口内的像素块,将所提取的像素块作为样本,将所提取的所有样本组成一个样本集,从样本集中随机选取样本组成训练样本集和测试样本集,将训练样本输入到一个三层的堆栈自编码网络,得到训练好的堆栈自编码网络,将测试样本集输入到训练好的堆栈自编码网的第一层进行分类,得到最终的分类结果。
本发明实现的具体步骤包括如下:
(1)输入待分类的极化合成孔径雷达SAR图像的相干矩阵;
(2)对极化合成孔径雷达SAR相干矩阵进行补偿:
(2a)按照下式,计算极化合成孔径雷达SAR相干矩阵的极化方位角:
其中,θ表示极化合成孔径雷达SAR相干矩阵的极化方位角,arctan(·)表示求取弧度角操作,Re(·)表示求取复数的实部操作,T23表示极化合成孔径雷达SAR相干矩阵中的第2行第3列的元素,T22表示极化合成孔径雷达SAR相干矩阵的第2行第2列的元素,T33表示极化合成孔径雷达SAR相干矩阵的第3行第3列的元素;
(2b)按照下式,得到极化合成孔径雷达SAR相干矩阵的旋转矩阵:
其中,U表示极化合成孔径雷达SAR相干矩阵的旋转矩阵,cos(·)表示求取余弦值操作,sin(·)表示求取正弦值操作;
(2c)按照下式,得到补偿后的极化合成孔径雷达SAR相干矩阵:
T‘=UTU-1
其中,T‘表示补偿后的极化合成孔径雷达SAR相干矩阵,T表示输入待分类的极化合成孔径雷达SAR图像的相干矩阵,(·)-1表示矩阵求逆操作;
(3)获取散射模型的散射能量:
对补偿后的极化合成孔径雷达SAR相干矩阵进行弗里曼Freeman-Durden分解,得到极化合成孔径雷达SAR相干矩阵的表面散射、二面角散射、体散射模型的散射能量向量;
(4)获取样本:
(4a)采用大小为5×5的滑动窗口,以极化合成孔径雷达SAR图像中每个像素点为该滑动窗口的中心,提取滑动窗口内的像素块,将所提取的像素块作为样本,将所提取的所有样本组成一个样本集;
(4b)从样本集中随机选取5%的样本作为训练样本集,将剩余的95%样本作为测试样本集;
(5)训练堆栈自编码网络:
将训练样本输入到一个三层的堆栈自编码网络,得到训练好的堆栈自编码网络;
(6)堆栈自编码网络分类:
将测试样本集输入到训练好的堆栈自编码网的第一层进行分类,得到测试样本的分类结果;
(7)输出分类结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明通过引入散射模型的散射能量,采用散射能量向量来表示训练样本集和测试样本集,克服了现有技术中待处理的高维数据的计算复杂度高的不足,使得本发明在对极化合成孔径雷达SAR图像进行分类时提高了分类效率。
第二,由于本发明通过引入5×5的滑动窗口,提取训练样本集和测试样本集,克服了现有技术中极化合成孔径雷达SAR特征缺乏邻域信息的不足,使得本发明在对极化合成孔径雷达SAR图像进行分类时提高了分类精度。
第三,由于本发明通过引入三层堆栈自编码网络,对测试样本集进行分类,克服了现有技术中提取特征不合理而造成的分类精度的下降,提高了分类精度。
附图说明
图1为本发明的流程图;
图2为本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明实现的具体步骤如下:
步骤1,输入待分类的极化合成孔径雷达SAR图像的相干矩阵。
步骤2,对极化合成孔径雷达SAR相干矩阵进行补偿。
对极化合成孔径雷达SAR相干矩阵取极化方位角,利用极化方位角计算极化相干矩阵的旋转矩阵,使用旋转矩阵对相干矩阵进行旋转变换,得到补偿后的极化相干矩阵,具体操作步骤如下:
第一步,按照下式,计算极化合成孔径雷达SAR相干矩阵的极化方位角:
其中,θ表示极化合成孔径雷达SAR相干矩阵的极化方位角,arctan(·)表示求取弧度角操作,Re(·)表示求取复数的实部操作,T23表示极化合成孔径雷达SAR相干矩阵中的第2行的第3列元素,T22表示极化合成孔径雷达SAR相干矩阵的第2行的第2列元素,T33表示极化合成孔径雷达SAR相干矩阵的第3行的第3列元素。
第二步,按照下式,计算极化合成孔径雷达SAR相干矩阵的旋转矩阵:
其中,U表示极化合成孔径雷达SAR相干矩阵的旋转矩阵,θ表示极化合成孔径雷达SAR相干矩阵的极化方位角,cos(·)表示求取余弦值操作,sin(·)表示求取正弦值操作。
第三步,按照下式,对极化合成孔径雷达SAR相干矩阵进行补偿:
T‘=UTU-1
其中,T‘表示补偿后的极化合成孔径雷达SAR相干矩阵,T表示原极化合成孔径雷达SAR相干矩阵,(·)-1表示矩阵求逆操作。
步骤3,获取散射模型的散射能量。
对补偿后的极化合成孔径雷达SAR相干矩阵进行弗里曼Freeman-Durden分解,获取极化合成孔径雷达SAR相干矩阵的表面散射、二面角散射、体散射模型的散射能量向量,具体操作步骤如下:
第一步,按照下式,计算极化相干矩阵的散射能量:
Pv=4T33
其中,Ps表示极化相干矩阵的表面散射能量,β表示弗里曼Freeman-Durden分解的参数,T12表示极化合成孔径雷达SAR相干矩阵中的第1行第2列的元素,T11表示极化合成孔径雷达SAR相干矩阵的第1行第1列的元素,T22表示极化合成孔径雷达SAR相干矩阵的第2行第2列的元素,α表示弗里曼Freeman-Durden分解的参数,Pd表示极化相干矩阵的二面角散射能量,T33表示极化合成孔径雷达SAR相干矩阵的第3行第3列的元素,Pv表示极化相干矩阵的体散射能量。
第二步,按照下式,分别计算弗里曼Freeman-Durden分解的两个参数α,β:
其中,α,β分别表示弗里曼Freeman-Durden两个分解参数。
步骤3,选取样本。
从极化合成孔径雷达SAR图像中提取样本,具体操作步骤如下:
第一步,采用大小为5×5的滑动窗口,以极化合成孔径雷达SAR图像中每个像素点为该滑动窗口的中心,提取滑动窗口内的像素块,将所提取的像素块作为样本,将所提取的所有样本组成一个样本集。
第二步,从样本集中随机选取5%的样本作为训练样本集,将剩余的95%样本作为测试样本集。
步骤5,训练堆栈自编码网络。
将训练样本输入到一个三层的堆栈自编码网络,得到训练好的堆栈自编码网络的具体操作步骤如下:
第一步,训练第一层稀疏自编码器:
在[-1,1]范围任意选取一个数,作为第一层的稀疏自编码器的权重值,偏差值选取0。
对选取的一层的稀疏自编码器的权重值和偏差值,按照下式,计算第一层的稀疏自编码器的整体样本均方差衰减值:
其中,J(W1,b1)表示第一层的稀疏自编码器的整体样本均方差衰减值,W1表示选取的第一层的稀疏自编码器的权重值,b1表示选取的第一层的稀疏自编码器的偏差值,表示训练样本集与第一层的稀疏自编码器对训练样本集的重构的误差值,X表示训练样本集,表示第一层的稀疏自编码器对X的重构样本集,J(W1)表示选取的第一层的稀疏自编码器的权重的衰减值,P表示稀疏自编码器的稀疏度,公式如下:
其中,P表示稀疏自编码器的稀疏度,μ表示稀疏自编码器的控制稀疏性惩罚参数的权重值,取值为μ=1,∑(·)表示求和操作,ρ表示稀疏自编码器的稀疏性参数,ρ的取值范围为0<ρ<1,log(·)表示取以10为底的对数操作,表示稀疏自编码器中隐藏神经元的平均活跃值。
对获得的整体样本均方差衰减值,按照下式,采用梯度下降法,获取稀疏自编码器的最优权重值和最优偏差值:
其中,α表示稀疏自编码器的权重值的学习速率,α的取值范围为0<α<1,表示第一层的稀疏自编码器的权重值的偏导数操作,β表示稀疏自编码器的偏差值的学习速率,β的取值范围为0<β<1,表示第一层的稀疏自编码器的偏差值的偏导数操作。
在稀疏自编码器的整体样本均方差衰减值达到全局最小值时,停止迭代,将停止迭代时稀疏自编码器的迭代权重值和偏差值作为第一层稀疏自编码器的最优权重值和最优偏差值。
固定第一层的稀疏自编码器的权重值和偏差值,采取特征提取方法,按照下式,提取每一个训练样本的特征,将得到的所有特征组合第一层的训练样本特征集:
H1=sigmoid(W1X+b1)
其中,H1表示第一层的训练样本特征集,sigmoid(·)表示sigmoid函数。
第二步,训练第二层稀疏自编码器:在[-1,1]范围任意选取一个数,作为第二层的稀疏自编码器的权重值,偏差值选取0;对获得第二层的稀疏自编码器的权重值和偏差值,按照下式,计算第二层的稀疏自编码器的整体样本均方差衰减值:
其中,J(W2,b2)表示第二层的稀疏自编码器的整体样本均方差衰减值,W2表示选取的第二层的稀疏自编码器的权重值,b2表示选取的第二层的稀疏自编码器的偏差值,表示第一层的训练样本特征值H1与第二层的稀疏自编码器对H1的重构的误差值,表示第二层稀疏自编码器对H1的重构值,J(W2)表示选取的第二层的稀疏自编码器的权重的衰减值。
对获得的整体样本均方差衰减值,按照下式,采用梯度下降法,获取稀疏自编码器的最优权重值和最优偏差值:
在第二层的稀疏自编码器的整体样本均方差衰减值达到全局最小值时,停止迭代,将停止迭代时第二层的稀疏自编码器的迭代权重值和偏差值作为第二层稀疏自编码器的最优权重值和最优偏差值。
固定第二层的稀疏自编码器的权重值和偏差值,采取特征提取方法,按照下式,提取每一个训练样本的特征,将得到的所有特征组合第二层的训练样本特征集:
H2=sigmoid(W2H1+b2)
其中,H2表示第二层的稀疏自编码器的训练样本特征集,H1表示第一层的训练样本特征集。
第三步,训练第三层的柔性最大值Softmax分类器:
在[-1,1]范围任意选取一个数,作为柔性最大值Softmax分类器的权重值,偏差值取0。
对获得的柔性最大值Softmax分类器的权重值和偏差值,按照下式,将得到训练样本的各个类别的概率值:
其中,Hθ(·)表示训练样本集的类别概率估计值,H2表示第二层稀疏自编码器的训练样本特征集,θ表示Softmax分类器的权重值和偏差值组成的向量[Wf;bf],f表示类别标签,∑(·)表示求和操作,[·]'表示矩阵转置操作,m表示训练样本类别数目,e(·)表示取指数操作。
对获得的训练样本概率值,按照下式,将得到Softmax分类器的交叉熵衰减值:
其中,J(θ)表示柔性最大值Softmax分类器的交叉熵衰减值,N表示训练样本集个数,y(i)表示训练样本集中第i个点的标签值,log(·)表示取对数操作,Hθ(·)表示训练样本集的类别概率估计值。
对获得的柔性最大值Softmax分类器的交叉熵衰减值,采用梯度下降法,获取柔性最大值Softmax的最优权重值和最优偏差值。
第五步,微调整体网络权重和偏差值:对获得整体网络的训练样本的均方差衰减值,采用梯度下降法,获取整体网络的最优权重值和最优偏差值,得到训练好的堆栈编码网络。
步骤6,堆栈自编码分类。
将测试样本集经过堆栈自编码网络,对测试样本进行分类,得到测试样本的分类结果。
步骤7,输出分类结果。
本发明的效果可通过以下仿真进一步说明。
1、仿真条件:
本发明的仿真是在主频2.5GHZ的、CPU i5-3210M、内存4GB的硬件环境和MATLABR2012b的软件环境下进行的。
2、仿真内容与结果分析。
仿真A:
图2为本发明的仿真图。其中,图2(a)表示本发明对目标进行分类所使用的极化合成孔径雷达SAR图像。该图像为NASA-JPL机载L波段AIRSAR系统于1991年获取的荷兰Flevoland农田区域极化合成孔径雷达SAR的RGB合成图像,图像的尺寸大小均为750×1024。图2(b)表示从图2(a)中选取了15类目标的原始标签图,图2(c)表示采用本发明的方法,对图2(b)中目标进行分类的结果图。
本发明的仿真实验将图2(b)中待分类的目标分成15类。从图2(c)可以看出图像中各个目标划分的较为细致,目标的边缘比较清晰,本发明的分类结果中各类目标区分比较明显,准确度较高,区域一致性较好。由于本发明在采用5×5的邻域窗口提取邻域信息的同时,也采用三层的堆栈自编码网络对极化合成孔径雷达SAR图像中的目标进行分类,提高了分类准确度。表明本发明可以有效解决极化合成孔径雷达SAR图像分类问题。
仿真B:
采用本发明与现有技术的W-DSN方法对图2(b)中15类目标分别进行分类,所得结果如表1所示。表1中,“Total”表示图2(b)中所有目标的总的准确率,“Stembeans”表示图2(b)中第1类目标,“Rapeseed”表示图2(b)中第2类目标,“Bare soil”表示图2(b)中第3类目标,“Potatoes”表示图2(b)中第4类目标,“Beet”表示图2(b)中第5类目标,“Wheat2”表示图2(b)中第6类目标,“Peas”表示图2(b)中第7类目标率,“Wheat3”表示图2(b)中第8类目标,“Lucerne”表示图2(b)中第9类目标,“Barley”表示图2(b)中第10类目标,“Wheat”表示图2(b)中第11类目标,“Grasses”表示图2(b)中第12类目标,“Forest”表示图2(b)中第13类目标,“Water”表示图2(b)中第14类目标,“Building”表示图2(b)中第15类目标。
表1仿真B的分类精度一览表
从表1可见,本发明在图2(b)中总的准确率以及第2、4、6、13、15类目标的准确率明显高于现有的W-DSN方法,验证了基于散射能量和堆栈自编码的极化SAR图像分类方法对极化SAR图像分类的良好效果。
Claims (1)
1.一种基于散射能量和堆栈自编码的极化SAR图像分类方法,包括如下步骤:
(1)输入待分类的极化合成孔径雷达SAR图像的相干矩阵;
(2)对极化合成孔径雷达SAR相干矩阵进行补偿:
(2a)按照下式,计算极化合成孔径雷达SAR相干矩阵的极化方位角:
其中,θ表示极化合成孔径雷达SAR相干矩阵的极化方位角,arctan(·)表示求取弧度角操作,Re(·)表示求取复数的实部操作,T23表示极化合成孔径雷达SAR相干矩阵中的第2行第3列的元素,T22表示极化合成孔径雷达SAR相干矩阵的第2行第2列的元素,T33表示极化合成孔径雷达SAR相干矩阵的第3行第3列的元素;
(2b)按照下式,得到极化合成孔径雷达SAR相干矩阵的旋转矩阵:
其中,U表示极化合成孔径雷达SAR相干矩阵的旋转矩阵,cos(·)表示求取余弦值操作,sin(·)表示求取正弦值操作;
(2c)按照下式,得到补偿后的极化合成孔径雷达SAR相干矩阵:
T‘=UTU-1
其中,T‘表示补偿后的极化合成孔径雷达SAR相干矩阵,T表示输入待分类的极化合成孔径雷达SAR图像的相干矩阵,(·)-1表示矩阵求逆操作;
(3)获取散射模型的散射能量:
对补偿后的极化合成孔径雷达SAR相干矩阵进行弗里曼Freeman-Durden分解,得到极化合成孔径雷达SAR相干矩阵的表面散射、二面角散射、体散射模型的散射能量向量;
所述的弗里曼Freeman-Durden分解的具体步骤如下:
第一步,按照下式,计算极化相干矩阵的散射能量:
Pv=4T33
其中,Ps表示极化相干矩阵的表面散射能量,β表示弗里曼Freeman-Durden分解的参数,T12表示极化合成孔径雷达SAR相干矩阵中的第1行第2列的元素,T11表示极化合成孔径雷达SAR相干矩阵的第1行第1列的元素,α表示弗里曼Freeman-Durden分解的参数,Pd表示极化相干矩阵的二面角散射能量,Pv表示极化相干矩阵的体散射能量;
第二步,按照下式,分别计算弗里曼Freeman-Durden分解的两个参数α,β:
(4)获取样本:
(4a)采用大小为5×5的滑动窗口,以极化合成孔径雷达SAR图像中每个像素点为该滑动窗口的中心,提取滑动窗口内的像素块,将所提取的像素块作为样本,将所提取的所有样本组成一个样本集;
(4b)从样本集中随机选取5%的样本作为训练样本集,将剩余的95%样本作为测试样本集;
(5)训练堆栈自编码网络:
将训练样本输入到一个三层的堆栈自编码网络,得到训练好的堆栈自编码网络;
所述的训练堆栈自编码网络具体步骤如下:
第一步,训练第一层稀疏自动编码器:在[-1,1]范围任意选取一个数,作为第一层的稀疏自动编码器的权重,偏差值选取0;对获得的训练样本均方差衰减值,采用梯度下降法,获取第一层的稀疏自动编码器的最优权重值和最优偏差值;采取特征提取方法,提取每一个训练样本的特征,将得到的所有特征组合第一层的训练样本特征集;
第三步,训练第二层稀疏自动编码器:在[-1,1]范围任意选取一个数,作为第二层的稀疏自动编码器的权重,偏差值选取0;对获得的第一层的训练样本特征集的均方差衰减值,采用梯度下降法,获取第二层的稀疏自动编码器的最优权重值和最优偏差值;采取特征提取方法,提取每一个训练样本的特征,将得到的所有特征组合第二层的训练样本特征集;
第四步,训练第三层柔性最大值Softmax分类器:在[-1,1]范围任意选取一个数,作为柔性最大值Softmax的权重,偏差值选取为0;对获得的第二层的训练样本特征集的交叉熵衰减值,采用梯度下降法,获取柔性最大值Softmax的最优权重值和最优偏差值;
第五步,微调整体网络权重和偏差值:对获得整体网络的训练样本的均方差衰减值,采用梯度下降法,获取整体网络的最优权重值和最优偏差值,得到训练好的堆栈编码网络;
(6)堆栈自编码网络分类:
将测试样本集输入到训练好的堆栈自编码网的第一层进行分类,得到测试样本的分类结果;
(7)输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710727450.4A CN107563420B (zh) | 2017-08-23 | 2017-08-23 | 基于散射能量和堆栈自编码的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710727450.4A CN107563420B (zh) | 2017-08-23 | 2017-08-23 | 基于散射能量和堆栈自编码的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563420A CN107563420A (zh) | 2018-01-09 |
CN107563420B true CN107563420B (zh) | 2019-10-08 |
Family
ID=60976764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710727450.4A Active CN107563420B (zh) | 2017-08-23 | 2017-08-23 | 基于散射能量和堆栈自编码的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563420B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108764064A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 基于导向滤波器与自编码器的sar目标识别算法 |
CN109977964B (zh) * | 2019-02-25 | 2021-07-27 | 南京航空航天大学 | 一种基于深度生成模型的sar图像方位角特征提取方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5057843A (en) * | 1990-06-25 | 1991-10-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for providing a polarization filter for processing synthetic aperture radar image data |
CN104318246B (zh) * | 2014-10-20 | 2018-08-28 | 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 |
CN104331707A (zh) * | 2014-11-02 | 2015-02-04 | 西安电子科技大学 | 基于深度pca网络和svm的极化sar图像分类方法 |
-
2017
- 2017-08-23 CN CN201710727450.4A patent/CN107563420B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107563420A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103886336B (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
CN107944370B (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN108182450A (zh) | 一种基于深度卷积网络的机载探地雷达目标识别方法 | |
CN104680180B (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN103914704B (zh) | 一种基于半监督SVM和MeanShift的极化SAR图像分类方法 | |
CN104778482B (zh) | 基于张量半监督标度切维数约减的高光谱图像分类方法 | |
CN107563420B (zh) | 基于散射能量和堆栈自编码的极化sar图像分类方法 | |
CN108830243A (zh) | 基于胶囊网络的高光谱图像分类方法 | |
CN105894013B (zh) | 基于cnn和smm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 | |
CN105184297B (zh) | 基于张量和稀疏自编码器的极化sar图像分类方法 | |
CN106228182B (zh) | 基于spm和深度增量svm的sar图像分类方法 | |
CN105760900A (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
CN109359525A (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN105160351B (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
CN107358214A (zh) | 基于卷积神经网络的极化sar地物分类方法 | |
CN110516728A (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
CN105205491A (zh) | 基于极限学习机的极化sar图像分类方法 | |
CN104680182B (zh) | 基于nsct和判别字典学习的极化sar分类方法 | |
CN104700116A (zh) | 基于多层量子脊波表示的极化sar图像地物的分类方法 |
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 |