CN107832798B - 基于nsct阶梯网模型的极化sar图像目标检测方法 - Google Patents
基于nsct阶梯网模型的极化sar图像目标检测方法 Download PDFInfo
- Publication number
- CN107832798B CN107832798B CN201711155378.9A CN201711155378A CN107832798B CN 107832798 B CN107832798 B CN 107832798B CN 201711155378 A CN201711155378 A CN 201711155378A CN 107832798 B CN107832798 B CN 107832798B
- Authority
- CN
- China
- Prior art keywords
- layer
- matrix
- scattering
- target detection
- sar image
- 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
Images
Classifications
-
- 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
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
本发明公开了一种基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法,主要解决现有技术中只能依靠散射信息对地物进行分类和未考虑极化SAR图像的多尺度特征而导致的分类准确率偏低的问题。本发明的具体步骤如下:(1)对待检测的极化SAR图像进行Lee滤波;(2)将相干矩阵进行Yamaguchi分解;(3)特征矩阵归一化;(4)对特征矩阵进行非下采样轮廓波变换;(5)构造数据集;(6)构建阶梯网目标检测模型;(7)训练目标检测模型;(8)获得测试结果。本发明具有对极化SAR图像的多尺度特征提取好,目标检测的精度高的优点。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及极化合成孔径雷达图像目标检测技术领域中的一种基于非下采样轮廓波NSCT(non-subsampled contourlet transform)阶梯网模型的极化SAR(Synthetic Aperture Radar)图像目标检测方法。本发明可应用于对极化SAR图像的不同区域准确地进行目标检测和识别。
背景技术
合成孔径雷达(SAR)作为各种遥感手段中唯一具有全天时全天候遥感成像能力的雷达,在遥感领域具有无可替代的作用,目前已得到广泛应用。极化合成孔径雷达是建立在传统SAR体制上的新型SAR体制雷达,它的出现极大地拓宽了SAR应用领域。
随着极化SAR系统的推广,所获得的全极化数据也越来越丰富。如何对图像做出快速而准确的解译,如何有效地对目标进行分类或检测,已成为迫切需要解决的一个难题。
中山大学申请的专利“一种基于目标散射鉴别的POLSAR图像无监督分类方法”(专利申请号:201210222987.2,公布号:CN102799896A)中提出了一种基于目标散射鉴别的POLSAR图像无监督分类的方法。该方法首先计算POLSAR图像极化散射熵,以及表面散射、偶次散射和体散射的相似性参数,并利用这些参数将POLSAR图像初始划分类别;然后选取以表面散射为主的地物的最小天线接收功率特征极化作为天线极化状态,计算每个像素的天线接收功率;最后计算每一类的聚类中心并根据极化散射差异度量将所有像素重新分类并更新聚类中心,重复这一过程直到聚类中心不再发生变化。该方法属于无监督的分类方法,能够准确地描述地物散射特征,并且能够很好地对应实际散射情况,减少类别调整的运算时间等优点,但是,该方法仍然存在的不足之处是,由于该方法属于无监督分类,只能依靠散射信息对地物进行分类,使得分类准确率偏低。
西安电子科技大学在其申请的专利文献“一种基于深度阶梯网的极化SAR图像的目标检测方法”(专利申请号:201710370455.6,公开号:107239757A)中提出一种基于深度阶梯网模型的极化SAR图像的目标检测方法。该方法首先对极化数据进行Lee滤波,对得到的极化协方差矩阵进行Yamaguchi分解,然后采用逐像素滑窗的方式构造训练集合和测试集,最后使用基于全连接的半监督深度阶梯网模型实现数据的分类,仅使用少量的有类标样本就得到了较高的准确率。但是,该方法仍然存在的不足之处是,由于使用的阶梯网模型是基于全连接的,数据块需要拉成一个向量后输入网络,破坏了图像的邻域信息,同时未考虑到极化SAR的多尺度特征,导致图像信息利用不充分,不能很好的将图像边缘检测出来,结果会与真实目标产生偏差。
发明内容
本发明的目的是针对上述现有技术的不足,提出一种基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法。本发明与现有其他极化SAR图像目标检测方法相比,能够提取出极化SAR图像的深层特征以及多尺度特征,仅用少量的有类标样本就可得到较高的极化SAR图像目标检测精度。
本发明实现上述目的的思路是:先对待检测的极化SAR图像进行Lee滤波,对滤波后的相干矩阵进行Yamaguchi分解,再对分解得到的特征矩阵进行归一化和非下采样轮廓波变换,然后构造数据集,之后构建阶梯网目标检测模型,用训练数据集训练模型,最后将测试数据集送入训练好的目标检测模型中得到测试数据集中每个像素所属的目标类别。
本发明实现的具体步骤包括如下:
(1)对待检测的极化SAR图像进行Lee滤波:
对待检测的极化SAR图像的极化相干矩阵,进行滤除相干噪声的精致极化Lee滤波,得到滤波后的极化相干矩阵,其中待检测的极化SAR图像大小为1800×1380像素,得到滤波后的极化相干矩阵中的每个元素是一个3×3的矩阵,相当于每个像素点有9维特征;
(2)将相干矩阵进行Yamaguchi分解:
对滤波后的相干矩阵进行Yamaguchi分解,得到奇次散射、偶次散射、体散射以及螺旋散射功率,用分解得到的奇次散射、偶次散射、体散射功率作为表征极化SAR目标的3维图像特征,构成基于像素点的特征矩阵;
(3)特征矩阵归一化:
将特征矩阵中的元素值归一化到[0,255]之间,得到归一化后的特征矩阵;
(4)对特征矩阵进行非下采样轮廓波变换:
(4a)使用三级非下采样拉普拉斯金字塔分解滤波器组,对特征矩阵的每一层进行分解,得到一个低频子带和三个高频子带,使用非下采样方向滤波器组对高频子带进行方向滤波,得到十一个高频系数矩阵;
(4b)对十一个高频系数矩阵中每个元素取绝对值,得到绝对值高频系数矩阵,选取十一个绝对值高频系数矩阵中同一位置处最大值所对应的元素,组成最大值高频系数矩阵;由最大值高频系数矩阵和低频子带对应的低频子带系数矩阵构成非下采样轮廓波变换后的特征矩阵;
(5)构造数据集:
(5a)用切割间隔为1、大小为20×20的矩阵窗口,对非下采样轮廓波变换后的特征矩阵进行切块,构成基于图像块的特征矩阵;
(5b)随机选取特征矩阵中70000个特征矩阵块组成训练数据集,将特征矩阵中全部特征矩阵块组成测试数据集;
(6)构建阶梯网络目标检测模型:
(6a)构建包括含噪通路与不含噪通路的编码器,含噪通路与不含噪通路具有相同的结构均为由输入层→第一卷积层→第二卷积层→第三卷积层→softmax分类器层组成的5层神经网络,其中含噪通路中每个单元加入均值为0,方差为0.3的高斯噪声;
(6b)构建一个依次由输入层→第一解码层→第二解码层→第三解码层→第四解码层组成的5层解码器;
(7)训练目标检测模型:
将训练数据集输入到目标检测模型中,对该模型进行训练,得到训练好的目标检测模型;
(8)获得测试结果:
将测试数据集输入到训练好的目标检测模型中,得到测试数据集中每个像素所属的目标类别。
本发明与现有的技术相比具有以下优点:
第一,由于本发明对待检测图像的特征矩阵进行了非下采样轮廓波变换,提取了待检测极化SAR图像的多尺度特征,克服了现有技术中未考虑极化SAR图像的多尺度特征而导致的图像信息利用不充分的问题,使得本发明能够充分保证目标检测的准确性和极化散射特性的完整性。
第二,由于本发明构建了阶梯网络模型,使用阶梯网络模型提取了极化SAR图像的深层特征并实现极化SAR图像的目标检测,所提取的深层特征具有较强的表达能力和泛化能力,克服了现有技术中只能依靠散射信息对地物进行检测而导致的目标检测准确率偏低的问题,使得本发明提高了极化SAR图像的目标检测精度。
附图说明
图1是本发明的流程图;
图2是本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照附图1,对本发明的步骤做进一步的详细描述。
步骤1.对待检测的极化SAR图像进行Lee滤波。
对待检测的极化SAR图像的极化相干矩阵,进行滤除相干噪声的精致极化Lee滤波,得到滤波后的极化相干矩阵,其中待检测的极化SAR图像大小为1800×1380像素,得到滤波后的极化相干矩阵中的每个元素是一个3×3的矩阵,相当于每个像素点有9维特征。
所述精致极化Lee滤波中Lee滤波器的窗口大小为7×7个像素。
步骤2.将相干矩阵进行Yamaguchi分解。
对滤波后的相干矩阵进行Yamaguchi分解,得到奇次散射、偶次散射、体散射以及螺旋散射功率,用分解得到的奇次散射、偶次散射、体散射功率作为表征极化SAR目标的3维图像特征,构成基于像素点的特征矩阵。
所述Yamaguchi分解的具体步骤如下:
第一步,用于Yamaguchi分解的待检测目标的协方差矩阵如下:
其中,C表示待检测目标的协方差矩阵,S表示极化散射矩阵,SHH表示水平发射水平接收通道,H表示发射与接收的水平方向,SHV表示水平发射垂直接收通道,V表示发射与接收的垂直方向,SVV表示垂直发射垂直接收通道,[·]表示矩阵符号,|·|表示取绝对值操作,|·|2表示取绝对值平方操作,*表示共轭转置操作;
第二步,构造用于分解的等式如下:
C=f1×C1+f2×C2+f3×C3+f4×C4
其中,f1表示表面散射分量的加权系数,C1表示表面散射分量的协方差矩阵,f2表示偶次散射分量的加权系数,C2表示偶次散射分量的协方差矩阵,f3表示体散射分量的加权系数,C3表示体散射分量的协方差矩阵,f4表示螺旋体散射分量的加权系数,C4表示螺旋体散射分量的协方差矩阵;
矩阵C1、矩阵C2、矩阵C3、矩阵C4的表达形式如下:
第三步,比较等式两边的协方差矩阵求解四个分量的加权系数,得到如下等式:
其中,Im(·)表示求虚部操作。
第四步,根据第三步中的等式,计算f1、f2、f3和f4四个加权系数;
第五步,按照下述两个公式,依次计算Yamaguchi分解的表面散射功率和偶次散射功率:
Ps=f1(1+|β|2)
Pd=f2(1+|α|2)
其中,Ps表示表面散射功率,Pd表示偶次散射功率;
第六步,Yamaguchi分解的体散射功率Pv与体散射分量的加权系数f3相等,螺旋体散射功率Ph与螺旋体散射分量的加权系数f4相等;
第七步,将计算得到的奇次散射、偶次散射、体散射功率赋给一个大小为M1×M2×3的矩阵,得到像素点的特征矩阵,其中,M1表示待分类极化SAR图像的长,M2表示待分类极化SAR图像的宽。
步骤3.特征矩阵归一化。
将特征矩阵中的元素值归一化到[0,255]之间,得到归一化后的特征矩阵。
步骤4.对特征矩阵进行非下采样轮廓波变换。
使用三级非下采样拉普拉斯金字塔分解滤波器组,对特征矩阵的每一层进行分解,得到一个低频子带和三个高频子带,使用非下采样方向滤波器组对高频子带进行方向滤波,得到十一个高频系数矩阵。
对十一个高频系数矩阵中每个元素取绝对值,得到绝对值高频系数矩阵,选取十一个绝对值高频系数矩阵中同一位置处最大值所对应的元素,组成最大值高频系数矩阵;由最大值高频系数矩阵和低频子带对应的低频子带系数矩阵构成非下采样轮廓波变换后的特征矩阵。
步骤5.构造数据集。
用切割间隔为1、大小为20×20的矩阵窗口,对非下采样轮廓波变换后的特征矩阵进行切块,构成基于图像块的特征矩阵。
随机选取特征矩阵中70000个特征矩阵块组成训练数据集,将特征矩阵中全部特征矩阵块组成测试数据集。
步骤6.构建阶梯网络目标检测模型。
构建包括含噪通路与不含噪通路的编码器,含噪通路与不含噪通路具有相同的结构均为由输入层→第一卷积层→第二卷积层→第三卷积层→softmax分类器层组成的5层神经网络,其中含噪通路中每个单元加入均值为0,方差为0.3的高斯噪声。
所述编码器每层的参数设置如下:
输入层的特征映射图数目设置为3;
第一卷积层的特征映射图数目设置为6;
第二卷积层的特征映射图数目设置为128;
第三卷积层的特征映射图数目设置为64;
softmax分类器层的特征映射图数目设置为2。
构建一个依次由输入层→第一解码层→第二解码层→第三解码层→第四解码层组成的5层解码器。
所述5层解码器的参数设置如下:
输入层的特征映射图数目设置为2;
第一解码层设置的特征映射图数目与编码器的softmax分类器层相同;
第二解码层设置的特征映射图数目与编码器的第三卷积层相同;
第三解码层设置的特征映射图数目与编码器的第二卷积层相同;
第四解码层设置的特征映射图数目与编码器的第一卷积层相同。
所述5层解码器各层的输入数据分别为:输入层的输入数据为编码器含噪通路的输出,解码器的第一解码层、第二解码层、第三解码层、第四解码层的输入数据分别为编码器含噪通路中对应层的特征值和解码器上一层输出数据的非线性组合,解码器每一层重构出编码器不含噪通路对应层的特征。
步骤7.训练目标检测模型。
将训练数据集输入到目标检测模型中,对该模型进行训练,得到训练好的目标检测模型。
将训练数据集作为目标检测模型的输入,利用模型提取数据集中每个像素点的特征,将模型前向传播的结果作为模型的输出,通过求解上述输出与人工标记的正确类别之间的误差并对误差进行反向传播,来优化目标检测模型的网络参数,得到训练好的目标检测模型,人工标记的正确类标如图2所示。
步骤8.获得测试结果。
将测试数据集输入到训练好的目标检测模型中,得到测试数据集中每个像素所属的目标类别。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真条件:
本发明的仿真实验是在主频2.40GHz*16的Intel(R)Xeon(R)E5-2630CPU、内存64GB的硬件环境和TensorFlow的软件环境下进行的。
图2(a)是本发明的仿真实验所使用的待检测的极化SAR数据的伪彩图,该图为RADARSAT_2雷达系统,于2008年获取的旧金山海湾地区极化SAR数据的协方差矩阵,经过Yamaguchi分解后得到的伪彩图,该伪彩图的大小为1800×1380像素,图像分辨率为10×5米。
图2(b)是本发明的仿真实验所使用的待分类的旧金山海湾地区极化SAR图像的实际人工标记图。图2(b)中的白色代表城区目标,黑色代表非城区目标。
2.仿真内容与结果分析:
使用本发明的方法对旧金山海湾地区极化SAR图像进行目标检测,将得到的目标检测结果与真实的地物标记进行对比,根据公式:
目标检测准确率=总分类正确像素个数/总像素数
计算得到本发明的目标检测准确率为98.622%,本发明目标检测结果如图2(c)所示。
对比图2(b)可以看出:本发明方法目标检测结果较好,白色表示的城区目标可以完整地检测出来,城区目标和非城区目标的边缘也非常清晰,且保持了细节信息。
综上所述,本发明通过非下采样轮廓波NSCT阶梯网模型对极化SAR图像进行目标检测,利用非下采样轮廓波变换提取了图像的边缘特征,更好的描述了图像的多尺度信息,利用阶梯网模型提取了图像的深层特征并实现极化SAR图像的目标检测,有效提高了图像特征的表达能力,增强了模型的泛化能力,使得在训练样本极少的情况下仍可以达到很高的目标检测精度。
Claims (3)
1.一种基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法,其特征在于,包括如下步骤:
(1)对待检测的极化SAR图像进行Lee滤波:
对待检测的极化SAR图像的极化相干矩阵,进行滤除相干噪声的精致极化Lee滤波,得到滤波后的极化相干矩阵,其中待检测的极化SAR图像大小为1800×1380像素,得到滤波后的极化相干矩阵中的每个元素是一个3×3的矩阵,相当于每个像素点有9维特征;
(2)将相干矩阵进行Yamaguchi分解:
对滤波后的相干矩阵进行Yamaguchi分解,得到奇次散射、偶次散射、体散射以及螺旋散射功率,用分解得到的奇次散射、偶次散射、体散射功率作为表征极化SAR目标的3维图像特征,构成基于像素点的特征矩阵;
(3)特征矩阵归一化:
将特征矩阵中的元素值归一化到[0,255]之间,得到归一化后的特征矩阵;
(4)对特征矩阵进行非下采样轮廓波变换:
(4a)使用三级非下采样拉普拉斯金字塔分解滤波器组,对特征矩阵的每一层进行分解,得到一个低频子带和三个高频子带,使用非下采样方向滤波器组对高频子带进行方向滤波,得到十一个高频系数矩阵;
(4b)对十一个高频系数矩阵中每个元素取绝对值,得到绝对值高频系数矩阵,选取十一个绝对值高频系数矩阵中同一位置处最大值所对应的元素,组成最大值高频系数矩阵;由最大值高频系数矩阵和低频子带对应的低频子带系数矩阵构成非下采样轮廓波变换后的特征矩阵;
(5)构造数据集:
(5a)用切割间隔为1、大小为20×20的矩阵窗口,对非下采样轮廓波变换后的特征矩阵进行切块,构成基于图像块的特征矩阵;
(5b)随机选取特征矩阵中70000个特征矩阵块组成训练数据集,将特征矩阵中全部特征矩阵块组成测试数据集;
(6)构建阶梯网络目标检测模型:
(6a)构建包括含噪通路与不含噪通路的编码器,含噪通路与不含噪通路具有相同的结构均为由输入层→第一卷积层→第二卷积层→第三卷积层→softmax分类器层组成的5层神经网络,其中含噪通路中每个单元加入均值为0,方差为0.3的高斯噪声;
将输入层的特征映射图数目设置为3;将第一卷积层的特征映射图数目设置为6;将第二卷积层的特征映射图数目设置为128;将第三卷积层的特征映射图数目设置为64;将softmax分类器层的特征映射图数目设置为2;
(6b)构建一个依次由输入层→第一解码层→第二解码层→第三解码层→第四解码层组成的5层解码器;
将输入层的特征映射图数目设置为2;将第一解码层设置的特征映射图数目与编码器的softmax分类器层相同;将第二解码层设置的特征映射图数目与编码器的第三卷积层相同;将第三解码层设置的特征映射图数目与编码器的第二卷积层相同;将第四解码层设置的特征映射图数目与编码器的第一卷积层相同;
所述5层解码器各层的输入数据分别为:输入层的输入数据为编码器含噪通路的输出,解码器的第一解码层、第二解码层、第三解码层、第四解码层的输入数据分别为编码器含噪通路中对应层的特征值和解码器上一层输出数据的非线性组合,解码器每一层重构出编码器不含噪通路对应层的特征;
(7)训练目标检测模型:
将训练数据集输入到目标检测模型中,对该模型进行训练,得到训练好的目标检测模型;
(8)获得测试结果:
将测试数据集输入到训练好的目标检测模型中,得到测试数据集中每个像素所属的目标类别。
2.根据权利要求1所述的基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法,其特征在于,步骤(1)中所述精致极化Lee滤波中Lee滤波器的窗口大小为7×7个像素。
3.根据权利要求1所述的基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法,其特征在于,步骤(2)中所述Yamaguchi分解的具体步骤如下:
第一步,根据下述四个公式,计算Yamaguchi分解的表面散射分量、偶次散射分量、体散射分量和螺旋体散射分量的加权系数:
其中,SHH表示水平发射水平接收通道,H表示发射与接收的水平方向,SHV表示水平发射垂直接收通道,V表示发射与接收的垂直方向,SVV表示垂直发射垂直接收通道,|·|表示取绝对值操作,|·|2表示取绝对值平方操作,*表示共轭转置操作,f1表示表面散射分量的加权系数,f2表示偶次散射分量的加权系数,f3表示体散射分量的加权系数,f4表示螺旋体散射分量的加权系数,β表示二次散射系数,β=1,α表示表面散射系数,α=-1;
第二步,按照下述两个公式,依次计算Yamaguchi分解的表面散射功率和偶次散射功率:
Ps=f1(1+|β|2)
Pd=f2(1+|α|2)
其中,Ps表示表面散射功率,Pd表示偶次散射功率;
第三步,Yamaguchi分解的体散射功率Pv与体散射分量的加权系数f3相等,螺旋体散射功率Ph与螺旋体散射分量的加权系数f4相等;
第四步,将计算得到的奇次散射、偶次散射、体散射功率赋给一个大小为M1×M2×3的矩阵,得到像素点的特征矩阵,其中,M1表示待分类极化SAR图像的长,M2表示待分类极化SAR图像的宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711155378.9A CN107832798B (zh) | 2017-11-20 | 2017-11-20 | 基于nsct阶梯网模型的极化sar图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711155378.9A CN107832798B (zh) | 2017-11-20 | 2017-11-20 | 基于nsct阶梯网模型的极化sar图像目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832798A CN107832798A (zh) | 2018-03-23 |
CN107832798B true CN107832798B (zh) | 2020-04-14 |
Family
ID=61652016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711155378.9A Active CN107832798B (zh) | 2017-11-20 | 2017-11-20 | 基于nsct阶梯网模型的极化sar图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832798B (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 |
CN112699832B (zh) * | 2021-01-12 | 2023-07-04 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、设备以及存储介质 |
CN113705340B (zh) * | 2021-07-16 | 2023-04-07 | 电子科技大学 | 一种基于雷达遥感数据的深度学习变化检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7298866B2 (en) * | 2001-10-15 | 2007-11-20 | Lockheed Martin Corporation | Two dimensional autonomous isotropic detection technique |
US7646326B2 (en) * | 2006-04-28 | 2010-01-12 | The United States Of America As Represented By The Secretary Of The Air Force | Method and apparatus for simultaneous synthetic aperture radar and moving target indication |
US9651661B2 (en) * | 2014-04-09 | 2017-05-16 | Src, Inc. | Methods and systems for local principal axis rotation angle transform |
CN105718957A (zh) * | 2016-01-26 | 2016-06-29 | 西安电子科技大学 | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 |
CN107239751B (zh) * | 2017-05-22 | 2020-11-03 | 西安电子科技大学 | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 |
CN107239757B (zh) * | 2017-05-23 | 2020-12-08 | 西安电子科技大学 | 一种基于深度阶梯网的极化sar影像目标检测方法 |
CN107316013B (zh) * | 2017-06-14 | 2020-04-07 | 西安电子科技大学 | 基于nsct变换和dcnn的高光谱图像分类方法 |
-
2017
- 2017-11-20 CN CN201711155378.9A patent/CN107832798B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107832798A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915676B (zh) | 基于深层特征学习和分水岭的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 | |
CN107358203B (zh) | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 | |
CN105718957A (zh) | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 | |
CN107832798B (zh) | 基于nsct阶梯网模型的极化sar图像目标检测方法 | |
CN107527023B (zh) | 基于超像素和主题模型的极化sar图像分类方法 | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
WO2023123568A1 (zh) | 一种探地雷达图像人工智能识别方法及装置 | |
CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
CN107944370A (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN104318246A (zh) | 基于深度自适应脊波网络的极化sar图像分类 | |
CN109741340B (zh) | 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法 | |
CN104700116B (zh) | 基于多层量子脊波表示的极化sar图像地物的分类方法 | |
CN107239757B (zh) | 一种基于深度阶梯网的极化sar影像目标检测方法 | |
CN112052758B (zh) | 基于注意力机制和循环神经网络的高光谱图像分类方法 | |
CN105160353A (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN105138966A (zh) | 基于快速密度峰值聚类的极化sar图像分类方法 | |
CN108256557B (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
CN113312993A (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN107133653B (zh) | 一种基于深度阶梯网络的高分辨sar图像分类方法 | |
CN104751173A (zh) | 基于协同表示和深度学习的极化sar图像分类方法 | |
Wei et al. | Texture feature analysis in oil spill monitoring by SAR image | |
CN106373104A (zh) | 岩石钻孔图像的自适应增强方法 |
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 |