CN108109153B - 基于sar-kaze特征提取的sar图像分割方法 - Google Patents
基于sar-kaze特征提取的sar图像分割方法 Download PDFInfo
- Publication number
- CN108109153B CN108109153B CN201810032466.8A CN201810032466A CN108109153B CN 108109153 B CN108109153 B CN 108109153B CN 201810032466 A CN201810032466 A CN 201810032466A CN 108109153 B CN108109153 B CN 108109153B
- Authority
- CN
- China
- Prior art keywords
- sar
- image
- matrix
- image block
- kaze
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SAR‑KAZE特征提取的SAR图像分割方法,主要解决了现有技术对SAR图像分割精度和效率低的问题。其分割过程为:1)输入一副原始待分割SAR图像并对其进行双精度转换;2)对双精度矩阵进行镜像扩展和分块,得到双精度矩阵的图像块;4)对图像块进行SAR图像的KAZE特征提取,得到双精度矩阵的SAR‑KAZE特征矩阵X;5)采用改进的稀疏子空间聚类对SAR‑KAZE特征矩阵X进行聚类,得到双精度矩阵的聚类结果。本发明提取的SAR‑KAZE特征保留了更多的图像边缘和细节信息,提高了分割精度,采用改进的稀疏子空间聚类对图像聚类,降低了分割复杂度,可用于雷达成像中地物目标的分类。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种SAR图像分割方法,可用于雷达成像中地物目标的分类。
背景技术
合成孔径雷达是一种主动式的对地观测系统,可安装在飞机、卫星、宇宙飞船等飞行平台上,全天时、全天候对地实施观测,并具有一定的地表穿透能力。SAR图像是一种高分辨图像,在灾害监测、环境监测、海洋监测、资源勘查、农作物估产、测绘和军事等方面的应用上具有独特的优势,可发挥其他遥感图像难以发挥的作用。
图像特征提取与匹配一直是图像处理领域的研究热点之一,在视觉导航、遥感图像处理、目标定位、图像检索、目标识别与跟踪、立体视觉测距和三维重建等领域得到了广泛的应用。特征提取是图像分割的基础,图像的特征提取效果决定了图像的分割效果。如何从原始SAR图像中提取出稳定性好、独特性高、实时性强的图像特征以进一步得到分类错误率低的图像分割算法已成为图像处理领域的一个研究热点。
2004年,Lowe提出了高效的尺度不变特征变换SIFT算法,通过建立高斯差分尺度空间金字塔来提取特征,该算法不仅具有尺度不变性还具有一定的仿射不变性、视角不变性和光照不变性,在图像特征提取方面得到了广泛的应用。但是SIFT算法的复杂度高且耗时长,不能满足实时性的要求。2006年,Bay和Ess等人提出了基于SIFT算法的加速鲁棒特征SURF算法,并加以完善。SURF算法不仅具备了良好的鲁棒性,而且计算速度比SIFT算法提高了三倍左右,但是性能却不如SIFT算法。SIFT算法和SURF算法都是在线性的高斯金字塔上进行特征点检测,形同尺度下每个点的变换是一样的,由于高斯函数是低通滤波函数,这种线性高斯分解会平滑图像边缘,造成精度损失,在生成高斯金字塔时容易造成细节丢失和边缘模糊。2012年,Alcantarilla等人提出了KAZE算法,该算法通过加性分裂算法AOS和可变传导函数构造稳定的非线性尺度空间,该非线性尺度空间保证了图像的平滑在区域内而不是区域间,使图像边缘在尺度变化中信息损失量非常少,从而极大保持了图像细节信息。
西安电子科技大学在其申请的专利“基于SAR-SIFT和DBN的SAR图像分类方法”(专利申请号:CN201610206107.0,公开号:CN105894035A)中公开了一种基于SAR-SIFT和DBN的SAR图像分类方法。该方法提取了SAR图像的SAR-SIFT特征,采用深度置信网DBN,逐层的学习特征,保留了雷达图像的信息完整性,挖掘了深度信息,具有较好的分类效果。但是,该方法仍然存在的不足之处是,该方法采用的是使用SAR图像的SIFT特征,SIFT算法建立线性尺度空间丢失了图像中的部分边缘和细节;该方法对三层RBM需要进行训练,复杂度较高。
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SAR-KAZE特征提取的SAR图像分割方法,以保留图像中的边缘和细节,降低分割复杂度。
本发明的技术方案是:使用SAR-KAZE特征提取方法对将要进行分割的SAR图像进行特征提取,得到图像的特征矩阵;对得到的特征矩阵使用改进的稀疏子空间聚类算法得到图像的聚类结果,再由聚类结果得到图像的分割结果。其实现步骤包括如下:
1)输入一副大小为D*N的原始SAR图像,得到原始的SAR图像灰度矩阵,对灰度矩阵进行双精度转换,得到双精度矩阵I;
2)对双精度矩阵I进行镜像扩展,得到大小为(D+p-1)*(N+p-1)的扩展图像M,其中p为扩展值,取值为奇数;
3)令双精度矩阵I中的任意点(i,j)对应于扩展图像M中的相应点在扩展图像M中以该点为中心对其邻域取大小为p*p的图像块,得到关于双精度矩阵I中点(i,j)的图像块,对双精度矩阵I中的每个点取图像块,得到双精度矩阵I的D*N个大小为p*p的图像块(其中1≤i≤D,1≤j≤N);
4)对得到的双精度矩阵I的图像块进行SAR图像的KAZE特征提取,得到双精度矩阵I的SAR-KAZE特征矩阵X:
4a)从D*N个图像块中取一个图像块K,通过加性分裂算法AOS和可变传导扩散算法构造该图像块K的非线性尺度空间,得到4幅与图像块K相同尺寸的尺度变换图像块K1,K2,K3,K4,其中1≤K≤(D*N);
4b)在第一幅图像块K1上选取大小为9*9的矩形区域,使用SAR-KAZE特征描述算子描述该矩形区域的特征,得到该矩形区域的10维SAR-KAZE特征向量j表示矩形窗在图像块中的不同位置,其中1≤j≤4;
4c)令双精度矩阵I的图像块大小p=13,将13*13的图像块K1分成2*2个9*9的矩形区域,其中每两个相邻矩形区域有5个像素的重叠,得到第一幅图像块K1的4*10=40维的SAR-KAZE特征向量
4d)对第二副图像块K2、第三副图像块K3和第四副图像块K4分别执行上述步骤4b)~4c),得到这3幅图像块K2,K3,K4各自的40维SAR-KAZE特征向量
4e)利用4c)和4d)的结果,得到关于图像块K的一个4*40=160维的SAR-KAZE特征向量:
4f)对双精度矩阵I的每一个图像块分别执行上述步骤4a)~4e),完成对双精度矩阵I所有图像块的SAR-KAZE特征向量提取,得到双精度矩阵I的SAR-KAZE特征矩阵: 其中T是转置;
5)对4)中得到双精度矩阵I的SAR-KAZE特征矩阵X,使用改进的稀疏子空间聚类进行聚类,得到双精度矩阵I的聚类结果G,并将聚类结果G由向量变换为矩阵Q,即为双精度矩阵I的分割结果。
本发明与现有技术相比具有以下优点:
第一,能保留更多的图像细节。
传统的SIFT特征提取算法都是基于线性的高斯金字塔进行多尺度分解来消除噪声和提取显著特征点,但是高斯分解是以牺牲局部精度为代价的,容易造成边界模糊和细节丢失,而本发明采用非线性多尺度空间的方法,传导函数依赖图像的梯度幅值,使平滑在区域内而不是区域间,保留了更多的图像细节。
第二,能更好的利用图像的边缘和细节信息。
现有KAZE算法的特征描述算子利用图像的一阶梯度信息描述图像的特征,忽略了由图像的二阶梯度信息所描述的图像细节,本发明将现有KAZE算法的特征描述算子进行了改进,在描述特征向量时加入图像的二阶梯度信息,二阶梯度信息反应了图像纹理上的细节信息,同时使用一阶梯度信息和二阶梯度信息,更好的利用了保留在非线性尺度空间中图像的边缘和细节信息。
第三,对于高维数据在降低分割复杂度方面有较明显的优势。
本发明利用改进稀疏子空间聚类对图像进行聚类,采用l2范数优化的方法避免了传统稀疏子空间聚类中由l1范数优化带来的过稀疏问题,且稀疏子空间聚类采用谱聚类的聚类方式,对于高维数据在降低分割复杂度方面有较明显的优势。
附图说明
图1为本发明的实现流程图。
具体实施方式
参照图1,本发明的实现步骤如下:
步骤1,输入一副SAR图像并变换为双精度矩阵。
在仿真软件MATLAB中读入一副大小为D*N的SAR图像,得到原始SAR图像的灰度矩阵,使用MATLAB中的double函数将灰度矩阵的每一个整型元素值转换为双精度元素值,得到双精度矩阵I,其中D>0,N>0。
步骤2,对双精度矩阵I进行图像扩展。
现有的图像边界扩展方法包括图像边界重复、外包装、添加常量和镜像扩展方法,本发明中使用但不限于图像的镜像扩展方法,其实现如下:
设扩展值p的取值为大于1的奇数,取双精度矩阵I的最左侧列向量,将该向量的右侧个列向量以该向量为轴镜像扩展为双精度矩阵I的左侧边界;
取双精度矩阵I的最右侧列向量,将该向量的左侧个列向量以该向量为轴镜像扩展为双精度矩阵I的右侧边界;
取双精度矩阵I的最上侧行向量,将该向量的下侧个行向量以该向量为轴镜像扩展为双精度矩阵I的上侧边界;
取双精度矩阵I的最下侧行向量,将该向量的上侧个行向量以该向量为轴镜像扩展为双精度矩阵I的下侧边界;
将四个边界合并到双精度矩阵I上,得到大小为(D+p-1)*(N+p-1)的扩展图像M。
步骤3,对双精度矩阵I进行图像分块。
对双精度矩阵I进行图像分块,使得双精度矩阵I中的每一个像素点各自对应一个大小为p*p的图像块,其实现如下:
令双精度矩阵I中的任意点(i,j)对应于扩展图像M中的相应点在扩展图像M中以该点为中心对其邻域取大小为p*p的图像块,得到关于双精度矩阵I中点(i,j)的图像块,对双精度矩阵I中的每个点取图像块,得到双精度矩阵I的D*N个大小为p*p的图像块,其中1≤i≤D,1≤j≤N。
步骤4,对双精度矩阵I的图像块进行特征提取,得到双精度矩阵I的特征矩阵。
常用的特征提取方法有:Fourier变换法、窗口Fourier变换Gabor、小波变换法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等,本发明使用SAR图像的KAZE特征提取方法对双精度矩阵I进行SAR-KAZE特征提取,其实现如下:
4a)从D*N个图像块中取一个图像块K,通过加性分裂算法AOS和可变传导扩散算法构造该图像块K的非线性尺度空间,得到4幅与图像块K相同尺寸的尺度变换图像块K1,K2,K3,K4,其中1≤K≤(D*N),其实现如下:
4a1)根据非线性扩散滤波原理构建可变传导非线性扩散方程:
其中是图像块K高斯滤波后的图像的梯度,x是图像的水平方向,y是图像的垂直方向,t为进化时间,函数其中参数k表示控制扩散的对比因子;
4a2)使用加性分裂AOS算法求解非线性扩散方程,得到第i次滤波后的图像:
其中,l表示图像块K的不同维度,τ是步长,Li是第i次滤波后的图像;Al是图像块Li在各维度l上的传导性矩阵,其通过托马斯Thomas算法求解;i表示尺度空间的第i
层,Li+1是第i次滤波后的图像,其初始图像L1即为图像块K;
4a3)令尺度空间的层数为4,四副滤波后的图像构成图像块K的4层非线性尺度空间;
4b)在第一幅图像块K1上选取大小为9*9的矩形区域,使用SAR-KAZE特征描述算子描述该矩形区域的特征,得到该矩形区域的10维SAR-KAZE特征向量描述算子SKij如下式:
其中Lx表示特征点在水平方向x的一阶微分,Ly表示特征点在垂直方向y的一阶微分,Lxx表示特征点在x方向的二阶微分,Lyy表示特征点在y方向的二阶微分,Lxy表示特征点在x方向和y方向的混合二阶微分,|Lx|,|Ly|,|Lxx|,|Lyy|,|Lxy|表示微分的绝对值。
4c)令双精度矩阵I的图像块大小p=13,将13*13的图像块K1分成2*2个9*9的矩形区域,其中每两个相邻矩形区域有5个像素的重叠,得到第一幅图像块K1的4*10=40维的SAR-KAZE特征向量
4d)对第二副图像块K2、第三副图像块K3和第四副图像块K4分别执行上述步骤4b)~4c),得到这3幅图像块K2,K3,K4各自的40维SAR-KAZE特征向量
4e)利用4c)和4d)的结果,得到关于图像块K的一个4*40=160维的SAR-KAZE特征向量:
4f)对双精度矩阵I的每一个图像块分别执行上述步骤4a)~4e),完成对双精度矩阵I所有图像块的SAR-KAZE特征向量提取,得到双精度矩阵I的SAR-KAZE特征矩阵:
其中T是转置。
步骤5,对步骤4中得到的特征矩阵X进行聚类,将聚类结果由向量变换为矩阵,得到双精度矩阵I的分割结果。
现有的数据聚类方法包括:k-means聚类算法、层次聚类算法、自组织映射神经网络SOM聚类算法、模糊C均值FCM聚类算法、稀疏子空间聚类算法等,本发明中使用但不限于改进的稀疏子空间聚类,其实现如下:
5a)将SAR-KAZE特征矩阵X作为稀疏表示的字典,进行SAR-KAZE特征矩阵X的稀疏表示,即:
X=XZ+E,diag(Z)=0,
其中,X是SAR-KAZE特征矩阵,Z是对SAR-KAZE特征矩阵X进行稀疏表示的系数矩阵,E为稀疏表示带来的误差,diag(Z)=0是约束条件,即约束系数矩阵的对角元素为0;
5b)采用混合范数优化的方式建立目标函数:
其中,α,β是标量正则化参数,是SAR-KAZE特征矩阵X的稀疏系数矩阵,表示向量·的l2范数的平方;
5d)利用5b)得到的SAR-KAZE特征矩阵的稀疏系数矩阵构造稀疏系数矩阵的邻接矩阵W:
其中表示对稀疏系数矩阵的元素取绝对值;
5e)对5d)得到的邻接矩阵W进行谱聚类,得到双精度矩阵I的聚类结果G;
5f)将聚类结果G由向量变换为矩阵Q,完成对双精度矩阵I的分割。
本发明的效果可通过以下仿真进一步说明:
1.仿真条件
本发明的仿真在MATLAB R2016a的软件环境下进行。
本发明仿真实验使用二类地面静止目标SAR图像数据进行仿真
2.仿真内容
应用本发明的方法、稀疏编码SPM方法、SAR-SIFT和DBN方法分别对二类SAR图像进行分割实验,计算各方法的分割精度和分割时间,结果如表1。
表1.二类SAR图像分割结果表
分割方法 | 分割精度 | 分割时间(s) |
稀疏编码SPM | 86.7% | 6507.8 |
ENSC | 50.08% | 1719 |
本发明 | 97.17% | 1196.89 |
从表1可见,本发明相比稀疏编码SPM方法、ISSC方法,分割精度有明显提高,分割时间减少,这是因为本发明提取了具有更丰富的图像边缘和细节的SAR-KAZE图像特征,有利于提高图像的分割精度;同时由于本发明使用改进的稀疏子空间聚类这种非监督的图像分割方法,无需训练数据,并且改进的稀疏子空间聚类使用谱聚类完成对邻接矩阵的聚类,因而图像的分割复杂度较低。
Claims (5)
1.基于SAR-KAZE特征提取的SAR图像分割方法,包括:
1)输入一副大小为D*N的原始SAR图像,得到原始的SAR图像灰度矩阵,对灰度矩阵进行双精度转换,得到双精度矩阵I;
2)对双精度矩阵I进行镜像扩展,得到大小为(D+p-1)*(N+p-1)的扩展图像M,其中p为扩展值,取值为奇数;
3)令双精度矩阵I中的任意点(i,j)对应于扩展图像M中的相应点 在扩展图像M中以该点为中心对其邻域取大小为p*p的图像块,得到关于双精度矩阵I中点(i,j)的图像块,对双精度矩阵I中的每个点取图像块,得到双精度矩阵I的D*N个大小为p*p的图像块,其中1≤i≤D,1≤j≤N;
4)对得到的双精度矩阵I的图像块进行SAR图像的KAZE特征提取,得到双精度矩阵I的SAR-KAZE特征矩阵X:
4a)从D*N个图像块中取一个图像块K,通过加性分裂算法AOS和可变传导扩散算法构造该图像块K的非线性尺度空间,得到4幅与图像块K相同尺寸的尺度变换图像块K1,K2,K3,K4,其中1≤K≤(D*N);
4b)在第一幅图像块K1上选取大小为9*9的矩形区域,使用SAR-KAZE特征描述算子描述该矩形区域的特征,得到该矩形区域的10维SAR-KAZE特征向量j表示矩形区域在图像块中的不同位置,其中1≤j≤4;
4c)令双精度矩阵I的图像块大小p=13,将13*13的图像块K1分成2*2个9*9的矩形区域,其中每两个相邻矩形区域有5个像素的重叠,得到第一幅图像块K1的4*10=40维的SAR-KAZE特征向量
4d)对第二副图像块K2、第三副图像块K3和第四副图像块K4分别执行上述步骤4b)~4c),得到这3幅图像块K2,K3,K4各自的40维SAR-KAZE特征向量
4e)利用4c)和4d)的结果,得到关于图像块K的一个4*40=160维的SAR-KAZE特征向量:
4f)对双精度矩阵I的每一个图像块分别执行上述步骤4a)~4e),完成对双精度矩阵I所有图像块的SAR-KAZE特征向量提取,得到双精度矩阵I的SAR-KAZE特征矩阵:其中T是转置;
5)对4)中得到双精度矩阵I的SAR-KAZE特征矩阵X,使用改进的稀疏子空间聚类进行聚类,得到双精度矩阵I的聚类结果G,并将聚类结果G由向量变换为矩阵Q,即为双精度矩阵I的分割结果。
2.根据权利要求1所述的方法,其中步骤1)中对灰度矩阵进行双精度转换,利用MTLAB中的double函数将灰度矩阵中的整型像素值转换为双精度像素值。
3.根据权利要求1所述的方法,其中步骤4a)中通过加性分裂算法AOS和可变传导扩散算法构造该图像块K的非线性尺度空间,其实现如下:
4a1)根据非线性扩散滤波原理构建可变传导非线性扩散方程:
其中是图像块K高斯滤波后的图像的梯度,x是图像的水平方向,y是图像的垂直方向,t为进化时间,函数其中参数k表示控制扩散的对比因子;
4a2)使用加性分裂AOS算法求解非线性扩散方程,得到第i次滤波后的图像:
其中,l表示图像块K的不同维度,τ是步长,Li是第i次滤波后的图像;Al是图像块Li在各维度l上的传导性矩阵,其通过托马斯Thomas算法求解;i表示尺度空间的第i层,Li+1是第i次滤波后的图像,其初始图像L1即为图像块K;
4a3)令尺度空间的层数为4,四副滤波后的图像构成图像块K的4层非线性尺度空间。
4.根据权利要求1所述的方法,其中步骤4b)中的10维SAR-KAZE特征向量表示如下:
其中,Lx表示特征点在水平方向的一阶微分,Ly表示特征点在垂直方向的一阶微分,Lxx表示特征点在水平方向的二阶微分,Lyy表示特征点在垂直方向的二阶微分,Lxy表示特征点在水平方向和垂直方向的混合二阶微分,|Lx|,|Ly|,|Lxx|,|Lyy|,|Lxy|表示对微分值取绝对值,中k表示图像块K在双精度矩阵I中的位置,i表示关于图像块K的4幅尺度变换图像块中的第i幅图像块,j表示矩形区域在第i幅图像块中的不同位置,其中1≤i≤4,1≤j≤4。
5.根据权利要求1所述的方法,其中步骤5)中对4)中得到双精度矩阵I的SAR-KAZE特征矩阵X,使用改进的稀疏子空间聚类进行聚类,其实现如下:
5a)将SAR-KAZE特征矩阵X作为稀疏表示的字典,进行SAR-KAZE特征矩阵X的稀疏表示,即:
X=XZ+E,diag(Z)=0
其中,X是SAR-KAZE特征矩阵,Z是对SAR-KAZE特征矩阵X进行稀疏表示的系数矩阵,E为稀疏表示带来的误差,diag(Z)=0为约束条件,即约束系数矩阵的对角元素为0;
5b)采用混合范数优化的方式建立目标函数:
其中,是SAR-KAZE特征矩阵X的稀疏系数矩阵,表示向量·的l2范数的平方;α是标量正则化参数,‖Z‖1表示Z的l1范数;γ是用于平衡的权重;
5d)利用5b)得到的SAR-KAZE特征矩阵的稀疏系数矩阵构造稀疏系数矩阵的邻接矩阵W:
其中表示对稀疏系数矩阵的元素取绝对值;
5e)对5d)得到的邻接矩阵W进行谱聚类,得到双精度矩阵I的聚类结果G。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810032466.8A CN108109153B (zh) | 2018-01-12 | 2018-01-12 | 基于sar-kaze特征提取的sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810032466.8A CN108109153B (zh) | 2018-01-12 | 2018-01-12 | 基于sar-kaze特征提取的sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108109153A CN108109153A (zh) | 2018-06-01 |
CN108109153B true CN108109153B (zh) | 2019-10-11 |
Family
ID=62219363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810032466.8A Active CN108109153B (zh) | 2018-01-12 | 2018-01-12 | 基于sar-kaze特征提取的sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108109153B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070044B (zh) * | 2020-09-15 | 2021-05-11 | 北京深睿博联科技有限责任公司 | 一种视频物体分类方法及装置 |
CN113761124B (zh) * | 2021-05-25 | 2024-04-26 | 腾讯科技(深圳)有限公司 | 文本编码模型的训练方法、信息检索方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840569A (zh) * | 2010-03-19 | 2010-09-22 | 西安电子科技大学 | 基于迁移学习的投影寻踪高光谱图像分割方法 |
CN105574534A (zh) * | 2015-12-17 | 2016-05-11 | 西安电子科技大学 | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 |
CN106611423A (zh) * | 2016-12-30 | 2017-05-03 | 西安电子科技大学 | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080021897A1 (en) * | 2006-07-19 | 2008-01-24 | International Business Machines Corporation | Techniques for detection of multi-dimensional clusters in arbitrary subspaces of high-dimensional data |
CN103473786B (zh) * | 2013-10-13 | 2017-01-18 | 西安电子科技大学 | 基于多目标模糊聚类的灰度图像分割方法 |
CN108401565B (zh) * | 2015-05-28 | 2017-12-15 | 西北工业大学 | 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法 |
CN105894035B (zh) * | 2016-04-05 | 2018-11-30 | 西安电子科技大学 | 基于sar-sift和dbn的sar图像分类方法 |
CN107180436A (zh) * | 2017-04-14 | 2017-09-19 | 西安电子科技大学 | 一种改进的kaze图像匹配算法 |
CN107133913B (zh) * | 2017-05-08 | 2020-12-01 | 重庆邮电大学 | 一种自动矫直的图像拼接方法 |
-
2018
- 2018-01-12 CN CN201810032466.8A patent/CN108109153B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840569A (zh) * | 2010-03-19 | 2010-09-22 | 西安电子科技大学 | 基于迁移学习的投影寻踪高光谱图像分割方法 |
CN105574534A (zh) * | 2015-12-17 | 2016-05-11 | 西安电子科技大学 | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 |
CN106611423A (zh) * | 2016-12-30 | 2017-05-03 | 西安电子科技大学 | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108109153A (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114202696B (zh) | 基于上下文视觉的sar目标检测方法、装置和存储介质 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN111968121B (zh) | 一种基于实例嵌入与语义融合的三维点云场景分割方法 | |
CN107748895B (zh) | 基于dct-cnn模型的无人机着陆地貌图像分类方法 | |
CN109934166A (zh) | 基于语义分割和孪生神经网络的无人机图像变化检测方法 | |
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 | |
CN103617618B (zh) | 基于特征提取与聚类集成的sar图像分割方法 | |
CN103258324B (zh) | 基于可控核回归和超像素分割的遥感图像变化检测方法 | |
CN104090972A (zh) | 用于三维城市模型检索的图像特征提取和相似性度量方法 | |
CN109871823B (zh) | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 | |
CN111414954B (zh) | 一种岩石图像检索方法及其系统 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN104392233B (zh) | 一种基于区域的图像显著图提取方法 | |
CN106683102A (zh) | 基于脊波滤波器和卷积结构模型的sar图像分割方法 | |
CN104835196A (zh) | 一种车载红外图像彩色化三维重建方法 | |
CN112396036B (zh) | 一种结合空间变换网络和多尺度特征提取的遮挡行人重识别方法 | |
CN109063549A (zh) | 基于深度神经网络的高分辨率航拍视频运动目标检测方法 | |
CN108109153B (zh) | 基于sar-kaze特征提取的sar图像分割方法 | |
CN104216974A (zh) | 基于词汇树分块聚类的无人机航拍图像匹配的方法 | |
CN112487915A (zh) | 一种基于Embedded YOLO算法的行人检测方法 | |
CN111881716A (zh) | 一种基于多视角生成对抗网络的行人重识别方法 | |
CN108171656A (zh) | 基于稀疏表示的自适应全局字典遥感图像超分辨方法 | |
CN103324753B (zh) | 基于共生稀疏直方图的图像检索方法 | |
CN110516533A (zh) | 一种基于深度度量的行人再辨识方法 |
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 |