CN108154511A - 基于子模字典学习的sar图像分割方法 - Google Patents
基于子模字典学习的sar图像分割方法 Download PDFInfo
- Publication number
- CN108154511A CN108154511A CN201810031938.8A CN201810031938A CN108154511A CN 108154511 A CN108154511 A CN 108154511A CN 201810031938 A CN201810031938 A CN 201810031938A CN 108154511 A CN108154511 A CN 108154511A
- Authority
- CN
- China
- Prior art keywords
- represent
- vertex
- subgraph
- feature
- dictionary
- 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.)
- Granted
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
-
- 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于子模字典学习的SAR图像分割方法,主要解决目前主流的子模字典学习方法对SAR图像分割准确性低与细节完整性差的问题。其分割过程为:1.在以像素为中心的邻域内,计算空间金字塔特征;2.从空间金字塔特征中选取10%的训练数据构造图模型G(V,E);3.最大化一个子模目标函数,对图模型进行聚类;4.根据聚类结果计算字典D;5.固定字典D,计算训练数据的稀疏编码特征、分类参数矩阵以及所有数据的稀疏编码特征;6.根据分类参数矩阵W计算类标签向量;7.将类标签向量转换为类标签,得到最终的分割结果。本发明与现有的子模字典学习方法相比,保持了图像的细节信息完整性,提高了分割精度,可用于SAR图像目标识别。
Description
技术领域
本发明属于图像处理领域,特别是一种涉及SAR图像分割的方法,可应用于目标识别。
背景技术
合成孔径雷达SAR,是一种高分辨率雷达体制。SAR成像基本不受光照、气候等因素的影响,可以全天时、全天候对目标进行监测,广泛应用于军事,农业,地质检测等领域。SAR图像分割作为SAR图像解译的第一步,可以提供整体结构信息、凸显感兴趣区域,在后续的图像解译中起到了重要作用。SAR图像上的信息是地物目标对雷达波束的反映,主要是地物目标的后向散射形成的图像信息,反映的是目标的电磁散射特性和结构特性,其成像效果很大程度上依赖于雷达系统的工作参数如传感器波长、入射角和地域电磁参数如地表粗糙度、负介电常数。SAR特殊的成像机制,使该类图像具有大量的相干斑噪声和变化缓慢的灰度级,光学图像的分割方法不适用于SAR图像。光学图像的分割方法对噪声很敏感,常用的自适应阈值分割法适用于灰度级变化较大的图像,SAR遥感被测地域的电磁波散射特性,使得相近区域的成像具有近似的灰度级、边界模糊等。
针对SAR图像的以上特点,SAR图像分割技术主要有以下几类:
一.基于聚类的分割方法。常用的聚类算法有基于划分、分层、密度等。基于划分的聚类算法有K-Means、K-Medoids,算法简单高效,但随机初始化的中心点对结果影响很大,且只能发现“球形”簇;基于分层的有BIRCH、Chameleon,适用于任意形状、任意类型属性的数据集,可扩展性高,但时间复杂度高;基于密度的有DBSCAN、OPTICS,解决了基于划分的算法只能发现“球形”簇的问题,缺点是对参数敏感。这类方法对SAR图像分割结果的准确性和同质区域一致性效果很差。
二.基于图论的分割方法。这类分割方法的本质就是移除特定的边,将图划分为若干子图从而实现分割。基于图论的方法主要有GraphCut,GrabCut和RandomWalk。GraphCut算法是一种能量优化算法,一次性计算能量最小化。GrabCut算法是对GraphCut的改进,采用迭代最小化代替一次性计算能量最小化,每次迭代过程都使得对目标和背景建模的 GMM参数更优。RandomWalk根据随机游走模型来求解未标记的像素到达种子点的概率,根据这个概率大小来判断未标记像素的归属。这类方法由L.Grady和G.Funka-Lea首次作为会议论文提出,参见L.Grady,G.Funka-Lea.Multi-Label Image Segmentation for MedicalApplications Based on Graph-Theoretic Electrical Potential,2004:230-245。比起前两个算法,这个方法不需要迭代,速度快,并且减少了漏边界的风险。但这类方法无法保证SAR图像分割的细节信息的完整性,同质区域一致性也较差。
三.基于字典学习与稀疏编码的分割方法。常用的方法有K-SVD、LC-KSVD。K-SVD是一种迭代算法,是K-Means的扩展:K-Means算法规定每个信号只能用一个原子来近似表示,而K-SVD中每个信号是用多个原子的线性组合来表示。然而,K-SVD只集中于减小重构误差,没有考虑到字典的判别性,在分类任务中,字典的判别性也至关重要。因此,一些改进的算法相继而生,如LC-KSVD。Zhuolin Jiang提出了LC-KSVD算法,引入了类标签一致性约束,并将其与重构错误和分类错误结合起来,这样生成的字典,使得同一类特征具有相似的稀疏编码,参见Zhuolin Jiang,Zhe Lin,Larry and S.Davis.Learning a discriminativedictionary for sparse coding via label consistent k-svd,2011.CVPR。这种方法考虑了字典的判别性,提升了分类性能,但为了获得良好的性能往往需要学习一个很庞大的字典,增加了后续训练的代价,导致速度变慢。在这个基础上,Zhuolin Jiang提出了一种SDL子模字典学习方法,比起前几种方法,分类性能更高,速度提高了近50倍,但是这个方法对SAR图像的细节信息分割效果不佳,且边界处分类错误率较高。
子模性可以被看成离散的凸性,这种增益递减的性质使得它成为一种有效的求解最优化的手段,广泛应用于计算机视觉任务如设备选址、超像素分割和聚类。RandomWalk熵已经被证明具有子模性并被广泛应用于图像分割中。M.-Y.Liu等人提出了一个新颖的目标函数,在RandomWalk的基础上纳入簇内原子数的均衡性,鼓励簇尺寸的相似性,参见M.-Y.Liu,R.Chellappa,O.Tuzel,and S.Ramalingam.Entropy-rate clustering:Clusteranalysis via maximizing a submodular function subject to a matroidconstraint.36(1):99–112,2014。这个方法采用超像素分割然后聚类的方式对图像进行分割,由于SAR图像变化缓慢的灰度级,没有明显的边界,因而该方法对SAR图像的细节信息分割效果不佳。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于子模字典学习的SAR图像分割方法,以解决上述方法分割准确性低和细节信息完整性差的问题,提高SAR图像分割的质量。
为实现上述目的,本发明的实现方案如下:
(1)在以像素为中心辅以邻域的像素块内,计算尺度不变特征变换SIFT特征{I1,I2,...,Iθ,...,IN},其中Iθ∈R128×m表示第θ个像素块的SIFT特征,θ∈{1,2,...,N},N表示像素点的个数,m表示每个像素块的SIFT特征的数量;
(2)对每个像素块的尺度不变特征变换SIFT特征进行稀疏编码,得到空间金字塔特征 {Sp1,Sp2,...,Spθ,...,SpN}∈Rq×N,其中Spθ表示第θ个像素块的空间金字塔特征,q表示空间金字塔特征向量的长度;
(3)从(2)的结果中随机选取10%的数据作为训练样本{x1,x2,...,xη,...,xM},构造图模型 G(V,E),将训练样本作为顶点,计算两两顶点之间边的权重wij和两个自循环权重wii、wjj,其中xη表示第η个训练样本,η∈{1,2,...,M},V表示顶点集合,E表示边的集合,wij表示第i 个顶点和j个顶点间的边权重,wii和wjj分别表示第i个和j个顶点的自循环权重,M表示训练样本的数量;
(4)对步骤(3)构造的图模型进行聚类:
(4a)设定子模目标函数F(A):
F(A)=H(A)+λ1B(A)+λ2Q(A)
其中,表示随机游走熵率,
表示平衡项,
表示判别项,
A表示选中的边构成的集合,λ1、λ2为两个不同的自定义常数;Pi,j(A)为转移概率,
pzA(o)=|So|/|V|表示第o个子图的成员数量占训练样本总数的比例,其中|So|表示第o 个子图包含的顶点数量,|V|表示顶点总数,NA表示子图的数量;
表示第o个子图中属于第h类的数量,h∈{1,2,...,T},T表示目标类的数量;
(4b)最大化子模目标函数F对图模型进行聚类,得到一系列子图其中Sχ表示第χ个子图,NA表示子图的数量;
(5)计算字典D;
(6)固定字典D,对训练样本{x1,x2,...,xM}进行稀疏编码,得到稀疏编码特征和分类参数矩阵对所有数据的空间金字塔特征 {Sp1,Sp2,...,SpN}进行稀疏编码,得到稀疏编码特征其中M表示训练样本的数量,T表示目标类的数量,N表示所有样本的数量;
(7)将稀疏编码特征{Sc1,Sc2,...,Scθ,...,ScN}输入到分类器,得到类标签向量{l1,l2,...,lθ,...,lN},其中lθ=W×Scθ表示第θ个像素的类标签向量,θ∈{1,2,...,N};
(8)取lθ中值最大的元素在类标签向量lθ中的位置作为第θ个像素的类标签,得到最终的分类结果{b1,b2,...,bθ,...,bN},其中bθ∈{1,2,...,T}表示第θ个像素的类标签,T表示目标类的数量。
本发明与现有的技术相比具有以下优点:
1、本发明由于定义了一个子模目标函数,其包含随机游走熵率、平衡项、判别项这三项,通过随机游走熵可以确保聚类的紧凑性和同质性,通过平衡项可使得聚类具有相似的尺寸,通过判别项则可提高聚类的类纯度,这三项的结合可使得聚类中心能更有效的代表该类的其他元素,从而学习出一个紧凑并具有判别性的字典;
2、本发明由于采用两次稀疏编码的结构,改善了分类性能;
3、本发明由于将子模性应用在SAR图像处理任务中,拓展了子模性的应用领域;
仿真结果表明,本发明方法较目前主流的子模字典学习SDL,能更有效的进行SAR图像分割。
附图说明
图1是本发明的实现流程示意图;
图2是本发明在一幅三类地物背景SAR图像上的仿真结果图。
具体实施方式
本发明的实施方案是:在以像素为中心辅以邻域的像素块内计算SIFT特征,然后对 SIFT特征进行稀疏编码得到空间金字塔特征;随机选择训练样本构造图模型;通过最大化一个子模目标函数,对图模型进行聚类并构建字典;最后对所有数据进行稀疏编码并分类,以下结合具体实例对本发明作进一步详细描述。
参照图1,本发明的实现步骤如下:
步骤一、计算尺度不变特征变换SIFT特征。
在以像素为中心辅以邻域的像素块内,计算尺度不变特征变换SIFT特征{I1,I2,...,Iθ,...,IN},其中Iθ∈R128×m表示第θ个像素块的SIFT特征,θ∈{1,2,...,N},N表示像素点的个数,m表示每个像素块的SIFT特征的数量,本实例取但不限于N=60516,m=49。
步骤二、计算空间金字塔特征。
对每个像素块的尺度不变特征变换SIFT特征进行稀疏编码,得到空间金字塔特征{Sp1,Sp2,...,Spθ,...,SpN}∈Rq×N,其中Spθ表示第θ个像素块的空间金字塔特征,q表示空间金字塔特征向量的长度,本实例取但不限于q=2100。
步骤三、构造图模型,计算两两顶点之间的边权重和自循环权重。
从空间金字塔特征中随机选取10%的数据作为训练样本{x1,x2,...,xη,...,xM},构造图模型 G(V,E),将训练样本作为顶点,计算两两顶点之间边的权重wij和两个自循环权重wii、wjj,其中xη表示第η个训练样本,η∈{1,2,...,M},V表示顶点集合{v1,v2,...,vM},E表示边的集合 {e1,e2,...,ep},p表示边的总数,wij表示第i个顶点和j个顶点间的边权重,wii和wjj分别表示第i个和j个顶点的自循环权重,M表示训练样本的数量;本实例取但不限于M=6000, p=54000,其实现如下:
(3a)使用高斯相似性表征第i个顶点vi和第j个顶点vj之间的边权重wij:
wij=exp(-βd2(vi,vj)),
其中d2(vi,vj)表示第i个顶点vi和第j个顶点vj之间的距离平方,β=(2<d2(vγ,vβ)>)-1为标准化因子,γ=1,2,...,N,β=1,2,...,N,<·>表示期望,(·)-1表示求逆运算,exp(·)表示指数运算,由于无向图的边是对称的,所以有wij=wji,不相连的顶点之间定义边权为0;
(3b)分别计算第i个顶点vi的自循环权重wii和第j个顶点vj的自循环权重wjj,当第i个顶点vi和第j个顶点vj之间的边没有被选中时,wij需要重新分配给自循环权,即wii=wii+wij, wjj=wjj+wij。
步骤四、对图模型进行聚类。
通过最大化一个子模目标函数,对图模型G(V,E)进行聚类,得到一系列子图χ∈{1,2,...,NA},本实例取NA=1000,由于子模函数最大化是一个NP难的问题,采用贪心算法进行。实现过程如下:
(4a)设定子模目标函数F(A):
F(A)=H(A)+λ1B(A)+λ2Q(A)
该子模函数中包含三项,其中,表示随机游走熵率;表示平衡项;表示判别项; A表示选中的边构成的集合,λ1、λ2为两个不同的自定义常数;Pi,j(A)表示转义概率,
表示在边集A中与第i个顶点相连的边权之和,表示在边集E中与第 i个顶点相连的边权之和,ei,j表示第i个和第j个顶点之间的边,wi,j/wi表示连接第i个顶点和第j个顶点之间的边权与wi的比值,μi=wi/wall表示在边集E中所有与第i个顶点相连的边权之和占总边权之和的比例,wall=∑i∈{1,2,...,N}wi表示边集E中所有的边权之和,N表示顶点总数;
pzA(o)=|So|/|V|表示第o个子图的成员数量占训练样本总数的比例,其中|So|表示第o个子图包含的顶点数量,|V|表示顶点总数,NA表示子图的数量;
表示第o个子图中属于第h类的数量,h∈{1,2,...,T},T表示目标类的数量,本实例取但不限于T=3;
(4b)采用最大化子模目标函数F(A)对图模型G(V,E)进行聚类:聚类的方法有K均值聚类算法、卡梅隆聚类算法、基于密度的空间聚类算法等,本实例采用贪心算法进行聚类,其实现如下:
(4b1)初始化边集A=φ,其中φ表示空集;
(4b2)选择使F(A∪e)-F(A)取得最大值时的边e,更新A,即A=A∪e,∪表示并集;
(4b3)重复步骤(4b2),直到NA等于设定的值时停止,得到子图集合NA表示子图的数量。
步骤五、计算字典D。
根据步骤(4b3)的聚类结果,对每个子图中的成员取平均值,得到字典其中为第χ个字典原子,表示第χ个子图中的所有顶点对应的空间金字塔特征的平均值,Sχ表示第χ个子图,|·|为取模运算。
步骤六、计算训练数据的稀疏编码特征、分类参数矩阵和所有数据的稀疏编码特征。
(6a)固定字典D,对步骤三的训练样本{x1,x2,...,xM}进行稀疏编码,得到稀疏编码特征其中M表示训练样本的数量;
(6b)根据训练数据的稀疏编码特征Z和训练数据的类标签矩阵H,计算分类参数矩阵 W=(ZZt+αI)-1ZHt,其中(·)t表示转置,(·)-1表示求逆,H为已知量,I为单位阵;
(6c)对所有数据的空间金字塔特征{Sp1,Sp2,...,SpN}进行稀疏编码,得到稀疏编码特征其中N表示所有数据的数量。
步骤七、计算稀疏编码特征{Sc1,Sc2,...,ScN}的类标签向量。
将稀疏编码特征{Sc1,Sc2,...,Scθ,...,ScN}输入到分类器,得到类标签向量{l1,l2,...,lθ,...,lN},其中lθ=W×Scθ表示第θ个像素的类标签向量,θ∈{1,2,...,N}。
步骤八、计算所有数据的类标签。
取lθ中值最大的元素在类标签向量lθ中的位置作为第θ个像素的类标签,得到最终的分类结果{b1,b2,...,bθ,...,bN},其中bθ∈{1,2,...,T}表示第θ个像素的类标签,T表示目标类的数量。
本发明的效果可通过以下仿真进一步说明:
仿真内容
用本方法和SDL方法对三类复杂地物背景SAR图像进行分割,其分割结果如图2所示。其中图2(a)为原始SAR图像;图2(b)为用SDL方法对图2(a)进行分割得到的结果,分割精度为87.21%;图2(c)为用本发明对图2(a)进行分割得到的结果,分割准确率为89.30%。
由图2可见,比起应用SDL算法对SAR图像进行分割,本发明的分割结果细节信息更为完整,分割准确率也高出2个百分点,这是因为SDL在随机漫步熵率的基础上引入了聚类的类纯度,考虑了字典的判别性,而本发明对其进行改进,考虑了聚类的均匀性与类纯度,使得聚类中心尽可能的保留主要信息,产生的字典判别性更强,从而分割质量更高。
Claims (5)
1.一种基于Submodular字典学习的SAR图像分割方法,包括:
(1)在以像素为中心辅以邻域的像素块内,计算尺度不变特征变换SIFT特征{I1,I2,...,Iθ,...,IN},其中Iθ∈R128×m表示第θ个像素块的SIFT特征,θ∈{1,2,...,N},N表示像素点的个数,m表示每个像素块的SIFT特征的数量;
(2)对每个像素块的尺度不变特征变换SIFT特征进行稀疏编码,得到空间金字塔特征{Sp1,Sp2,...,Spθ,...,SpN}∈Rq×N,其中Spθ表示第θ个像素块的空间金字塔特征,q表示空间金字塔特征向量的长度;
(3)从(2)的结果中随机选取10%的数据作为训练样本{x1,x2,...,xη,...,xM},构造图模型G(V,E),将训练样本作为顶点,计算两两顶点之间边的权重wij和两个自循环权重wii、wjj,其中xη表示第η个训练样本,η∈{1,2,...,M},V表示顶点集合,E表示边的集合,p表示边的总数,wij表示第i个顶点和j个顶点间的边权重,wii和wjj分别表示第i个和j个顶点的自循环权重,M表示训练样本的数量;
(4)对步骤(3)构造的图模型进行聚类:
(4a)设定子模目标函数F(A):
F(A)=H(A)+λ1B(A)+λ2Q(A)
其中,表示随机游走熵率,
表示平衡项,
表示判别项,
A表示选中的边构成的集合,λ1、λ2为两个不同的自定义常数;Pi,j(A)为转移概率,
pzA(o)=|So|/|V|表示第o个子图的成员数量占训练样本总数的比例,其中|So|表示第o个子图包含的顶点数量,|V|表示顶点总数,NA表示子图的数量;
表示第o个子图中属于第h类的数量,h∈{1,2,...,T},T表示目标类的数量;
(4b)最大化子模目标函数F对图模型进行聚类,得到一系列子图其中Sχ表示第χ个子图,NA表示子图的数量;
(5)计算字典D;
(6)固定字典D,对训练样本{x1,x2,...,xM}进行稀疏编码,得到稀疏编码特征和分类参数矩阵对所有数据的空间金字塔特征{Sp1,Sp2,...,SpN}进行稀疏编码,得到稀疏编码特征其中M表示训练样本的数量,T表示目标类的数量,N表示所有样本的数量;
(7)将稀疏编码特征{Sc1,Sc2,...,Scθ,...,ScN}输入到分类器,得到类标签向量{l1,l2,...,lθ,...,lN},其中lθ=W×Scθ表示第θ个像素的类标签向量,θ∈{1,2,...,N};
(8)取lθ中值最大的元素在类标签向量lθ中的位置作为第θ个像素的类标签,得到最终的分类结果{b1,b2,...,bθ,...,bN},其中bθ∈{1,2,...,T}表示第θ个像素的类标签,T表示目标类的数量。
2.根据权利要求1所述的方法,其中步骤(3)中构造图模型G(V,E),其实现如下:
(3a)使用高斯相似性表征第i个顶点vi和第j个顶点vj之间的边权重wij:
wij=exp(-βd2(vi,vj)),
其中d2(vi,vj)表示第i个顶点vi和第j个顶点vj之间的距离的平方,β=(2<d2(vγ,vβ)>)-1为标准化因子,γ=1,2,...,N,β=1,2,...,N,N表示顶点总数,<·>表示期望,(·)-1表示求逆运算,exp(·)表示指数运算,由于无向图的边是对称的,所以有wij=wji,不相连的顶点之间定义边权为0;
(3b)分别计算第i个顶点vi的自循环权重wii和第j个顶点vj的自循环权重wjj,当第i个顶点vi和第j个顶点vj之间的边eij没有被选中时,wij需要重新分配给自循环权:wii=wii+wij,wjj=wjj+wij。
3.根据权利要求1所述的方法,其中步骤(4a)中的转移概率Pi,j(A),通过下式计算:
其中,表示在边集A中与第i个顶点相连的边权之和,表示在边集E中与第i个顶点相连的边权之和,ei,j表示第i个和第j个顶点之间的边,wi,j/wi表示连接第i个顶点和第j个顶点间的边权与wi的比值,μi=wi/wall表示在边集E中所有与第i个顶点相连的边权之和占总边权之和的比例,wall=Σi∈{1,2,...,N}wi表示边集E中所有的边权之和,N表示顶点总数。
4.根据权利要求1所述的方法,其中步骤(4b)采用最大化子模目标函数F对图模型G(V,E)进行聚类,采用贪心算法进行,其实现如下:
(4b1)初始化边集A=φ,其中φ表示空集;
(4b2)选择使F(A∪e)-F(A)取得最大值时的边e,更新A,即A=A∪e,∪表示并集;
(4b3)重复步骤(4b2),直到NA等于设定的值时停止,得到子图集合χ∈{1,2,...,NA},NA表示子图的数量。
5.根据权利要求1所述的方法,其中步骤(5)中计算字典D,是根据(4b3)的聚类结果,对每个子图中的成员取平均值,得到字典其中为第χ个字典原子,表示第χ个子图中的所有顶点对应的空间金字塔特征的平均值,Sχ表示第χ个子图,|·|为取模运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031938.8A CN108154511B (zh) | 2018-01-12 | 2018-01-12 | 基于子模字典学习的sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031938.8A CN108154511B (zh) | 2018-01-12 | 2018-01-12 | 基于子模字典学习的sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154511A true CN108154511A (zh) | 2018-06-12 |
CN108154511B CN108154511B (zh) | 2019-10-25 |
Family
ID=62461181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810031938.8A Active CN108154511B (zh) | 2018-01-12 | 2018-01-12 | 基于子模字典学习的sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154511B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503631A (zh) * | 2019-07-24 | 2019-11-26 | 山东师范大学 | 一种遥感图像变化检测方法 |
CN110929767A (zh) * | 2019-10-24 | 2020-03-27 | 云从科技集团股份有限公司 | 一种字形处理方法、系统、设备和介质 |
CN111311718A (zh) * | 2020-01-19 | 2020-06-19 | 北京环境特性研究所 | 一种基于图论的散射中心关联方法和装置 |
CN115035111A (zh) * | 2022-08-10 | 2022-09-09 | 江苏永银化纤有限公司 | 一种基于图像处理的有色丝色差检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976351A (zh) * | 2010-10-27 | 2011-02-16 | 西安电子科技大学 | 基于脊波框架构造稀疏表示冗余字典的方法 |
US20130156340A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Image Filtering by Sparse Reconstruction on Affinity Net |
CN104933711A (zh) * | 2015-06-10 | 2015-09-23 | 南通大学 | 一种肿瘤病理图像自动快速分割方法 |
CN105528614A (zh) * | 2015-12-02 | 2016-04-27 | 北京大学 | 一种漫画图像版面的识别方法和自动识别系统 |
CN106778807A (zh) * | 2016-11-22 | 2017-05-31 | 天津大学 | 基于公共字典对和类依赖字典对的细粒度图像分类方法 |
CN107533671A (zh) * | 2015-05-11 | 2018-01-02 | 株式会社东芝 | 模式识别装置、模式识别方法以及程序 |
-
2018
- 2018-01-12 CN CN201810031938.8A patent/CN108154511B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976351A (zh) * | 2010-10-27 | 2011-02-16 | 西安电子科技大学 | 基于脊波框架构造稀疏表示冗余字典的方法 |
US20130156340A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Image Filtering by Sparse Reconstruction on Affinity Net |
CN107533671A (zh) * | 2015-05-11 | 2018-01-02 | 株式会社东芝 | 模式识别装置、模式识别方法以及程序 |
CN104933711A (zh) * | 2015-06-10 | 2015-09-23 | 南通大学 | 一种肿瘤病理图像自动快速分割方法 |
CN105528614A (zh) * | 2015-12-02 | 2016-04-27 | 北京大学 | 一种漫画图像版面的识别方法和自动识别系统 |
CN106778807A (zh) * | 2016-11-22 | 2017-05-31 | 天津大学 | 基于公共字典对和类依赖字典对的细粒度图像分类方法 |
Non-Patent Citations (4)
Title |
---|
ZHUOLIN JIANG等: "Learning a discriminative dictionary for sparse coding via label consistent K-SVD", 《CVPR 2011》 * |
庄广安: "基于字典学习的无监督迁移聚类及其在SAR图像分割中的应用", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
时永刚等: "字典学习和稀疏表示的海马子区图像分割", 《中国图象图形学报》 * |
郝阳阳: "基于字典学习的SAR图像分割", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503631A (zh) * | 2019-07-24 | 2019-11-26 | 山东师范大学 | 一种遥感图像变化检测方法 |
CN110929767A (zh) * | 2019-10-24 | 2020-03-27 | 云从科技集团股份有限公司 | 一种字形处理方法、系统、设备和介质 |
CN111311718A (zh) * | 2020-01-19 | 2020-06-19 | 北京环境特性研究所 | 一种基于图论的散射中心关联方法和装置 |
CN115035111A (zh) * | 2022-08-10 | 2022-09-09 | 江苏永银化纤有限公司 | 一种基于图像处理的有色丝色差检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108154511B (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
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 | |
Liu et al. | Superpixel-based classification with an adaptive number of classes for polarimetric SAR images | |
CN107563428B (zh) | 基于生成对抗网络的极化sar图像分类方法 | |
Ming et al. | Land cover classification using random forest with genetic algorithm-based parameter optimization | |
CN108154511B (zh) | 基于子模字典学习的sar图像分割方法 | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN108846426A (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
CN107992891A (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
CN103366184B (zh) | 基于混合分类器的极化sar数据分类方法及系统 | |
CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
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 | |
CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
Luo et al. | Research on change detection method of high-resolution remote sensing images based on subpixel convolution | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
He et al. | Multi-spectral remote sensing land-cover classification based on deep learning methods | |
CN108564083A (zh) | 一种遥感图像变化检测方法及装置 | |
CN110490894A (zh) | 基于改进的低秩稀疏分解的视频前背景分离方法 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
Sasmal et al. | A survey on the utilization of Superpixel image for clustering based image segmentation | |
Jiang et al. | Hyperspectral image classification with CapsNet and Markov random fields | |
Wu et al. | Robust semi-supervised spatial picture fuzzy clustering with local membership and KL-divergence for image segmentation |
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 |