CN108470183B - 基于聚类细化残差模型的极化sar分类方法 - Google Patents
基于聚类细化残差模型的极化sar分类方法 Download PDFInfo
- Publication number
- CN108470183B CN108470183B CN201810112427.9A CN201810112427A CN108470183B CN 108470183 B CN108470183 B CN 108470183B CN 201810112427 A CN201810112427 A CN 201810112427A CN 108470183 B CN108470183 B CN 108470183B
- Authority
- CN
- China
- Prior art keywords
- scattering
- matrix
- layer
- sar image
- polarized sar
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于聚类细化残差模型的极化SAR分类方法,其步骤为:(1)搭建聚类细化残差模型;(2)对待分类的极化SAR图像进行预处理;(3)生成训练数据集和测试数据集;(4)对网络的深浅层进行信息融合处理;(5)对初始分类图小图斑进行重新分类处理;(6)对测试数据进行分类,获得测试结果。本发明通过将极化SAR图像在细化残差网络中深浅层信息进行融合处理,提取了极化SAR图像丰富的纹理特性,保留了特征信息的完整性,提高了训练速度,使用聚类层对融合处理后的分类图中边缘的小图斑进行重新分类处理,提高了图像边缘的分类精度,加快了训练速度。
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地物分类技术领域中的一种基于聚类细化残差模型的极化合成孔径雷达SAR(Synthetic ApertureRadar)图像分类方法。本发明可用于对极化SAR图像的地物目标进行分类。
背景技术
极化合成孔径雷达具有许多突出的优点,如不受时间的影响,可以24小时成像等。极化SAR图像具有独特的优势和广泛的应用前景,目前已经成功应用于土地利用分类、变化检测、地表参数反演、土壤湿度及土壤水分反演、人造目标分类、建筑物提取等。
随着全极化SAR遥感技术的进一步发展和应用程度的不断深入,全极化SAR图像分类领域依然存在一些问题,如全极化SAR图像受分辨率、噪声、滤波等影响,传统的目标分解无法获得更全面的极化特性,势必会影响分类精度,而且传统的SVM分类器的训练速度缓慢。例如:
ZHANG Xiang,DENG Kazhong,FAN Hongdong等人在其发表的论文“基于目标分解的极化SAR图像SVM监督分类”(计算机应用研究,2013,30(1):295-298.)中提出了一种基于多目标散射全卷积网的极化SAR图像分类方法。该方法首先对原始极化SAR图像使用多种目标分解方法进行处理,得到相应的分量信息,然后在极化SAR图像特征提取的基础上将SVM应用到极化SAR分类。该方法虽然使用了多目标分解得到了全面的极化特性,但是,该方法仍然存在的不足之处是,特征信息不全面,导致分类精度不高,而且SVM的训练速度比残差神经网络的训练速度慢很多。
西安电子科技大学在其申请的专利文献“基于全卷积神经网络的极化SAR地物分类方法”(专利申请号:201710369376.3,公开号:CN107239797A)中提出了一种基于全卷积神经网络的极化SAR地物分类方法。该方法首先对待分类的极化数据进行pauli分解,将得到的特征矩阵转化为伪彩图,然后利用全卷积网络进行地物分类。全卷积网络是一种基于像素级的分类,从而实现了端到端的分类效果,而且该网络对输入数据图像的尺寸没有限制,在测试阶段,可以使用整张原图进行测试,避免了由块拼接所带来的边缘效应,得到了不错的分类效果。但是,该方法仍然存在的不足之处是,全卷积网络层次太深,导致网络训练时间过长,而且全卷积神经网络在对图像进行分类时常常出现错分、漏分,且分出的图斑比较零乱,因此,在图像边缘存在许多小图斑,对图像的边缘像素点的分类效果较差。
发明内容
本发明的目的是针对上述现有技术的不足,提出了一种基于聚类细化残差模型的极化SAR分类方法。本发明与现有其他极化SAR图像分类方法相比,能够更全面细致地保留极化SAR图像的极化、散射、纹理特征信息,有效地提高极化SAR图像的分类精度。
实现本发明目的的思路是:先搭建聚类细化残差模型并设置每层参数,再对待分类的极化SAR图像进行Lee滤波,对滤波后的散射矩阵进行pauli分解,再对分解得到的特征矩阵进行归一化操作,然后生成训练数据集和测试数据集,使用细化残差网络对训练数据集深浅层信息进行融合处理,再用聚类层对融合处理后的分类图中边缘的小图斑进行重新分类处理,得到训练好的聚类细化残差模型,最后将测试数据集送入训练好的聚类细化残差模型中得到测试数据集中每个像素所属的类别。
实现本发明的具体步骤如下:
(1)搭建一个20层的聚类细化残差模型并设置模型中的每层参数;
(2)对待分类的极化SAR图像进行预处理:
(2a)对待分类大小为12944×2820像素的极化SAR图像的散射矩阵,进行滤除相干噪声的精致极化Lee滤波,得到滤波后大小为12944×2820×9的散射矩阵;
(2b)对滤波后的散射矩阵进行pauli分解,得到奇次散射特征、偶次散射特征、体散射特征组成的三维特征,将三维特征组成像素点的特征矩阵;
(2c)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;
(3)生成训练数据集和测试数据集:
(3a)从归一化后的特征矩阵中的每一类特征值中随机选取10%的特征值,以所选取的每一个特征值为中心点,在中心点左和上两个方向分别选取47个特征值,在中心点右和下两个方向分别选取48个特征值,将所选取的特征值与其周围所选的特征值,组成96×96像素的特征矩阵块;
(3b)从特征矩阵块中随机选取5%的特征矩阵块,作为训练数据集,将其余的特征矩阵块作为测试数据集;
(4)对网络的深浅层信息进行融合处理:
将训练数据集输入到聚类细化残差模型中,将训练数据集中矩阵在模型中得到的前一层特征图与后一层特征图相同位置上的像素相加,得到在模型训练中浅层高分辨率的细节特征与深层低分辨率的轮廓特征融合的训练数据集,然后使用训练数据集训练网络,得到训练数据集的初始分类结果图;
(5)对初始分类图边缘的小图斑进行重新分类处理:
(5a)以所得到的初始分类结果图中的每一个像素点为中心点,在中心点左和上两个方向分别选取2个像素点,在中心点右和下两个方向分别选取2个像素点,将所选取的像素点与其周围所选的像素点,组成5×5像素的矩阵块;
(5b)将每个矩阵块中心点的分类结果作为该矩阵块中所有像素点的分类结果,得到训练好的聚类细化残差模型;
(6)对测试数据集进行分类:
将测试数据集输入到训练好的聚类细化残差模型中,得到测试数据集中每个像素点的分类结果。
本发明与现有技术相比较,具有以下优点:
第一,由于本发明构建了聚类细化残差模型,模型中使用了一系列卷积,池化层,上采样层,将数据集在网络训练中得到的前一层特征图与后一层特征图进行像素相加提取了极化SAR图像丰富的纹理特性,克服了现有技术中通过SVM分类器对极化SAR图像进行分类而导致的训练精度低,训练时间长的问题,使得本发明缩短了训练极化SAR图像的训练时间,提高了极化SAR图像的分类精度。
第二,由于本发明构建了聚类细化残差模型,模型中使用了聚类层,将网络测试之后的分类图中边缘的小图斑进行重新分类处理,克服了现有技术中通过全卷积网络对图像进行分类时常常出现错分、漏分,且分出的图斑比较零乱,边缘像素点的分类效果较差的问题,使得本发明减少了分类结果图边缘的许多小图斑,提高了分类结果图边缘像素点的分类准确率。
附图说明
图1是本发明流程图;
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。
参照图1,对本发明的步骤做进一步的详细描述。
步骤1.搭建一个20层的聚类细化残差模型并设置每层参数。
所述的聚类细化残差模型结构为:输入层→第一个卷积层→第二个卷积层→第一个像素相加层→第三个卷积层→第四个卷积层→第二个像素相加层→第五个卷积层→第一个上采样层→第三个像素相加层→池化层→第六个卷积层→第四个像素相加层→第七个卷积层→第八个卷积层→第五个像素相加层→第二个上采样层→第九个卷积层→分类层→聚类层。
各层的参数设置如下:
将输入层的特征映射图的总数设置为3个。
将第一至第九个共九个卷积层的特征映射图的总数设置为256个,卷积核的尺度设置为3*3个节点。
将第一至第四个共四个像素相加层的特征映射图的总数设置为256个。
将第一至第二个共两个上采样层的特征映射图的总数设置为256个,将输入的第一个上采样层的尺度设置为2*2个节点;将输入的第二个上采样层的尺度设置为1*1个节点。
将池化层的特征映射图的总数设置为256个。
将分类层的特征映射图的总数设置为4个。
将聚类层的特征映射图的总数设置为1个。
步骤2.对待分类的极化SAR图像进行预处理。
对待分类大小为12944×2820像素的极化SAR图像的散射矩阵,进行滤除相干噪声的精致极化Lee滤波,得到滤波后大小为12944×2820×9的散射矩阵。
对滤波后的散射矩阵进行pauli分解,得到奇次散射特征、偶次散射特征、体散射特征组成的三维特征,用分解得到三维特征作为表征极化SAR目标图像的特征,构成基于像素点的特征矩阵。
所述对滤波后的散射矩阵进行pauli分解的具体步骤如下:
第1步,按照下式,将散射矩阵表示为:
S=a[Sa]+b[Sb]+c[Sc]+d[Sd]
其中,S表示极化SAR图像的散射矩阵,[Sa]表示极化SAR图像奇次散射的基本散射矩阵,a表示极化SAR图像散射矩阵奇次散射系数,[Sb]表示极化SAR图像偶次散射的基本散射矩阵,b表示极化SAR图像散射矩阵偶次散射系数,[Sc]表示极化SAR图像45度角偶次散射的基本散射矩阵,c表示极化SAR图像散射矩阵45度角偶次散射系数,[Sd]表示极化SAR图像交叉极化的基本散射矩阵,d表示极化SAR图像交叉极化的系数。
第2步,按照下式,得到pauli分解不同方向四个散射系数的向量组合形式如下:
其中,K表示极化SAR图像pauli分解四个散射系数的向量组合形式,a为极化SAR图像散射矩阵奇次散射系数,b表示极化SAR图像散射矩阵偶次散射系数,c表示极化SAR图像散射矩阵45度角偶次散射系数,d表示极化SAR图像交叉极化的系数,SHH表示极化SAR图像水平向接收的水平向发射极化波的回波数据,SHV表示极化SAR图像垂直向接收的水平向发射极化波的回波数据,SVV表示极化SAR图像垂直向接收的垂直向发射极化波的回波数据,在满足互易条件时,SHV=SVH,因此d=0,最后一种散射机制对散射矩阵S的贡献为0,按照下式,得到pauli分解不同方向三个散射系数向量形式:
第3步,依次按照下述三个公式,计算pauli分解的不同方向三个散射能量:
|c|2=2(SHV)2
其中,a表示极化SAR图像散射矩阵奇次散射系数,b表示极化SAR图像散射矩阵偶次散射系数,c表示极化SAR图像散射矩阵45度角偶次散射系数,|a|2表示极化SAR图像散射矩阵奇次散射的散射矩阵,|b|2表示极化SAR图像散射矩阵偶次散射的散射矩阵,|c|2表示极化SAR图像散射矩阵45度角偶次散射的散射矩阵,SHH表示极化SAR图像水平向接收的水平向发射极化波的回波数据,SHV表示极化SAR图像垂直向接收的水平向发射极化波的回波数据,SVV表示极化SAR图像垂直向接收的垂直向发射极化波的回波数据,|·|表示取绝对值操作。
第4步,将计算得到的奇次散射、偶次散射、体散射矩阵赋给一个大小为M1×M2×3的矩阵,得到基于像素点的特征矩阵,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.生成训练数据集和测试数据集。
从归一化后的特征矩阵中的每一类特征值中随机选取10%的特征值,以所选取的每一个特征值为中心点,在中心点左和上两个方向分别选取47个特征值,在中心点右和下两个方向分别选取48个特征值,将所选取的特征值与其周围所选的特征值,组成96×96像素的特征矩阵块。
从特征矩阵块中随机选取5%的特征矩阵块,作为训练数据集,将其余的特征矩阵块作为测试数据集。
步骤4.对网络的深浅层进行信息融合处理。
将训练数据集输入到聚类细化残差模型中,将训练数据集中矩阵在模型中得到的前一层特征图与后一层特征图相同位置上的像素相加,得到在模型训练中浅层高分辨率的细节特征与深层低分辨率的轮廓特征融合的训练数据集,然后使用训练数据集训练网络,得到训练数据集的初始分类结果图。
步骤5.对初始分类图小图斑进行重新分类处理。
以所得到的初始分类结果图中的每一个像素点为中心点,在中心点左和上两个方向分别选取2个像素点,在中心点右和下两个方向分别选取2个像素点,将所选取的像素点与其周围所选的像素点,组成5×5像素的矩阵块。
将每个矩阵块中心点的分类结果作为该矩阵块中所有像素点的分类结果,得到训练好的聚类细化残差模型。
步骤6.对测试数据进行分类。
将测试数据集输入到训练好的聚类细化残差模型中,得到测试数据集中每个像素的分类结果。
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:
2.仿真内容与结果分析:
使用本发明的方法和全卷积神经网络的方法对极化SAR图像地物目标进行分类。
将得到的分类结果与真实的人工标记进行对比,根据下述公式,计算得到分类准确率。
分类准确率=总分类正确像素个数/总像素数
本发明的方法和全卷积神经网络的方法的准确率,训练时间和测试时间如下表1所示:
表1.准确率、训练时间和测试时间对比表
方法 | 准确率 | 训练时间 | 测试时间 |
本发明 | 95.224% | 6小时25分钟 | 125.624秒 |
全卷积神经网络 | 94.024% | 28小时38分钟 | 80.543秒 |
图2是本发明的仿真图。其中,图2(a)是本发明的仿真实验所使用的待分类的极化SAR数据的伪彩图,该图为RADARSAT_2雷达系统获取的极化SAR数据的散射矩阵,经过pauli分解后得到的伪彩图。该伪彩图的大小为12944×2820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极化SAR图像的实际人工标记图,图2(c)是本发明的对极化SAR图像进行分类的分类结果图。图2(b)和图2(c)中的灰度值为0的区域表示背景,灰度值为75的区域表示森林区域,灰度值为105的区域表示农田区域,灰度值为150的区域表示城市区域,灰度值为30的区域表示水域区域。
将得到的分类结果图2(c)与实际人工标记图2(b)进行对比,可以看出:本发明方法分类结果的区域一致性较好,水域区域和森林区域两个区域分类效果比较好,城市区域和农田区域两个区域有一部分错分的像素点。
综上所述,本发明通过聚类细化残差模型对极化SAR图像进行分类,使用了一系列卷积,池化层,上采样层,将得到的前一层特征图与后一层特征图进行像素相加,提取了极化SAR图像丰富的纹理特性,保留了特征信息的完整性,提高了训练速度,使用了聚类层将网络测试之后的分类图中边缘的小图斑进行重新分类处理,减少了许多分类结果图边缘的小图斑,提高了分类精度。
Claims (3)
1.一种基于聚类细化残差模型的极化SAR分类方法,其特征在于,该方法是将极化SAR图像在细化残差网络中深浅层信息进行融合处理,使用聚类细化残差模型中的聚类层对融合处理后的初始分类图边缘的小图斑进行重新分类处理,得到最终的分类图,该方法的具体步骤包括如下:
(1)搭建一个20层的聚类细化残差模型并设置模型中的每层参数;
(2)对待分类的极化SAR图像进行预处理:
(2a)对待分类大小为12944×2820像素的极化SAR图像的散射矩阵,进行滤除相干噪声的精致极化Lee滤波,得到滤波后大小为12944×2820×9的散射矩阵;
(2b)对滤波后的散射矩阵进行pauli分解,得到奇次散射特征、偶次散射特征、体散射特征组成的三维特征,将三维特征组成像素点的特征矩阵;
(2c)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;
(3)生成训练数据集和测试数据集:
(3a)从归一化后的特征矩阵中的每一类特征值中随机选取10%的特征值,以所选取的每一个特征值为中心点,在中心点左和上两个方向分别选取47个特征值,在中心点右和下两个方向分别选取48个特征值,将所选取的特征值与其周围所选的特征值,组成96×96像素的特征矩阵块;
(3b)从特征矩阵块中随机选取5%的特征矩阵块,作为训练数据集,将其余的特征矩阵块作为测试数据集;
(4)对网络的深浅层信息进行融合处理:
将训练数据集输入到聚类细化残差模型中,将训练数据集中矩阵在模型中得到的前一层特征图与后一层特征图相同位置上的像素相加,得到在模型训练中浅层高分辨率的细节特征与深层低分辨率的轮廓特征融合的训练数据集,然后使用训练数据集训练网络,得到训练数据集的初始分类结果图;
(5)对初始分类图边缘的小图斑进行重新分类处理:
(5a)以所得到的初始分类结果图中的每一个像素点为中心点,在中心点左和上两个方向分别选取2个像素点,在中心点右和下两个方向分别选取2个像素点,将所选取的像素点与其周围所选的像素点,组成5×5像素的矩阵块;
(5b)将每个矩阵块中心点的分类结果作为该矩阵块中所有像素点的分类结果,得到训练好的聚类细化残差模型;
(6)对测试数据集进行分类:
将测试数据集输入到训练好的聚类细化残差模型中,得到测试数据集中每个像素点的分类结果。
2.根据权利要求1所述的基于聚类细化残差模型的极化SAR分类方法,其特征在于,所述步骤(1)中所述的聚类细化残差模型结构为:输入层→第一个卷积层→第二个卷积层→第一个像素相加层→第三个卷积层→第四个卷积层→第二个像素相加层→第五个卷积层→第一个上采样层→第三个像素相加层→池化层→第六个卷积层→第四个像素相加层→第七个卷积层→第八个卷积层→第五个像素相加层→第二个上采样层→第九个卷积层→分类层→聚类层;
各层的参数设置如下:
将输入层的特征映射图的总数设置为3个;
将第一至第九个共九个卷积层的特征映射图的总数设置为256个,卷积核的尺度设置为3*3个节点;
将第一至第四个共四个像素相加层的特征映射图的总数设置为256个;
将第一至第二个共两个上采样层的特征映射图的总数设置为256个,将输入的第一个上采样层的尺度设置为2*2个节点;将输入的第二个上采样层的尺度设置为1*1个节点;
将池化层的特征映射图的总数设置为256个;
将分类层的特征映射图的总数设置为4个;
将聚类层的特征映射图的总数设置为1个。
3.根据权利要求1所述的基于聚类细化残差模型的极化SAR分类方法,其特征在于,所述步骤(2b)中所述对滤波后的散射矩阵进行pauli分解具体步骤如下:
第一步,按照下式,将散射矩阵表示为:
S=a[Sa]+b[Sb]+c[Sc]+d[Sd]
其中,S表示极化SAR图像的散射矩阵,[Sa]表示极化SAR图像奇次散射的基本散射矩阵,a表示极化SAR图像散射矩阵奇次散射系数,[Sb]表示极化SAR图像偶次散射的基本散射矩阵,b表示极化SAR图像散射矩阵偶次散射系数,[Sc]表示极化SAR图像45度角偶次散射的基本散射矩阵,c表示极化SAR图像散射矩阵45度角偶次散射系数,[Sd]表示极化SAR图像交叉极化的基本散射矩阵,d表示极化SAR图像交叉极化的系数;
第二步,按照下式,得到pauli分解不同方向四个散射系数的向量组合形式如下:
其中,K表示极化SAR图像pauli分解四个散射系数的向量组合形式,a为极化SAR图像散射矩阵奇次散射系数,b表示极化SAR图像散射矩阵偶次散射系数,c表示极化SAR图像散射矩阵45度角偶次散射系数,d表示极化SAR图像交叉极化的系数,SHH表示极化SAR图像水平向接收的水平向发射极化波的回波数据,SHV表示极化SAR图像垂直向接收的水平向发射极化波的回波数据,SVV表示极化SAR图像垂直向接收的垂直向发射极化波的回波数据,在满足互易条件时,SHV=SVH,因此d=0,最后一种散射机制对散射矩阵S的贡献为0,按照下式,得到pauli分解不同方向三个散射系数向量形式:
第三步,依次按照下述三个公式,计算pauli分解的不同方向三个散射能量:
|c|2=2(SHV)2
其中,a表示极化SAR图像散射矩阵奇次散射系数,b表示极化SAR图像散射矩阵偶次散射系数,c表示极化SAR图像散射矩阵45度角偶次散射系数,|a|2表示极化SAR图像散射矩阵奇次散射的散射矩阵,|b|2表示极化SAR图像散射矩阵偶次散射的散射矩阵,|c|2表示极化SAR图像散射矩阵45度角偶次散射的散射矩阵,SHH表示极化SAR图像水平向接收的水平向发射极化波的回波数据,SHV表示极化SAR图像垂直向接收的水平向发射极化波的回波数据,SVV表示极化SAR图像垂直向接收的垂直向发射极化波的回波数据,|·|表示取绝对值操作;
第四步,将计算得到的奇次散射、偶次散射、体散射矩阵赋给一个大小为M1×M2×3的矩阵,得到基于像素点的特征矩阵,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 |
---|---|---|---|
CN201810112427.9A CN108470183B (zh) | 2018-02-05 | 2018-02-05 | 基于聚类细化残差模型的极化sar分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810112427.9A CN108470183B (zh) | 2018-02-05 | 2018-02-05 | 基于聚类细化残差模型的极化sar分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108470183A CN108470183A (zh) | 2018-08-31 |
CN108470183B true CN108470183B (zh) | 2020-06-16 |
Family
ID=63266142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810112427.9A Active CN108470183B (zh) | 2018-02-05 | 2018-02-05 | 基于聚类细化残差模型的极化sar分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470183B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344897B (zh) * | 2018-09-29 | 2022-03-25 | 中山大学 | 一种基于图片蒸馏的通用物体检测系统及其实现方法 |
CN110020693B (zh) * | 2019-04-15 | 2021-06-08 | 西安电子科技大学 | 基于特征注意和特征改善网络的极化sar图像分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239901A (zh) * | 2014-09-11 | 2014-12-24 | 西安电子科技大学 | 基于模糊粒子群和目标分解的极化sar图像分类方法 |
US9239384B1 (en) * | 2014-10-21 | 2016-01-19 | Sandia Corporation | Terrain detection and classification using single polarization SAR |
CN107358192A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 一种基于深度Curvelet残差网的极化SAR影像分类方法 |
-
2018
- 2018-02-05 CN CN201810112427.9A patent/CN108470183B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239901A (zh) * | 2014-09-11 | 2014-12-24 | 西安电子科技大学 | 基于模糊粒子群和目标分解的极化sar图像分类方法 |
US9239384B1 (en) * | 2014-10-21 | 2016-01-19 | Sandia Corporation | Terrain detection and classification using single polarization SAR |
CN107358192A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 一种基于深度Curvelet残差网的极化SAR影像分类方法 |
Non-Patent Citations (4)
Title |
---|
Deep fully convolutional network-based spatial distribution prediction for hyperspectral image classification;Jiao L等;《IEEE Transactions on Geoscience and Remote Sensing》;20170703;第55卷(第10期);第5587-5589页 * |
POLSAR Image Classification via Wishart-AE Model or Wishart-CAE Model;Wen Xie等;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20170504;第10卷(第8期);第3604-3615页 * |
一种利用地物散射特性进行后续类别调整的极化SAR影像分类方法;刘利敏等;《光谱学与光谱分析》;20140114;第34卷(第1期);第151-156页 * |
基于联合域聚类和稀疏表示的极化SAR图像分类;刘璐;《中国博士学位论文全文数据库信息科技辑》;20170215(第02期);第21-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108470183A (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460408B (zh) | 基于残差学习和条件gan的极化sar图像分类方法 | |
CN108154192B (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
CN107239751B (zh) | 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 | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
Ma et al. | What catch your attention in SAR images: Saliency detection based on soft-superpixel lacunarity cue | |
CN107944370B (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN104794730B (zh) | 基于超像素的sar图像分割方法 | |
CN105930772A (zh) | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN102402685B (zh) | 基于Gabor特征的三马尔可夫场SAR图像分割方法 | |
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 | |
CN109635789B (zh) | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 | |
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 | |
Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
CN108470183B (zh) | 基于聚类细化残差模型的极化sar分类方法 | |
CN115271560B (zh) | 一种海洋石油钻井溢油风化定量评估系统及评估方法 | |
CN111626380A (zh) | 一种基于超像素和卷积网络的极化sar图像分类方法 | |
Yu et al. | Application of a convolutional autoencoder to half space radar hrrp recognition | |
CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
CN109063760B (zh) | 基于随机森林多尺度卷积模型的极化sar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 | |
CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
CN102902982B (zh) | 基于观测向量差的sar图像纹理分类方法 | |
CN106096650B (zh) | 基于收缩自编码器的sar图像分类方法 |
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 |