CN108537245B - 基于加权稠密网的极化sar图像分类方法 - Google Patents
基于加权稠密网的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN108537245B CN108537245B CN201810113040.5A CN201810113040A CN108537245B CN 108537245 B CN108537245 B CN 108537245B CN 201810113040 A CN201810113040 A CN 201810113040A CN 108537245 B CN108537245 B CN 108537245B
- Authority
- CN
- China
- Prior art keywords
- scattering
- sar image
- classified
- matrix
- 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
- G06F18/21—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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (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
一种基于加权稠密网的极化SAR图像分类方法,其步骤为:(1)构建加权稠密网;(2)选取待分类的极化SAR图像;(3)对待分类极化SAR图像进行滤波;(4)获得散射特征;(5)用待分类极化SAR图像的散射特征值组成一个三维特征矩阵;(6)生成训练数据集和测试数据集;(7)使用加权稠密网对训练数据集进行分类;(8)对测试数据集进行分类,获得分类结果。本发明通过计算待分类极化SAR图像的特征图的权重值,只保留权重值大于0.5的特征图用于分类,充分利用了对分类最重要的特征,同时压制不重要的特征,提高了分类的准确率,加快了网络的训练速度。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及雷达图像地物分类技术领域中的一种基于加权稠密网的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本发明可用于对极化SAR图像中的地物目标进行分类。
背景技术
极化合成孔径雷达是一种高分辨率主动式有源微波遥感成像雷达,具有全天候、全天时、分辨率高、可侧视成像等优点,能获得目标更丰富的信息。极化SAR图像分类的目的是利用机载或者星载极化SAR传感器获得的极化测量数据确定每个像素所属的类别,在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值。
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。
MA Dubiao,LU Chunyan等人在其发表的论文“基于联合特征和SVM的极化SAR图像分类方法”(无线电工程,2017,47(3):31-34,46)中提出了一种联合特征和SVM相结合的极化SAR图像中的地物目标分类方法。该方法首先提取极化SAR图像中地物目标的多类散射特征,然后结合极化SAR图像中地物目标的具有上下文知识的纹理特征,构建联合特征矢量,再利用联合特征矢量训练SVM分类器,最后将未知数据输入训练好的分类器完成最终的分类。该方法虽然得到了极化SAR图像中地物目标的多类散射特征,并结合了极化SAR图像中地物目标的纹理特征,但是,该方法仍然存在的不足之处是,由于极化SAR图像是基于相干成像的原理得到的,所以极化SAR图像中不可避免地存在相干斑噪声,所以在联合特征中存在很多被相干斑噪声干扰的特征,这些是对分类意义不大的信息,这些对分类意义不大的信息的存在会导致分类精度过低。
西安电子科技大学在其申请的专利文献“基于协同训练和深度SVM的极化SAR分类方法”(专利申请号:201410319969.5,公开号:104077599B)中提出了一种基于协同训练和深度SVM的极化SAR地物目标分类方法。该方法首先对待分类的地物目标进行pauli分解,得到相干矩阵,然后将得到相干矩阵进行预分割,再利用分割后的相干矩阵和深度SVM进行地物目标分类。深度SVM能够在相干矩阵特征的基础上提取更高维的特征,避免了由于特征提取不合理造成的分类精度下降,协同训练能够利用无标记样本的信息,避免了由于有标记样本较少造成的分类精度下降,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:由于协同训练算法在训练过程中需要多次进行数据交换,导致深度SVM网络训练时间过长。
发明内容
本发明的目的在于针对上述现有技术的不足,提出了一种基于加权稠密网的极化SAR图像分类方法。本发明与现有其他极化SAR图像分类方法相比,能够更充分地利用极化SAR图像的特征信息,有效地提高极化SAR图像的分类精度,同时极大缩短网络训练时间。
实现本发明的技术思路是:先构建一个加权稠密网,再选取待分类的极化SAR图像,再对待分类极化SAR图像进行Lee滤波,得到极化散射矩阵,然后计算极化散射矩阵的三个特征值,将这三个特征值组成一个三维特征矩阵作为待分类极化SAR图像的散射矩阵的特征矩阵,然后生成训练数据集合和测试数据集,使用加权稠密网对训练数据集进行分类,得到训练好的加权稠密网模型,最后将测试数据集送入训练好的加权稠密网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)构建加权稠密网:
搭建一个17层的加权稠密网,其结构依次为:输入层→第一个卷积层→第一个池化层→第二个卷积层→第三个卷积层→第四个卷积层→第二个池化层→第五个卷积层→第六个卷积层→第七个卷积层→第三个池化层→第八个卷积层→第九个卷积层→第十个卷积层→第四个池化层→分类层;
加权稠密网的各层参数设置如下:
将输入层的特征图的总数设置为3个;
将第一个卷积层的特征图的总数设置为48个,将卷积核设置为7×7个节点;
将第二、第四、第五、第七、第八、第十共6个卷积层的每一层的特征图设置为24个,将每层卷积层的卷积核设置为1×1个节点;
将第三、第六、第九共3个卷积层的每一层的特征图设置为24个,将每层卷积层的卷积核设置为3×3个节点;
将第一、第二、第三、第四共4个池化层的每一层的特征图设置为24个;
将分类层的特征图总数设置为1;
(2)选取待分类的极化SAR图像:
选取一帧大小为1300×1200像素的含有地物目标的待分类极化SAR图像;
(3)对待分类极化SAR图像进行滤波:
用精致极化Lee滤波方法,滤除所选取的待分类极化SAR图像中的相干噪声,得到极化散射矩阵;
(4)获得散射特征:
(4a)利用散射系数公式,计算待分类极化SAR图像的散射矩阵的散射系数值;
(4b)利用散射特征公式,分别计算待分类极化SAR图像的散射矩阵的奇次散射特征值、偶次散射特征值、体散射特征值;
(5)用待分类极化SAR图像的散射矩阵的三个特征值,组成一个三维特征矩阵;
(6)生成训练数据集和测试数据集:
(6a)在特征矩阵中,以每一个像素点为中心,分割出大小为32×32的特征矩阵块;
(6b)从分割出的特征矩阵块中随机选取10%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;
(7)使用加权稠密网对训练数据集进行分类:
(7a)将训练数据集输入到加权稠密网中,得到与输入训练数据集中的每个特征矩阵块对应的特征图,将特征图中的所有像素值相加,再除以特征图中像素的总数,得到一个实数,在[0,1]区间对该实数进行归一化操作,将归一化后的实数值作为特征图的权重值;
(7b)对于权重值大于0.5的特征图,保持该特征图的权重值不变,对于权重值小于0.5的特征图,将该特征图的权重值设为0,得到调整好的权重值;
(7c)将特征图与调整好的权重值相乘,得到新的特征图;
(7d)将新的特征图输入到加权稠密网中,对特征图中的每个像素点进行分类,得到训练好的加权稠密网;
(8)对测试数据集进行分类:
将测试数据集输入到训练好的加权稠密网中,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,由于本发明构建了加权稠密网,计算待分类极化SAR图像在加权稠密网中的每个特征图的权重值,对分类任务重要的特征图权重值大,对分类任务不重要的特征图权重值小,这样做就能够有效地利用对分类任务最有用的特征,抑制不重要的特征,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分类精度过低的问题,使得本发明提高了分类结果的准确率。
第二,由于本发明只保留权重值大于0.5的特征图,大大减少了网络中特征图的数量,克服了现有技术中由于协同训练算法在训练过程中需要多次进行数据交换,导致深度SVM网络训练时间过长的问题,使得本发明提高了极化SAR图像的训练速度。
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1对本发明的步骤做进一步的详细描述。
步骤1.构建加权稠密网。
搭建一个17层的加权稠密网,其结构依次为:输入层→第一个卷积层→第一个池化层→第二个卷积层→第三个卷积层→第四个卷积层→第二个池化层→第五个卷积层→第六个卷积层→第七个卷积层→第三个池化层→第八个卷积层→第九个卷积层→第十个卷积层→第四个池化层→分类层。
加权稠密网的各层参数设置如下:
将输入层的特征图的总数设置为3个。
将第一个卷积层的特征图的总数设置为48个,将卷积核设置为7×7个节点。
将第二、第四、第五、第七、第八、第十共6个卷积层的每一层的特征图设置为24个,将每层卷积层的卷积核设置为1×1个节点。
将第三、第六、第九共3个卷积层的每一层的特征图设置为24个,将每层卷积层的卷积核设置为3×3个节点。
将第一、第二、第三、第四共4个池化层的每一层的特征图设置为24个。
将分类层的特征图总数设置为1。
步骤2.选取待分类的极化SAR图像。
选取一帧大小为1300×1200像素的含有地物目标的待分类极化SAR图像。
步骤3.对待分类极化SAR图像进行滤波。
用精致极化Lee滤波方法,滤除所选取的待分类极化SAR图像中的相干噪声,得到极化散射矩阵。
步骤4.获得散射特征。
利用散射系数公式,计算待分类极化SAR图像的散射矩阵的散射系数值。
所述的散射系数公式如下:
其中,K表示待分类极化SAR图像的散射矩阵的散射系数值,SHH表示待分类极化SAR图像的散射矩阵的散射系数值的水平发射且水平接收的散射分量,SVV表示待分类极化SAR图像的散射矩阵的散射系数值的垂直发射且垂直接收的散射分量,SHV表示待分类极化SAR图像的散射矩阵的散射系数值的水平发射且垂直接收的散射分量,T表示转置操作。
利用散射特征公式,分别计算待分类极化SAR图像的散射矩阵的奇次散射特征值、偶次散射特征值、体散射特征值。
所述的散射特征公式如下:
|c|2=2(SHV)2
其中,a表示待分类极化SAR图像的散射矩阵的奇次散射系数值,b表示待分类极化SAR图像的散射矩阵的偶次散射系数值,c表示待分类极化SAR图像的散射矩阵的45度角偶次散射系数值,|a|2表示待分类极化SAR图像的散射矩阵的奇次散射特征值,|b|2表示待分类极化SAR图像的散射矩阵的偶次散射特征值,|c|2表示待分类极化SAR图像的散射矩阵的体散射特征值,SHH表示待分类极化SAR图像的散射矩阵的水平发射且水平接收的散射分量,SHV表示待分类极化SAR图像的散射矩阵的水平发射且垂直接收的散射分量,SVV表示待分类极化SAR图像的散射矩阵的垂直发射且垂直接收的散射分量,|·|表示取绝对值操作。
步骤5.用待分类极化SAR图像的散射矩阵的三个特征值,组成一个三维特征矩阵。
所述的用待分类极化SAR图像的散射矩阵的三个特征值,组成一个三维特征矩阵具体步骤如下:
将计算得到的奇次散射特征值、偶次散射特征值、体散射特征值赋给一个大小为M1×M2×3的矩阵,作为待分类极化SAR图像的散射矩阵的特征矩阵,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6.生成训练数据集和测试数据集。
在特征矩阵中,以每一个像素点为中心,分割出大小为32×32的特征矩阵块。
所述的大小为32×32的特征矩阵块是指:
在每个分割出的特征矩阵块的中心点的左、上两个方向分别有15个像素点,在每个分割出的特征矩阵块的中心点的右、下两个方向分别有16个像素点。
从分割出的特征矩阵块中随机选取10%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7.使用加权稠密网对训练数据集进行分类。
将训练数据集输入到加权稠密网中得到对应的特征图,将特征图中的所有像素值相加,再除以特征图中像素的总数,得到一个实数,在[0,1]区间对该实数进行归一化操作,将归一化后的实数值作为特征图的权重值。
对于权重值大于0.5的特征图,保持该特征图的权重值不变,对于权重值小于0.5的特征图,将该特征图的权重值设为0,得到调整好的权重值。
将特征图与调整好的权重值相乘,得到新的特征图。
将新的特征图输入到加权稠密网中,对特征图中的每个像素点进行分类,得到训练好的加权稠密网。
步骤8.对测试数据集进行分类。
将测试数据集输入到训练好的加权稠密网中,得到测试数据集中每个像素点的分类结果。
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:
使用本发明的仿真实验是分别使用本发明的方法和一种现有技术(深度SVM网络的方法)对极化SAR图像地物目标进行分类。
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极化SAR图像的实际人工标记图,图2(b)是本发明的对待分类极化SAR图像进行分类的分类结果图。图2(a)和图2(b)中的灰度值为0的区域表示背景,灰度值为75的区域表示低密度城区区域,灰度值为105的区域表示高密度城区区域,灰度值为150的区域表示植被区域。
将得到的分类结果图2(b)与实际人工标记图2(a)进行对比,可以看出:本发明方法分类结果中的高密度城区区域、低密度城区区域、植被区域的中间部分的所有像素点都分类正确,高密度城区区域、低密度城区区域、植被区域的边缘有一部分错分点,分类结果的区域一致性较好。
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
本发明的方法与现有技术深度SVM网络的方法的准确率,训练时间如下表1所示:
表1.准确率、训练时间对比表
方法 | 准确率 | 训练时间 |
本发明 | 98.92% | 14小时28分钟 |
深度SVM网络 | 97.76% | 20小时42分钟 |
综上所述,本发明通过加权稠密网对极化SAR图像进行分类,计算出了待分类极化SAR图像在加权稠密网中的每个特征图的权重值,充分利用了对分类最重要的特征,抑制了对分类不重要的特征,提高了分类精度,只保留权重值大于0.5的特征图对网络进行训练,大大减少了网络中的特征图的数量,提高了训练速度。
Claims (5)
1.一种基于加权稠密网的极化SAR图像分类方法,其特征在于,该方法计算待分类极化SAR图像在加权稠密网中的每个特征图的权重值,只保留权重值大于0.5的特征图,用该特征图对地物目标进行分类,该方法的具体步骤包括如下:
(1)构建加权稠密网:
搭建一个17层的加权稠密网,其结构依次为:输入层→第一个卷积层→第一个池化层→第二个卷积层→第三个卷积层→第四个卷积层→第二个池化层→第五个卷积层→第六个卷积层→第七个卷积层→第三个池化层→第八个卷积层→第九个卷积层→第十个卷积层→第四个池化层→分类层;
加权稠密网的各层参数设置如下:
将输入层的特征图的总数设置为3个;
将第一个卷积层的特征图的总数设置为48个,将卷积核设置为7×7个节点;
将第二、第四、第五、第七、第八、第十共6个卷积层的每一层的特征图设置为24个,将每层卷积层的卷积核设置为1×1个节点;
将第三、第六、第九共3个卷积层的每一层的特征图设置为24个,将每层卷积层的卷积核设置为3×3个节点;
将第一、第二、第三、第四共4个池化层的每一层的特征图设置为24个;
将分类层的特征图总数设置为1;
(2)选取待分类的极化SAR图像:
选取一帧大小为1300×1200像素的含有地物目标的待分类极化SAR图像;
(3)对待分类极化SAR图像进行滤波:
用精致极化Lee滤波方法,滤除所选取的待分类极化SAR图像中的相干噪声,得到极化散射矩阵;
(4)获得散射特征:
(4a)利用散射系数公式,计算待分类极化SAR图像的散射矩阵的散射系数值;
(4b)利用散射特征公式,分别计算待分类极化SAR图像的散射矩阵的奇次散射特征值、偶次散射特征值、体散射特征值;
(5)用待分类极化SAR图像的散射矩阵的三个特征值,组成一个三维特征矩阵;
(6)生成训练数据集和测试数据集:
(6a)在特征矩阵中,以每一个像素点为中心,分割出大小为32×32的特征矩阵块;
(6b)从分割出的特征矩阵块中随机选取10%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;
(7)使用加权稠密网对训练数据集进行分类:
(7a)将训练数据集输入到加权稠密网中,得到与输入训练数据集中的每个特征矩阵块对应的特征图,将特征图中的所有像素值相加,再除以特征图中像素的总数,得到一个实数,在[0,1]区间对该实数进行归一化操作,将归一化后的实数值作为特征图的权重值;
(7b)对于权重值大于0.5的特征图,保持该特征图的权重值不变,对于权重值小于0.5的特征图,将该特征图的权重值设为0,得到调整好的权重值;
(7c)将特征图与调整好的权重值相乘,得到新的特征图;
(7d)将新的特征图输入到加权稠密网中,对特征图中的每个像素点进行分类,得到训练好的加权稠密网;
(8)对测试数据集进行分类:
将测试数据集输入到训练好的加权稠密网中,得到测试数据集中每个像素点的分类结果。
3.根据权利要求1所述的基于加权稠密网的极化SAR图像分类方法,其特征在于,所述步骤(4b)中所述的散射特征公式如下:
|c|2=2(SHV)2
其中,a表示待分类极化SAR图像的散射矩阵的奇次散射系数值,b表示待分类极化SAR图像的散射矩阵的偶次散射系数值,c表示待分类极化SAR图像的散射矩阵的45度角偶次散射系数值,|a|2表示待分类极化SAR图像的散射矩阵的奇次散射特征值,|b|2表示待分类极化SAR图像的散射矩阵的偶次散射特征值,|c|2表示待分类极化SAR图像的散射矩阵的体散射特征值,SHH表示待分类极化SAR图像的散射矩阵的水平发射且水平接收的散射分量,SHV表示待分类极化SAR图像的散射矩阵的水平发射且垂直接收的散射分量,SVV表示待分类极化SAR图像的散射矩阵的垂直发射且垂直接收的散射分量,|·|表示取绝对值操作。
4.根据权利要求1所述的基于加权稠密网的极化SAR图像分类方法,其特征在于,所述步骤(5)中所述的用待分类极化SAR图像的散射矩阵的三个特征值,组成一个三维特征矩阵具体步骤如下:
将计算得到的奇次散射特征值、偶次散射特征值、体散射特征值赋给一个大小为M1×M2×3的矩阵,作为待分类极化SAR图像的散射矩阵的特征矩阵,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。
5.根据权利要求1所述的基于加权稠密网的极化SAR图像分类方法,其特征在于,所述步骤(6a)中所述的大小为32×32的特征矩阵块是指:
在每个分割出的特征矩阵块的中心点的左、上两个方向分别有15个像素点,在每个分割出的特征矩阵块的中心点的右、下两个方向分别有16个像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113040.5A CN108537245B (zh) | 2018-02-05 | 2018-02-05 | 基于加权稠密网的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113040.5A CN108537245B (zh) | 2018-02-05 | 2018-02-05 | 基于加权稠密网的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537245A CN108537245A (zh) | 2018-09-14 |
CN108537245B true CN108537245B (zh) | 2020-04-07 |
Family
ID=63485724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810113040.5A Active CN108537245B (zh) | 2018-02-05 | 2018-02-05 | 基于加权稠密网的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537245B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582236B (zh) * | 2020-05-27 | 2022-08-02 | 哈尔滨工程大学 | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913076A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于深度方向波网络的极化sar图像分类方法 |
CN107292317A (zh) * | 2017-06-26 | 2017-10-24 | 西安电子科技大学 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488968B (zh) * | 2012-06-14 | 2016-12-21 | 株式会社日立制作所 | 遥感图像的混合像素物质构成精细化分解装置及方法 |
US20150104102A1 (en) * | 2013-10-11 | 2015-04-16 | Universidade De Coimbra | Semantic segmentation method with second-order pooling |
-
2018
- 2018-02-05 CN CN201810113040.5A patent/CN108537245B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913076A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于深度方向波网络的极化sar图像分类方法 |
CN107292317A (zh) * | 2017-06-26 | 2017-10-24 | 西安电子科技大学 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
Non-Patent Citations (2)
Title |
---|
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》;20140131;第34卷(第01期);全文 * |
基于改进三分量模型的全极化SAR图像分类;徐一凡等;《电子测量技术》;20171231;第40卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108537245A (zh) | 2018-09-14 |
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 | |
CN107944370B (zh) | 基于dccgan模型的极化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 | |
CN108564006B (zh) | 基于自步学习卷积神经网络的极化sar地物分类方法 | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
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 | |
CN104794730B (zh) | 基于超像素的sar图像分割方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN107239751A (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 | |
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 | |
CN110569796A (zh) | 一种车道线动态检测和车道分界线的拟合方法 | |
CN105741309B (zh) | 一种基于卡方变换和样本选择的遥感影像变化检测方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN107368852A (zh) | 一种基于非下采样轮廓波dcgan的极化sar图像分类方法 | |
CN104217436B (zh) | 基于多特征联合稀疏图的sar图像分割方法 | |
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 | |
CN103226826A (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
CN111626380A (zh) | 一种基于超像素和卷积网络的极化sar图像分类方法 | |
CN115220007A (zh) | 一种针对姿态识别的雷达点云数据增强方法 | |
CN108537245B (zh) | 基于加权稠密网的极化sar图像分类方法 | |
CN105354798B (zh) | 基于几何先验和分布相似性测度的sar图像去噪方法 | |
CN108470183B (zh) | 基于聚类细化残差模型的极化sar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 |