CN108764016B - 基于旋转域特征与cnn的极化sar图像舰船检测方法 - Google Patents
基于旋转域特征与cnn的极化sar图像舰船检测方法 Download PDFInfo
- Publication number
- CN108764016B CN108764016B CN201810287543.4A CN201810287543A CN108764016B CN 108764016 B CN108764016 B CN 108764016B CN 201810287543 A CN201810287543 A CN 201810287543A CN 108764016 B CN108764016 B CN 108764016B
- Authority
- CN
- China
- Prior art keywords
- detection
- sar image
- ship
- training
- cnn
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法。技术方案是:分为训练与检测两个阶段。对于训练阶段,针对各训练样本中的每一个像素,以旋转域特征中优选的2个振荡中心参数和极化相干矩阵中的3个主对角元素作为检测特征,并构建训练样本全图相应的5个检测特征图;对于检测阶段,将待检测极化SAR图像相应的归一化的检测特征图输入训练好的深度CNN检测器中,通过变尺寸滑窗的方式对其中非陆地区域所对应的部分进行遍历,得到待检测极化SAR图像的舰船检测结果。本发明检测性能好,实现方便。
Description
技术领域
本发明属于极化SAR(Synthetic Aperture Radar,合成孔径雷达)成像遥感技术领域,涉及一种基于旋转域特征与深度CNN(Convolutional Neural Network,卷积神经网络)的极化SAR图像舰船检测方法。
背景技术
极化SAR具有全天时全天候工作能力,能够获取全极化信息。目前,极化 SAR图像常用于舰船目标检测。因为人造舰船与自然海洋表面具有不同极化散射机理,基于极化散射机理差异即有可能在极化SAR图像中将舰船目标从海面背景中分离出来。极化SAR图像舰船检测的一般流程为:首先针对极化SAR 图像的各个像素,通过特定方式下多极化通道的信息融合,提取检测特征;再针对全图构造检测特征图,并基于归一化检测特征图中舰船目标与背景之间的差异,选择合适的检测器完成后续处理。
一种经典的极化SAR图像舰船检测方法即利用到CFAR(Constant False AlarmRate,恒虚警率)检测器。然而,由于CFAR检测器的性能依赖于背景杂波的分布模型,在对背景杂波的统计建模能力不足时,使用CFAR检测器所得检测效果往往会受到很大的限制。
近来,在深度学习领域中具有代表性的深度CNN,凭借其对深层次特征的自动提取能力已经在计算机视觉以及图像处理等方面取得了很多成功应用,如文献A.Krizhevsky,I.Sutskever and G.E.Hinton,“Imagenet classification with deep convolutionalneural networks,”Advances in Neural Information Processing Systems,pp.1097–1105,2012所述。深度CNN在进行目标检测时,并不依赖于背景杂波的分布模型,故克服了上述CFAR检测器的不足,在极化SAR图像舰船检测中具有极大潜力。然而,现阶段深度CNN大多应用于光学图像。由于光学图像与极化SAR图像的差异,在基于极化SAR图像进行舰船检测时,利用光学图像相应检测特征训练好的经典深度CNN模型并不适合。如何将极化SAR 图像特有的检测特征用于深度CNN的训练,即将极化SAR领域专家知识与深度CNN技术联合用于极化SAR图像舰船检测,以发挥两者各自优势,进而设计出一种专门针对极化SAR图像的舰船检测方法,是当前面临的一个技术挑战。
近年来,研究团队通过对目标在绕雷达视线旋转域中的隐含信息进行挖掘与解译,提出了一系列旋转域特征,并在极化SAR图像地物分类等方面取得了成功应用,进而由此验证旋转域特征作为领域专家知识的有效性。因此,发展一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法具有重要意义。
发明内容
本发明要解决的技术问题是,提供一种基于旋转域特征与深度CNN的极化 SAR图像舰船检测方法,本方法将优选的旋转域特征与经典的极化特征参数均作为检测特征,并构建特定结构的深度CNN作为检测器,通过将相应的检测特征与深度CNN强大的深层次特征自动学习能力相结合,以进一步提高极化SAR 图像舰船检测的性能表现。
本发明的基本思路是:从大体上分为训练与检测两个阶段。对于训练阶段,将只包含单一目标并且目标类别(如舰船、海面或者陆地等)已知的极化SAR 图像作为训练样本;针对各训练样本中的每一个像素,以旋转域特征中优选的2 个振荡中心参数和极化相干矩阵中的3个主对角元素作为检测特征,并构建训练样本全图相应的5个检测特征图;进而将上述训练样本归一化后的5个检测特征图输入特定结构的深度CNN之中,以对其进行训练。而对于检测阶段,将待检测极化SAR图像相应的归一化的检测特征图输入训练好的深度CNN检测器中,通过变尺寸滑窗的方式对其中非陆地区域所对应的部分进行遍历,检测所得属于舰船的滑窗位置即作为候选框,同时记录深度CNN给予各个候选框的得分;通过预设得分门限,对所有的候选框进行滤除处理,再利用NMS(Non Maximum Suppression,非最大值抑制)方法进行精炼处理,即可得到待检测极化SAR图像的舰船检测结果。
本发明的技术方案是:一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法,包括下述两个阶段——训练阶段和检测阶段,且两个阶段均利用下述方法提取得到极化SAR图像的5个检测特征图:
基于相干斑滤波处理后的极化SAR图像,设其大小为I×J像素,位置坐标为(i,j)的像素所相应的极化相干矩阵为且j=1,2,…,J。对于像素(i,j),使用下列式子计算旋转域特征中优选的2个振荡中心参数B(ij)_T22和B(ij)_|T23|2,并作为检测特征:
对于整幅极化SAR图像,上述5个检测特征各自对应的检测特征图在归一化后分别记为B_T22、B_|T23|2、T11、T22和T33。
首先,对于训练阶段:
构建深度CNN作为检测器;
在相干斑滤波处理之后,将只包含单一目标并且目标类别已知的极化SAR 图像作为训练样本,提取训练样本相应的上述5个检测特征图,再将所有训练样本各自的5个检测特征图以及对应的目标类别均输入至之前构建的检测器之中,以对检测器进行训练。
其次,对于检测阶段:
基于相干斑滤波后待检测的极化SAR图像,提取得到其相应的上述5个检测特征图,并将5个检测特征图作为训练好的检测器的输入,经过检测处理,检测器输出待检测的极化SAR图像之中是否包含舰船目标,如果其中包含舰船目标,则同时输出各舰船目标在该待检测极化SAR图像中的具体位置。
特别地,对相干斑滤波后待检测的极化SAR图像先进行海陆分割,只对上述图像中的非陆地部分进行检测阶段的步骤处理。
用本发明可取得以下技术效果:
本发明所述的一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法,这种方法具有下列技术效果:(1)检测性能强。本发明方法利用旋转域特征中优选的2个振荡中心参数和极化相干矩阵中的3个主对角元素作为检测特征,其中相应的任意检测特征图内均能得到舰船目标与背景之间的较强对比度;另外,以深度CNN作为检测器可充分发挥其深层次特征自动提取的优势特点,故在检测率和虚警两个方面均能取得较好性能表现。(2)检测性能稳健性好。实验证明,训练好的检测器对于相似场景下不同极化SAR系统所获取的极化SAR图像具有很稳健的检测性能表现,这仍是因为上述5个检测特征以及深度CNN的自身特点与优势。(3)实现简单,实施方便。本发明方法中的检测器一旦训练好,即能够对相干斑滤波后的待检测极化SAR图像自动进行检测,而不需要其它额外的人工干预,故可直接用于对各种极化SAR系统所获取的具有不同波段和不同分辨率的极化SAR图像进行处理。
附图说明
图1是本发明的实施流程图;
图2是本发明设计的深度CNN的某一结构示意图;
图3是RadarSat-2系统于中国 香港海域所获取极化SAR数据在相干斑滤波后的极化SAR图像以及相应的舰船位置分布图;
图4是从图3中相干斑滤波后的极化SAR图像内提取训练样本,进而分别使用现有方法和本发明方法对图3中相干斑滤波后的极化SAR图像进行舰船检测的结果图,另外包括针对图3中相干斑滤波后的极化SAR图像使用人工方法进行海陆分割的结果;
图5是GF-3系统于中国 香港海域所获取极化SAR数据在相干斑滤波后的极化 SAR图像以及相应的舰船位置分布图;
图6是从图3中相干斑滤波后的极化SAR图像内提取训练样本,进而分别使用现有方法和本发明方法对图5中相干斑滤波后的极化SAR图像进行舰船检测的结果图。
具体实施方式
为了更好地理解本发明的技术方案,以下结合附图对本发明的实施方式作进一步描述。
图1为本发明的实施流程图。其主要有两个阶段,即训练阶段和检测阶段。
图2为本发明设计的深度CNN的某一结构示意图。利用CNN进行检测是SAR 图像舰船检测领域中的公知常识。本发明经过多次试验,提供一种基于深度CNN 的检测器具有优良的检测效果。该深度CNN形成的检测器具体共有12层,依次为第一卷积层Conv1、修正线性单元层ReLU、第一最大池化层MaxPooling1、第二卷积层Conv2、修正线性单元层ReLU、第二最大池化层MaxPooling2、第三卷积层Conv3、修正线性单元层ReLU、第一全连接层FC1、修正线性单元层ReLU、第二全连接层FC2和一个Softmax分类器。该结构的输入尺寸为24×24×d,即输入第一卷积层Conv1的各检测特征图大小均为24×24,而d表示所用检测特征图的个数,在本发明方法中d=5。另外,在后面部分,与本发明方法进行对比的一种现有检测方法则是以各个像素对应极化相干矩阵中的全部9个元素项作为相应的检测特征,此时的检测特征图个数即d=9。具体地,对该深度CNN的细节说明总结于表1,其中的4个修正线性单元层ReLU在图2中均未体现,而第二全连接层FC2之中所用Dropout算法相应的Dropout率被设置为0.5。另外,该深度CNN的训练参数为本领域的公知常识,优化设置为:使用梯度下降法和迷你批处理大小为64的后向传递算法;初始偏置均为0,初始权重均为随机生成,并以0.01为学习率对其中的参数进行不断更新,且动能参数为0.9,而权重变化为 0.0005;其它设置均按照深度CNN的初始默认状态进行处理。
表1本发明所构建深度CNN的细节说明
图3为RadarSat-2系统于中国 香港海域所获取极化SAR数据在相干斑滤波后的极化SAR图像以及相应的舰船位置分布图。图3(a)为相干斑滤波后的极化SAR 图像,获取于C波段,距离向与方位向的分辨率均约为5米,全图尺寸大小为 3440×2778像素;相干斑滤波方法采用现有的SimiTest滤波器方法,且滤波时相应的滑窗大小为15×15,门限为-1.4。图3(b)为相应的舰船位置分布图,其中的方框标识出了各舰船目标的实际位置。
图4为从图3(a)中提取训练样本,进而分别使用现有方法和本发明方法对图 3(a)进行舰船检测的结果图,另外包括针对图3(a)使用人工方法进行海陆分割的结果。
在从图3(a)中提取训练样本时,具体有舰船、海面、陆地、海陆混合以及海面模糊目标共5种目标类别(N=5)。首先,提取上述5种目标类别的已知样本,具体而言,舰船和海面模糊目标相应已知样本的尺寸大小根据目标实际情况确定,一般为其外切正方形;而海面、陆地以及海陆混合相应已知样本的尺寸大小则确定为8×8、16×16、24×24、32×32、40×40以及48×48。另外,由于舰船和海面模糊目标的已知样本数量较少,故仅针对这两个目标类别的已知样本进行旋转扩充处理,将相应已知样本均进行-5度至5度,间隔为1度的旋转,以扩充这两个目标类别的已知样本数量为原来的11倍。随后,再从各个目标类别的已知样本中随机选择50%作为训练样本,进而提取各训练样本相应的d个检测特征图(现有方法d=9,而本发明方法d=5),并在归一化处理后利用插值法将各检测特征图的大小均转化为24×24。
在对图3(a)进行检测处理时,由于其中包含陆地区域,为了达到较好的舰船检测性能表现,首先需要对其进行海陆分割处理,进而仅针对其中的非陆地部分进行检测处理。图4(a)为针对图3(a)使用人工方法进行海陆分割的结果。其中,白色像素区域表示陆地部分,黑色像素区域表示非陆地部分。
接着,仅针对图3(a)之中的非陆地部分(即图4(a)之中的黑色像素区域),提取相应的d个检测特征图(现有方法d=9,而本发明方法d=5),并对各检测特征图分别进行归一化处理。然后以非陆地部分中任意的像素点位置(i*,j*)为中心,提取出尺寸大小为m×m×d(m的取值可变)的特征切片,并利用插值法将该特征切片的尺寸转化为24×24×d,进而输入训练好的深度CNN之中,由其判断该特征切片所属类别。若该特征切片被判断为属于舰船,则需要记录以像素点位置(i*,j*)为中心m×m大小的位置范围,以及该特征切片在深度CNN 判断过程中的得分(范围为0~1,得分越高,判断越准)。这里设定m的取值由 13至49,其中变化间隔为4;则在m的每一个取值之下,均将上述的像素位置 (i*,j*)在全图的非陆地部分进行遍历,滑动步距为小于的最大整数,由此得到非陆地部分中可能为舰船的所有位置范围及其相应得分,以此作为候选框。接着设置得分门限0.3,并将得分低于该门限的候选框全部舍弃;而针对得分高于该门限的候选框,使用经典的NMS方法进行进一步精炼,至此,保留下来的候选框即作为对图3(a)的舰船检测结果。
图4(b)为使用现有方法对图3(a)进行舰船检测的最终结果。图4(c)为使用本发明方法对图3(a)进行舰船检测的最终结果。上述检测结果相应的性能表现总结于表2。由此可知,本发明方法的检测性能优于现有方法。对于图3(a)全图而言,本发明方法所得检测率为92.31%,高于现有方法90.83%的检测率。与此同时,本发明方法所得虚警个数为37,少于现有方法所得多达44的虚警数。故本发明方法所得品质因子为83.20%,依然优于现有方法80.37%的品质因子。
表2不同方法对图3(a)全图进行舰船检测的性能表现
图5为GF-3系统于中国 香港海域所获取极化SAR数据在相干斑滤波后的极化 SAR图像以及相应的舰船位置分布图。图5(a)为相干斑滤波后的极化SAR图像,获取于C波段,距离向与方位向的分辨率分别约为5米和7米,全图尺寸大小为3450×2150像素;相干斑滤波方法依然采用现有的SimiTest滤波器方法,且滤波时相应的滑窗大小为15×15,门限为-1.6。图5(b)为相应的舰船位置分布图,其中的方框标识出了各舰船目标的实际位置。
图6为从图3(a)中提取训练样本,进而分别使用现有方法和本发明方法对图 5(a)进行舰船检测的结果图。
在从图3(a)中提取训练样本时,具体处理过程以及参数设置同上,并且同样利用扩充后的训练样本提取各自相应的d个检测特征图(现有方法d=9,而本发明方法d=5),并在归一化处理后利用插值法将各检测特征图的大小均转化为24 ×24。
图6(a)为使用现有方法对图5(a)进行舰船检测的最终结果。图6(b)为使用本发明方法对图5(a)进行舰船检测的最终结果。上述检测结果相应的性能表现总结于表3。由此可知,本发明方法的检测性能依旧优于现有方法。对于图5(a)全图而言,本发明方法所得检测率为97.11%,高于现有方法95.45%的检测率。与此同时,本发明方法所得虚警个数仅为1,少于现有方法所得的5个虚警。故本发明方法所得品质因子高达96.71%,优于现有方法93.52%的品质因子。通过上述对比,即体现出本发明方法对于相似场景下不同极化SAR系统所获取的极化 SAR图像具有很稳健的检测性能表现。
表3不同方法对图5(a)全图进行舰船检测的性能表现
Claims (3)
1.一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法,包括训练阶段和检测阶段,CNN是指卷积神经网络,SAR是指合成孔径雷达,其特征在于,两个阶段均利用下述方法提取得到极化SAR图像的5个检测特征图:
基于相干斑滤波处理后的极化SAR图像,设其大小为I×J像素,位置坐标为(i,j)的像素对应的极化相干矩阵为j=1,2,…,J;对于位置坐标为(i,j)的像素,使用下式计算振荡中心参数B(ij)_T22和B(ij)_|T23|2,并作为检测特征:
则对于极化SAR图像,上述5个检测特征各自对应的检测特征图在归一化后分别记为B_T22、B_|T23|2、T11、T22和T33;
以上述5个检测特征图作为特征提取的结果进行训练和检测;
训练和检测两个阶段均利用下述方法构建的深度CNN,该深度CNN形成的检测器具体共有12层,依次为第一卷积层Conv1、修正线性单元层ReLU、第一最大池化层MaxPooling1、第二卷积层Conv2、修正线性单元层ReLU、第二最大池化层MaxPooling2、第三卷积层Conv3、修正线性单元层ReLU、第一全连接层FC1、修正线性单元层ReLU、第二全连接层FC2和一个Softmax分类器,该结构的输入尺寸为24×24×d,即输入第一卷积层Conv1的各检测特征图大小均为24×24,而d表示所用检测特征图的个数,下表表示深度CNN的细节:
上表中的细节即深度CNN的相关参数。
2.根据权利要求1所述的基于旋转域特征与深度CNN的极化SAR图像舰船检测方法,其特征在于,
在训练阶段:
构建深度CNN作为检测器;
在相干斑滤波处理之后,将只包含单一目标并且目标类别已知的极化SAR图像作为训练样本,提取训练样本相应的5个检测特征图,再将所有训练样本各自的5个检测特征图以及对应的目标类别均输入至之前构建的检测器之中,以对检测器进行训练;
在检测阶段:
基于相干斑滤波后待检测的极化SAR图像,提取5个检测特征图,并将5个检测特征图作为训练好的检测器的输入,经过检测处理,检测器输出待检测的极化SAR图像之中是否包含舰船目标,如果其中包含舰船目标,则同时输出各舰船目标在该待检测极化SAR图像中的具体位置。
3.根据权利要求2所述的基于旋转域特征与深度CNN的极化SAR图像舰船检测方法,其特征在于,对相干斑滤波后待检测的极化SAR图像先进行海陆分割,只对上述图像中的非陆地部分进行检测阶段的步骤处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810287543.4A CN108764016B (zh) | 2018-03-31 | 2018-03-31 | 基于旋转域特征与cnn的极化sar图像舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810287543.4A CN108764016B (zh) | 2018-03-31 | 2018-03-31 | 基于旋转域特征与cnn的极化sar图像舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764016A CN108764016A (zh) | 2018-11-06 |
CN108764016B true CN108764016B (zh) | 2022-09-23 |
Family
ID=63980736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810287543.4A Active CN108764016B (zh) | 2018-03-31 | 2018-03-31 | 基于旋转域特征与cnn的极化sar图像舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764016B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443201B (zh) * | 2019-08-06 | 2023-01-10 | 哈尔滨工业大学 | 基于多源影像联合形状分析与多属性融合的目标识别方法 |
CN112464732B (zh) * | 2020-11-04 | 2022-05-03 | 北京理工大学重庆创新中心 | 基于双路径稀疏分层网络的光学遥感图像地物分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
CN106909939A (zh) * | 2017-02-20 | 2017-06-30 | 中国人民解放军国防科学技术大学 | 一种结合旋转域极化零角特征的极化sar地物分类方法 |
CN107358214A (zh) * | 2017-07-20 | 2017-11-17 | 中国人民解放军国防科学技术大学 | 基于卷积神经网络的极化sar地物分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680061A (zh) * | 2017-10-10 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于相似性检验的双极化sar图像相干斑滤波方法 |
-
2018
- 2018-03-31 CN CN201810287543.4A patent/CN108764016B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
CN106909939A (zh) * | 2017-02-20 | 2017-06-30 | 中国人民解放军国防科学技术大学 | 一种结合旋转域极化零角特征的极化sar地物分类方法 |
CN107358214A (zh) * | 2017-07-20 | 2017-11-17 | 中国人民解放军国防科学技术大学 | 基于卷积神经网络的极化sar地物分类方法 |
Non-Patent Citations (1)
Title |
---|
结合旋转域极化特征的极化SAR地物分类;陶臣嵩 等;《雷达学报》;20171031;第524-532页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108764016A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378308B (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
CN106780485B (zh) | 基于超像素分割和特征学习的sar图像变化检测方法 | |
CN108460341B (zh) | 基于集成深度卷积网络的光学遥感图像目标检测方法 | |
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 | |
CN102214298B (zh) | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
Khazai et al. | An approach for subpixel anomaly detection in hyperspectral images | |
CN105528619B (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
CN109214439B (zh) | 一种基于多特征融合的红外图像结冰河流检测方法 | |
Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
Sun et al. | Object-oriented land cover classification using HJ-1 remote sensing imagery | |
CN108734122B (zh) | 一种基于自适应样本选择的高光谱城区水体检测方法 | |
Zhao et al. | An adaptation of CNN for small target detection in the infrared | |
CN108764016B (zh) | 基于旋转域特征与cnn的极化sar图像舰船检测方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
Chen et al. | Change detection algorithm for multi-temporal remote sensing images based on adaptive parameter estimation | |
Zhang et al. | Contextual squeeze-and-excitation mask r-cnn for sar ship instance segmentation | |
Li et al. | Change detection in multitemporal SAR images based on slow feature analysis combined with improving image fusion strategy | |
CN112906564B (zh) | 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
Chen et al. | SAR ship target detection for SSDv2 under complex backgrounds | |
Li et al. | A two-stage framework of target detection in high-resolution hyperspectral images | |
CN116228819B (zh) | 红外运动目标检测方法及装置 |
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 |