CN109946698A - 一种极化合成孔径雷达典型目标特征库构建方法及装置 - Google Patents
一种极化合成孔径雷达典型目标特征库构建方法及装置 Download PDFInfo
- Publication number
- CN109946698A CN109946698A CN201910301212.6A CN201910301212A CN109946698A CN 109946698 A CN109946698 A CN 109946698A CN 201910301212 A CN201910301212 A CN 201910301212A CN 109946698 A CN109946698 A CN 109946698A
- Authority
- CN
- China
- Prior art keywords
- synthetic aperture
- aperture radar
- variance
- target
- polarimetric synthetic
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种极化合成孔径雷达典型目标特征库的构建方法,包括:从极化合成孔径雷达数据图像中获取已知目标的类别以及坐标,生成索引;提取极化合成孔径雷达数据特征;根据索引,将极化合成孔径雷达数据特征中属于目标的部分提取出来,结合图像目标说明信息,形成目标特征集合;将目标特征集合按照极化合成孔径雷达典型目标特征库的数据结构进行存储,生成极化合成孔径雷达典型目标特征库。基于上述构建方法,本发明还公开了一种极化合成孔径雷达典型目标特征库、构建装置及存储介质。本发明解决了数据获取能力极大提高的条件下,极化合成孔径雷达典型目标特征库的高效构建问题,且构建出的目标特征库具有较强的目标描述能力。
Description
技术领域
本发明涉及数据结构技术以及极化合成孔径雷达应用技术领域,特别是涉及一种极化合成孔径雷达典型目标特征库构建方法及装置。
背景技术
近些年来,随着我国极化合成孔径雷达的技术的发展,极化合成孔径雷达数据获取能力极大提高,而相应的处理能力暂时落后于数据的获取能力。极化合成孔径雷达数据中,数据处理及解译经验、极化合成孔径雷达目标参考数据等信息对于数据处理、图像解译的研究具有重要的促进作用,目前针对已解译的目标信息还没有形成一个有效的数据库来存储相关的信息、特征等数据。类似的目标数据库或目标数据集合,在构建的过程中需要针对每一个目标切片进行处理,如识别、特征提取、信息录入等,消耗较大的人力造成目标数据库或目标数据集合的构建效率低下。此外,传统数据库构建及数据录入时,针对目标某一特征数据往往仅记录其处理的到的最终结果,一般以单一数值的形式存在,对该该目标的描述能力有限。
发明内容
本发明要解决的技术问题是提供一种具有高效构建能力的极化合成孔径雷达典型目标特征库构建方法,且构建出的目标特征库具有较强的目标描述能力。
为解决上述技术问题,本发明提供采用如下技术方案:
一种极化合成孔径雷达典型目标特征库构建方法,包括以下步骤:
S1:从极化合成孔径雷达数据图像中获取已知目标的类别以及坐标,生成索引;
S2:提取极化合成孔径雷达数据特征;
S3:利用S1中获得的索引,从S2中获得的极化合成孔径雷达数据特征中将属于目标的部分提取出来,结合图像目标说明信息,形成将目标表示为目标说明与特征集合的目标特征集合;
S4:将目标特征集合按照极化合成孔径雷达典型目标特征库的数据结构进行存储,生成极化合成孔径雷达典型目标特征库。
作为本发明进一步地改进,所述S1具体包括:在极化合成孔径雷达数据图像中通过填充或非填充的有色矩形框来标出图像中的目标,有色矩形框的颜色值R、G、B作为目标编码表示目标的类别,有色矩形框的左上、左下、右上、右下四个角点用该点在图像中的行列值记录为坐标信息,将一组R、G、B值与四个角点坐标值记录为一个目标的索引,针对极化合成孔径雷达全图进行处理,获得图像中所有目标的索引。
进一步地,所述S2中,提取极化合成孔径雷达数据特征包括:极化合成孔径雷达合成功率图像、基于H&α分解的极化熵、基于H&α分解的极化角、基于H&α分解的各向异度、极化相干矩阵相干系数、极化相干系数比、极化方位角估计、基于Freeman三成分分解的表面散射、基于Freeman三成分分解的偶次散射、基于Freeman三成分分解的体散射、基于MCSM分解的表面散射、基于MCSM分解的偶次散射、基于MCSM分解的体散射、基于MCSM分解的螺旋散射、基于MCSM分解的线散射、基于MCSM分解的偶次螺旋散射、图像均匀度描述因子、基于灰度共生矩阵的熵、基于灰度共生矩阵的对比度、基于灰度共生矩阵的显著聚类、基于灰度共生矩阵的最大概率、基于半方差的均值、基于半方差的对比度、基于半方差的熵、基于半方差的二阶矩、基于半方差的块金值、基于半方差的变程、基于半方差的基台值、极化合成孔径雷达图像相干矩阵。
进一步地,所述S3中的图像目标说明信息包括:目标编号、获取目标图像的传感器编码、传感器波段编码、传感器高度、雷达下视角、雷达斜视角、距离向分辨率、方位向分辨率、目标位置数据、拍摄时间数据、目标类别编码、目标切片高度、目标切片宽度。
进一步地,所述S4中,极化合成孔径雷达目标特征库具有如下数据结构:数据描述空间、特征描述空间;
所述数据描述空间是由一组float类型、int类型数据构成的数据结构,包括:int类型库中目标编号、int类型获取目标图像的传感器编码、int类型传感器波段编码、float类型传感器高度、float类型雷达下视角、float类型雷达斜视角、float类型图像距离向分辨率、float类型图像方位向分辨率、float类型目标位置数据、int类型拍摄时间数据、int类型目标类别编码、int类型目标切片高度、int类型目标切片宽度;
所述特征描述空间是由一组float类型数据构成的数据结构,包括:极化合成孔径雷达图像目标切片内像素合成功率的均值与方差、基于H&α分解的极化熵均值与方差、基于H&α分解的极化角均值与方差、基于H&α分解的各向异度均值与方差、极化相干矩阵相干系数的均值与方差、极化相干系数比的均值与方差、极化方位角估计的均值与方差、基于Freeman三成分分解的表面散射均值方差以及占优比、基于Freeman三成分分解的偶次散射均值方差以及占优比、基于Freeman三成分分解的体散射均值方差以及占优比、基于MCSM分解的表面散射均值方差以及占优比、基于MCSM分解的偶次散射均值方差以及占优比、基于MCSM分解的体散射均值方差以及占优比、基于MCSM分解的螺旋散射均值方差以及占优比、基于MCSM分解的线散射均值方差以及占优比、基于MCSM分解的偶次螺旋散射均值方差以及占优比、图像均匀度描述因子的均值与方差、基于灰度共生矩阵的熵均值与方差、基于灰度共生矩阵的对比度均值与方差、基于灰度共生矩阵的显著聚类均值与方差、基于灰度共生矩阵的最大概率均值与方差、基于半方差的均值参数的均值与方差、基于半方差的对比度均值与方差、基于半方差的熵均值与方差、基于半方差的二阶矩均值与方差、基于半方差的块金值均值与方差、基于半方差的变程均值与方差、基于半方差的基台值均值与方差、图像切片平均相干矩阵的实部与虚部。
进一步地,所述S1中极化合成孔径雷达数据图像的来源为:通过极化合成孔径雷达采集图像获得待处理的图像数据,根据数据格式读入全极化合成孔径雷达图像的数据。
本发明还提供了一种具有高效构建能力及较强的目标描述能力的极化合成孔径雷达典型目标特征库,所述特征库采用上述的极化合成孔径雷达典型目标特征库构建方法构建而成。
本发明还提供了一种极化合成孔径雷达典型目标特征库构建装置,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的极化合成孔径雷达典型目标特征库构建方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被执行时实现上述的极化合成孔径雷达典型目标特征库构建方法。
通过采用上述技术方案,本发明具有如下有益效果:
1、本发明在目标切片提取的过程中,采用索引方式一次性录入具有相同图像参数的目标,节省了目标切片统计、特征分目标提取的过程,提高了数据构建效率。
2、本发明在特征存储过程中,与传统方法相比,本发明将特征在目标切片中的均值与方差都进行存储,使得存入的数据能够描述特征在整个切片上的分布情况,进一步加强了目标特征库中特征数据对目标的描述能力。
3、本发明将极化合成孔径雷达图像中典型目标数据转化为带有传感器信息、拍摄信息的特征集合数据,按照固定的数据格式要求构建了目标特征库,将解译经验数据化,为其他极化合成孔径雷达数据的应用提供参考数据。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1为本发明的方法流程图;
图2为根据本发明一个优选实施例的极化合成孔径雷达图像数据;
图3为根据本发明一个优选实施例的极化合成孔径雷达图像目标标注图,其中,A为红色非填充矩形框,B为红色填充矩形框,C为绿色填充矩形框,D、F为黄色填充矩形框,E为黄色非填充矩形框。
具体实施方式
在目前极化合成孔径雷达数据获取能力极大提高的条件下,为了积累数据处理以及解译经验并为其他极化合成孔径雷达数据的应用提供参考,本发明提出了一种极化合成孔径雷达典型目标特征库的构建方法,其相当于一种数据结构以及特征库的构建和极化合成孔径雷达数据目标信息录入的方法。
本实施方式为极化合成孔径雷达典型目标特征库的一种具体构建方法。结合图1所示,所述方法通过以下步骤实现:
S1:从极化合成孔径雷达数据图像中获取已知目标的类别以及坐标,生成索引。
其中,极化合成孔径雷达数据图像的来源优选为:通过极化合成孔径雷达采集图像获得待处理的图像数据,根据数据格式读入全极化合成孔径雷达图像的数据。
再配合图2、3所示,上述索引的获取方法为:首先获得极化合成孔径雷达图像数据,如图2所示,在极化合成孔径雷达数据图像中通过有色矩形框来标出图像中目标切片,有色矩形的颜色值R、G、B作为目标编码表示目标的类别。如图3所示,在极化合成孔径雷达图像中,用有色的填充或者非填充矩形框标出目标位置。将有色矩形的四个角点记录为坐标信息,每一个标记目标都会产生左上、左下、右上和右下四个角点坐标,用图像的行、列值来表示每一个角点的坐标。将一组标出目标产生R、G、B值与四个行列坐标值记录为一个目标的索引,针对极化合成孔径雷达全图进行处理,获得图像中所有标记目标的索引。
S2:提取极化合成孔径雷达数据特征;
上述提取的极化合成孔径雷达数据特征包括:极化合成孔径雷达合成功率图像、基于H&α分解的极化熵、基于H&α分解的极化角、基于H&α分解的各向异度、极化相干矩阵相干系数、极化相干系数比、极化方位角估计、基于Freeman三成分分解的表面散射、基于Freeman三成分分解的偶次散射、基于Freeman三成分分解的体散射、基于MCSM分解的表面散射、基于MCSM分解的偶次散射、基于MCSM分解的体散射、基于MCSM分解的螺旋散射、基于MCSM分解的线散射、基于MCSM分解的偶次螺旋散射、图像均匀度描述因子、基于灰度共生矩阵的熵、基于灰度共生矩阵的对比度、基于灰度共生矩阵的显著聚类、基于灰度共生矩阵的最大概率、基于半方差的均值、基于半方差的对比度、基于半方差的熵、基于半方差的二阶矩、基于半方差的块金值、基于半方差的变程、基于半方差的基台值、极化合成孔径雷达图像相干矩阵。
S3:利用S1中获得的索引,从S2中获得的极化合成孔径雷达数据特征中将属于目标的部分提取出来,结合图像目标说明信息,形成将目标表示为目标说明与特征集合的目标特征集合;
上述图像目标说明信息包括:目标编号、获取目标图像的传感器编码、传感器波段编码、传感器高度、雷达下视角、雷达斜视角、距离向分辨率、方位向分辨率、目标位置数据、拍摄时间数据、目标类别编码、目标切片高度、目标切片宽度。其中,传感器编码、波段编码、传感器高度、雷达下视角、斜视角、分辨率、目标位置及拍摄时间由雷达系统参数决定,切片高度与宽度、目标编号及类别由图像信息决定。
S4:将目标特征集合按照极化合成孔径雷达典型目标特征库的数据结构进行存储,生成极化合成孔径雷达典型目标特征库。
其中,极化合成孔径雷达目标特征库具有如下数据结构:数据描述空间、特征描述空间:
数据描述空间是由一组float类型、int类型数据构成的数据结构,包括:int类型库中目标编号、int类型获取目标图像的传感器编码、int类型传感器波段编码、float类型传感器高度、float类型雷达下视角、float类型雷达斜视角、float类型图像距离向分辨率、float类型图像方位向分辨率、float类型目标位置数据、int类型拍摄时间数据、int类型目标类别编码、int类型目标切片高度、int类型目标切片宽度;
特征描述空间是由一组float类型数据构成的数据结构,包括:极化合成孔径雷达图像目标切片内像素合成功率的均值与方差、基于H&α分解的极化熵均值与方差、基于H&α分解的极化角均值与方差、基于H&α分解的各向异度均值与方差、极化相干矩阵相干系数的均值与方差、极化相干系数比的均值与方差、极化方位角估计的均值与方差、基于Freeman三成分分解的表面散射均值方差以及占优比、基于Freeman三成分分解的偶次散射均值方差以及占优比、基于Freeman三成分分解的体散射均值方差以及占优比、基于MCSM分解的表面散射均值方差以及占优比、基于MCSM分解的偶次散射均值方差以及占优比、基于MCSM分解的体散射均值方差以及占优比、基于MCSM分解的螺旋散射均值方差以及占优比、基于MCSM分解的线散射均值方差以及占优比、基于MCSM分解的偶次螺旋散射均值方差以及占优比、图像均匀度描述因子的均值与方差、基于灰度共生矩阵的熵均值与方差、基于灰度共生矩阵的对比度均值与方差、基于灰度共生矩阵的显著聚类均值与方差、基于灰度共生矩阵的最大概率均值与方差、基于半方差的均值参数的均值与方差、基于半方差的对比度均值与方差、基于半方差的熵均值与方差、基于半方差的二阶矩均值与方差、基于半方差的块金值均值与方差、基于半方差的变程均值与方差、基于半方差的基台值均值与方差、图像切片平均相干矩阵的实部与虚部。
具体地,目标特征库中所包含的数据信息、数据声明、数据类型、所占字节数以及具体结构如下表所示:
目标特征库内包含的目标信息以及特征数据按照该结构进行具体地存储,生成数据库文件。
上文方法流程图描述的过程可以被实现为计算机软件程序。基于此,本发明还提供了一种极化合成孔径雷达典型目标特征库构建装置,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的极化合成孔径雷达典型目标特征库构建方法。上述构建装置可为存储有上述程序并可执行上述程序的常规计算机装置。
另外,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被执行时实现上述的极化合成孔径雷达典型目标特征库构建方法。
上述计算机软件程序可以从网络上被下载和安装,和/或从可拆卸介质被安装。需要说明的是,上述计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者结合使用。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (9)
1.一种极化合成孔径雷达典型目标特征库构建方法,其特征在于,包括以下步骤:
S1:从极化合成孔径雷达数据图像中获取已知目标的类别以及坐标,生成索引;
S2:提取极化合成孔径雷达数据特征;
S3:利用S1中获得的索引,从S2中获得的极化合成孔径雷达数据特征中将属于目标的部分提取出来,结合图像目标说明信息,形成将目标表示为目标说明与特征集合的目标特征集合;
S4:将目标特征集合按照极化合成孔径雷达典型目标特征库的数据结构进行存储,生成极化合成孔径雷达典型目标特征库。
2.根据权利要求1所述的极化合成孔径雷达典型目标特征库构建方法,其特征在于,所述S1具体包括:在极化合成孔径雷达数据图像中通过填充或非填充的有色矩形框来标出图像中的目标,有色矩形框的颜色值R、G、B作为目标编码表示目标的类别,有色矩形框的左上、左下、右上、右下四个角点用该点在图像中的行列值记录为坐标信息,将一组R、G、B值与四个角点坐标值记录为一个目标的索引,针对极化合成孔径雷达全图进行处理,获得图像中所有目标的索引。
3.根据权利要求1所述的极化合成孔径雷达典型目标特征库构建方法,其特征在于,所述S2中,提取极化合成孔径雷达数据特征包括:极化合成孔径雷达合成功率图像、基于H&α分解的极化熵、基于H&α分解的极化角、基于H&α分解的各向异度、极化相干矩阵相干系数、极化相干系数比、极化方位角估计、基于Freeman三成分分解的表面散射、基于Freeman三成分分解的偶次散射、基于Freeman三成分分解的体散射、基于MCSM分解的表面散射、基于MCSM分解的偶次散射、基于MCSM分解的体散射、基于MCSM分解的螺旋散射、基于MCSM分解的线散射、基于MCSM分解的偶次螺旋散射、图像均匀度描述因子、基于灰度共生矩阵的熵、基于灰度共生矩阵的对比度、基于灰度共生矩阵的显著聚类、基于灰度共生矩阵的最大概率、基于半方差的均值、基于半方差的对比度、基于半方差的熵、基于半方差的二阶矩、基于半方差的块金值、基于半方差的变程、基于半方差的基台值、极化合成孔径雷达图像相干矩阵。
4.根据权利要求1所述的极化合成孔径雷达典型目标特征库构建方法,其特征在于,所述S3中的图像目标说明信息包括:目标编号、获取目标图像的传感器编码、传感器波段编码、传感器高度、雷达下视角、雷达斜视角、距离向分辨率、方位向分辨率、目标位置数据、拍摄时间数据、目标类别编码、目标切片高度、目标切片宽度。
5.根据权利要求1所述的极化合成孔径雷达典型目标特征库构建方法,其特征在于,所述S4中,极化合成孔径雷达目标特征库具有如下数据结构:数据描述空间、特征描述空间;
所述数据描述空间是由一组float类型、int类型数据构成的数据结构,包括:int类型库中目标编号、int类型获取目标图像的传感器编码、int类型传感器波段编码、float类型传感器高度、float类型雷达下视角、float类型雷达斜视角、float类型图像距离向分辨率、float类型图像方位向分辨率、float类型目标位置数据、int类型拍摄时间数据、int类型目标类别编码、int类型目标切片高度、int类型目标切片宽度;
所述特征描述空间是由一组float类型数据构成的数据结构,包括:极化合成孔径雷达图像目标切片内像素合成功率的均值与方差、基于H&α分解的极化熵均值与方差、基于H&α分解的极化角均值与方差、基于H&α分解的各向异度均值与方差、极化相干矩阵相干系数的均值与方差、极化相干系数比的均值与方差、极化方位角估计的均值与方差、基于Freeman三成分分解的表面散射均值方差以及占优比、基于Freeman三成分分解的偶次散射均值方差以及占优比、基于Freeman三成分分解的体散射均值方差以及占优比、基于MCSM分解的表面散射均值方差以及占优比、基于MCSM分解的偶次散射均值方差以及占优比、基于MCSM分解的体散射均值方差以及占优比、基于MCSM分解的螺旋散射均值方差以及占优比、基于MCSM分解的线散射均值方差以及占优比、基于MCSM分解的偶次螺旋散射均值方差以及占优比、图像均匀度描述因子的均值与方差、基于灰度共生矩阵的熵均值与方差、基于灰度共生矩阵的对比度均值与方差、基于灰度共生矩阵的显著聚类均值与方差、基于灰度共生矩阵的最大概率均值与方差、基于半方差的均值参数的均值与方差、基于半方差的对比度均值与方差、基于半方差的熵均值与方差、基于半方差的二阶矩均值与方差、基于半方差的块金值均值与方差、基于半方差的变程均值与方差、基于半方差的基台值均值与方差、图像切片平均相干矩阵的实部与虚部。
6.根据权利要求1-5任一项所述的极化合成孔径雷达典型目标特征库构建方法,其特征在于,所述S1中极化合成孔径雷达数据图像的来源为:通过极化合成孔径雷达采集图像获得待处理的图像数据,根据数据格式读入全极化合成孔径雷达图像的数据。
7.一种极化合成孔径雷达典型目标特征库,其特征在于,所述特征库采用权利要求1-6任一项所述的极化合成孔径雷达典型目标特征库构建方法构建而成。
8.一种极化合成孔径雷达典型目标特征库构建装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至6任意一项所述的极化合成孔径雷达典型目标特征库构建方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被执行时实现根据权利要求1至6任意一项所述的极化合成孔径雷达典型目标特征库构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301212.6A CN109946698B (zh) | 2019-04-15 | 2019-04-15 | 一种极化合成孔径雷达典型目标特征库构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301212.6A CN109946698B (zh) | 2019-04-15 | 2019-04-15 | 一种极化合成孔径雷达典型目标特征库构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109946698A true CN109946698A (zh) | 2019-06-28 |
CN109946698B CN109946698B (zh) | 2021-04-16 |
Family
ID=67015204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910301212.6A Active CN109946698B (zh) | 2019-04-15 | 2019-04-15 | 一种极化合成孔径雷达典型目标特征库构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109946698B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120033852A1 (en) * | 2010-08-06 | 2012-02-09 | Kennedy Michael B | System and method to find the precise location of objects of interest in digital images |
CN105183795A (zh) * | 2015-08-25 | 2015-12-23 | 中国科学院遥感与数字地球研究所 | 基于内容的遥感图像变化检测信息检索方法 |
US9239384B1 (en) * | 2014-10-21 | 2016-01-19 | Sandia Corporation | Terrain detection and classification using single polarization SAR |
CN105844637A (zh) * | 2016-03-23 | 2016-08-10 | 西安电子科技大学 | 基于非局部cv模型的sar图像变化检测方法 |
CN105866778A (zh) * | 2016-05-30 | 2016-08-17 | 西安电子科技大学 | 基于极化合成孔径雷达数据的舰船检测方法 |
WO2017005742A1 (en) * | 2015-07-06 | 2017-01-12 | Luxembourg Institute Of Science And Technology (List) | Hierarchical tiling method for identifying a type of surface in a digital image |
CN106405061A (zh) * | 2016-09-22 | 2017-02-15 | 北京林业大学 | 一种基于雷达波的木质体内部异常无损探测系统 |
CN106446935A (zh) * | 2016-09-05 | 2017-02-22 | 哈尔滨工业大学 | 基于核稀疏表示和空间约束的极化sar图像分类方法 |
CN108805028A (zh) * | 2018-05-05 | 2018-11-13 | 南京理工大学 | 基于电磁强散射点的sar图像地面目标检测与定位方法 |
-
2019
- 2019-04-15 CN CN201910301212.6A patent/CN109946698B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120033852A1 (en) * | 2010-08-06 | 2012-02-09 | Kennedy Michael B | System and method to find the precise location of objects of interest in digital images |
US9239384B1 (en) * | 2014-10-21 | 2016-01-19 | Sandia Corporation | Terrain detection and classification using single polarization SAR |
WO2017005742A1 (en) * | 2015-07-06 | 2017-01-12 | Luxembourg Institute Of Science And Technology (List) | Hierarchical tiling method for identifying a type of surface in a digital image |
CN105183795A (zh) * | 2015-08-25 | 2015-12-23 | 中国科学院遥感与数字地球研究所 | 基于内容的遥感图像变化检测信息检索方法 |
CN105844637A (zh) * | 2016-03-23 | 2016-08-10 | 西安电子科技大学 | 基于非局部cv模型的sar图像变化检测方法 |
CN105866778A (zh) * | 2016-05-30 | 2016-08-17 | 西安电子科技大学 | 基于极化合成孔径雷达数据的舰船检测方法 |
CN106446935A (zh) * | 2016-09-05 | 2017-02-22 | 哈尔滨工业大学 | 基于核稀疏表示和空间约束的极化sar图像分类方法 |
CN106405061A (zh) * | 2016-09-22 | 2017-02-15 | 北京林业大学 | 一种基于雷达波的木质体内部异常无损探测系统 |
CN108805028A (zh) * | 2018-05-05 | 2018-11-13 | 南京理工大学 | 基于电磁强散射点的sar图像地面目标检测与定位方法 |
Non-Patent Citations (2)
Title |
---|
SHAUNAK DE 等: ""A Novel Technique Based on Deep Learning and a Synthetic Target Database for Classification of Urban Areas in PolSAR Data"", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
宋晨希: "基于心理认知的高分辨率PolSAR图象目标检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109946698B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427314B (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
Kekre et al. | Improved texture feature based image retrieval using Kekre’s fast codebook generation algorithm | |
CN107437068B (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
CN107229917A (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 | |
CN106530296A (zh) | 一种基于pet/ct图像特征的肺部检测方法和装置 | |
US20110202539A1 (en) | Query system for a hybrid voxel and feature database | |
CN101556600B (zh) | 一种dct域上的图像检索方法 | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
Su et al. | Analysis of wavelet packet and statistical textures for object-oriented classification of forest-agriculture ecotones using SPOT 5 imagery | |
Kumar et al. | Near lossless image compression using parallel fractal texture identification | |
CN108961284A (zh) | 旁瓣效应污染的sar影像建筑物提取方法、设备及存储介质 | |
Giordano et al. | ROI-based on-board compression for hyperspectral remote sensing images on GPU | |
Yan et al. | Codebook guided feature-preserving for recognition-oriented image retargeting | |
Wang et al. | SAR target discrimination based on BOW model with sample-reweighted category-specific and shared dictionary learning | |
Babu et al. | Texture classification based on texton features | |
CN108985346A (zh) | 融合低层图像特征及cnn特征的现勘图像检索方法 | |
CN109946698A (zh) | 一种极化合成孔径雷达典型目标特征库构建方法及装置 | |
Wan et al. | An approach for image retrieval based on visual saliency | |
Neelima et al. | An efficient multi object image retrieval system using multiple features and SVM | |
Cobb et al. | Multi-image texton selection for sonar image seabed co-segmentation | |
WO2015168362A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Wiesmüller et al. | Content based mammogram retrieval using gray level aura matrix | |
Nan et al. | A local texture-based superpixel feature coding for saliency detection combined with global saliency | |
CN107092916B (zh) | 基于局部规范差异的图像纹理特征提取方法及系统 | |
Bounthanh et al. | Content-based image retrieval system based on combined and weighted multi-features |
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 |