CN111325158A - 一种基于cnn和rfc的集成学习的极化sar图像分类方法 - Google Patents
一种基于cnn和rfc的集成学习的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN111325158A CN111325158A CN202010114228.9A CN202010114228A CN111325158A CN 111325158 A CN111325158 A CN 111325158A CN 202010114228 A CN202010114228 A CN 202010114228A CN 111325158 A CN111325158 A CN 111325158A
- Authority
- CN
- China
- Prior art keywords
- sar image
- cnn
- matrix
- rfc
- classification
- 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
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
- G06F18/24—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
-
- 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
- G06V10/40—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
Abstract
本发明公开了一种基于CNN和RFC的集成学习的极化SAR图像分类方法,主要解决现有极化SAR图像分类方法分类精度不高的问题。实现步骤为:根据滤波后的极化SAR图像,提取T矩阵和Cloude分解特征为原始特征;随机选取1%有标记样本作为训练样本,记作TrainPixel,并用其对RFC模型进行训练;提取极化SAR图像中每个像素点的21×21的邻域块,并将其作为CNN的输入特征,记作F2;从F2中选取对应于TrainPixel的邻域块作为CNN的训练样本,训练CNN模型;基于CNN模型对整张图像的分类结果,使用信息熵得到极化SAR图像的边界区域,边界区域和非边界区域分别使用RFC和CNN进行分类。本发明使用CNN和RFC集成学习方法,综合利用两种方法的优势,在极化SAR图像的边界区域以及非边界区域都能得到好的分类结果。
Description
技术领域
本发明属于图像处理技术领域,主要涉及一种极化SAR图像分类方法,具体说是一种基于CNN和RFC的集成学习方法用于的极化SAR图像分类,可用于对极化SAR图像的地物分类和目标识别。
背景技术
极化SAR图像分类是遥感处理领域的一种非常重要的应用。极化SAR不受时间和天气影响,并且包含丰富的极化信息,所以极化SAR已经被成功应用于农业、军事、地质勘探、城市规划以及海洋监测等多个领域。数年间,海量极化SAR数据投入应用。因此,极化SAR图像分类得到了大量学者的关注,大量极化SAR图像分类方法被提出。
极化SAR图像分类方法可以分为基于散射特性的分类方法、基于统计特性的分类方法以及基于机器学习的分类方法。基于散射特性的分类方法通常是根据物理含义,有时也会为了得到更好的分类结果与其他特性相结合,但是此类算法需要进行严格的分析与推导,提高了极化SAR数据的处理门槛,限制了此类方法的进一步发展;基于统计特性的分类方法通常是基于Wishart分布,但是计算Wishart需要花费较长时间,并且只基于一种分布不利于得到好的分类结果,因此不利于用此类算法去处理极化SAR图像分类问题;基于机器学习的分类算法往往是只利用一种方法去处理极化SAR图像分类问题,由于极化SAR数据的复杂特性,只利用一种机器学习方法很难获得理想的极化SAR图像分类结果,例如CNN在极化SAR图像分类中取得了不错的分类结果,但是由于CNN需要将像素点的邻域作为模型输入以获得该像素点的分类结果,因此CNN在图像边界区域分类结果并不理想,RFC在极化SAR图像分类中也获取了不错的分类结果,但是RFC并没有获取图像的空间信息,因此RFC的整体分类结果并没有CNN好,但是在图像边界区域比CNN的分类结果要好。
发明内容
本发明的目的在于针对上述问题,提出了一种基于CNN和RFC的集成学习的极化SAR图像分类方法,集合多分类器的优良特性,得到更好的分类结果。
为实现上述目的,本发明采用的技术方案包含如下步骤:
一种基于CNN和RFC的集成学习的极化SAR图像分类方法,包括如下步骤:
步骤1,根据滤波后待分类的极化SAR图像,获取极化相干矩阵T和Cloude分解特征;
步骤2,将步骤1获取的极化相干矩阵T和Cloude分解特征设置为个像素点的原始特征,记作F1,其维度为15,并将其每个元素归一化到[0,1];
步骤3,从极化SAR图像的有标记样本中随机选取1%作为训练样本,记作TrainPixel;
步骤4,使用步骤3得到的训练样本训练RFC模型,待模型训练完成后,对整幅极化SAR图像进行分类,并将分类结果记作ResultRFC;
步骤5,对于CNN模型,从极化SAR图像中的每个像素点取21×21的邻域块,将邻域块中所有像素点的特征都设置为此像素点的输入特征,记作F2,其维度为21×21×15;
步骤6,基于步骤3获取的TrainPixel,将步骤5获取的F2中对应于TrainPixel中的像素点的邻域块作为CNN模型的训练样本,训练CNN模型,待模型训练完成后,对整幅极化SAR图像进行分类,并将分类结果记作ResultCNN;
步骤7,根据步骤6得到的ResultCNN,得到整幅极化SAR图像的类别边界区域,记作Boundary,对于剩余区域记作Non-Boundary;
步骤8,对于步骤7得到的极化SAR图像的Boundary区域,使用步骤4得到的ResultRFC的分类结果,对于步骤7得到的极化SAR图像的Non-Boundary区域,使用步骤6得到的ResultCNN的分类结果,并将最终极化SAR图像的分类结果记作Result。
其中,步骤1按照如下步骤进行:
1a)提取每个像素点的极化相干矩阵T,以3×3矩阵形式表示为
1b)提取1a)中得到的T矩阵的对角元素T11,T22,T33,并提取1a)中得到矩阵的T12,T13,T23的实部与虚部,记作[T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23)],其中Re(Tij)和Im(Tij)分别代表Tij的实部与虚部;
1c)根据特征分解模型,1a)中得到的T矩阵分解为:
1d)根据Cloude分解模型,基于公式<2>得到的T矩阵的特征向量矩阵与特征值,熵H、平均散射角α和各向异性参数A分别表示为:
1e)将1b)与1d)得到的特征合到一起,记作[T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23),H,A,α,λ1,λ2,λ3]。
其中,步骤4所述的RFC模型表示为:
h(x,θk),k=1,2,…,n <4>
其中,n为正整数,x代表输入数据,k代表第k棵决策树,θk代表第k棵决策树的参数向量,每棵决策树都会对x的进行分类,并且每棵决策树都会对x的最终分类结果投出平等一票,x的最终类别为得票数最多的类别。
其中,步骤5所述的CNN模型的结构为8层,表示为:
输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层—>全连接层—>Softmax分类层,各层的维度分别为:21×21×15、18×18×30、9×9×30、6×6×60、3×3×60、1×1×120、84、N,其中N代表类别数目。
其中,步骤7所述的信息熵表示为:
其中,N表示类别数目,j代表第j类,p(j)代表将x分为第j类的概率,H(x)大于预设阈值,则x位于边界区域,否则,x位于非边界区域。
本发明与现有技术相比具有如下优点:
1、本发明在对极化SAR图像数据进行分类时,使用极化相干矩阵和Cloude分解作为分类特征,可以有效地提高分类结果。
2、本发明使用CNN进行极化SAR图像分类,可以有效利用图像的空间信息,有助于得到好的分类结果。
3、本发明使用RFC进行极化SAR图像分类,RFC是一种简单有效的分类模型,有助于得到好的分类结果。
4、本发明使用CNN和RFC的集成学习方法,可以综合利用CNN和RFC的优势,在极化SAR图像的边界区域以及非边界区域都可以得到好的分类结果。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真时用的中国Xi’an渭河地区图像;
图3是使用本发明对图2进行分类的仿真效果图;
图4是本发明仿真时用的德国Oberpfaffenhofen地区图像;
图5是使用本发明对图4进行分类的仿真效果图。
具体实施方式
以下结合附图对本发明的实现步骤和实验效果作进一步详细描述:
参照图1,本发明的具体实现步骤如下:
步骤1,输入滤波后的极化SAR图像,获取极化相干矩阵T和Cloude分解特征。具体步骤如下:
1a)提取每个像素点的极化相干矩阵T,以3×3矩阵形式表示为
1b)提取1a)中得到的T矩阵的对角元素T11,T22,T33,并提取1a)中得到矩阵的T12,T13,T23的实部与虚部,记作[T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23)],其中Re(Tij)和Im(Tij)分别代表Tij的实部与虚部;
1c)根据特征分解模型,1a)中得到的T矩阵分解为:
1d)根据Cloude分解模型,基于公式<2>得到的T矩阵的特征向量矩阵与特征值,熵H、平均散射角α和各向异性参数A分别表示为:
1e)将1b)与1d)得到的特征合到一起,记作[T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23),H,A,α,λ1,λ2,λ3]。
步骤2,将步骤1获取的极化相干矩阵T和Cloude分解特征设置为个像素点的原始特征,记作F1,其维度为15,并将其每个元素归一化到[0,1]。
步骤3,从极化SAR图像的有标记样本中随机选取1%作为训练样本,记作TrainPixel;
步骤4,使用步骤3得到的训练样本训练RFC模型,所述的RFC模型可以表示为:
h(x,θk),k=1,2,…,n <4>
其中,x代表输入数据,k代表第k棵决策树,θk代表第k棵决策树的参数向量,每棵决策树都会对x的进行分类,并且每棵决策树都会对x的最终分类结果投出平等一票,x的最终类别为得票数最多的类别。
待模型训练完成后,对整幅极化SAR图像进行分类,并将分类结果记作ResultRFC;
步骤5,对于CNN模型,从极化SAR中的每个像素点取21×21的邻域块,将邻域块中所有像素点的特征都设置为此像素点的输入特征,记作F2,其维度为21×21×15;
步骤6,基于步骤3获取的TrainPixel,将步骤5获取的F2中对应于TrainPixel中的像素点的邻域块作为CNN模型的训练样本,训练CNN模型,CNN模型的结构为8层,表示为:
输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层—>全连接层—>Softmax分类层,各层的维度分别为:21×21×15、18×18×30、9×9×30、6×6×60、3×3×60、1×1×120、84、N,其中N代表类别数目。
待模型训练完成后,对整幅极化SAR图像进行分类,并将分类结果记作ResultCNN;
步骤7,根据步骤6得到的ResultCNN,通过信息熵的方式获取极化SAR图像的类别边界区域,信息熵可以表示为:
其中,N表示类别数目,j代表第j类,p(j)代表将x分为第j类的概率,H(x)大于预设阈值,则x位于边界区域,否则,x位于非边界区域,得到极化SAR图像的类别边界区域,记作Boundary,对于剩余区域记作Non-Boundary。
步骤8,对于步骤7得到的极化SAR图像的Boundary区域,使用步骤4得到的ResultRFC的分类结果,对于步骤7得到的极化SAR图像的Non-Boundary区域,使用步骤6得到的ResultCNN的分类结果,并将最终极化SAR图像的分类结果记作Result。
本发明的效果可以通过以下仿真实验进一步说明:
1、实验条件与方法
硬件平台为:Intel(R)Xeon(R)CPU E5606@2.13GHZ、8.00GB RAM;
软件平台为:Tensorflow 1.15;
实验方法:分别为RFC、CNN以及本发明方法。
2、仿真内容与结果
实验一,将图2所示的中国Xi’an渭河地区图像作为测试图像,用RFC、CNN以及本发明方法对图2进行分类仿真,分类结果见图3,其中,图3(a)是基于RFC的分类结果,图3(b)是基于CNN的分类结果,图3(c)是本发明方法得到的边界区域,图3(d)是本发明的分类结果。从图3可以看出,本发明方法成功找到了Xi’an渭河地区图像的边界区域,相比于RFC,本发明方法在非边界区域的分类结果更好,相比于CNN,本发明方法在边界区域的分类结果更好。表1给出了Xi’an渭河地区图像分类正确率,其中OA代表总体分类正确率,Kappa代表Kappa系数,可以看到本发明方法确实得到了更高的分类正确率以及Kappa系数。
表1 Xi’an渭河地区图像分类正确率
方法 | Water | Grass | Building | OA | Kappa |
RFC | 0.8846 | 0.9074 | 0.8910 | 0.8982 | 0.8316 |
CNN | 0.8692 | 0.9089 | 0.9393 | 0.9137 | 0.8577 |
RFC-CNN | 0.8780 | 0.9236 | 0.9370 | 0.9215 | 0.8702 |
实验二,将图2所示的德国Oberpfaffenhofen地区图像作为测试图像,用RFC、CNN以及本发明方法对图4进行分类仿真,分类结果见图5,其中,图5(a)是基于RFC的分类结果,图5(b)是基于CNN的分类结果,图5(c)是本发明方法得到的边界区域,图5(d)是本发明的分类结果。从图5可以看出,本发明方法成功找到了德国Oberpfaffenhofen地区图像的边界区域,相比于RFC和CNN,本发明方法在图像边界区域和非边界区域都得到了好的分类结果。表2给出了德国Oberpfaffenhofen地区图像的分类正确率以及Kappa系数,从表2可以看到本发明方法确实得到了比RFC和CNN更高的分类正确率以及Kappa系数。
表2德国Oberpfaffenhofen地区图像分类正确率
方法 | Built-up Areas | Wood Land | Open Areas | OA | Kappa |
RFC | 0.8386 | 0.8786 | 0.9708 | 0.9201 | 0.8638 |
CNN | 0.8528 | 0.9460 | 0.9610 | 0.9313 | 0.8833 |
RFC-CNN | 0.8745 | 0.9338 | 0.9677 | 0.9381 | 0.8947 |
Claims (5)
1.一种基于CNN和RFC的集成学习的极化SAR图像分类方法,其特征在于,包括如下步骤:
步骤1,根据滤波后的极化SAR图像,获取极化相干矩阵T和Cloude分解特征;
步骤2,将步骤1获取的极化相干矩阵T和Cloude分解特征设置为个像素点的原始特征,记作F1,其维度为15,并将其每个元素归一化到[0,1];
步骤3,从极化SAR图像的有标记样本中随机选取1%作为训练样本,记作TrainPixel;
步骤4,使用步骤3得到的训练样本训练RFC模型,待模型训练完成后,对整幅极化SAR图像进行分类,并将分类结果记作ResultRFC;
步骤5,对于CNN模型,从极化SAR图像中的每个像素点取21×21的邻域块,将邻域块中所有像素点的特征都设置为此像素点的输入特征,记作F2,其维度为21×21×15;
步骤6,基于步骤3获取的TrainPixel,将步骤5获取的F2中对应于TrainPixel中的像素点的邻域块作为CNN模型的训练样本,训练CNN模型,待模型训练完成后,对整幅极化SAR图像进行分类,并将分类结果记作ResultCNN;
步骤7,根据步骤6得到的ResultCNN,得到整幅极化SAR图像的类别边界区域,记作Boundary,对于剩余区域记作Non-Boundary;
步骤8,对于步骤7得到的极化SAR图像的Boundary区域,使用步骤4得到的ResultRFC的分类结果,对于步骤7得到的极化SAR图像的Non-Boundary区域,使用步骤6得到的ResultCNN的分类结果,并将最终极化SAR图像的分类结果记作Result。
2.根据权利要求1所述的一种基于CNN和RFC的集成学习的极化SAR图像分类方法,其特征在于,步骤1按照如下步骤进行:
1a)提取每个像素点的极化相干矩阵T,以3×3矩阵形式表示为
1b)提取1a)中得到的T矩阵的对角元素T11,T22,T33,并提取1a)中得到矩阵的T12,T13,T23的实部与虚部,记作[T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23)],其中Re(Tij)和Im(Tij)分别代表Tij的实部与虚部;
1c)根据特征分解模型,1a)中得到的T矩阵分解为:
1d)根据Cloude分解模型,基于公式<2>得到的T矩阵的特征向量矩阵与特征值,熵H、平均散射角α和各向异性参数A分别表示为:
1e)将1b)与1d)得到的特征合到一起,记作[T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23),H,A,α,λ1,λ2,λ3]。
3.根据权利要求1所述的一种基于CNN和RFC的集成学习的极化SAR图像分类方法,其特征在于,步骤4所述的RFC模型表示为:
h(x,θk),k=1,2,…,n <4>
其中,n为正整数,x代表输入数据,k代表第k棵决策树,θk代表第k棵决策树的参数向量,每棵决策树都会对x的进行分类,并且每棵决策树都会对x的最终分类结果投出平等一票,x的最终类别为得票数最多的类别。
4.根据权利要求1所述的一种基于CNN和RFC的集成学习的极化SAR图像分类方法,其特征在于,步骤5所述的CNN模型的结构为8层,表示为:
输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层—>全连接层—>Softmax分类层,各层的维度分别为:21×21×15、18×18×30、9×9×30、6×6×60、3×3×60、1×1×120、84、N,其中N代表类别数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010114228.9A CN111325158B (zh) | 2020-02-25 | 2020-02-25 | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010114228.9A CN111325158B (zh) | 2020-02-25 | 2020-02-25 | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325158A true CN111325158A (zh) | 2020-06-23 |
CN111325158B CN111325158B (zh) | 2022-09-02 |
Family
ID=71172896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010114228.9A Active CN111325158B (zh) | 2020-02-25 | 2020-02-25 | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325158B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860356A (zh) * | 2020-07-23 | 2020-10-30 | 中国电子科技集团公司第五十四研究所 | 基于非线性投影字典对学习的极化sar图像分类方法 |
CN112949776A (zh) * | 2021-04-16 | 2021-06-11 | 中国电子科技集团公司第五十四研究所 | 一种极化sar图像分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959605A (zh) * | 2006-08-31 | 2007-05-09 | 周长河 | 计算机拼形汉字输入方法 |
CN105184309A (zh) * | 2015-08-12 | 2015-12-23 | 西安电子科技大学 | 基于cnn和svm的极化sar图像分类 |
CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 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 |
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 |
-
2020
- 2020-02-25 CN CN202010114228.9A patent/CN111325158B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959605A (zh) * | 2006-08-31 | 2007-05-09 | 周长河 | 计算机拼形汉字输入方法 |
CN105184309A (zh) * | 2015-08-12 | 2015-12-23 | 西安电子科技大学 | 基于cnn和svm的极化sar图像分类 |
CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 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 |
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 (5)
Title |
---|
LEO BREIMAN: ""Random Forests"", 《MACHINE LEARNING》 * |
YANGYANG LI ET AL.: ""A Novel Deep Fully Convolutional Network for PolSAR Image Classification"", 《REMOTE SENSING》 * |
YANQIAO CHEN ET AL.: ""Adversarial Reconstruction-Classification Networks for PolSAR Image Classification"", 《REMOTE SENSING》 * |
傅隆生等: ""深度学习方法在农业信息中的研究进展与应用现状"", 《中国农业大学学报》 * |
徐进等: ""基于一维密集连接卷积网络的风电齿轮箱"", 《可再生能源》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860356A (zh) * | 2020-07-23 | 2020-10-30 | 中国电子科技集团公司第五十四研究所 | 基于非线性投影字典对学习的极化sar图像分类方法 |
CN111860356B (zh) * | 2020-07-23 | 2022-07-01 | 中国电子科技集团公司第五十四研究所 | 基于非线性投影字典对学习的极化sar图像分类方法 |
CN112949776A (zh) * | 2021-04-16 | 2021-06-11 | 中国电子科技集团公司第五十四研究所 | 一种极化sar图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111325158B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860612B (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
CN110399909B (zh) | 一种基于标签约束弹性网图模型的高光谱图像分类方法 | |
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
CN101556600B (zh) | 一种dct域上的图像检索方法 | |
CN110110596B (zh) | 高光谱图像特征提取、分类模型构建及分类方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN107679509A (zh) | 一种小环藻识别方法及装置 | |
CN107545279B (zh) | 基于卷积神经网络与加权核特征分析的图像识别方法 | |
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 | |
CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
CN106570183A (zh) | 一种彩色图像检索和分类方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN111325158B (zh) | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 | |
CN106886793B (zh) | 基于判别信息和流形信息的高光谱图像波段选择方法 | |
CN106157330A (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
CN105894013A (zh) | 基于cnn和smm的极化sar图像分类方法 | |
CN111639587A (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN104123563B (zh) | 一种基于Cloude分解的极化SAR图像分类方法 | |
CN111860356B (zh) | 基于非线性投影字典对学习的极化sar图像分类方法 | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Zhang et al. | Land use and land cover classification base on image saliency map cooperated coding | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 |
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 |