CN111523567B - 一种基于张量局部保留投影的极化特征提取与分类方法 - Google Patents
一种基于张量局部保留投影的极化特征提取与分类方法 Download PDFInfo
- Publication number
- CN111523567B CN111523567B CN202010247232.2A CN202010247232A CN111523567B CN 111523567 B CN111523567 B CN 111523567B CN 202010247232 A CN202010247232 A CN 202010247232A CN 111523567 B CN111523567 B CN 111523567B
- Authority
- CN
- China
- Prior art keywords
- tensor
- feature
- projection
- sample data
- polarization
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 title claims abstract description 42
- 238000004321 preservation Methods 0.000 title claims description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 230000009467 reduction Effects 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 abstract description 15
- 230000007547 defect Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于张量局部保留投影的极化特征提取与分类方法，包括：对极化SAR雷达获取的目标场景进行特征提取，得到极化SAR地物特征量；对极化SAR地物特征量进行特征张量提取，得到邻域特征张量；对邻域特征张量进行降维提取，得到降维邻域特征张量；根据降维邻域特征张量，通过SVM分类器进行地物分类，得到极化地物分类结果。本发明弥补了传统矩阵数据特征提取时忽略邻域数据单元相关性，当先验样本特征不足时分类效果差的缺点。
Description
技术领域
本发明属于极化信息处理技术领域，尤其涉及一种基于张量局部保留投影的极化特征提取与分类方法。
背景技术
极化SAR地物图像的解译，作为极化数据处理过程中必不可少的一部分，是极化数据中的信息应用于工程实践的重要途径，一直是极化SAR领域研究的关键方向。极化SAR地物图像的解译通过极化SAR系统获得的复图像数据，通过多种极化分解方法得到不同分类单元的一系列极化特征量，根据这些分类单元对应特征量之间性质不同产生的差异进行分类，确定图像中每一个单元的类别。考虑到更多的特征量在分类过程中可以拥有更多的差异性，通常通过多种极化分解方法得到更多的特征量。在实际应用中，特征量的数量和精度并不满足正相关的期望。因为特征量之间存在相互关联和冗余信息，过多或者过少的特征数量都不利于提高分类的精度，因此通常采用特征提取的方法，从众多极化特征量中尽可能除去冗余信息，提取区分度高的特征。
陶明亮等人在论文“极化SAR射频干扰抑制与地物分类方法研究”(西安电子科技大学博士学位论文，2016年4月)公开了一种张量独立分量分析的特征提取和分类算法，该方法将张量和独立分量分析算法进行有效的结合，对张量的空间维度和特征维度联合处理获得特征量并通过KNN分类器完成极化地物分类。该方法将张量分析引入极化分类领域，但缺点是样本数据的张量表征忽略了邻域样本之间的相关性和冗余性。
发明内容
本发明的技术解决问题：克服现有技术的不足，提供一种基于张量局部保留投影的极化特征提取与分类方法，弥补了传统矩阵数据特征提取时忽略邻域数据单元相关性，当先验样本特征不足时分类效果差的缺点。
为了解决上述技术问题，本发明公开了一种基于张量局部保留投影的极化特征提取与分类方法，包括：
对极化SAR雷达获取的目标场景进行特征提取，得到极化SAR地物特征量；
对极化SAR地物特征量进行特征张量提取，得到邻域特征张量；
对邻域特征张量进行降维提取，得到降维邻域特征张量；
根据降维邻域特征张量，通过SVM分类器进行地物分类，得到极化地物分类结果。
在上述基于张量局部保留投影的极化特征提取与分类方法中，对极化SAR雷达获取的目标场景进行特征提取，得到极化SAR地物特征量，包括：
通过极化SAR雷达获取目标场景；
获取目标场景每个像素点的极化散射矩阵；
对目标场景每个像素点的极化散射矩阵进行极化分解，得到极化特征量；
对极化特征量进行归一化处理，得到极化SAR地物特征量。
在上述基于张量局部保留投影的极化特征提取与分类方法中，对极化SAR地物特征量进行特征张量提取，得到邻域特征张量，包括：
采用长和宽均为单数的滑窗，在极化SAR地物特征量上从左到右、从上到下移动，每次移动一个像素点；
将滑窗正中心像素点的特征用相应的滑窗内的所有像素点特征量组成的三阶张量表征，得到各像素点的邻域特征张量。
在上述基于张量局部保留投影的极化特征提取与分类方法中，对邻域特征张量进行降维提取，得到降维邻域特征张量，包括：
将邻域特征张量作为张量样本数据；
采用张量局部保留投影特征提取法，对张量样本数据进行特征提取，得到每个像素点对应的降维邻域特征张量。
在上述基于张量局部保留投影的极化特征提取与分类方法中，张量局部保留投影特征提取法，包括如下步骤：
第一步，构建样本空间邻接图，计算各个张量样本数据间的距离；取离每个张量样本数据距离最近的k个张量样本数据作为邻近张量样本数据；每一对邻近张量样本数据之间赋予权重；
第二步，基于张量局部保留投影特征提取法，构建优化目标函数，以保证每一对邻近张量样本数据间的距离和权重的乘积之和最小化；
第三步，设置迭代次数，每一次迭代得到对应张量模的一组投影矩阵；
第四步，依次对张量进行模-1到模-n的展开，每个模展开下求解优化目标函数，通过拉格朗日乘子法和特征值分解求得对应模的投影矩阵；
第五步，判断是否达到迭代次数，或投影矩阵是否收敛，如果任一条件满足，执行第六步，否则，执行第四步；
第六步，将每种模展开下的原始数据，通过与对应的投影矩阵进行投影，得到特征提取后的低维空间数据，即降维邻域特征张量。
在上述基于张量局部保留投影的极化特征提取与分类方法中，
取：张量样本数据Xi和张量样本数据Xj；其中，P1表示行像素点，P2表示列像素点，P3表示极化SAR地物特征量个数；
则有：张量样本数据Xi和张量样本数据Xj间的距离dist(Xi,Xj)采用张量Frobenius范数表示：
其中，F表示张量Frobenius范数，p1∈[1,P1]，p2∈[1,P2]，p3∈[1,P3]。
在上述基于张量局部保留投影的极化特征提取与分类方法中，每一对邻近张量样本数据之间的权重Wij表示为：
在上述基于张量局部保留投影的极化特征提取与分类方法中，优化目标函数表示为：
其中，Yi表示投影后的第i个张量样本数据，Yj表示投影后的第j个张量样本数据。
在上述基于张量局部保留投影的极化特征提取与分类方法中，投影矩阵表示为：
其中，Xi表示张量样本数据，表示模-n展开对应的投影矩阵，n∈[1,N]。
在上述基于张量局部保留投影的极化特征提取与分类方法中，滑窗大小为5×5。
本发明具有以下优点：
(1)本发明公开了一种基于张量局部保留投影的极化特征提取与分类方法，采用了像素点的邻域张量表征方法，将相互独立的特征量通过位置关系建立联系，考虑极化地物数据相邻像素点间存在的位置关系和信息联系，克服了现有技术以单个像素点为研究主体，忽略局部像素点间冗余性的缺点，使得本发明具有了不同地物像素点边界分类效果好，样本特征量较少时分类效果好的优点。
(2)本发明公开了一种基于张量局部保留投影的极化特征提取与分类方法，充分利用极化特征量，并在样本数据构造中考虑到样本单元及其邻域之间的相关性，充分发挥局部保留投影这种流形学习特点，保证投影前后数据空间结构的不变性，克服了传统矩阵特征提取技术中仅考虑单一特征维度，忽略不同特征维度特征量性质不同的不足，使得本发明具有最大程度降低特征量之间的冗余，提取出区分度更好的特征量，充分保留特征信息。
(3)本发明公开了一种基于张量局部保留投影的极化特征提取与分类方法，极化SAR数据中包含的众多极化特征量的提取和降维，为后续分类算法提供可靠、有效特征量，减少极化特征量之间的冗余，获得区分度高的有效特征，实现准确地物类别区分。
(4)本发明公开了一种基于张量局部保留投影的极化特征提取与分类方法，弥补了传统矩阵数据特征提取时忽略邻域数据单元相关性，当先验样本特征不足时分类效果差的缺点，同时，弥补了张量主分量分析中忽略数据空间结构性质的缺点。
附图说明
图1是本发明实施例中一种基于张量局部保留投影的极化特征提取与分类方法的步骤流程图；
图2是本发明实施例中一种成像结果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。
本发明公开了一种基于张量局部保留投影的极化特征提取与分类方法，其核心思想之一在于：将极化数据进行极化分解得到每个像素单元的一系列特征量，极化SAR地物特征量；将极化SAR地物特征量按像素单元进行滑窗操作，得到每个像素单元极化特征量的张量表达形式，邻域特征张量；然后，通过张量局部保留投影法对邻域特征张量进行特征提取，得到降维邻域特征张量；最后，基于降维邻域特征张量，通过支持向量机SVM分类器进行地物分类，得到极化地物分类结果。
如图1，在本实施例中，该基于张量局部保留投影的极化特征提取与分类方法，包括：
步骤101，对极化SAR雷达获取的目标场景进行特征提取，得到极化SAR地物特征量。
在本实施例中，首先，通过极化SAR雷达获取目标场景；然后，获取目标场景每个像素点的散射矩阵；其次，对目标场景每个像素点的散射矩阵进行极化分解，得到极化特征量；最后，对极化特征量进行归一化处理，得到极化SAR地物特征量。
优选的，通过极化SAR雷达获取的目标场景即极化SAR地物数据，可以通过四个极化通道不同的排列组合，得到每个像素点的极化散射矩阵、协方差矩阵，其中包含了地物目标的极化散射性质。通过对极化散射矩阵、协方差矩阵的极化分解，如Pauli分解、Krogager分解、Cloude分解、Freeman分解、Huynen分解、Touzi分解和Van Zyl分解等，得到若干个包含极化信息的极化特征量。
步骤102，对极化SAR地物特征量进行特征张量提取，得到邻域特征张量。
在本实施例中，可以采用长和宽均为单数的滑窗(如5x5)，在极化SAR地物特征量上从左到右、从上到下移动，每次移动一个像素点；将滑窗正中心像素点的特征用相应的滑窗内的所有像素点特征量组成的三阶张量表征，得到各像素点的邻域特征张量。
优选的，当目标场景的极化图像大小是行像素点P1，列像素点P2时，所有像素单元的单一特征量用矩阵P1×P2来表示。假设极化SAR地物特征量个数为P3，可以用这一张量的形式表征此时的极化SAR地物特征量。
以P1×P2的矩阵平面作为操作目标，设置大小5×5的滑窗，从左到右，从上至下按每个像素单元依次移动滑窗，且滑窗不超过极化SAR地物特征量边缘，滑窗内所有像素单元及其特征量组成的三阶张量表征为用张量X表征此时滑窗正中心像素单元的特征量。由于滑窗不超过极化SAR地物特征量边缘，场景图像四周像素点不会处于滑窗正中心，则这些像素点用离它最近的可以作为滑窗正中心的像素点表征。
步骤103，对邻域特征张量进行降维提取，得到降维邻域特征张量。
在本实施例中，可以将邻域特征张量作为张量样本数据；采用张量局部保留投影特征提取法，对张量样本数据进行特征提取，得到每个像素点对应的降维邻域特征张量。
优选的，张量局部保留投影特征提取法的具体实现步骤如下：
第一步，构建样本空间邻接图，计算各个张量样本数据间的距离；取离每个张量样本数据距离最近的k个张量样本数据作为邻近张量样本数据；每一对邻近张量样本数据之间赋予权重。
优选的，对每个张量样本数据和其他所有样本的距离，可以采用张量Frobenius范数表示。例如，取：张量样本数据Xi和张量样本数据Xj，则，张量样本数据Xi和张量样本数据Xj间的距离dist(Xi,Xj)采用张量Frobenius范数表示为：
其中，F表示张量Frobenius范数，p1∈[1,P1]，p2∈[1,P2]，p3∈[1,P3]。
优选的，每一对邻近张量样本数据之间的权重Wij表示为：
第二步，基于张量局部保留投影特征提取法，构建优化目标函数，以保证每一对邻近张量样本数据间的距离和权重的乘积之和最小化。
优选的，优化目标函数的构建原则是：Xi和Xj相邻近，投影后的Yi和Yj也相邻近，优化目标函数用公式表达如下：
其中，Yi表示投影后的第i个张量样本数据，Yj表示投影后的第j个张量样本数据。
进一步的，
其中，表示模-n展开对应的投影矩阵，n∈[1,N]。
第三步，设置迭代次数，每一次迭代得到对应张量模的一组投影矩阵。
优选的，取迭代次数为K。K的每一次迭代可以得到对应张量模的一组投影矩阵，设置K的取值范围为[10,100]内的整数。
第四步，依次对张量进行模-1到模-n的展开，每个模展开下求解优化目标函数，通过拉格朗日乘子法和特征值分解求得对应模的投影矩阵。
优选的，可以将代入优化目标函数，可得：
其中，dii＝∑jWij。
求解上述优化问题，首先假设U(1),…,U(n-1),U(n+1),…,U(N)已知，求模-n展开的优化问题，即U(n)的求解可以表示为：
Qi＝Xi×U(1)×…×U(n-1)×U(n+1)×…×U(N)
将上式进行形式变换得：
通过拉格朗日乘子法求解得：
U(n)的值即求(Qi (n)(Qi (n))Tdii)T×Φij的最小p个特征值对应特征向量的组合。
第五步，判断是否达到迭代次数，或投影矩阵是否收敛，如果任一条件满足，执行第六步，否则，执行第四步。
优选的，若大于迭代次数K；或当即投影矩阵收敛，执行第六步。其中，ε＝10-1。
第六步，将每种模展开下的原始数据，通过与对应的投影矩阵进行投影，得到特征提取后的低维空间数据，即降维邻域特征张量。
优选的，利用将Xi的模-n对应投影到低维空间，即得到降维邻域特征张量。
步骤104，根据降维邻域特征张量，通过SVM分类器进行地物分类，得到极化地物分类结果。
在本实施例中，如图2，图2(a)为荷兰Flevoland的AIRSAR实测数据类别灰度图，用不同的灰度代表六类不同的地物。图2(b)为本发明实测数据采用主分量分析的成像分类图，图2(c)为本发明实测数据采用张量-局部保留投影的分类结果图。通过SVM分类器对原始的邻域特征张量和特征提取后的降维邻域特征张量进行分类，通过分类正确率比较降维前后特征量的区分度，说明经过特征提取后的特征数据，区分度高，正确率高。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属于本领域技术人员的公知技术。
Claims (9)
1.一种基于张量局部保留投影的极化特征提取与分类方法，其特征在于，包括：
对极化SAR雷达获取的目标场景进行特征提取，得到极化SAR地物特征量；
对极化SAR地物特征量进行特征张量提取，得到邻域特征张量；包括：采用长和宽均为单数的滑窗，在极化SAR地物特征量上从左到右、从上到下移动，每次移动一个像素点；将滑窗正中心像素点的特征用相应的滑窗内的所有像素点特征量组成的三阶张量表征，得到各像素点的邻域特征张量；
对邻域特征张量进行降维提取，得到降维邻域特征张量；
根据降维邻域特征张量，通过SVM分类器进行地物分类，得到极化地物分类结果。
2.根据权利要求1所述的基于张量局部保留投影的极化特征提取与分类方法，其特征在于，对极化SAR雷达获取的目标场景进行特征提取，得到极化SAR地物特征量，包括：
通过极化SAR雷达获取目标场景；
获取目标场景每个像素点的极化散射矩阵；
对目标场景每个像素点的极化散射矩阵进行极化分解，得到极化特征量；
对极化特征量进行归一化处理，得到极化SAR地物特征量。
3.根据权利要求1所述的基于张量局部保留投影的极化特征提取与分类方法，其特征在于，对邻域特征张量进行降维提取，得到降维邻域特征张量，包括：
将邻域特征张量作为张量样本数据；
采用张量局部保留投影特征提取法，对张量样本数据进行特征提取，得到每个像素点对应的降维邻域特征张量。
4.根据权利要求3所述的基于张量局部保留投影的极化特征提取与分类方法，其特征在于，张量局部保留投影特征提取法，包括如下步骤：
第一步，构建样本空间邻接图，计算各个张量样本数据间的距离；取离每个张量样本数据距离最近的k个张量样本数据作为邻近张量样本数据；每一对邻近张量样本数据之间赋予权重；
第二步，基于张量局部保留投影特征提取法，构建优化目标函数，以保证每一对邻近张量样本数据间的距离和权重的乘积之和最小化；
第三步，设置迭代次数，每一次迭代得到对应张量模的一组投影矩阵；
第四步，依次对张量进行模-1到模-n的展开，每个模展开下求解优化目标函数，通过拉格朗日乘子法和特征值分解求得对应模的投影矩阵；
第五步，判断是否达到迭代次数，或投影矩阵是否收敛，如果任一条件满足，执行第六步，否则，执行第四步；
第六步，将每种模展开下的原始数据，通过与对应的投影矩阵进行投影，得到特征提取后的低维空间数据，即降维邻域特征张量。
5.根据权利要求4所述的基于张量局部保留投影的极化特征提取与分类方法，其特征在于，
取：张量样本数据Xi和张量样本数据Xj；其中，P1表示行像素点，P2表示列像素点，P3表示极化SAR地物特征量个数；
则有：张量样本数据Xi和张量样本数据Xj间的距离dist(Xi,Xj)采用张量Frobenius范数表示：
其中，F表示张量Frobenius范数，
6.根据权利要求5所述的基于张量局部保留投影的极化特征提取与分类方法，其特征在于，每一对邻近张量样本数据之间的权重Wij表示为：
7.根据权利要求6所述的基于张量局部保留投影的极化特征提取与分类方法，其特征在于，优化目标函数表示为：
其中，Yi表示投影后的第i个张量样本数据，Yj表示投影后的第j个张量样本数据。
8.根据权利要求7所述的基于张量局部保留投影的极化特征提取与分类方法，其特征在于，投影矩阵表示为：
其中，Xi表示张量样本数据，表示模-n展开对应的投影矩阵，n∈[1,N]。
9.根据权利要求1所述的基于张量局部保留投影的极化特征提取与分类方法，其特征在于，滑窗大小为5×5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010247232.2A CN111523567B (zh) | 2020-03-31 | 2020-03-31 | 一种基于张量局部保留投影的极化特征提取与分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010247232.2A CN111523567B (zh) | 2020-03-31 | 2020-03-31 | 一种基于张量局部保留投影的极化特征提取与分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111523567A CN111523567A (zh) | 2020-08-11 |
| CN111523567B true CN111523567B (zh) | 2023-09-01 |
Family
ID=71902541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010247232.2A Active CN111523567B (zh) | 2020-03-31 | 2020-03-31 | 一种基于张量局部保留投影的极化特征提取与分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523567B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336968A (zh) * | 2013-05-28 | 2013-10-02 | 中国矿业大学 | 基于张量距离补丁校准的高光谱数据降维方法 |
| CN103605985A (zh) * | 2013-11-15 | 2014-02-26 | 浙江工业大学 | 一种基于张量全局-局部保持投影的数据降维方法 |
| CN103886329A (zh) * | 2014-03-21 | 2014-06-25 | 西安电子科技大学 | 基于张量分解降维的极化图像分类方法 |
| CN104751183A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于张量mpca的极化sar图像分类方法 |
| CN105184297A (zh) * | 2015-08-24 | 2015-12-23 | 西安电子科技大学 | 基于张量和稀疏自编码器的极化sar图像分类方法 |
| CN108960295A (zh) * | 2018-06-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种为多时相的全极化sar图像提取特征的方法及植被分布区域的分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3320368A4 (en) * | 2015-07-08 | 2018-07-25 | Conoco Phillips Company | Terrestrial imaging using multi-polarization synthetic aperture radar |
-
2020
- 2020-03-31 CN CN202010247232.2A patent/CN111523567B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336968A (zh) * | 2013-05-28 | 2013-10-02 | 中国矿业大学 | 基于张量距离补丁校准的高光谱数据降维方法 |
| CN103605985A (zh) * | 2013-11-15 | 2014-02-26 | 浙江工业大学 | 一种基于张量全局-局部保持投影的数据降维方法 |
| CN103886329A (zh) * | 2014-03-21 | 2014-06-25 | 西安电子科技大学 | 基于张量分解降维的极化图像分类方法 |
| CN104751183A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于张量mpca的极化sar图像分类方法 |
| CN105184297A (zh) * | 2015-08-24 | 2015-12-23 | 西安电子科技大学 | 基于张量和稀疏自编码器的极化sar图像分类方法 |
| CN108960295A (zh) * | 2018-06-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种为多时相的全极化sar图像提取特征的方法及植被分布区域的分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宦若虹 ; 陶一凡 ; 陈月 ; 杨鹏 ; 鲍晟霖 ; .多线性主成分分析和张量分析的SAR图像目标识别.数据采集与处理.2018,(05),第108-115页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111523567A (zh) | 2020-08-11 |
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 | |
| Shashua et al. | Multi-way clustering using super-symmetric non-negative tensor factorization | |
| Montazer et al. | An improved radial basis function neural network for object image retrieval | |
| CN107563442B (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
| Cao et al. | Automatic target recognition with joint sparse representation of heterogeneous multi-view SAR images over a locally adaptive dictionary | |
| CN109544603B (zh) | 基于深度迁移学习的目标跟踪方法 | |
| CN108182449A (zh) | 一种高光谱图像分类方法 | |
| CN110414616B (zh) | 一种利用空间关系的遥感图像字典学习分类方法 | |
| CN113177592B (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
| Bi et al. | PolSAR image classification based on robust low-rank feature extraction and Markov random field | |
| CN106934398B (zh) | 基于超像素聚类和稀疏表示的图像去噪方法 | |
| CN112861929A (zh) | 一种基于半监督加权迁移判别分析的图像分类方法 | |
| Li et al. | Enhanced bird detection from low-resolution aerial image using deep neural networks | |
| CN114004998B (zh) | 基于多视张量积扩散的非监督极化sar图像地物分类方法 | |
| CN117392545B (zh) | 一种基于深度学习的sar图像目标检测方法 | |
| Dutta et al. | Weighted singular value thresholding and its application to background estimation | |
| CN108388869B (zh) | 一种基于多重流形的手写数据分类方法及系统 | |
| CN109886315A (zh) | 一种基于核保持的图像相似性度量方法 | |
| CN109389017B (zh) | 行人再识别方法 | |
| CN112001231B (zh) | 加权多任务稀疏表示的三维人脸识别方法、系统及介质 | |
| CN111523567B (zh) | 一种基于张量局部保留投影的极化特征提取与分类方法 | |
| Singh et al. | Wavelet based histogram of oriented gradients feature descriptors for classification of partially occluded objects | |
| CN110443169B (zh) | 一种边缘保留判别分析的人脸识别方法 | |
| Wen et al. | Mixture multiscale autoregressive modelling of SAR imagery for segmentation | |
| CN116597300A (zh) | 一种融合并对齐视觉特征与散射拓扑特征的无监督域自适应sar目标识别方法 |
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 |