CN111539284A - 基于多核k均值和判别随机场的极化sar图像分类方法 - Google Patents
基于多核k均值和判别随机场的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN111539284A CN111539284A CN202010298304.6A CN202010298304A CN111539284A CN 111539284 A CN111539284 A CN 111539284A CN 202010298304 A CN202010298304 A CN 202010298304A CN 111539284 A CN111539284 A CN 111539284A
- Authority
- CN
- China
- Prior art keywords
- polarization
- pixel point
- representing
- sar image
- 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.)
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多核K均值和判别随机场的极化SAR图像分类方法,主要解决现有方法计算复杂度高和融合高维度极化特征时存在局限性的问题,其实现方案为:提取极化SAR图像的高维度极化特征,构建N维归一化极化特征组;根据N维归一化极化特征组,利用多核K均值算法,构建一元势能函数;构建二元势能函数和统计分布;根据一元势能函数、二元势能函数和统计分布,构建条件后验概率分布;利用迭代条件估计ICM算法极大化条件后验概率分布,估计新的标记场,进而得到极化SAR图像分类结果。本发明降低了计算复杂度,使同质区域分类结果更平滑,分类精度明显提高,可用于极化SAR图像的目标检测与识别。
Description
技术领域
本发明属于雷达极化与图像处理技术领域,尤其涉及一种极化合成孔径雷达SAR图像的分类方法,可用于极化SAR图像的目标检测与识别。
背景技术
极化SAR图像分类是众多图像解译工具中的一个关键环节,是极化SAR领域中的重要研究课题,已广泛用于军事与民用领域。在地表测绘方面,可以利用极化SAR图像分类研究城市管理规划、地质矿产分布等;在海洋研究方面,可以利用极化SAR图像分类监测海冰分布、研究海浪特征等;在地球变化研究方面,利用极化SAR图像分类可以研究陆地沉陷和土地沙漠化程度,实时监测冰川和火山运动。此外,极化SAR图像分类在军事领域的应用也不容小觑,通过极化SAR图像分类可以对战场环境中的飞机、坦克、装甲车辆等战术目标进行识别和探测,或对雷达站、敌方指挥中心、基地要塞等重要目标所在位置进行分析,为制定作战计划提供依据。
随着对模式识别和机器学习算法的深入研究以及海量极化SAR数据的成功获取,极化SAR图像分类算法也得到了飞速发展,其中,由美国卡内基梅隆大学的S.Kumar博士和M.Hebert博士提出的判别随机场DRF模型建立在观测数据之上,直接对后验概率进行建模,该模型最大的优势在于无需对模型作任何近似,多种局部判别分类器可以很好地实现该模型的构造,属于自适应模型,更适合于处理具有复杂结构的图像分析问题。此外,针对高维度特征信息,DRF模型只需将不同类型的特征分开处理,而不需要考虑所提特征的分布情况,具有更强的多特征融合能力,在SAR图像、自然图像、医学图像分类应用中取得了重大突破。随着极化特征提取方法的不断涌现,越来越多的极化特征被提取,包括极化矩阵、极化分解特征、纹理特征、空间结构特征等,且不同类型的特征组在地物目标的类别判定中所做出的贡献是不同的。而DRF模型在融合高维度特征时未能充分考虑不同类型的特征组在地物目标的类别判定中所做出的贡献,将限制了该模型在极化SAR特征融合中的应用。
2016年,伊朗的A.Masjedi博士在支持向量积SVM核框架下对高维极化特征进行选择和融合,提出了SWM分类算法。支持向量积SVM是在统计学习理论的基础上发展起来的一种新型的机器学习方法,能够有效地解决传统学习方法中小样本、非线性、过拟合和维数灾难等实际难题,是一种经典的二值核分类器,多类SVM模型最大的问题就是计算复杂度高,耗时。因此,针对大场景多类别的极化SAR图像分类问题,该模型需要进一步进行优化和改进。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于多核K均值和判别随机场的极化SAR图像分类方法,以减小分类的计算复杂度,有效融合极化SAR图像的高维度极化特征,提高分类的精度。
为实现上述目的,本发明的技术方案包括如下步骤:
(1)输入极化SAR图像,并设定极化SAR图像中的类别集合:Ω={1,2,...,M},其中M表示极化SAR图像的类别数目,从极化SAR图像中手动获取M类训练样本,根据M类训练样本,利用Wishart分类器得到初始分类结果;
(2)从极化SAR图像中提取极化分解特征和纹理特征,得到N个不同类型的极化特征组,将N个不同类型的极化特征组分别进行归一化,得到N维归一化极化特征组;
(3)初始化极化SAR图像参数:
将(1)得到的初始分类结果初始化为原始的标记场x;
将比例参数λ初始化为0.8,将平衡参数C初始化为0.24;
(4)根据N维归一化极化特征组,利用多核K均值算法,构建像素点s的一元势能函数A(xs,f(ys));
A(xs,f(ys))=log(p(xs|f(ys))),
其中,p(xs|f(ys))表示像素点s的局部类条件概率;
(5)根据原始的标记场x,得到像素点s的二元势能函数W(xs,xt,μst):
其中,xt表示像素点t的类别标记;c1和c2表示极化SAR图像中的两种类别标记;表示像素点s的极化协方差矩阵g(ys)与像素点t的极化协方差矩阵g(yt)之间的相似度;(·)T表示转置函数;δ(xs,c1)为Delta函数,表示当像素点s的类别标记xs为c1时,该函数值为1,否则为0;δ(xt,c2)为Delta函数,表示当像素点t的类别标记xt为c2时,该函数值为1,否则为0;μst表示边界惩罚函数。
(6)根据像素点s的极化协方差矩阵g(ys),利用Wishart广义伽马WGГ分布,得到像素点s的统计分布p(g(ys)|∑h),其中,∑h表示均值极化协方差矩阵;
7a)根据像素点s的一元势能函数A(xs,f(ys))、二元势能函数W(xs,xt,μst)和统计分布p(Cs|∑h),得到像素点s的条件后验概率分布p(xs|f(ys),g(ys)):
本发明与现有技术相比,具有以下优点:
其一,相比于A.Masjedi等人提出的SWM分类算法,本发明利用多核K均值算法实现高维度极化特征的融合,不仅可将原始空间中的非线性不可分问题转化为高维空间中的线性可分问题,避免维数灾难问题,而且大大降低了算法复杂度,因此本发明在处理大场景多类别极化SAR图像分类问题中更具优势;
其二,相比于传统的DRF模型,本发明估计极化SAR图像新的标记场时,引入更具特征融合能力的一元势能函数,避免了经验选择极化特征组带来的特征冗余现象,进而提高了分类的精度。
附图说明
图1是本发明的实现流程图;
图2是用本发明对San Francisco地区极化SAR图像的分类结果图;
图3是用本发明对Flevoland地区极化SAR图像的分类结果图。
具体实施方式
下面结合附图对本发明的实施例做进一步的描述。
参照图1,本发明的具体步骤如下:
步骤1,输入极化SAR图像,利用Wishart分类器得到初始分类结果。
1.1)输入极化SAR图像,本发明选取如下两幅极化SAR图像:
San Francisco地区的极化SAR图像:图像大小为900×1024像素,等效视数为4,雷达系统为AIRSAR,图像中的类别数目为5;
Flevoland地区的极化SAR图像:图像大小为750×1024像素,等效视数为8,雷达系统为AIRSAR,图像中的类别数目为15;
1.2)设定极化SAR图像中的类别集合:Ω={1,2,...,M},其中M表示极化SAR图像的类别数目,从极化SAR图像中手动获取M类训练样本;
1.3)将M类训练样本输入Wishart分类器,对极化SAR图像进行分类,得到初始分类结果。
步骤2,提取极化分解特征和纹理特征,得到N维归一化极化特征组。
本发明从极化SAR图像中提取极化分解特征和纹理特征,得到N个不同类型的极化特征组,将N个不同类型的极化特征组分别进行归一化,得到N维归一化极化特征组,具体实施步骤如下:
2.1)极化SAR图像包含丰富多样的极化特征,其中极化分解特征是通过极化目标分解方法获得的,能够表征目标的散射特性,纹理特征则表征了雷达散射截面的空间变化特征,通常被认为是区分土地覆盖类型和地物目标类别的重要工具。为了在极化SAR图像分类过程中充分融合高维度极化特征以提高分类精度,本发明从极化SAR图像中提取9组不同类型的极化分解特征和纹理特征,即N为9,其中,表示极化SAR图像的第n个极化特征组,表示像素点s的第n个极化特征组,本发明所选取的9组不同类型的极化特征如表1所示:
表1
2.3)重复2.2)对像素点s的N个极化特征组进行归一化,将像素点s的N个极化特征组的集合确定为像素点s的N维归一化极化特征组f(ys),即f(ys)={fn(ys)}n=1,2,...,N;
步骤3,初始化极化SAR图像参数。
3.3)将步骤1得到的初始分类结果初始化为原始的标记场x;
3.4)将比例参数λ初始化为0.8,将平衡参数C初始化为0.24。
步骤4,根据N维归一化极化特征组,构建像素点s的一元势能函数。
一元势能函数表示在给定观测值的基础上像素点被标记为某一类别的概率,可以由局部条件模型进行构建,比如支持向量积SVM,支持向量积SVM是一种经典的二值核分类器,针对多类分类问题,支持向量积SVM的计算复杂度会随着类别数目的增加而增加。为了能够快速有效地对高维度极化特征进行融合,本实例引入多核K均值算法来构建像素点s的一元势能函数,具体步骤如下:
4.1)根据N维归一化极化特征组,得到权重系数ωn:
其中,βn表示第n个中间参数,n=1,2,...,N,通过下式得到:
其中,usc表示像素点s所从属的类别;αscn表示像素点s属于类别c的第n个中间参数,n=1,2,...,N,通过下式得到:
其中,utc表示像素点t所从属的类别;ukc表示像素点k所从属的类别;fn(ys)表示像素点s的第n个归一化极化特征组;fn(yt)表示像素点t的第n个归一化极化特征组;fn(yk)表示像素点k的第n个归一化极化特征组;nc表示从属于类别c的样本数量;πc表示类别c的类别标记;Kss表示由像素点s的第n个归一化极化特征组得到的高斯径向基核函数;Kst表示由像素点s和像素点t的第n个归一化极化特征组得到的高斯径向基核函数;Ktk表示由像素点t和像素点k的第n个归一化极化特征组得到的高斯径向基核函数;
4.2)根据权重系数ωn,得到多核K均值聚类误差d(ψ(f(ys)),μc):
其中,ψ(f(ys))表示融合后的映射样本;μc表示核空间的聚类中心;
4.3)根据多核K均值聚类误差d(ψ(f(ys)),μc),得到像素点s的局部类条件概率p(xs|f(ys)):
p(xs|f(ys))=exp(-λ·d(ψ(f(ys)),μc)),
其中,λ表示比例参数;
4.4)根据像素点s的局部类条件概率p(xs|f(ys)),得到像素点s的一元势能函数A(xs,f(ys));
A(xs,f(ys))=log(p(xs|f(ys)))。
步骤5,根据原始的标记场x,得到像素点s的二元势能函数。
二元势能函数的物理意义为相邻像素点在原始的标记场中的相互作用关系,可以提高极化SAR图像分类算法的噪声抑制性,为了更充分地利用极化SAR图像中的极化信息并保持图像的边界信息,本实例利用邻域极化协方差矩阵之间的相关度和原始的标记场,构建像素点s的二元势能函数,具体实施步骤如下:
5.1.1)计算像素点s的极化协方差矩阵g(ys)与像素点t的极化协方差矩阵g(yt)之间的改进型Wishart距离dWst:
其中,q表示极化协方差矩阵g(ys)的行数;Tr(·)表示求矩阵的迹的操作;
5.1.2)计算像素点t的极化协方差矩阵g(yt)与像素点s的极化协方差矩阵g(ys)之间的改进型Wishart距离dWts:
5.1.3)根据像素点s的极化协方差矩阵g(ys)与像素点t的极化协方差矩阵g(yt)之间的改进型Wishart距离dWst和像素点t的极化协方差矩阵g(yt)与像素点s的极化协方差矩阵g(ys)之间的改进型Wishart距离dWts,计算对称的改进型Wishart距离dSW:
其中,μst=exp(-(ξs-ξt)/C)2)表示边界惩罚函数,ξs表示像素点s的边界强度,ξt表示像素点t的边界强度,C表示平衡参数。
步骤6,根据像素点s的极化协方差矩阵g(ys),利用Wishart广义伽马WGГ分布,得到像素点s的统计分布。
Wishart广义伽马WGГ分布是利用Wishart分布对极化SAR数据的相干斑噪声分量进行建模,利用广义伽马分布GΓD对纹理分量进行建模,在极化SAR数据统计建模中具有更强的灵活性和普适性,因此,本实例根据像素点s的极化协方差矩阵g(ys),利用Wishart广义伽马WGГ分布,构建像素点s的统计分布,表示如下:
其中,∑h表示均值极化协方差矩阵;θ表示积分变量;ε表示指数形状参数;υ表示形状参数;σ表示尺度参数;L表示极化SAR图像的等效视数;q表示极化协方差矩阵g(ys)的行数;Γ(·)表示伽马函数;|·|表示求矩阵行列式的操作;(·)-1表示求矩阵的逆的操作;Tr(·)表示求矩阵的迹的操作;K=πq(q-1)/2Γ(L)···Γ(L-q+1)表示多变量伽马函数。
步骤7,利用迭代条件估计ICM算法,得到极化SAR图像新的标记场。
随机场模型的模型推断方法通常为最大后验概率MAP方法,但在实际情况中,很难通过最大后验概率MAP方法得到图像的全局估计,因此,本实例采用迭代条件估计ICM算法进行条件后验概率分布的局部估计,进而得到极化SAR图像新的标记场。具体实施步骤如下:
7.1)根据像素点s的一元势能函数A(xs,f(ys))、二元势能函数W(xs,xt,μst)和统计分布p(Cs|∑h),得到像素点s的条件后验概率分布p(xs|f(ys),g(ys)):
步骤8,根据新的标记场是否收敛,得出极化SAR图像最终的分类结果:
下面结合仿真实验对本发明的效果做进一步说明:
1.实验条件
实验仿真环境为:MATLAB R2010a,Intel(R)Pentium(R)2CPU 2.93GHz,Window XPProfessional。
实验选取如下两幅极化SAR图像:
一是San Francisco地区的极化SAR图像,图像大小为900×1024像素,等效视数为4,雷达系统为AIRSAR,图像中的类别数目为5;
二是Flevoland地区的极化SAR图像,图像大小为750×1024像素,等效视数为8,雷达系统为AIRSAR,图像中的类别数目为15。
2.实验内容
实验1,分别应用DRF分类方法、SWM分类方法和本发明对San Francisco地区的极化SAR图像进行分类,结果如图2,其中:图2(a)是San Francisco图像的Pauli分解图,图2(b)是San Francisco图像的参考图,图2(c)是San Francisco图像的类别示意图,图2(d)是由DRF分类方法得到的分类结果,图2(e)是由SWM分类方法得到的分类结果,图2(f)是由本发明得到的分类结果。
实验2,分别应用DRF分类方法、SWM分类方法和本发明对Flevoland地区的极化SAR图像进行分类,结果如图3,其中:图3(a)是Flevoland图像的Pauli分解图,图3(b)是Flevoland图像的参考图,图3(c)是Flevoland图像的类别示意图,图3(d)是由DRF分类方法得到的分类结果,图3(e)是由SWM分类方法得到的分类结果,图3(f)是由本发明得到的分类结果。
实验3,根据图2(b)San Francisco图像的参考图,得到DRF分类方法、SWM分类方法和本发明对San Francisco图像的性能指标参数,包括各类别的分类精度、总精度OA和Kappa,如表2所示。
实验4,根据图3(b)Flevoland图像的参考图,得到DRF分类方法、SWM分类方法和本发明对Flevoland图像的性能指标参数,包括各类别的分类精度、总精度OA和Kappa,如表3所示。
实验5,对San Francisco图像在DRF分类方法、SWM分类方法和本发明分类中所用的时间进行统计,结果如表4所示。
实验6,对Flevoland图像在DRF分类方法、SWM分类方法和本发明分类中所用的时间进行统计,结果如表5所示。
表2
表3
表4
表5
3.实验结果分析
从图2和图3可以看到,相比于DRF分类方法和SWM分类方法,本发明可以得到更好的分类结果。一方面,图2(f)和图3(f)的分类结果中同质区域内部更干净,这充分说明了本发明具有更强的噪声抑制性,也说明了在本发明中,更多的像素点得到了正确的分类;另一方面,图2(f)和图3(f)的分类结果中细节信息保持的更加完整,能够对相似的地物目标进行准确的区分,误分类区域较少,这也说明了充分利用高维度极化特征信息的有效性。
从表4和表5可以看出,相比于DRF分类方法和本发明,SWM分类方法用时最长,这是因为SWM分类方法中采用了一对一分类策略和重复的迭代过程,尤其是图像中的类别数目较大时,SWM分类方法的用时将是本发明用时的数倍之多,如表5所示。而DRF分类方法所用时间最短,这是因为DRF分类方法未在分类过程中对极化SAR图像的高维度极化特征进行分析和融合。
综上分析可知,相比于DRF分类方法和SWM分类方法,本发明分类方法分类精度和计算效率明显提高,分类结果更具区域一致性和噪声抑制性。
Claims (6)
1.一种基于多核K均值和判别随机场的极化SAR图像分类方法,其特征在于,包括以下步骤:
(1)输入极化SAR图像,并设定极化SAR图像中的类别集合:Ω={1,2,...,M},其中M表示极化SAR图像的类别数目,从极化SAR图像中手动获取M类训练样本,根据M类训练样本,利用Wishart分类器得到初始分类结果;
(2)从极化SAR图像中提取极化分解特征和纹理特征,得到N个不同类型的极化特征组,将N个不同类型的极化特征组分别进行归一化,得到N维归一化极化特征组;
(3)初始化极化SAR图像参数:
将(1)得到的初始分类结果初始化为原始的标记场x;
将比例参数λ初始化为0.8,将平衡参数C初始化为0.24;
(4)根据N维归一化极化特征组,利用多核K均值算法,构建像素点s的一元势能函数A(xs,f(ys));
A(xs,f(ys))=log(p(xs|f(ys))),
其中,p(xs|f(ys))表示像素点s的局部类条件概率;
(5)根据原始的标记场x,得到像素点s的二元势能函数W(xs,xt,μst):
其中,xt表示像素点t的类别标记;c1和c2表示极化SAR图像中的两种类别标记;表示像素点s的极化协方差矩阵g(ys)与像素点t的极化协方差矩阵g(yt)之间的相似度;(·)T表示转置函数;δ(xs,c1)为Delta函数,表示当像素点s的类别标记xs为c1时,该函数值为1,否则为0;δ(xt,c2)为Delta函数,表示当像素点t的类别标记xt为c2时,该函数值为1,否则为0;μst表示边界惩罚函数。
(6)根据像素点s的极化协方差矩阵g(ys),利用Wishart广义伽马WGГ分布,得到像素点s的统计分布p(g(ys)|∑h),其中,∑h表示均值极化协方差矩阵;
7a)根据像素点s的一元势能函数A(xs,f(ys))、二元势能函数W(xs,xt,μst)和统计分布p(Cs|∑h),得到像素点s的条件后验概率分布p(xs|f(ys),g(ys)):
2.根据权利要求1所述的方法,其特征在于,(2)中从极化SAR图像中提取极化分解特征和纹理特征,是从极化SAR图像中提取9个极化特征组即N为9,其中,表示极化SAR图像的第n个极化特征组,表示像素点s的第n个极化特征组;9个不同类型的极化特征组分别为:
第8个极化特征组由Gabor滤波法得到的32个纹理特征,包括在4个尺度{1,2,3,4}、4个方向{0°,45°,90°,135°}上对极化SAR图像做Gabor变换,从Gabor变换后的高频子图像上提取的均值和方差;
4.根据权利要求2所述的方法,其特征在于,(4)中根据N维归一化极化特征组,利用多核K均值算法,构建像素点s的一元势能函数A(xs,f(ys)),按如下步骤进行:
4a)根据N维归一化极化特征组,得到权重系数ωn:
其中,βn表示第n个中间参数,n=1,2,...,N,通过下式得到:
其中,usc表示像素点s所从属的类别;αscn表示像素点s属于类别c的第n个中间参数,n=1,2,...,N,通过下式得到:
其中,utc表示像素点t所从属的类别;ukc表示像素点k所从属的类别;fn(ys)表示像素点s的第n个归一化极化特征组;fn(yt)表示像素点t的第n个归一化极化特征组;fn(yk)表示像素点k的第n个归一化极化特征组;nc表示从属于类别c的样本数量;πc表示类别c的类别标记;Kss表示由像素点s的第n个归一化极化特征组得到的高斯径向基核函数;Kst表示由像素点s和像素点t的第n个归一化极化特征组得到的高斯径向基核函数;Ktk表示由像素点t和像素点k的第n个归一化极化特征组得到的高斯径向基核函数;
4b)根据权重系数ωn,得到多核K均值聚类误差d(ψ(f(ys)),μc):
其中,ψ(f(ys))表示融合后的映射样本;μc表示核空间的聚类中心;
4c)根据多核K均值聚类误差d(ψ(f(ys)),μc),得到像素点s的局部类条件概率p(xs|f(ys)):
p(xs|f(ys))=exp(-λ·d(ψ(f(ys)),μc)),
其中,λ表示比例参数;
4d)根据像素点s的局部类条件概率p(xs|f(ys)),得到像素点s的一元势能函数A(xs,f(ys));
A(xs,f(ys))=log(p(xs|f(ys)))。
5.根据权利要求1所述的方法,其特征在于,(5)中根据原始的标记场x,得到像素点s的二元势能函数W(xs,xt,μst),按如下步骤进行:
该dWst表示g(ys)和g(yt)之间的改进型Wishart距离,该dWts表示g(yt)和g(ys)之间的改进型Wishart距离:
其中,μst=exp(-(ξs-ξt)/C)2)表示边界惩罚函数,ξs表示像素点s的边界强度,ξt表示像素点t的边界强度,C表示平衡参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298304.6A CN111539284B (zh) | 2020-04-16 | 2020-04-16 | 基于多核k均值和判别随机场的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298304.6A CN111539284B (zh) | 2020-04-16 | 2020-04-16 | 基于多核k均值和判别随机场的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539284A true CN111539284A (zh) | 2020-08-14 |
CN111539284B CN111539284B (zh) | 2023-02-28 |
Family
ID=71978660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010298304.6A Active CN111539284B (zh) | 2020-04-16 | 2020-04-16 | 基于多核k均值和判别随机场的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539284B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609898A (zh) * | 2021-06-23 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 基于sar图像的输电线路覆冰监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070083114A1 (en) * | 2005-08-26 | 2007-04-12 | The University Of Connecticut | Systems and methods for image resolution enhancement |
CN103955709A (zh) * | 2014-05-13 | 2014-07-30 | 西安电子科技大学 | 基于加权合成核与tmf的极化sar图像分类方法 |
CN108491753A (zh) * | 2018-01-26 | 2018-09-04 | 西安电子科技大学 | 极化散射非平稳性建模的极化sar图像分类方法 |
CN108537102A (zh) * | 2018-01-25 | 2018-09-14 | 西安电子科技大学 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
-
2020
- 2020-04-16 CN CN202010298304.6A patent/CN111539284B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070083114A1 (en) * | 2005-08-26 | 2007-04-12 | The University Of Connecticut | Systems and methods for image resolution enhancement |
CN103955709A (zh) * | 2014-05-13 | 2014-07-30 | 西安电子科技大学 | 基于加权合成核与tmf的极化sar图像分类方法 |
CN108537102A (zh) * | 2018-01-25 | 2018-09-14 | 西安电子科技大学 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
CN108491753A (zh) * | 2018-01-26 | 2018-09-04 | 西安电子科技大学 | 极化散射非平稳性建模的极化sar图像分类方法 |
Non-Patent Citations (2)
Title |
---|
宋婉莹等: "基于加权合成核与三重Markov场的极化SAR图像分类方法", 《电子学报》 * |
赵泉华等: "全卷积网络和条件随机场相结合的全极化SAR土地覆盖分类", 《测绘学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609898A (zh) * | 2021-06-23 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 基于sar图像的输电线路覆冰监测方法及系统 |
CN113609898B (zh) * | 2021-06-23 | 2023-09-29 | 国网山东省电力公司泗水县供电公司 | 基于sar图像的输电线路覆冰监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111539284B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bi et al. | Polarimetric SAR image semantic segmentation with 3D discrete wavelet transform and Markov random field | |
Yang et al. | CNN-based polarimetric decomposition feature selection for PolSAR image classification | |
Dong et al. | Dimensionality reduction and classification of hyperspectral images using ensemble discriminative local metric learning | |
CN104268593B (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN102999762B (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
CN102999761B (zh) | 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 | |
Wu et al. | Multiscale CNN with autoencoder regularization joint contextual attention network for SAR image classification | |
CN107679509A (zh) | 一种小环藻识别方法及装置 | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
Rodolà et al. | SHREC'17: Deformable shape retrieval with missing parts | |
Yang et al. | Dynamic fractal texture analysis for PolSAR land cover classification | |
Chen et al. | High-level feature selection with dictionary learning for unsupervised SAR imagery terrain classification | |
CN104123563B (zh) | 一种基于Cloude分解的极化SAR图像分类方法 | |
Chen et al. | Ship target discrimination in SAR images based on BOW model with multiple features and spatial pyramid matching | |
Chen et al. | Bag-of-visual-words scene classifier for remote sensing image based on region covariance | |
CN111539284B (zh) | 基于多核k均值和判别随机场的极化sar图像分类方法 | |
CN111325158B (zh) | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 | |
Thepade et al. | Machine learning based land use identification of aerial images with fusion of thepade sbtc and triangle thresholding | |
Zhang et al. | Land use and land cover classification base on image saliency map cooperated coding | |
Hong et al. | Random forest fusion classification of remote sensing PolSAR and optical image based on LASSO and IM factor | |
Yang et al. | Supervised land-cover classification of TerraSAR-X imagery over urban areas using extremely randomized clustering forests | |
Khairuddin et al. | Using two stage classification for improved tropical wood species recognition system | |
Zhu et al. | Pattern recognition of quartz sand particles with PointConv network |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Song Wanying Inventor after: Wang Anyi Inventor after: Quan Huan Inventor after: Zhou Xinwei Inventor after: Liu Zicong Inventor after: Guo Ping Inventor before: Song Wanying Inventor before: Wang Anyi Inventor before: Guo Ping |
|
GR01 | Patent grant | ||
GR01 | Patent grant |