CN111563528B - 基于多尺度特征学习网络与双边滤波的sar图像分类方法 - Google Patents

基于多尺度特征学习网络与双边滤波的sar图像分类方法 Download PDF

Info

Publication number
CN111563528B
CN111563528B CN202010240530.9A CN202010240530A CN111563528B CN 111563528 B CN111563528 B CN 111563528B CN 202010240530 A CN202010240530 A CN 202010240530A CN 111563528 B CN111563528 B CN 111563528B
Authority
CN
China
Prior art keywords
image
sar image
training
sample set
network
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
Application number
CN202010240530.9A
Other languages
English (en)
Other versions
CN111563528A (zh
Inventor
耿杰
蒋雯
徐哲
邓鑫洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010240530.9A priority Critical patent/CN111563528B/zh
Publication of CN111563528A publication Critical patent/CN111563528A/zh
Application granted granted Critical
Publication of CN111563528B publication Critical patent/CN111563528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多尺度特征学习网络与双边滤波的SAR图像分类方法，包括以下步骤：输入高分辨率SAR图像数据，对图像像素值进行归一化；利用多尺度处理划分SAR图像为不同尺度的图像块集合，并实现样本扩充；从扩充的SAR图像块样本集选取训练样本集和测试样本集；利用训练样本集训练全卷积神经网络，实现提取各个图像块的特征，并形成多尺度特征表示；训练softmax分类器；采用训练好的多尺度特征学习网络进行分类；利用双边滤波模型对分类结果图进行分类后处理，得到最终的分类结果图。本发明方法不仅能够提取SAR图像丰富的多尺度特征，而且能够扩充训练样本集，进而提升有限数据下的SAR图像分类精度，可以用于高分辨率SAR图像地物分类中。

Description

基于多尺度特征学习网络与双边滤波的SAR图像分类方法
技术领域
本发明属于遥感图像智能解译领域，具体涉及一种基于多尺度特征学习网络与双边滤波的SAR图像分类方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式微波遥感技术，历经半个多世纪的发展，逐步发展为一种重要的遥感对地观测手段。SAR通过发射电磁脉冲和接收目标回波来相干成像，具有全天时、全天候、多极化、多波段、高分辨率的成像能力。SAR图像地物分类通过分析获取的地物后向散射等信息来判别地物的类别，在海洋环境监测、地质资源勘探、农业植被调研等领域有广泛应用前景。
随着SAR数据资源的丰富，国内外学者逐渐开展了SAR图像分类的研究工作。SAR图像分类过程主要包括预处理、特征提取、分类和分类后处理，其中特征提取和分类是对分类精度起关键作用的步骤。SAR图像分类方法主要分为无监督分类算法和有监督分类算法，由于有监督分类利用样本标签信息作为先验知识来训练分类器，通常比无监督分类效果更好。
近几年，深度学习在人工智能的各个领域得到广泛应用，并且取得了优异的效果。深度神经网络也逐渐应用于遥感图像智能解译领域，成为解决不同遥感任务的技术手段。典型的深度网络模型包括卷积神经网络(Convolutional Neural Networks，CNN)、堆叠自动编码器(Stacked Auto-Encoders，SAE)和深度置信网络(Deep Belief Networks，DBN)，均被用于极化SAR图像地物分类任务。例如，W.Chen等人2018年在Remote Sensing的第10卷第1期上发表的《Classification of PolSAR images using multilayer autoencodersand a self-paced learning approach》，将堆叠自动编码器和自步学习结合，在网络优化时引入自步学习规则，提升了SAR图像分类效率。Y.Wang等人2018年在Remote Sensing的第10卷第2期上发表的《A hierarchical fully convolutional network integrated withsparse and low-rank subspace representations for PolSAR imageryclassification》，结合全卷积神经网络和稀疏低秩图子空间学习，提取SAR图像的高层局部和全局特征，提高了特征的区分性和分类的准确度。上述SAR图像分类方法均需要利用大量数据进行深度网络的训练，而数据量较小情况下的分类效果不佳。
发明内容
本发明所要解决的技术问题是：如何在有限训练数据下实现SAR图像分类。该方法可应用于高分辨率SAR图像地物分类中。
为解决上述技术问题，本发明采用的技术方法是：一种基于多尺度特征学习网络与双边滤波的SAR图像分类方法，其特征在于，包括以下步骤：
(1)输入高分辨率SAR图像数据，对图像像素值进行归一化；
(2)利用多尺度处理划分SAR图像为不同尺度的图像块集合，并实现样本扩充：
(2a)利用下采样运算将SAR图像下采样到多个尺度，公式如下
Ip＝Pool(I,s)
其中，Pool(·)表示下采样函数，I表示SAR图像，s表示下采样参数；
(2b)对下采样后的图像Ip进行转换，转换为多级的图像块Isub，公式如下
Isub＝T(Ip,d)
其中，T(·)表示转换函数，d表示转换参数，T(·)公式如下
Figure GDA0003451628150000021
其中，a11,a12,…,add表示图像Ip中的多个图像块；
(2c)若原始SAR图像的尺寸大小为(A,B)时，经过一次步骤(2a)和(2b)的多尺度处理后，变为d2个
Figure GDA0003451628150000022
的图像块；
(3)从扩充的SAR图像块样本集选取训练样本集和测试样本集：
从扩充的SAR图像块中所有带标签的图像块，随机选取q％的图像块形成训练样本集，其余的图像块作为测试样本集；
(4)利用训练样本集训练全卷积神经网络，实现提取各个图像块的特征，并形成多尺度特征表示：
(4a)根据步骤(2)的多尺度处理，对于原始SAR图像训练样本的中心像素点xi，其对应的多尺度处理后的第t个图像块为
Figure GDA0003451628150000037
该图像块对应的标签为
Figure GDA0003451628150000039
(4b)所有训练样本用于训练全卷积神经网络，图像块
Figure GDA0003451628150000038
输入到网络后的特征公式如下
Figure GDA0003451628150000031
其中，f(·)表示网络的非线性映射函数，W1,W2,…,WK表示各层网络的权重参数，b1,b2,…,bK表示各层网络的偏置参数，
Figure GDA0003451628150000032
表示全卷积神经网络提取的特征；
(5)训练softmax分类器：
(5a)将全卷积神经网络提取的特征
Figure GDA0003451628150000033
输入到softmax分类器，其属于第c类的预测概率公式如下
Figure GDA0003451628150000034
其中，Wj和bj分别对应softmax分类器的部分权重和偏置，Wc和bc分别对应softmax分类器的第c类权重和偏置，
Figure GDA0003451628150000035
表示该图像块的预测标签，C表示类别总数；
(5b)网络训练的损失函数公式如下
Figure GDA0003451628150000036
其中，N表示训练样本数量，
Figure GDA0003451628150000041
表示第i个样本的第t个图像块被预测为第j类标签的概率，利用反向传播算法对上式优化，完成网络权重和偏置参数的训练；
(6)采用训练好的多尺度特征学习网络进行分类：
(6a)每个中心像素点经过多次步骤(2a)和(2b)多尺度处理后的对应D个图像块，softmax分类器输出各个图像块的标签，通过融合D个图像块的标签获得中心像素点的预测标签；
(6b)中心像素点xi的预测标签公式如下
Figure GDA0003451628150000042
其中，1(·)表示指示函数，当
Figure GDA0003451628150000043
时取值为1；
(6c)根据所有中心像素点的预测标签和空间位置，得到SAR图像的分类结果图L；
(7)利用双边滤波模型对分类结果图进行分类后处理，得到最终的分类结果图：
(7a)采用双边滤波模型并考虑空间邻域样本特征的相关性，对SAR图像的分类结果图进行后处理，公式如下
Figure GDA0003451628150000044
其中，U和V表示分类结果图中两个样本的空间位置，LU和LV表示分类结果图中两个样本的预测标签，
Figure GDA0003451628150000045
和
Figure GDA0003451628150000046
表示两个样本经过全卷积神经网络提取的特征，Ω表示分类结果图中
Figure GDA0003451628150000047
的空间邻域，
Figure GDA0003451628150000048
为滤波空间参数，
Figure GDA0003451628150000049
为滤波邻域相关性参数；
(7b)经过双边滤波后，输出最终的分类结果图。
本发明与现有技术相比，主要具有如下的优点：
第一，本发明提出了多尺度特征学习网络，不仅能够提取SAR图像丰富的多尺度特征，而且能够扩充训练样本集，可以提升有限数据下的网络训练效果，进而能够提高SAR图像分类的精度。
第二，本发明利用双边滤波模型对分类结果图进行分类后处理，可以改善SAR图像分类结果图的连续性，减小SAR图像噪声对分类的影响。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明方法的流程图；
图2为本发明方法仿真实验的SAR图像；
图3为本发明方法仿真实验的SAR图像真实地物标记图；
图4为利用现有卷积神经网络的SAR图像分类结果图；
图5为本发明方法的SAR图像分类结果图。
具体实施方式
下面结合具体实例和附图，对本发明作详细的阐述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
根据图1，基于多尺度特征学习网络与双边滤波的SAR图像分类方法，包括如下步骤：
(1)输入高分辨率SAR图像数据，对图像像素值进行归一化；
(2)利用多尺度处理划分SAR图像为不同尺度的图像块集合，并实现样本扩充：
(2a)利用下采样运算将SAR图像下采样到多个尺度，公式如下
Ip＝Pool(I,s)
其中，Pool(·)表示下采样函数，I表示SAR图像，s表示下采样参数；
(2b)对下采样后的图像Ip进行转换，转换为多级的图像块Isub，公式如下
Isub＝T(Ip,d)
其中，T(·)表示转换函数，d表示转换参数，T(·)公式如下
Figure GDA0003451628150000071
其中，a11,a12,…,add表示图像Ip中的多个图像块；
(2c)若原始SAR图像的尺寸大小为(A,B)时，经过一次步骤(2a)和(2b)的多尺度处理后，变为d2个
Figure GDA0003451628150000072
的图像块；
(2d)实验中，s取值为1,2,4，相当于对原图像进行三个尺度的下采样；当s＝1时，d＝8；当s＝2时，d＝4；当s＝4时，d＝2；这样，一个原始SAR图像被转换为82+42+22＝84个图像块，相当于把从一副SAR图像提取特征转变为从84个多尺度图像块提取特征；
(3)从扩充的SAR图像块样本集选取训练样本集和测试样本集：
从扩充的SAR图像块中所有带标签的图像块，随机选取5％的图像块形成训练样本集，其余的图像块作为测试样本集；
(4)利用训练样本集训练全卷积神经网络，实现提取各个图像块的特征，并形成多尺度特征表示：
(4a)根据步骤(2)的多尺度处理，对于原始SAR图像训练样本的中心像素点xi，其对应的多尺度处理后的第t个图像块为
Figure GDA0003451628150000073
该图像块对应的标签为
Figure GDA0003451628150000074
(4b)所有训练样本用于训练全卷积神经网络，图像块
Figure GDA0003451628150000075
输入到网络后的特征公式如下
Figure GDA0003451628150000076
其中，f(·)表示网络的非线性映射函数，W1,W2,…,WK表示各层网络的权重参数，b1,b2,…,bK表示各层网络的偏置参数，
Figure GDA0003451628150000081
表示全卷积神经网络提取的特征；
(5)训练softmax分类器：
(5a)将全卷积神经网络提取的特征
Figure GDA0003451628150000082
输入到softmax分类器，其属于第c类的预测概率公式如下
Figure GDA0003451628150000083
其中，Wj和bj分别对应softmax分类器的部分权重和偏置，Wc和bc分别对应softmax分类器的第c类权重和偏置，
Figure GDA0003451628150000084
表示该图像块的预测标签，C表示类别总数；
(5b)网络训练的损失函数公式如下
Figure GDA0003451628150000085
其中，N表示训练样本数量，
Figure GDA0003451628150000086
表示第i个样本的第t个图像块被预测为第j类标签的概率，利用反向传播算法对上式优化，完成网络权重和偏置参数的训练；
(6)采用训练好的多尺度特征学习网络进行分类：
(6a)每个中心像素点经过多次步骤(2a)和(2b)多尺度处理后的对应D＝84个图像块，softmax分类器输出各个图像块的标签，通过融合D＝84个图像块的标签获得中心像素点的预测标签；
(6b)中心像素点xi的预测标签公式如下
Figure GDA0003451628150000087
其中，1(·)表示指示函数，当
Figure GDA0003451628150000088
时取值为1；
(6c)根据所有中心像素点的预测标签和空间位置，得到SAR图像的分类结果图L；
(7)利用双边滤波模型对分类结果图进行分类后处理，得到最终的分类结果图：
(7a)采用双边滤波模型并考虑空间邻域样本特征的相关性，对SAR图像的分类结果图进行后处理，公式如下
Figure GDA0003451628150000091
其中，U和V表示分类结果图中两个样本的空间位置，LU和LV表示分类结果图中两个样本的预测标签，
Figure GDA0003451628150000092
和
Figure GDA0003451628150000093
表示两个样本经过全卷积神经网络提取的特征，Ω表示分类结果图中
Figure GDA0003451628150000094
的空间邻域，
Figure GDA0003451628150000095
为滤波空间参数，
Figure GDA0003451628150000096
为滤波邻域相关性参数；
(7b)实验中，σs＝9，σr＝0.3；
(7c)经过双边滤波后，输出最终的分类结果图。
以下通过仿真实验，对本发明的技术效果进行说明：
1、仿真条件与内容
本发明的实验数据为2013年获取的挪威Lillestroem市的TerraSAR-X数据，如图2所示，图像大小为3580×2250，图3为该图像的真实地物标记图，共有5类不同地物，图4为利用现有的卷积神经网络对SAR图像进行分类的分类结果图，图5为利用本发明方法对SAR图像进行分类的分类结果图，表一为这两种方法的分类精度对比。
2、仿真结果分析
表一 分类精度对比
Figure GDA0003451628150000097
Figure GDA0003451628150000101
分析表一知，本发明方法比现有卷积神经网络获得了更高的分类精度，证明本发明方法在高分辨率SAR图像分类上有优异的效果。对比图4和图5知，本发明方法的分类结果图误分类更少，证明本发明方法比现有卷积神级网络能够提取更有效的特征。总之，本发明的方法能够有效提升高分辨率SAR图像分类精度。

Claims (1)

1.一种基于多尺度特征学习网络与双边滤波的SAR图像分类方法，其特征在于，包括以下步骤：
(1)输入高分辨率SAR图像数据，对图像像素值进行归一化；
(2)利用多尺度处理划分SAR图像为不同尺度的图像块集合，并实现样本扩充：
(2a)利用下采样运算将SAR图像下采样到多个尺度，公式如下
Ip＝Pool(I,s)
其中，Pool(·)表示下采样函数，I表示SAR图像，s表示下采样参数；
(2b)对下采样后的图像Ip进行转换，转换为多级的图像块Isub，公式如下
Isub＝T(Ip,d)
其中，T(·)表示转换函数，d表示转换参数，T(·)公式如下
Figure FDA0003493460040000011
其中，a11,a12,…,add表示图像Ip中的多个图像块，cat(·)表示矩阵联结函数；
(2c)若原始SAR图像的尺寸大小为(A,B)时，经过一次步骤(2a)和(2b)的多尺度处理后，变为d2个
Figure FDA0003493460040000012
的图像块；
(3)从扩充的SAR图像块样本集选取训练样本集和测试样本集：
从扩充的SAR图像块中所有带标签的图像块，随机选取q％的图像块形成训练样本集，其余的图像块作为测试样本集；
(4)利用训练样本集训练全卷积神经网络，实现提取各个图像块的特征，并形成多尺度特征表示：
(4a)根据步骤(2)的多尺度处理，对于原始SAR图像训练样本的中心像素点xi，其对应的多尺度处理后的第t个图像块为
Figure FDA0003493460040000013
该图像块对应的标签为
Figure FDA0003493460040000014
(4b)所有训练样本用于训练全卷积神经网络，图像块
Figure FDA0003493460040000029
输入到网络后的特征公式如下
Figure FDA0003493460040000021
其中，f(·)表示网络的非线性映射函数，W1,W2,…,WK表示各层网络的权重参数，b1,b2,…,bK表示各层网络的偏置参数，
Figure FDA0003493460040000022
表示全卷积神经网络提取的特征；
(5)训练softmax分类器：
(5a)将全卷积神经网络提取的特征
Figure FDA0003493460040000023
输入到softmax分类器，其属于第c类的预测概率公式如下
Figure FDA0003493460040000024
其中，Wj和bj分别对应softmax分类器的部分权重和偏置，Wc和bc分别对应softmax分类器的第c类权重和偏置，
Figure FDA0003493460040000025
表示该图像块的预测标签，C表示类别总数；
(5b)网络训练的损失函数公式如下
Figure FDA0003493460040000026
其中，N表示训练样本数量， 利用反向传播算法对上式优化，完成网络权重和偏置参数的训练；
(6)采用训练好的多尺度特征学习网络进行分类：
(6a)每个中心像素点经过多次步骤(2a)和(2b)多尺度处理后的对应D个图像块，softmax分类器输出各个图像块的标签，通过融合D个图像块的标签获得中心像素点的预测标签；
(6b)中心像素点xi的预测标签公式如下
Figure FDA0003493460040000027
其中，1(·)表示指示函数，当
Figure FDA0003493460040000028
时取值为1；
(6c)根据所有中心像素点的预测标签和空间位置，得到SAR图像的分类结果图L；
(7)利用双边滤波模型对分类结果图进行分类后处理，得到最终的分类结果图：
(7a)采用双边滤波模型并考虑空间邻域样本特征的相关性，对SAR图像的分类结果图进行后处理，公式如下
Figure FDA0003493460040000031
其中，U和V表示分类结果图中两个样本的空间位置，LU和LV表示分类结果图中两个样本的预测标签，
Figure FDA0003493460040000032
和
Figure FDA0003493460040000033
表示两个样本经过全卷积神经网络提取的特征，Ω表示分类结果图中
Figure FDA0003493460040000034
的空间邻域，
Figure FDA0003493460040000035
为滤波空间参数，
Figure FDA0003493460040000036
为滤波邻域相关性参数；
(7b)经过双边滤波后，输出最终的分类结果图。
CN202010240530.9A 2020-03-31 2020-03-31 基于多尺度特征学习网络与双边滤波的sar图像分类方法 Active CN111563528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010240530.9A CN111563528B (zh) 2020-03-31 2020-03-31 基于多尺度特征学习网络与双边滤波的sar图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010240530.9A CN111563528B (zh) 2020-03-31 2020-03-31 基于多尺度特征学习网络与双边滤波的sar图像分类方法

Publications (2)

Publication Number Publication Date
CN111563528A CN111563528A (zh) 2020-08-21
CN111563528B true CN111563528B (zh) 2022-03-11

Family

ID=72071531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010240530.9A Active CN111563528B (zh) 2020-03-31 2020-03-31 基于多尺度特征学习网络与双边滤波的sar图像分类方法

Country Status (1)

Country Link
CN (1) CN111563528B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085745A (zh) * 2020-09-07 2020-12-15 福建农林大学 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法
CN112488213A (zh) * 2020-12-03 2021-03-12 杭州电子科技大学 一种基于多尺度特征学习网络的火灾图片分类方法
CN113486753A (zh) * 2021-06-29 2021-10-08 北京蓬瑞宇兴科技有限公司 一种基于sar的无人机图像处理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102903102A (zh) * 2012-09-11 2013-01-30 西安电子科技大学 基于非局部的三马尔可夫随机场sar图像分割方法
CN104331711A (zh) * 2014-11-21 2015-02-04 西安电子科技大学 基于多尺度模糊测度与半监督学习的sar图像识别方法
CN109284786A (zh) * 2018-10-10 2019-01-29 西安电子科技大学 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN109766858A (zh) * 2019-01-16 2019-05-17 中国人民解放军国防科技大学 结合双边滤波的三维卷积神经网络高光谱影像分类方法
CN110321963A (zh) * 2019-07-09 2019-10-11 西安电子科技大学 基于融合多尺度多维空谱特征的高光谱图像分类方法
CN110414494A (zh) * 2019-01-25 2019-11-05 西安电子科技大学 带有aspp反卷积网络的sar图像分类方法
CN110458057A (zh) * 2019-07-29 2019-11-15 天津大学 一种基于边缘保持的卷积神经网络高光谱图像分类方法
CN110728224A (zh) * 2019-10-08 2020-01-24 西安电子科技大学 一种基于注意力机制深度Contourlet网络的遥感图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10936914B2 (en) * 2018-07-31 2021-03-02 International Business Machines Corporation Convolutional neural network with augmentation features

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102903102A (zh) * 2012-09-11 2013-01-30 西安电子科技大学 基于非局部的三马尔可夫随机场sar图像分割方法
CN104331711A (zh) * 2014-11-21 2015-02-04 西安电子科技大学 基于多尺度模糊测度与半监督学习的sar图像识别方法
CN109284786A (zh) * 2018-10-10 2019-01-29 西安电子科技大学 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN109766858A (zh) * 2019-01-16 2019-05-17 中国人民解放军国防科技大学 结合双边滤波的三维卷积神经网络高光谱影像分类方法
CN110414494A (zh) * 2019-01-25 2019-11-05 西安电子科技大学 带有aspp反卷积网络的sar图像分类方法
CN110321963A (zh) * 2019-07-09 2019-10-11 西安电子科技大学 基于融合多尺度多维空谱特征的高光谱图像分类方法
CN110458057A (zh) * 2019-07-29 2019-11-15 天津大学 一种基于边缘保持的卷积神经网络高光谱图像分类方法
CN110728224A (zh) * 2019-10-08 2020-01-24 西安电子科技大学 一种基于注意力机制深度Contourlet网络的遥感图像分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Ground Target Classification in Noisy SAR Images Using Convolutional Neural Networks;Jun Wang等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 》;20181002;第11卷(第11期);4180-4192 *
Noisy SAR Image Classification Based on Fusion Filtering and Deep Learning;Qiang Xu等;《2017 3rd IEEE International Conference on Computer and Communications》;20180326;1928-1932 *
基于MNCC模型的高分辨率遥感影像目标识别;刘扬;《中国博士学位论文全文数据库 信息科技辑》;20170215;第2017年卷(第2期);I140-157 *
深度卷积神经网络在遥感影像分类的应用研究;王海军;《中国博士学位论文全文数据库 信息科技辑》;20181015;第2018年卷(第10期);A008-33 *

Also Published As

Publication number Publication date
CN111563528A (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
Zhou et al. Polarimetric SAR image classification using deep convolutional neural networks
CN111563528B (zh) 基于多尺度特征学习网络与双边滤波的sar图像分类方法
CN111077523B (zh) 一种基于生成对抗网络的逆合成孔径雷达成像方法
WO2016091017A1 (zh) 一种高光谱图像分类中光谱向量互相关特征的抽取方法
CN113723255B (zh) 一种高光谱影像分类方法和存储介质
CN113392931B (zh) 基于自监督学习及多任务学习的高光谱开放集分类方法
CN111401426B (zh) 基于伪标签学习的小样本高光谱图像分类方法
CN112990334A (zh) 基于改进原型网络的小样本sar图像目标识别方法
CN106096506A (zh) 基于子类类间判别双字典的sar目标识别方法
Chehresa et al. Optimum features selection for oil spill detection in SAR image
Hou et al. End-to-end automatic ship detection and recognition in high-resolution Gaofen-3 spaceborne SAR images
CN111553280A (zh) 基于深度学习的目标部位识别方法
CN114926693A (zh) 基于加权距离的sar图像小样本识别方法及装置
Danilla et al. Classification of multitemporal SAR images using convolutional neural networks and Markov random fields
Duan et al. Multi-scale convolutional neural network for SAR image semantic segmentation
Lee et al. Generating hard examples for pixel-wise classification
CN109145950B (zh) 一种基于图信号采样的高光谱图像主动学习方法
Zhang et al. Evaluation and improvement of generalization performance of SAR ship recognition algorithms
CN109145993A (zh) 基于多特征与非负自动编码器的sar图像分类方法
CN113344046A (zh) 一种提高sar图像船只分类精度的方法
Kuchkorov et al. Perspectives of deep learning based satellite imagery analysis and efficient training of the U-Net architecture for land-use classification
CN111914922A (zh) 一种基于局部卷积和空洞卷积的高光谱图像分类方法
Li et al. Change detection in synthetic aperture radar images based on log-mean operator and stacked auto-encoder
Mabu et al. Landslide classification from synthetic aperture radar images using convolutional neural network with multichannel information
Ganakwar et al. Convolutional neural network-VGG16 for road extraction from remotely sensed images

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