CN112926448A - 一种相干斑模式起伏稳健的sar图像分类方法 - Google Patents
一种相干斑模式起伏稳健的sar图像分类方法 Download PDFInfo
- Publication number
- CN112926448A CN112926448A CN202110209645.6A CN202110209645A CN112926448A CN 112926448 A CN112926448 A CN 112926448A CN 202110209645 A CN202110209645 A CN 202110209645A CN 112926448 A CN112926448 A CN 112926448A
- Authority
- CN
- China
- Prior art keywords
- sar image
- classification
- speckle noise
- speckle
- noise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 abstract description 16
- 238000001914 filtration Methods 0.000 abstract description 10
- 238000013461 design Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 13
- 230000001629 suppression Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000013434 data augmentation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种相干斑模式起伏稳健的SAR图像分类方法，包括：获取待分类SAR图像；将待分类SAR图像输入训练后的SAR图像分类网络得到待分类SAR图像的分类结果，所述训练后的SAR图像分类网络对无相干斑噪声SAR图像以及对应的相干斑噪声SAR图像提取的特征描述矢量相似且分类结果相同。本发明通过正则约束对特征提取部分和分类器部分都做了约束，增强了对于相干斑噪声的鲁棒性。并且，与现有技术相比，无需进行数据增强，也无需设计特定的相干斑滤波方法。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种相干斑模式起伏稳健的SAR图像分类方法。
背景技术
在图像分类或目标检测等实际应用中，由于测试图像总会出现旋转、平移以及尺度等仿射性形变和非仿射性的噪声扰动，因此训练好的模型相对于该形变和扰动的鲁棒性是其面向实际应用的关键问题。合成孔径雷达(Synthetic Aperture Radar,SAR)图像受到固有的乘性相干斑噪声扰动，故卷积神经网络(Convolutional Neural Networks,CNN)模型对于相干斑噪声的鲁棒性是其面向实际用的关键问题。由于相干成像机理，SAR图像表现出颗粒状的噪点即相干斑。研究发现，相干斑是相干成像系统的一种固有干涉现象，从信号处理与分析的角度可将其建模为乘性噪声模型。相干斑噪声不仅使SAR图像呈现较大的动态范围和极低的信噪比，而且淹没目标真实的散射信息。同时，实际应用中的多视处理和图像增强等后处理使得测试SAR图像与原始训练数据之间的相干斑噪声强度通常不同。因此，基于CNN的SAR图像分类方法需考虑其对于相干斑噪声强度的稳健性问题。
SAR图像受到固有的乘性相干斑噪声扰动，故CNN模型对于相干斑噪声的鲁棒性是其面向实际用的关键问题。由于相干成像机理，SAR图像表现出颗粒状的噪点，即相干斑针对相干斑噪声稳健性问题，研究发现，相干斑是相干成像系统的一种固有干涉现象，从信号处理与分析的角度可将其建模为乘性噪声模型。相干斑噪声不仅使SAR图像呈现较大的动态范围和极低的信噪比，而且淹没目标真实的散射信息。同时，实际应用中的多视处理和图像增强等后处理使得测试SAR图像与原始训练数据之间的相干斑噪声强度通常不同。因此，基于CNN的SAR图像分类方法需考虑其对于相干斑噪声强度的相干斑噪声分类边界高分辨率SAR图像的统计多层网络与稳健性分类方法研究稳健性问题。目前已有的相关研究主要包括：基于相干斑噪声抑制、数据增广以及噪声不变约束的方法。(1)基于相干斑噪声抑制的方法是一种最直接的策略，其为了实现CNN的相干斑噪声鲁棒性，直接通过滤波的方法将相干斑噪声滤除。该方面的研究除基于统计的增强Lee滤波、小波域滤波以及MuLoG等相干斑抑制方法，目前也出现了一些基于深度学习的相干斑滤波方法。例如：基于取对数残差学习的相干斑滤波方法，该方法首先将图像映射到对数空间，然后通过全卷积网络学习恢复相干斑噪声分量，最后将恢复的噪声分量从原始SAR图像中移除。同样，基于除法残差学习的相干斑抑制方法通过卷积网络拟合相干斑噪声，但该方法利用除法运算从原始含噪图像中移除乘性相干斑噪声分量。又如基于编码与解码方式的相干斑抑制方法，该方法在实现相干斑抑制的同时引入跳级连接方式，可有效保持图像中的纹理信息。此外，也有方法将相干斑抑制和目标识别任务集成到CNN模型中实现端到端的学习，提升了CNN模型对不同强度等级相干斑噪声的鲁棒性。该方法属于滤波范畴，需要设计特定的相干斑滤波方法。(2)基于数据增广的方法将训练集做扩展，扩展后的训练集包含不同相干斑噪声强度的数据，基于该扩展训练数据的网络模型通过训练收敛后可增强其对于相干斑噪声的鲁棒性。例如：利用乘型噪声模型合成服从指数分布的不同强度训练样本，基于该扩展训练数据做CNN模型表现出较好的相干斑噪声鲁棒性。然而，基于数据增广的方法也存在不足：一方面其并不能获得局部等变性，从而不能保证网络中每一层的等变性；另一方面其特征图不具有可解释性，即本质上是一个黑盒子问题。(3)基于噪声不变约束的方法在模型的优化损失函数中引入正则项，通过约束不同噪声强度下图像的特征矢量尽可能相似实现CNN模型的相干斑噪声鲁棒性。例如：相干斑噪声不变的CNN目标识别方法，该方法是在文献的基础上设计了噪声不变正则项，约束无噪图像与含噪图像特征矢量的二范数距离最小，从而实现CNN模型的相干斑噪声稳健性。然而，该方法仅对CNN模型的特征提取部分引入约束，而并未对分类器部分做约束。
因此，本发明公开了一种相干斑模式起伏稳健的SAR图像分类方法，通过正则约束对特征提取部分和分类器部分都做了约束，增强了对于相干斑噪声的鲁棒性。并且，与现有技术相比，无需进行数据增强，也无需设计特定的相干斑滤波方法。
发明内容
针对上述现有技术的不足，本发明的目的是，公开一种相干斑模式起伏稳健的SAR图像分类方法，通过正则约束对特征提取部分和分类器部分都做了约束，增强了对于相干斑噪声的鲁棒性。并且，与现有技术相比，无需进行数据增强，也无需设计特定的相干斑滤波方法。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种相干斑模式起伏稳健的SAR图像分类方法，包括：
S1、获取待分类SAR图像；
S2、将待分类SAR图像输入训练后的SAR图像分类网络得到待分类SAR图像的分类结果，所述训练后的SAR图像分类网络对无相干斑噪声SAR图像以及对应的相干斑噪声SAR图像提取的特征描述矢量相似且分类结果相同。
优选地，所述SAR图像分类网络包括特征提取模块及分类模块，其中：
特征提取模块能够分别从无相干斑噪声SAR图像的输入x以及相干斑噪声SAR图像的输入x′提取特征描述矢量ψ(x)及ψ(x′)；
分类模块能够分别基于特征描述矢量ψ(x)及ψ(x′)得到对应的分类概率p(y|ψ(x))及p(y′|ψ(x′))，y和y′分别表示x和x′的分类标签。
优选地，所述SAR图像分类网络的训练数据集为
其中，xn表示第n个无相干斑噪声训练样本，
表示对xn做视数为l的相干斑噪声扩展样本，yn为xn的标签，N为训练样本个数；
所述SAR图像分类网络参数学习过程如下：
式中，Wk和bk分别表示第k层的权值矩阵和偏置项；
和
分别表示xn和
经所述SAR图像分类网络的分类损失函数；
表示xn和
的特征描述矢量ψ(xn)和
之间的距离约束代价函数，λ为正则项超参数；
式中<·>和ln(·)分别表示内积运算和取自然对数变换，p(.)表示Softmax层输出的预测概率矢量，Yn表示yn基于One-Hot编码的标签矢量；
式中，
表示二范数的平方。
优选地，基于公式I'＝I⊙S生成无相干斑噪声SAR图像I对应的相干斑噪声SAR图像I'；⊙表示Hadamard积，S表示相干斑噪声。
综上所述，本发明公开了一种相干斑模式起伏稳健的SAR图像分类方法，通过正则约束实现对于相干斑噪声不变的特征学习与分类器学习。在深度模型的特征提取部分参数相同的条件下，约束相干斑噪声抑制数据与其对应增广数据特征描述矢量的欧氏距离最小，即噪声不变的特征学习；在分类器参数相同的条件下，约束相干斑噪声抑制数据与其对应增广数据的分类标签一致，即噪声不变的分类器学习，进而增强了相干斑噪声的SAR图像分类的鲁棒性。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1本发明公开的一种相干斑模式起伏稳健的SAR图像分类方法的原理示意图。
图2本发明中的SAR图像分类网络的划分示意图。
图3本发明中基于乘性噪声模型合成不同相干斑噪声强度数据的示意图。
图4本发明中距离损失函数用于特征矢量的相似性度量示意图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示，本发明公开了一种相干斑模式起伏稳健的SAR图像分类方法，包括：
S1、获取待分类SAR图像；
S2、将待分类SAR图像输入训练后的SAR图像分类网络得到待分类SAR图像的分类结果，所述训练后的SAR图像分类网络对无相干斑噪声SAR图像以及对应的相干斑噪声SAR图像提取的特征描述矢量相似且分类结果相同。
如图2所示。特征提取模块将输入图像从图像空间映射到特征空间。记该映射为ψ(·)，则对于无相干斑噪声SAR图像的输入x，其经特征提取模块后的特征描述矢量可记为ψ(x)。同样，对于相干斑噪声SAR图像的输入x′，其对应的特征描述矢量可表示为ψ(x′)。那么，基于上述特征描述矢量ψ(x)和ψ(x′)，分类器模块对于x和x′的分类概率可分别表示为p(y|ψ(x))和p(y′|ψ(x′))，其中y和y′分别表示x和x′的分类标签(本发明中，将概率最高的标签作为样本的分类结果)。考虑标签相同即y＝y′情况时，CNN方法对于相干斑噪声具有鲁棒性，则应满足分类器对于x′的分类概率p(y|φ(x′))与无噪时的分类概率p(y|ψ(x))尽可能相近。针对该要求，本发明中的SAR图像分类网络应具有以下特点：(1)从特征提取角度分析，特征描述矢量ψ(x)与ψ(x′)应该尽量相似，即噪声并未引起特征矢量的强变异性，则在分类器参数不变的情况下分类结果越趋于一致。(2)从分类器角度分析，在特征提取参数保持不变时，相干斑噪声可能引起特征描述矢量ψ(x′)与ψ(x)之间存在变异性，则应优化分类器的参数，使得优化后的分类器对ψ(x′)和ψ(x)的分类结果趋于一致。
具体实施时，所述SAR图像分类网络包括特征提取模块及分类模块，其中：
特征提取模块能够分别从无相干斑噪声SAR图像的输入x以及相干斑噪声SAR图像的输入x′提取特征描述矢量ψ(x)及ψ(x′)；
分类模块能够分别基于特征描述矢量ψ(x)及ψ(x′)得到对应的分类概率p(y|ψ(x))及p(y′|ψ(x′))，y和y′分别表示x和x′的分类标签。
具体实施时，本发明中，对于所述SAR图像分类网络的训练包括相干斑噪声不变特征学习和相干斑噪声不变分类器学习，所述SAR图像分类网络的训练数据集为
其中，xn表示第n个无相干斑噪声训练样本，
表示对xn做视数为l的相干斑噪声扩展样本，yn为xn的标签，N为训练样本个数；
所述SAR图像分类网络参数学习过程如下：
式中，Wk和bk分别表示第k层的权值矩阵和偏置项；
和
分别表示xn和
经所述SAR图像分类网络的分类损失函数；
表示xn和
的特征描述矢量ψ(xn)和
之间的距离约束代价函数，λ为正则项超参数，用于控制距离约束代价函数
在整体损失函数中的参与度。这里需要指出的是，特征矢量ψ(xn)与
表示Softmax分类器的输入；
距离约束代价函数
约束含相干斑噪声图像的特征描述矢量
与其对应的无噪声图像的特征描述矢量ψ(xn)之间的欧式距离尽可能小。SAR图像分类网络是集成特征提取模块和分类器模块为一体的端到端模型，特征提取模块输出的剧烈起伏会直接引起分类器模块的错误类别预测。相干斑噪声使得SAR图像存在像素级的随机起伏，这种随机起伏同样也会引起SAR图像分类网络输出的随机变化。因此，减小由于相干斑噪声所引起的特征随机变化可提升SAR图像分类网络对于相干斑噪声的稳健性。因此，SAR图像分类网络引入距离约束代价函数
约束相干斑噪声图像
的特征矢量
尽可能靠近无相干斑噪声图像xn的特征矢量ψ(xn)。距离约束代价函数
的定义如下
式中，
表示二范数的平方；定义的
本质上是一种基于欧式距离的矢量相似性度量，最小化
等价于欧式空间内矢量ψ(xn)与
越相似，如图4所示。
分类损失函数
和
分别约束视数为l的相干斑噪声扩展样本
与其对应的无噪声样本xn的分类结果一致。SAR图像分类网络相对于相干斑噪声的稳健性体现在其分类结果不受相干斑噪声的影响，故需约束相干斑噪声样本
的分类结果与其对应无噪样本xn的标签一致。对于多分类问题，分类损失函数
和Lclean(xn,yn)采用交叉熵损失函数；
式中<·>和ln(·)分别表示内积运算和取自然对数变换，p(.)表示Softmax层输出的预测概率矢量，Yn表示yn基于One-Hot编码的标签矢量。
具体实施时，在进行网络的训练时，可利用数据扩展的方法根据无相干斑噪声SAR图像生成对应的相干斑噪声SAR图像，具体方法如下：
数据扩展利用乘性噪声模型合成不同相干斑噪声强度下的增广数据，其数据合成过程如图3所示。在雷达信号处理领域，乘性噪声模型被用于SAR回波信号的建模。具体来讲，对于SAR回波信号的强度I1，可用如下乘性模型描述：
I1＝x1·s
式中，x1表示描述目标散射强度，s表示方差为σ2均值为1的相干斑噪声项。根据所描述的乘性噪声模型，可以合成不同相干斑噪声强度的扩展数据。具体来讲，记
为经乘性噪声模型合成的数据，则I′可表示为：
I'＝I⊙S
式中，
表示无噪声的强度图像，⊙表示Hadamard积，
表示相干斑噪声。这里假设S的每一元素s服从Gamma分布，则其概率密度为：
式中，Γ(·)表示Gamma函数，L表示视数。式中表示的Gamma分布的均值为1方差为1/L，即噪声强度与视数L成反比关系。因此，改变视数L并通过I'＝I⊙S可以合成不同相干斑噪声强度的扩展数据，用于对网络的训练。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (4)
1.一种相干斑模式起伏稳健的SAR图像分类方法，其特征在于，包括：
S1、获取待分类SAR图像；
S2、将待分类SAR图像输入训练后的SAR图像分类网络得到待分类SAR图像的分类结果，所述训练后的SAR图像分类网络对无相干斑噪声SAR图像以及对应的相干斑噪声SAR图像提取的特征描述矢量相似且分类结果相同。
2.如权利要求1所述的相干斑模式起伏稳健的SAR图像分类方法，其特征在于，所述SAR图像分类网络包括特征提取模块及分类模块，其中：
特征提取模块能够分别从无相干斑噪声SAR图像的输入x以及相干斑噪声SAR图像的输入x′提取特征描述矢量ψ(x)及ψ(x′)；
分类模块能够分别基于特征描述矢量ψ(x)及ψ(x′)得到对应的分类概率p(y|ψ(x))及p(y′|ψ(x′))，y和y′分别表示x和x′的分类标签。
3.如权利要求2所述的相干斑模式起伏稳健的SAR图像分类方法，其特征在于，所述SAR图像分类网络的训练数据集为
其中，xn表示第n个无相干斑噪声训练样本，
表示对xn做视数为1的相干斑噪声扩展样本，yn为xn的标签，N为训练样本个数；
所述SAR图像分类网络参数学习过程如下：
式中，Wk和bk分别表示第k层的权值矩阵和偏置项；
和
分别表示xn和
经所述SAR图像分类网络的分类损失函数；
式中<·>和ln(·)分别表示内积运算和取自然对数变换，
表示Softmax层输出的预测概率矢量，Yn表示yn基于One-Hot编码的标签矢量；
式中，
表示二范数的平方。
4.如权利要求3所述的相干斑模式起伏稳健的SAR图像分类方法，其特征在于，基于公式I′＝I⊙S生成无相干斑噪声SAR图像I对应的相干斑噪声SAR图像I′；⊙表示Hadamard积，S表示相干斑噪声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110209645.6A CN112926448B (zh) | 2021-02-24 | 2021-02-24 | 一种相干斑模式起伏稳健的sar图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110209645.6A CN112926448B (zh) | 2021-02-24 | 2021-02-24 | 一种相干斑模式起伏稳健的sar图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112926448A true CN112926448A (zh) | 2021-06-08 |
| CN112926448B CN112926448B (zh) | 2022-06-14 |
Family
ID=76171724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110209645.6A Expired - Fee Related CN112926448B (zh) | 2021-02-24 | 2021-02-24 | 一种相干斑模式起伏稳健的sar图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926448B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117736A (zh) * | 2015-08-18 | 2015-12-02 | 西安电子科技大学 | 基于稀疏深度堆栈网络的极化sar图像分类方法 |
| US20170069062A1 (en) * | 2015-09-08 | 2017-03-09 | The Johns Hopkins University | Small maritime target detector |
| CN106709465A (zh) * | 2016-12-29 | 2017-05-24 | 武汉大学 | 基于条件随机场的极化sar图像道路提取方法 |
| CN106709463A (zh) * | 2016-12-29 | 2017-05-24 | 武汉大学 | 基于分层语义的sar图像分类方法 |
| CN107506726A (zh) * | 2017-08-22 | 2017-12-22 | 武汉大学 | 基于二次型基元多层网络的sar图像分类方法 |
| CN108446716A (zh) * | 2018-02-07 | 2018-08-24 | 武汉大学 | 基于FCN与稀疏-低秩子空间表示融合的PolSAR图像分类方法 |
| CN108681999A (zh) * | 2018-05-22 | 2018-10-19 | 浙江理工大学 | 基于深度卷积神经网络模型的sar图像目标形状生成方法 |
| CN108846381A (zh) * | 2018-07-06 | 2018-11-20 | 西安电子科技大学 | 基于最大边缘度量学习的sar图像变化检测方法 |
| CN109145832A (zh) * | 2018-08-27 | 2019-01-04 | 大连理工大学 | 基于dsfnn与非局部决策的极化sar图像半监督分类方法 |
| CN109359525A (zh) * | 2018-09-07 | 2019-02-19 | 西安电子科技大学 | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 |
| WO2019040213A1 (en) * | 2017-08-22 | 2019-02-28 | Northrop Grumman Systems Corporation | ADAPTIVE REAL TIME DETECTION AND EXAMINATION NETWORK (ARDEN) |
| CN109472747A (zh) * | 2018-10-18 | 2019-03-15 | 北京大学 | 一种微波遥感图像去相干斑噪声的深度学习方法 |
| CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
| CN110895682A (zh) * | 2019-10-15 | 2020-03-20 | 东北大学 | 一种基于深度学习的sar目标识别方法 |
-
2021
- 2021-02-24 CN CN202110209645.6A patent/CN112926448B/zh not_active Expired - Fee Related
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117736A (zh) * | 2015-08-18 | 2015-12-02 | 西安电子科技大学 | 基于稀疏深度堆栈网络的极化sar图像分类方法 |
| US20170069062A1 (en) * | 2015-09-08 | 2017-03-09 | The Johns Hopkins University | Small maritime target detector |
| CN106709465A (zh) * | 2016-12-29 | 2017-05-24 | 武汉大学 | 基于条件随机场的极化sar图像道路提取方法 |
| CN106709463A (zh) * | 2016-12-29 | 2017-05-24 | 武汉大学 | 基于分层语义的sar图像分类方法 |
| WO2019040213A1 (en) * | 2017-08-22 | 2019-02-28 | Northrop Grumman Systems Corporation | ADAPTIVE REAL TIME DETECTION AND EXAMINATION NETWORK (ARDEN) |
| CN107506726A (zh) * | 2017-08-22 | 2017-12-22 | 武汉大学 | 基于二次型基元多层网络的sar图像分类方法 |
| CN108446716A (zh) * | 2018-02-07 | 2018-08-24 | 武汉大学 | 基于FCN与稀疏-低秩子空间表示融合的PolSAR图像分类方法 |
| CN108681999A (zh) * | 2018-05-22 | 2018-10-19 | 浙江理工大学 | 基于深度卷积神经网络模型的sar图像目标形状生成方法 |
| CN108846381A (zh) * | 2018-07-06 | 2018-11-20 | 西安电子科技大学 | 基于最大边缘度量学习的sar图像变化检测方法 |
| CN109145832A (zh) * | 2018-08-27 | 2019-01-04 | 大连理工大学 | 基于dsfnn与非局部决策的极化sar图像半监督分类方法 |
| CN109359525A (zh) * | 2018-09-07 | 2019-02-19 | 西安电子科技大学 | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 |
| CN109472747A (zh) * | 2018-10-18 | 2019-03-15 | 北京大学 | 一种微波遥感图像去相干斑噪声的深度学习方法 |
| CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
| CN110895682A (zh) * | 2019-10-15 | 2020-03-20 | 东北大学 | 一种基于深度学习的sar目标识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 耿杰: "基于深度学习的SAR遥感图像分类方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
| 韩功: "基于流形网络的极化SAR图像分类", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112926448B (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Compressed-domain ship detection on spaceborne optical image using deep neural network and extreme learning machine | |
| Qian et al. | Hyperspectral imagery restoration using nonlocal spectral-spatial structured sparse representation with noise estimation | |
| Zhang et al. | A mask attention interaction and scale enhancement network for SAR ship instance segmentation | |
| Chen et al. | CycleGAN-STF: Spatiotemporal fusion via CycleGAN-based image generation | |
| Dai et al. | Wavelets and face recognition | |
| Jin et al. | Nonhomogeneous noise removal from side-scan sonar images using structural sparsity | |
| Bayerl et al. | A fast biologically inspired algorithm for recurrent motion estimation | |
| Malav et al. | DHSGAN: An end to end dehazing network for fog and smoke | |
| Dong et al. | Saliency analysis and Gaussian mixture model-based detail extraction algorithm for hyperspectral pansharpening | |
| Qin et al. | Multilevel wavelet-SRNet for SAR target recognition | |
| Qiu et al. | High resolution remote sensing image denoising algorithm based on sparse representation and adaptive dictionary learning | |
| Liang et al. | Adaptive multiple kernel fusion model using spatial-statistical information for high resolution SAR image classification | |
| Elhanany et al. | Robust image registration based on feedforward neural networks | |
| CN112926448B (zh) | 一种相干斑模式起伏稳健的sar图像分类方法 | |
| Pan et al. | Hyperspectral image fusion and multitemporal image fusion by joint sparsity | |
| CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 | |
| Miao et al. | Target recognition of SAR images based on complex bidimensional empirical mode decomposition | |
| Mitra et al. | A deterministic compressive sensing approach for compressed domain image analysis | |
| Jaswanth et al. | Change detection of sar images based on convolution neural network with curvelet transform | |
| Li et al. | Flame Image Segmentation Algorithm Based on Motion and Color Saliency | |
| Demonceaux et al. | Motion detection using wavelet analysis and hierarchical Markov models | |
| Zhang et al. | Ship detection based on superpixel-level hybrid non-local MRF for SAR imagery | |
| Pal et al. | MAML-SR: Self-adaptive super-resolution networks via multi-scale optimized attention-aware meta-learning | |
| Chen et al. | A Self-supervised SAR Image Despeckling Strategy Based on Parameter-sharing Convolutional Neural Networks | |
| Banu et al. | SAR Image Classification by Wavelet Transform and Euclidean Distance with Shanon Index Measurement |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220614 |