CN113298129B - 基于超像素和图卷积网络的极化sar图像分类方法 - Google Patents
基于超像素和图卷积网络的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN113298129B CN113298129B CN202110526561.5A CN202110526561A CN113298129B CN 113298129 B CN113298129 B CN 113298129B CN 202110526561 A CN202110526561 A CN 202110526561A CN 113298129 B CN113298129 B CN 113298129B
- Authority
- CN
- China
- Prior art keywords
- graph
- superpixel
- super pixel
- matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000011176 pooling Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 52
- 230000010287 polarization Effects 0.000 claims description 14
- 238000005096 rolling process Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001427 coherent effect Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 239000010410 layer Substances 0.000 description 27
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 2
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F18/2415—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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了基于超像素和图卷积网络的极化SAR图像分类方法，具体为，先输入待分类的极化SAR图像，并对其进行精致Lee滤波处理；使用超像素分割得到若干个超像素块，计算每个超像素块的特征，然后划分数据集，从每类超像素块标签中随机挑选相同数量超像素块作为训练集，其余超像素块作为测试集，将训练集中的超像素块当做图中的节点，每个节点与其相连的八个节点相连构成一张无向图，搭建带有池化层的图卷积神经网络，将训练集构建的图的邻接矩阵和特征矩阵送入网络中训练，将训练好的模型保存，再将测试集中超像素块构成的图的邻接矩阵和特征矩阵输入到训练好的模型中得到分类结果。
Description
技术领域
本发明属于图像处理和遥感技术领域，涉及基于超像素和图卷积网络的极化SAR图像分类方法。
背景技术
极化合成孔径雷达(Polarimetric synthetic aperture radar，PolSAR)包含了地物的极化散射特征，可以通过对极化相干矩阵和极化协方差矩阵的进一步处理获取地物目标的各种相关信息。因此极化SAR在军事、农业、环境保护、水文监测、城市规划以及地质勘探等方面具有重大的研究应用价值。因此极化SAR图像分类得到了很多相关学者的关注，一系列相关方法被提出用于解决极化SAR图像分类任务。
极化SAR图像分类方法大致可以分为四类，第一类是基于主动轮廓模型的分类方法，该方法通过初始化曲线，构造能量方程式，最小化曲线的内外部能量，使曲线逐渐接近待检测物体的边缘，分割出目标。但是这种方法计算量大且容易受到噪声影响，分类精度低。该方法适用于较均匀，场景较小的图像。第二类基于模糊理论的分类，模糊理论思想是用0-1之间的值表示每个像元属于每个类的程度，这些值被称为隶属度，每个像元属于所有类的隶属度之和为1，最终用隶属度的大小确定像元所属的分类。模糊理论可以解决图像中模糊像素的问题，但是只适用于分辨率较低的图像。第三类基于支持向量机的分类，支持向量机方法适用于小样本集的场景，但是该方法中的一些参数需要凭实验和经验来进行设置。第四类是基于神经网络的分类，深度学习适用多层神经网络对图像进行特征学习，可以提取出更高级的特征，很大程度上提高了分类的精度。但是深度学习需要大量的训练样本，而极化SAR图像的样本获取是非常困难的。
上述极化SAR分类算法虽考虑了极化SAR的散射特性和空间信息，但仍存在很多缺陷：(1)对于极化SAR图像中的像素点的空间上下文信息，未能充分利用。(2)计算量较大，分类精度有待提高。
综上所述，现有的极化SAR图像分类方法仍存在一些缺陷，难以充分利用极化SAR图像中的像素点的空间上下文信息，分类精度有待提高。
发明内容
本发明的目的是提供基于超像素和图卷积网络的极化SAR图像分类方法，具有可以充分利用极化SAR图像中像素点的空间上下文信息，也可以提高分类精度的特点。
本发明所采用的技术方案是，基于超像素和图卷积网络的极化SAR图像分类方法，具体按照以下步骤实施：
步骤1、输入待分类的极化SAR图像，对极化SAR图像进行精致Lee滤波处理；
步骤2、对经过步骤1处理的极化SAR图像进行超像素分割，得到若干个超像素块；
步骤3、根据步骤1滤波后生成的极化SAR图像，得到每个像素点3*3的极化相干矩阵，利用每个像素点的极化相干矩阵求取该像素点的特征向量；
步骤4、对步骤2得到的超像素块内的像素点的特征向量求平均值，将该平均值作为该超像素块的特征向量；
步骤5、设置每个超像素块的标签，从每类超像素块标签中随机挑选相同数量的超像素块作为训练集，其余超像素块作为测试集；
步骤6、构建带有池化层的图注意力网络；
步骤7、训练带有池化层的图注意力网络；
步骤8、将测试集输入经过训练的带有池化层的图注意力网络中即可得到极化SAR图像的分类结果。
本发明的特点还在于：
步骤3极化相干矩阵的表达式如下：
将T矩阵简记为该极化相干矩阵T为复共轭矩阵，对特征矩阵T′进行处理，得到该像素点的特征向量F：
其中，Re表示取特征矩阵复数的实数部分，Im表示取复数的虚数部分，而Tij表示相干矩阵的第i行第j列数据。
步骤4中超像素块的特征向量F′的计算如下式：
其中，Fi表示该超像素块内第i个像素的特征向量。
步骤5设置每个超像素块的标签具体为，在每一个超像素块内找到拥有像素点最多的标签，将这个标签设置为该超像素块的标签。
步骤6带有池化层的图注意力网络的结构包括三个图卷积层和三个图池化层，具体为：输入层→第一图卷积层→第一图池化层→第二图卷积层→第二图池化层→第三图卷积层→第三图池化层→softmax输出层。
图卷积层的图卷积步骤具体按照以下步骤实施：
步骤6.1.1、利用超像素块的特征向量，使用注意力机制计算各节点之间的关联度，计算每个相邻节点与中心节点的注意力系数；计算公式如下：
其中，表示节点i的特征向量，/>表示节点j的特征向量，Q是可学习的线性变换参数，α(·)表示注意力机制；
步骤6.1.2、使用softmax函数对每个节点的注意力系数eij进行归一化，公式如下：
步骤6.1.3、利用归一化后的注意力系数αij，对每个节点的邻域节点进行有区别的信息聚合，完成图卷积操作，公式如下：
其中，W为卷积核参数，为j节点的特征向量。
图池化层的图池化步骤具体按照以下步骤实施：
步骤6.2.1、将步骤2得到的超像素块作为图中的节点，将训练集中的超像素块随机排列成一个矩形，每个超像素块与其相邻的八个超像素块相连构成一张无向图，即图G，若超像素块的标签与相邻的八个超像素块的标签相同，则边的权值为10，若标签不同，则边的权值为1；
步骤6.2.2、图G中有N个节点，图G的邻接矩阵为Al∈RN×N，特征矩阵为Xl∈RN×C，使用一个可训练的投影向量pl，将节点i的特征向量投影到向量pl，然后执行k-max池化来选择节点。
步骤7具体为，将图G的邻接矩阵Al和特征矩阵为Xl输入到带有池化层的图注意力网络中，得到训练集中所有训练样本的损失函数值，利用梯度下降法更新网络的权重值，直至损失函数值最小，最后保存网络的权重值，得到训练好的带有池化层的图注意力网络。
步骤8具体为，将测试集中的超像素块随机排列成一个矩形，每个超像素块与其相邻的八个超像素块相连，构成一张无向图即G′，若超像素块的标签与相邻的八个超像素块的标签相同，则边的权值为10，若标签不同，则边的权值为1，得到图G′的邻接矩阵Al′和特征矩阵为Xl′，将Al′和Xl′输入到训练好的带有池化层的图注意力网络中即可得到分类结果。
本发明的有益效果是：基于超像素和图卷积网络的极化SAR图像分类方法，通过对滤波极化SAR图像进行超像素分割，将分割后得到的超像素块当做图的节点，每个节点与相邻的8邻域之间相连，边上有权值，这样构成的图在进行图卷积的过程中可以充分利用极化SAR图像中像素点的空间上下文信息，也可以提高分类精度。
附图说明
图1是本发明基于超像素和图卷积网络的极化SAR图像分类方法的流程图；
图2是本发明基于超像素和图卷积网络的极化SAR图像分类方法的实施例美国旧金山湾极化SAR图像；
图3是实施例美国旧金山湾极化SAR图像滤波后的图像；
图4是图3极化SAR图像的Ground Truth。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于超像素和图卷积网络的极化SAR图像分类方法，如图1-4所示，具体按照以下步骤实施：
步骤1、输入待分类的极化SAR图像，对极化SAR图像进行精致Lee滤波处理；精致Lee滤波方法不仅能够平滑匀质区域，抑制噪声，同时能够保持边界细节；
步骤2、对经过步骤1处理的极化SAR图像进行超像素分割，得到若干个超像素块；
超像素能够刻画图像的自适应邻域关系，每个像素点的邻域不再是固定的4-邻域或者8-邻域，而是整个超像素；本发明选择SLIC算法进行初始分割，能够获得一致的区域，且不会引起太多的超像素块；
步骤3、根据步骤1滤波后生成的极化SAR图像，得到每个像素点3*3的极化相干矩阵，利用每个像素点的极化相干矩阵求取该像素点的特征向量；
极化相干矩阵的表达式如下：
将T矩阵简记为该极化相干矩阵T为复共轭矩阵，对特征矩阵T′进行处理，得到该像素点的特征向量F：
其中，Re表示取特征矩阵复数的实数部分，Im表示取复数的虚数部分，而Tij表示相干矩阵的第i行第j列数据；
步骤4、对步骤2得到的超像素块内的像素点的特征向量求平均值，将该平均值作为该超像素块的特征向量；
其中，F′表示超像素块的特征向量，Fi表示该超像素块内第i个超像素的特征向量；
步骤5、设置每个超像素块的标签，在每一个超像素块内找到拥有像素点最多的标签，将这个标签设置为该超像素块的标签；例如一个超像素块中有20个像素点，20个像素点中有15个像素点的标签为0，5个像素点的标签为1，那么该超像素块的标签为0，标签为0的超像素块为同一类超像素块，从每类超像素块标签中随机挑选相同数量的超像素块作为训练集，其余超像素块作为测试集；
步骤6、构建带有池化层的图注意力网络，该网络为一个三层的积神经网络，其结构依次为：输入层→第一图卷积层→第一图池化层→第二图卷积层→第二图池化层→第三图卷积层→第三图池化层→softmax输出层，每个图卷积层的激活函数为tanh函数；
其中，图卷积的步骤为：
a)利用超像素块的特征向量，使用注意力机制计算各节点之间的关联度，计算每个相邻节点与中心节点的注意力系数；计算公式如下：
其中表示节点i的特征向量，/>表示节点j的特征向量，/>表示i节点和j节点的特征向量都是长度为l的向量，Q是可学习的线性变换参数，Q∈Rl×l′，f节点和j节点的特征向量经过Q变换后长度由l变成了l′，α(·)表示注意力机制，Rl′×Rl′→R表示α函数有两个输入，即节点i和节点j经过Q线性变换后长度为l′的特征向量，输出是一个数字即eij，该输出就是注意力系数，注意力系数代表着i节点和j节点之间的关联度；
求取注意力系数的具体步骤就是：α(·)一般就是一个单层的前馈神经网络，代表将i节点长度为l的特征向量经过Q线性变换后得到长度为l′的特征向量，/>代表将j节点长度为l的特征向量经过Q线性变换后得到长度为l′的特征向量，/>中||代表拼接操作，经过拼接操作后可得到长度为2l′长度的向量，/>表示用长度为2l′的向量/>与拼接后的长度为2l′的向量进行内积，得到注意力系数即eij；
b)使用softmax函数对每个节点的注意力系数eij进行归一化，归一化的目的是使不同节点之间的注意力系数eij易于比较，公式如下：
其中，eij代表节点i和节点j之间的注意力系数，k∈Ni表示k节点与i节点之间有边相连；
c)利用归一化后的注意力系数αij对每个节点的邻域节点进行有区别的信息聚合，完成图卷积操作，公式如下：
其中，W为卷积核参数，为j节点的特征向量；
图池化的具体步骤为：
先将步骤2得到的超像素块作为图中的节点，将训练集中的超像素块随机排列成一个矩形，每个超像素块与其相邻的八个超像素块相连(左上，正上，右上，左，右，左下，下，右下)，构成一张无向图，即图G，若超像素块的标签与相邻的八个超像素块的标签相同，
则边的权值为10，若标签不同，则边的权值为1；
图G中有N个节点，图G的邻接矩阵为Al∈RN×N，特征矩阵为Xl∈RN×C，使用一个可训练的投影向量pl，将节点i的特征向量投影到向量pl，然后执行k-max池化来选择节点；
a)输入：输入节点的特征矩阵Al∈RN×N和邻接矩阵Xl∈RN×C；
b)投影：投影公式为：
通过矩阵乘法和sigmode(·)，得到投影值y＝[y1，y2，…，yN]，，使用yi以及公式7来度量节点i在投影向量pl上的投影值，同时yi也度量了将节点i投影到p方向时，可以保留多少节点i的特征信息；
c)选择TopK的节点：假设选择的k个索引为i1，i2，…，ik，其中im＜in且1≤m＜n≤k。rank(x，k)表示节点的排序操作，返回x中值最大的k个节点的索引；
d)Gate操作：
计算出来的TopK的节点的投影值y和这些节点的特征矩阵的element-wise积(即Hardmard积)，利用公式8得到新图的节点的特征矩阵Xl+1。1C∈RC是一个所有元素都是1，大小为C的向量(C是输入的特征矩阵的宽度)，/>其实就是表示转换成由/>中的元素构成的向量；
e)输出：新图的邻接矩阵Al+1∈RK×K和特征矩阵经过一个卷积层后，图中的节点数从N变成了k，图中的节点数目减少了，同时减小了特征矩阵的大小，扩大感受域，从而产生更好的性能，泛化能力也增强；
步骤7、训练带有池化层的图注意力网络，将图G的邻接矩阵Al和特征矩阵为Xl输入到带有池化层的图注意力网络中，得到训练集中所有训练样本的损失函数值，利用梯度下降法更新网络的权重值，直至损失函数值最小，最后保存网络的权重值，得到训练好的带有池化层的图注意力网络；
步骤8、将测试集中的超像素块随机排列成一个矩形，每个超像素块与其相邻的八个超像素块相连，构成一张无向图即G′，若超像素块的标签与相邻的八个超像素块的标签相同，则边的权值为10，若标签不同，则边的权值为1，得到图G′的邻接矩阵Al′和特征矩阵为Xl′，将Al′和Xl′输入到训练好的带有池化层的图注意力网络中即可得到分类结果。
在本发明中：
在步骤2的作用是对滤波后的图像进行超像素分割。
采用超像素分割的原理是：利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图片的特征，很大程度上降低了图卷积操作的复杂度。
采用超像素分割的优点在于：在进行图卷积的过程中，使用超像素块作为图中的节点进行卷积操作，将大大降低了图卷积的计算复杂度。
步骤6的作用为搭建带有池化层的图卷积神经网络。
采用带有池化层的图卷积神经网络的原理是：通过图卷积对图中节点的特征向量进行聚合，来更新节点的特征，最后用softmax输出层来输出每个节点的类别，通过图池化来使卷积的过程中减少节点的个数和训练参数量，防止网络过拟合，提高模型的泛化能力。
采用带有池化层的图卷积神经网络的优点在于：在图卷积过程中利用中心节点与邻域节点进行信息的聚合来进行卷积操作可以充分提取极化SAR数据的上下文信息。可以极化SAR图片分类的准确率。在网络用使用了池化层，图中的节点数目减少了，同时减小了特征矩阵的大小，扩大感受域，从而产生更好的性能，泛化能力也增强。
本发明基于超像素和图卷积网络的极化SAR图像分类方法，通过对滤波极化SAR图像进行超像素分割，将分割后得到的超像素块当做图的节点，每个节点与相邻的8邻域之间相连，边上有权值，这样构成的图在进行图卷积的过程中可以充分利用极化SAR图像中像素点的空间上下文信息，也可以提高分类精度。
Claims (6)
1.基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，具体按照以下步骤实施：
步骤1、输入待分类的极化SAR图像，对极化SAR图像进行精致Lee滤波处理；
步骤2、对经过步骤1处理的极化SAR图像进行超像素分割，得到若干个超像素块；
步骤3、根据步骤1滤波后生成的极化SAR图像，得到每个像素点3*3的极化相干矩阵，利用每个像素点的极化相干矩阵求取该像素点的特征向量；
步骤4、对步骤2得到的超像素块内的像素点的特征向量求平均值，将该平均值作为该超像素块的特征向量；
步骤5、设置每个超像素块的标签，从每类超像素块标签中随机挑选相同数量的超像素块作为训练集，其余超像素块作为测试集；
步骤6、构建带有池化层的图注意力网络；
带有池化层的图注意力网络的结构包括三个图卷积层和三个图池化层，具体为：输入层→第一图卷积层→第一图池化层→第二图卷积层→第二图池化层→第三图卷积层→第三图池化层→softmax输出层；
所述图卷积层的图卷积步骤具体按照以下步骤实施：
步骤6.1.1、利用超像素块的特征向量，使用注意力机制计算各节点之间的关联度，计算每个相邻节点与中心节点的注意力系数；计算公式如下：
其中，表示节点i的特征向量，/>表示节点j的特征向量，Q是可学习的线性变换参数，α(·)表示注意力机制；
步骤6.1.2、使用softmax函数对每个节点的注意力系数eij进行归一化，公式如下：
步骤6.1.3、利用归一化后的注意力系数αij，对每个节点的邻域节点进行有区别的信息聚合，完成图卷积操作，公式如下：
其中，W为卷积核参数，为j节点的特征向量；
所述图池化层的图池化步骤具体按照以下步骤实施：
步骤6.2.1、将步骤2得到的超像素块作为图中的节点，将训练集中的超像素块随机排列成一个矩形，每个超像素块与其相邻的八个超像素块相连构成一张无向图，即图G，若超像素块的标签与相邻的八个超像素块的标签相同，则边的权值为10，若标签不同，则边的权值为1；
步骤6.2.2、图G中有N个节点，图G的邻接矩阵为Al∈RN×N，特征矩阵为Xl∈RN×C，使用一个可训练的投影向量pl，将节点i的特征向量投影到向量pl，然后执行k-max池化来选择节点；
步骤7、训练带有池化层的图注意力网络；
步骤8、将测试集输入经过训练的带有池化层的图注意力网络中即可得到极化SAR图像的分类结果。
2.根据权利要求1所述的基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，所述步骤3极化相干矩阵的表达式如下：
将T矩阵简记为该极化相干矩阵T为复共轭矩阵，对特征矩阵T′进行处理，得到该像素点的特征向量F：
其中，Re表示取特征矩阵复数的实数部分，Im表示取复数的虚数部分，而Tij表示相干矩阵的第i行第j列数据。
3.根据权利要求1所述的基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，所述步骤4中超像素块的特征向量F′的计算如下式：
其中，Fi表示该超像素块内第i个像素的特征向量。
4.根据权利要求1所述的基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，所述步骤5设置每个超像素块的标签具体为，在每一个超像素块内找到拥有像素点最多的标签，将这个标签设置为该超像素块的标签。
5.根据权利要求1所述的基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，所述步骤7具体为，将图G的邻接矩阵Al和特征矩阵为Xl输入到带有池化层的图注意力网络中，得到训练集中所有训练样本的损失函数值，利用梯度下降法更新网络的权重值，直至损失函数值最小，最后保存网络的权重值，得到训练好的带有池化层的图注意力网络。
6.根据权利要求1所述的基于超像素和图卷积网络的极化SAR图像分类方法，其特征在于，所述步骤8具体为，将测试集中的超像素块随机排列成一个矩形，每个超像素块与其相邻的八个超像素块相连，构成一张无向图即G′，若超像素块的标签与相邻的八个超像素块的标签相同，则边的权值为10，若标签不同，则边的权值为1，得到图G′的邻接矩阵Al′和特征矩阵为Xl′，将Al′和Xl′输入到训练好的带有池化层的图注意力网络中即可得到分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110526561.5A CN113298129B (zh) | 2021-05-14 | 2021-05-14 | 基于超像素和图卷积网络的极化sar图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110526561.5A CN113298129B (zh) | 2021-05-14 | 2021-05-14 | 基于超像素和图卷积网络的极化sar图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113298129A CN113298129A (zh) | 2021-08-24 |
| CN113298129B true CN113298129B (zh) | 2024-02-02 |
Family
ID=77322149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110526561.5A Active CN113298129B (zh) | 2021-05-14 | 2021-05-14 | 基于超像素和图卷积网络的极化sar图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298129B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067152B (zh) * | 2022-01-14 | 2022-04-15 | 南湖实验室 | 一种基于星载sar影像的精细化洪水淹没区提取方法 |
| CN114511092B (zh) * | 2022-02-07 | 2023-04-18 | 上海图灵智算量子科技有限公司 | 一种基于量子线路的图注意力机制实现方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461258A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
| CN111626380A (zh) * | 2020-07-07 | 2020-09-04 | 西安邮电大学 | 一种基于超像素和卷积网络的极化sar图像分类方法 |
| CN112329818A (zh) * | 2020-10-20 | 2021-02-05 | 南京信息工程大学 | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 |
| CN112347970A (zh) * | 2020-11-18 | 2021-02-09 | 江苏海洋大学 | 一种基于图卷积神经网络的遥感影像地物识别方法 |
| CN112381144A (zh) * | 2020-11-13 | 2021-02-19 | 南京理工大学 | 非欧与欧氏域空谱特征学习的异构深度网络方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10643130B2 (en) * | 2018-03-23 | 2020-05-05 | The Governing Council Of The University Of Toronto | Systems and methods for polygon object annotation and a method of training and object annotation system |
| US11010902B2 (en) * | 2018-06-04 | 2021-05-18 | University Of Central Florida Research Foundation, Inc. | Capsules for image analysis |
-
2021
- 2021-05-14 CN CN202110526561.5A patent/CN113298129B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461258A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
| CN111626380A (zh) * | 2020-07-07 | 2020-09-04 | 西安邮电大学 | 一种基于超像素和卷积网络的极化sar图像分类方法 |
| CN112329818A (zh) * | 2020-10-20 | 2021-02-05 | 南京信息工程大学 | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 |
| CN112381144A (zh) * | 2020-11-13 | 2021-02-19 | 南京理工大学 | 非欧与欧氏域空谱特征学习的异构深度网络方法 |
| CN112347970A (zh) * | 2020-11-18 | 2021-02-09 | 江苏海洋大学 | 一种基于图卷积神经网络的遥感影像地物识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李冉 ; 苏志刚 ; 张海刚 ; 杨金锋 ; .改进GCNs在指静脉特征表达中的应用.信号处理.2020,(第04期),全文. * |
| 王剑 ; 王英华 ; 刘宏伟 ; 何敬鲁 ; .基于深度卷积神经网络的PolSAR图像变化检测方法.系统工程与电子技术.2018,(第07期),全文. * |
| 王志成 ; 余朝晖 ; 卫刚 ; 孙雨 ; .基于超点图的点云实例分割方法.同济大学学报(自然科学版).2020,(第09期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113298129A (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
| CN106845529B (zh) | 基于多视野卷积神经网络的影像特征识别方法 | |
| CN107066559B (zh) | 一种基于深度学习的三维模型检索方法 | |
| Turaga et al. | Convolutional networks can learn to generate affinity graphs for image segmentation | |
| Awad et al. | Multicomponent image segmentation using a genetic algorithm and artificial neural network | |
| CN107590515B (zh) | 基于熵率超像素分割的自编码器的高光谱图像分类方法 | |
| CN108549891A (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
| CN113298129B (zh) | 基于超像素和图卷积网络的极化sar图像分类方法 | |
| CN109191418B (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
| CN111639719A (zh) | 基于时空运动和特征融合的足迹图像检索方法 | |
| CN109859101A (zh) | 农作物冠层热红外图像识别方法及系统 | |
| CN111460966B (zh) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 | |
| Ouma et al. | Multiscale remote sensing data segmentation and post-segmentation change detection based on logical modeling: Theoretical exposition and experimental results for forestland cover change analysis | |
| Dou et al. | Medical image super-resolution via minimum error regression model selection using random forest | |
| CN111640087A (zh) | 一种基于sar深度全卷积神经网络的影像变化检测方法 | |
| CN108009512A (zh) | 一种基于卷积神经网络特征学习的人物再识别方法 | |
| CN110751670B (zh) | 一种基于融合的目标跟踪方法 | |
| CN106709869A (zh) | 一种深度皮尔逊嵌入的维数约简方法 | |
| CN112329818B (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 | |
| CN115761240B (zh) | 一种混沌反向传播图神经网络的图像语义分割方法及装置 | |
| CN108509835A (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
| Chen et al. | A modified object-oriented classification algorithm and its application in high-resolution remote-sensing imagery | |
| CN116310545A (zh) | 一种基于深度层次化最优传输的跨域舌头图像分类方法 | |
| Guijarro et al. | On combining classifiers through a fuzzy multicriteria decision making approach: Applied to natural textured images | |
| Chao et al. | Brain image segmentation based on the hybrid of back propagation neural network and AdaBoost system |
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 |