CN113344013B - 基于图低秩稀疏分解的极化sar图像特征挖掘方法 - Google Patents
基于图低秩稀疏分解的极化sar图像特征挖掘方法 Download PDFInfo
- Publication number
- CN113344013B CN113344013B CN202110801147.0A CN202110801147A CN113344013B CN 113344013 B CN113344013 B CN 113344013B CN 202110801147 A CN202110801147 A CN 202110801147A CN 113344013 B CN113344013 B CN 113344013B
- Authority
- CN
- China
- Prior art keywords
- pixel
- matrix
- decomposition
- sar image
- color
- 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 66
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 42
- 238000005065 mining Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 230000010287 polarization Effects 0.000 claims abstract description 20
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 9
- 239000000843 powder Substances 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 30
- 238000012549 training Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000007418 data mining Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于图低秩稀疏分解的极化SAR图像特征挖掘方法,用于解决提取的数据受到噪声干扰以及现有技术提取数据缺少像素间的相关性的问题。本发明的实现步骤为:去除极化SAR图像中的相干斑噪声;利用极化目标分解法,从滤波后的极化SAR图像中提取极化特征;对数据特征矩阵进行Pauli分解;利用SLIC法分割伪彩图;生成数据样本;构建图低秩稀疏模型;利用交替方向乘数法求解模型;利用广义主成分分析算法对特征挖掘后的低秩矩阵进行数据降维。本发明利用像素间相关性构建模型,利用分解模型得到的稀疏矩阵去除噪声,得到具有像素相关性且不受噪声干扰的低秩矩阵。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及雷达图像处理技术领域中的一种基于图低秩稀疏分解的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像特征挖掘方法。本发明可用于从极化SAR图像中挖掘感兴趣区域的特征。
背景技术
极化特征提取是极化SAR图像分类的一个关键步骤,在面对众多且复杂的分类特征时,如何对候选特征进行分析,选择有限且最有效的特征组合用于分类。极化特征挖掘是在极化特征提取过程中对已获得的特征间的关系进行捕获,进而提高极化SAR图像分类结果的准确度是极化SAR图像解译技术的重要研究内容。图低秩稀疏分解是一种用于图像恢复的数据挖掘模型,因此可以用来对图像进行特征挖掘,其优势在于鲁棒性强,相干斑噪声抑制能力好,在数据挖掘过程中考虑到各像素单元的相关性。
苏州闻捷传感技术有限公司在其拥有的专利技术“基于低秩稀疏分解和增量学习的极化SAR地物分类方法”(申请号:201710589213.6,授权公告号:CN107392140B)中公开了一种基于低秩稀疏分解和增量学习的极化SAR地物分类方法。该方法构造了一种相似性度量公式,给新增未标记样本标上类标签,实现增量式的循坏迭代标记分类。该发明将低秩稀疏分解、增量学习与极化SAR数据的统计特征相结合,在减少噪声干扰、保持样本相似性和细节信息的同时,实现增量式的样本标记分类,提高了分类精度。但是,该方法仍然存在的不足之处是,提取到的极化特征数据像素的单元信息单一,导致分类结果的区域一致性差,边界模糊。
西安电子科技大学在其拥有的专利技术“基于卡方-棋盘距离度量的弱监督极化SAR分类方法”(申请号:201710550325.0,授权公告号:CN107358256B)中公开了一种基于卡方-棋盘距离度量的弱监督极化SAR分类方法。该方法基于现有目标分解的方法,仅需少量标记样本,采用卡方-棋盘,构造具有四维特征的极化矩阵,然后从极化矩阵中选取1%的标记样本作为训练样本,分步计算测试样本和训练样本的卡方距离以及空间棋盘距离,最终根据卡方距离和棋盘距离得到组合距离,将其作为最近邻方法评判近邻的标准,实现极化SAR图像分类。该方法降低了分类模型的复杂度和时间复杂度。但是,该方法仍然存在的不足之处是,图像散射特征利用不足,易受到噪声的干扰而不能准确表征实际地物,使得对空间信息利用不全造成错分点多,导致分类结果中存在较多的错分点。
发明内容
本发明的目的在于针对上述已有技术的不足,提出了一种基于图低秩稀疏分解的极化SAR图像特征挖掘方法,用于解决提取的数据受到噪声干扰以及现有技术提取数据缺少像素间的相关性的问题。
实现本发明目的的思路是,本发明通过构建图低秩稀疏矩阵,将正则项引入鲁棒主成分分析,正则项是由正则化图拉普拉斯矩阵构成的正则表达式,由邻接矩阵构建正则化图拉普拉斯矩阵,由于邻接矩阵中的每个元素是由每个衡量像素间的颜色特征与该像素空间位置特征的相关性的欧氏距离得到的,将具有像素间相关性信息的邻接矩阵构建的正则化图拉普拉斯矩阵引入鲁棒主成分分析模型,并对其进行分解,分解得到稀疏噪声矩阵和低秩特征矩阵,低秩特征矩阵即为挖掘到的具有像素单元相关性的特征,而由于噪声被分解在稀疏噪声矩阵中,因而低秩矩阵中得到的特征不再受到噪声干扰的影响。
本发明的步骤包括如下:
(1)去除极化SAR图像中的相干斑噪声:
采用滤波窗口大小为7×7的精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除相干斑噪声,得到滤波后的SAR图像;
(2)利用极化目标分解法,从滤波后的极化SAR图像中提取极化特征,得到数据特征矩阵;
(3)对数据特征矩阵进行Pauli分解,生成伪彩图;
(4)利用SLIC法分割伪彩图,得到被分割成超像素块的伪彩图;
(5)生成数据样本:
将被分割成超像素块的伪彩图中的每个超像素块插值为相同大小超像素块,将所有插值后超像素块组成数据样本;
(6)构建图低秩稀疏模型如下:
s.t.X=L+S.
其中,min表示求最小值操作,||·||*表示核范数操作,L表示数据样本X的低秩近似矩阵,S表示数据样本X的稀疏误差矩阵,λ表示S的稀疏度,max(·)表示求最大值操作,M表示期望分割的超像素的总数,p表示数据样本X的特征维度,||·||1表示l1范数操作,γ表示利用交叉验证法得到的L的光滑度,γ=1,tr(·)表示正则表达式,Φ表示正则化图拉普拉斯矩阵,(·)T表示转置操作,s.t.表示约束条件;
(7)利用交替方向乘数法求解模型得到特征挖掘后的低秩矩阵;
(8)利用广义主成分分析算法对特征挖掘后的低秩矩阵进行数据降维,得到特征挖掘矩阵。
本发明与现有的技术相比具有以下优点:
第一,由于本发明在构建图低秩稀疏模型时,将正则项引入鲁棒主成分分析模型,正则项由具有像素间相关性信息的正则化图拉普拉斯矩阵计算得到,克服了现有技术由于极化特征提取到的像素的单元信息单一的问题,使得本发明挖掘出了具有像素单元相关性的特征,提高了分类后的区域一致性以及分类边界清晰度。
第二,由于本发明将受到噪声干扰的数据样本输入图低秩稀疏分解模型,利用模型的分解特性,将噪声分解在稀疏噪声矩阵中,将极化特征分解在低秩特征矩阵中,得到的低秩特征矩阵为不受噪声干扰的极化特征,克服了现有技术易受到噪声的干扰而影响特征提取的问题,使得本发明通过提取不受噪声干扰的极化特征,减少了分类结果的错分点,提高了分类结果的准确性。
附图说明
图1为本发明的流程图;
图2为本发明仿真实验1的仿真图;
图3为本发明仿真实验2的仿真图。
具体实施方式
下面结合附图和实施例对本发明做进一步的描述。
参照图1。对本发明的具体实施步骤做进一步的详细描述。
步骤1,去除极化SAR图像中的相干斑噪声。
采用滤波窗口大小为7×7的精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除相干斑噪声,得到滤波后的SAR图像。
步骤2,利用极化目标分解法,从滤波后的极化SAR图像中提取极化特征,得到数据特征矩阵。
所述极化目标分解法的步骤如下:
第1步:从滤波后的极化SAR图像的每个像素点的相干矩阵中,提取该像素点的功率、数据分布特征参数和相对峰值。
第2步:利用Freeman-Durden分解方法,对每个像素点提取9个表征Freeman-Durden分解的散射特征参数。
第3步:利用Cloude分解方法,对每个像素点提取6个表征Cloude分解的散射特征参数。
第4步:将每个像素点的9个表征Freeman-Durden分解的散射特征参数与6个表征Cloude分解的散射特征参数组成该像素点的一个15维的初始散射特征矩阵。
第5步:将所有像素点的初始散射特征矩阵组成一个数据特征矩阵。
步骤3,对数据特征矩阵进行Pauli分解,生成伪彩图。
步骤4,利用SLIC法分割伪彩图,得到被分割成超像素块的伪彩图。
所述SLIC法分割伪彩图的步骤如下:
第2步:以每个种子点为中心的2S×2S区域内,按照下式,计算每个像素与该区域内每个种子点的距离:
其中,dcnm表示第n个像素点与第m个种子点间的颜色空间距离,ln,an,bn分别表示第n个像素点在CIELAB空间中亮度、颜色范围由深绿到灰再到亮粉色的颜色通道的值和颜色范围由亮蓝色到灰色再到黄色的颜色通道的值,lm,am和bm分别表示第m个像素点在CIELAB空间中亮度、颜色范围由深绿到灰再到亮粉色的颜色通道的值和颜色范围由亮蓝色到灰色再到黄色的颜色通道的值,dsnm表示第n个像素点与第m个种子点间的空间位置距离,xn,yn表示第n个像素的横坐标和纵坐标值,xm,ym表示第m个种子点的横坐标和纵坐标值,Nc表示以第m个种子点为中心的2S×2S区域内,所有像素与该区域内每个种子点的颜色空间距离中的最大值,Ns表示以第m个种子点为中心的2S×2S区域内,所有像素与该区域内每个种子点的空间位置距离中的最大值,Dnm表示第n个像素点与第m个种子点间的距离。
第3步:在以每个种子点为中心的2S×2S区域内,对每个像素与该区域内每个种子点的距离,进行局部K均值迭代聚类,将每个像素与该区域内每个种子点的距离最小值时的种子点,作为该像素的新的聚类中心。
第4步:判断当前迭代得到的新的聚类中心与上一次迭代是否相同,若是,则停止迭代得到被分割成超像素块的伪彩图,否则,执行本步骤的第二步。
步骤5,生成数据样本。
将被分割成超像素块的伪彩图中的每个超像素块插值为相同大小超像素块,将所有插值后超像素块组成数据样本。
所述将被分割成超像素块的伪彩图中的每个超像素块插值为相同大小超像素块的步骤如下:
第1步:从被分割成超像素块的伪彩图中,选取像素数目最小的超像素块,将该最小像素数目值作为插值目标。
第2步:利用双线性插值函数,将每个超像素块的像素个数插值为插值目标,得到像素数目相同的超像素块。
步骤6,构建图低秩稀疏模型如下:
s.t.X=L+S.
其中,min表示求最小值操作,||·||*表示核范数操作,L表示数据样本X的低秩近似矩阵,S表示数据样本X的稀疏误差矩阵,λ表示S的稀疏度,max(·)表示求最大值操作,M表示期望分割的超像素的总数,p表示数据样本X的特征维度,||·||1表示l1范数操作,γ表示利用交叉验证法得到的L的光滑度,γ=1,tr(·)表示正则表达式,Φ表示正则化图拉普拉斯矩阵,(·)T表示转置操作,s.t.表示约束条件;
其中,I表示单位矩阵,diag(·)表示提取主对角线元素操作,∑表示求和操作,exp(·)表示以自然常数e为底的指数操作,xi表示数据样本X中的第i个,xj表示数据样本X中第j个,σ表示邻接矩阵Aij的平滑度。
步骤7,利用交替方向乘数法求解模型得到特征挖掘后的低秩矩阵。
步骤8,利用广义主成分分析算法对特征挖掘后的低秩矩阵进行数据降维,得到特征挖掘矩阵。
步骤9,生成训练样本集和测试样本集。
选取特征挖掘矩阵的所有像素点中含有真实地物标记的像素点,组成有真实地物标记像素点集合。
将真实地物类标相同像素点作为同一类别。
选取每一类中真实地物标记像素点的1%组成一个训练集,剩余99%有真实地物标记像素点组成一个测试集。
步骤10,训练支持向量机分类器。
将训练集和其对应的真实地物类标输入到支持向量机分类器中,对其进行训练,得到训练好的支持向量机分类器。
步骤11,分类处理。
对测试集输入至训练好的支持向量机分类器,通过分类处理得到全部像素点的分类结果。
下面结合仿真实验对本发明的效果作进一步的说明。
1.仿真实验条件:
本发明仿真实验的硬件测试平台是:处理器为CPU intel Core i7-7700,主频为4.2GHz,内存16GB;
本发明的仿真实验的软件平台为:Windows 10家庭版,64位操作系统,MATLABR2016b。
本发明仿真实验所使用的原图为中国江苏无锡附近的太湖地区的极化合成孔径雷达图像,该极化合成孔径雷达图像采集自我国自主研制的首颗C波段高分三号雷达卫星,成像时间为2019年11月22日,图像大小为4415×3375,分辨率为4m×4m,图像为C波段,包含3类地物,图像格式为bmp。
仿真实验1的输入图像为截取原图像中的[100:511,3200:3711]部分,大小为512×512,记为区域1;
仿真实验2的输入图像为截取原图像中的[1200:1711,849:1360]部分,大小为512×512,记为区域2;
2.仿真内容及仿真结果分析:
本发明的仿真实验包括两个,仿真实验1是采用本发明方法与现有技术的传统PCA方法,分别对区域1极化合成孔径雷达图像进行仿真。仿真实验2是采用本发明方法与现有技术的传统PCA方法,对区域2极化合成孔径雷达图像进行仿真。
在仿真实验中,采用的现有技术传统PCA方法是指:
I.T.Jolliffe等人在“Principal ComponentAnalysis.2th edition,New York:Springer,2002”中提出的主成分分析方法,简称传统PCA方法。
下面结合图2和图3的仿真图对本发明的效果做进一步的描述。
由图2(a)可以看出,该图像主要包含三个区域,植被,城区和水体,将本发明方法特征挖掘后的分类结果图2(b)与原始图像的参考图2(a)进行比较可以看出,噪声干扰对本发明方法的影响较小,并且本发明方法特征挖掘后的分类仿真图2(b)中分割出的水体区域与参考图2(c)进行比较可以看出,本发明方法特征挖掘后的分类仿真图可以看出本发明方法的仿真结果对水体区域特征挖掘后的分类结果明显优于已有的传统PCA方法,以水体为例,本发明的分类结果中水体区域的噪声少,并且保留了较多的细节信息。
图3是本发明仿真实验2的仿真图,其中,图3(a)是本发明仿真实验2输入的原图。该图是利用区域2的HV数据生成一个模拟图像。图3(b)是使用本发明方法对图3(a)数据挖掘后的分类仿真图。图3(c)是使用现有技术的传统PCA方法对图3(a)数据挖掘后的分类仿真图。
由原图3(a)可以看出,该图像主要包含三个区域,植被,城区和水域,将本发明方法的仿真结果图3(b)与使用现有技术的PCA方法的仿真结果图3(c)进行比较,可以看出本发明方法的仿真结果对水体分类结果明显优于已有的传统PCA方法,以水体为例,本发明的分类结果中水体的边缘轮廓清晰,形状与原图3(a)匹配度高。
Claims (5)
1.一种基于图低秩稀疏分解的极化SAR图像特征挖掘方法,其特征在于,采用在鲁棒主成分分析法的基础上引入谱图正则项的图低秩稀疏分解方法,对极化SAR图像进行特征挖掘,挖掘出极化SAR图像中的类内差异小、类间差异大的特征;该特征挖掘方法的步骤包括如下:
(1)去除极化SAR图像中的相干斑噪声:
采用滤波窗口大小为7×7的精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除相干斑噪声,得到滤波后的SAR图像;
(2)利用极化目标分解法,从滤波后的极化SAR图像中提取极化特征,得到数据特征矩阵;
(3)对数据特征矩阵进行Pauli分解,生成伪彩图;
(4)利用SLIC法分割伪彩图,得到被分割成超像素块的伪彩图;
(5)生成数据样本:
将被分割成超像素块的伪彩图中的每个超像素块插值为相同大小超像素块,将所有插值后超像素块组成数据样本;
(6)构建图低秩稀疏模型如下:
s.t.X=L+S.
其中,min表示求最小值操作,||·||*表示核范数操作,L表示数据样本X的低秩近似矩阵,S表示数据样本X的稀疏误差矩阵,λ表示S的稀疏度,max(·)表示求最大值操作,M表示期望分割的超像素的总数,p表示数据样本X的特征维度,||·||1表示l1范数操作,γ表示利用交叉验证法得到的L的光滑度,γ=1,tr(·)表示正则表达式,Φ表示正则化图拉普拉斯矩阵,(·)T表示转置操作,s.t.表示约束条件;
(7)利用交替方向乘数法求解模型得到特征挖掘后的低秩矩阵;
(8)利用广义主成分分析算法对特征挖掘后的低秩矩阵进行数据降维,得到特征挖掘矩阵。
2.根据权利要求1所述的基于图低秩稀疏分解的极化SAR图像特征挖掘方法,其特征在于,步骤(2)中所述极化目标分解法的步骤如下:
第一步:从滤波后的极化SAR图像的每个像素点的相干矩阵中,提取该像素点的功率、数据分布特征参数和相对峰值;
第二步:利用Freeman-Durden分解方法,对每个像素点提取9个表征Freeman-Durden分解的散射特征参数;
第三步:利用Cloude分解方法,对每个像素点提取6个表征Cloude分解的散射特征参数;
第四步:将每个像素点的9个表征Freeman-Durden分解的散射特征参数与6个表征Cloude分解的散射特征参数组成该像素点的一个15维的初始散射特征矩阵;
第五步:将所有像素点的初始散射特征矩阵组成一个数据特征矩阵。
3.根据权利要求1所述的基于图低秩稀疏分解的极化SAR图像特征挖掘方法,其特征在于,步骤(4)中所述SLIC法分割伪彩图的步骤如下:
第二步:以每个种子点为中心的2S×2S区域内,按照下式,计算每个像素与该区域内每个种子点的距离:
其中,dcnm表示第n个像素点与第m个种子点间的颜色空间距离,ln,an,bn分别表示第n个像素点在CIELAB空间中亮度、颜色范围由深绿到灰再到亮粉色的颜色通道的值和颜色范围由亮蓝色到灰色再到黄色的颜色通道的值,lm,am和bm分别表示第m个像素点在CIELAB空间中亮度、颜色范围由深绿到灰再到亮粉色的颜色通道的值和颜色范围由亮蓝色到灰色再到黄色的颜色通道的值,dsnm表示第n个像素点与第m个种子点间的空间位置距离,xn,yn表示第n个像素的横坐标和纵坐标值,xm,ym表示第m个种子点的横坐标和纵坐标值,Nc表示以第m个种子点为中心的2S×2S区域内,所有像素与该区域内每个种子点的颜色空间距离中的最大值,Ns表示以第m个种子点为中心的2S×2S区域内,所有像素与该区域内每个种子点的空间位置距离中的最大值,Dnm表示第n个像素点与第m个种子点间的距离;
第三步:在以每个种子点为中心的2S×2S区域内,对每个像素与该区域内每个种子点的距离,进行局部K均值迭代聚类,将每个像素与该区域内每个种子点的距离最小值时的种子点,作为该像素的新的聚类中心;
第四步:判断当前迭代得到的新的聚类中心与上一次迭代是否相同,若是,则停止迭代得到被分割成超像素块的伪彩图,否则,执行第二步。
4.根据权利要求1所述的基于图低秩稀疏分解的极化SAR图像特征挖掘方法,其特征在于,步骤(5)中所述将被分割成超像素块的伪彩图中的每个超像素块插值为相同大小超像素块的步骤如下:
第一步:从被分割成超像素块的伪彩图中,选取像素数目最小的超像素块,将最小像素数目值作为插值目标;
第二步:利用双线性插值函数,将每个超像素块的像素个数插值为插值目标,得到像素数目相同的超像素块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801147.0A CN113344013B (zh) | 2021-07-15 | 2021-07-15 | 基于图低秩稀疏分解的极化sar图像特征挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801147.0A CN113344013B (zh) | 2021-07-15 | 2021-07-15 | 基于图低秩稀疏分解的极化sar图像特征挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344013A CN113344013A (zh) | 2021-09-03 |
CN113344013B true CN113344013B (zh) | 2023-06-30 |
Family
ID=77479798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801147.0A Active CN113344013B (zh) | 2021-07-15 | 2021-07-15 | 基于图低秩稀疏分解的极化sar图像特征挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344013B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837258B (zh) * | 2021-09-17 | 2023-09-08 | 华中师范大学 | 基于局部相关熵矩阵的高光谱图像分类方法和系统 |
CN114049562B (zh) * | 2021-11-30 | 2022-06-21 | 中国科学院地理科学与资源研究所 | 一种土地覆被数据融合修正方法 |
CN117830873B (zh) * | 2024-03-04 | 2024-04-30 | 西安城市发展资源信息有限公司 | 一种城乡规划图像的数据处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392140A (zh) * | 2017-07-19 | 2017-11-24 | 苏州闻捷传感技术有限公司 | 基于低秩稀疏分解和增量学习的极化sar地物分类方法 |
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 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605952B (zh) * | 2013-10-27 | 2016-11-23 | 西安电子科技大学 | 基于拉普拉斯正则组稀疏的人体行为识别方法 |
CN103927551B (zh) * | 2014-04-21 | 2017-04-12 | 西安电子科技大学 | 基于超像素相关矩阵的极化sar图像半监督分类方法 |
CN104680184B (zh) * | 2015-03-14 | 2018-03-06 | 西安电子科技大学 | 基于深度rpca的极化sar地物分类方法 |
CN104866871B (zh) * | 2015-06-02 | 2018-06-05 | 西安电子科技大学 | 基于投影结构稀疏编码的高光谱图像分类方法 |
CN105528794B (zh) * | 2016-01-15 | 2019-01-25 | 上海应用技术学院 | 基于混合高斯模型与超像素分割的运动目标检测方法 |
CN107123125A (zh) * | 2017-03-29 | 2017-09-01 | 西安电子科技大学 | 基于散射特征与低秩稀疏模型的极化sar变化检测方法 |
CN107301643B (zh) * | 2017-06-06 | 2019-08-06 | 西安电子科技大学 | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 |
WO2019046102A1 (en) * | 2017-08-30 | 2019-03-07 | The Board Of Trustees Of The University Of Illinois | SYSTEM AND METHOD FOR ULTRAPOID MAGNETIC RESONANCE SPECTROSCOPIC IMAGING USING SPECTRAL FEATURES LEARNED |
CN107563442B (zh) * | 2017-09-02 | 2019-12-10 | 西安电子科技大学 | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 |
CN110717354B (zh) * | 2018-07-11 | 2023-05-12 | 哈尔滨工业大学 | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 |
CN111046868B (zh) * | 2019-11-26 | 2023-02-24 | 广东石油化工学院 | 基于矩阵低秩稀疏分解的目标显著性检测方法 |
-
2021
- 2021-07-15 CN CN202110801147.0A patent/CN113344013B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392140A (zh) * | 2017-07-19 | 2017-11-24 | 苏州闻捷传感技术有限公司 | 基于低秩稀疏分解和增量学习的极化sar地物分类方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113344013A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344013B (zh) | 基于图低秩稀疏分解的极化sar图像特征挖掘方法 | |
CN111860612B (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
Bai et al. | A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images | |
CN110097101B (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
Palmason et al. | Classification of hyperspectral data from urban areas using morphological preprocessing and independent component analysis | |
CN104331698B (zh) | 一种遥感图像城区提取方法 | |
CN103971115A (zh) | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 | |
CN111008644B (zh) | 基于局部动态能量函数fcn-crf模型的生态变化监测方法 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN102982338A (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN111368691A (zh) | 无监督高光谱遥感图像空谱特征提取方法 | |
Wegne et al. | Segment-based building detection with conditional random fields | |
Chen et al. | A semisupervised context-sensitive change detection technique via gaussian process | |
Yang et al. | Unsupervised images segmentation via incremental dictionary learning based sparse representation | |
CN110717531A (zh) | 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法 | |
CN107464247B (zh) | 一种基于g0分布的随机梯度变分贝叶斯sar图像分割方法 | |
Sun et al. | Multiscale low-rank spatial features for hyperspectral image classification | |
Lu et al. | Incorporating texture into SLIC super-pixels method for high spatial resolution remote sensing image segmentation | |
CN111626380A (zh) | 一种基于超像素和卷积网络的极化sar图像分类方法 | |
Zhong et al. | An iterative training sample updating approach for domain adaptation in hyperspectral image classification | |
CN114373079A (zh) | 一种快速准确的探地雷达目标检测方法 | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 | |
An et al. | Unsupervised segmentation of hidden Markov fields corrupted by correlated non-Gaussian noise | |
Baraldi et al. | Badly posed classification of remotely sensed images-an experimental comparison of existing data labeling systems |
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 |