CN103366184A - 基于混合分类器的极化sar数据分类方法及*** - Google Patents
基于混合分类器的极化sar数据分类方法及*** Download PDFInfo
- Publication number
- CN103366184A CN103366184A CN2013103101796A CN201310310179A CN103366184A CN 103366184 A CN103366184 A CN 103366184A CN 2013103101796 A CN2013103101796 A CN 2013103101796A CN 201310310179 A CN201310310179 A CN 201310310179A CN 103366184 A CN103366184 A CN 103366184A
- Authority
- CN
- China
- Prior art keywords
- polarization
- sar data
- classification
- module
- feature
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于混合分类器的极化SAR数据数据分类方法及***,本发明方法包括步骤:获取极化SAR数据的不同类初始极化特征,采用决策树分类器从初始极化特征中选择用于分类的极化特征;基于用于分类的极化特征,采用SVM分类器对极化SAR数据进行分类。本发明综合了决策树分类器和SVM分类器的优势,分类精度达到了SVM分类器水平,其分类计算效率与决策树分类器相当,对极化SAR数据分类具有重要意义。
Description
技术领域
本发明属于雷达数据处理领域,尤其涉及一种基于混合分类器的极化SAR数据数据分类方法及***。
背景技术
极化SAR数据分类是SAR影像解译的重要内容,一般都包含构造极化特征、构建分类器和进行分类几个步骤,其中,选择分类器对最终分类结果精度影响非常大。目前,可用于极化SAR数据分类的分类器很多,文献[1]使用最大似然准则对极化SAR数据进行分类,该准则分类错误概率小,但分类结果受主观因素影响较大。文献[2]使用C-均值算法对极化SAR数据进行分类,该算法能在一定程度上反映待分地物类别分布的真实情况,但分类效果很大程度上依赖于初始类别的划分方式。文献[3]使用SVM分类器对极化SAR数据进行分类,SVM分类器以统计学习理论为基础,能有效避免传统学习方法中过学习、维数灾难、局部极小等问题,在小样本条件下仍能取得良好的分类效果,分类精度高于神经网络分类器、决策树分类器和最大似然分类器[4-6],但SVM分类器无法自适应地选择分类所需特征,在输入数据冗余时分类器计算效率较低。文献[4]使用决策树分类器对极化SAR数据进行分类,该分类器在面对数据遗漏或数据冗余等问题时,非常稳健,分类效率高,但待分类数据的类别增加时,其误分类的可能性也随着增加,导致分类器精度不高。文献[7]使用人工神经网络分类器对极化SAR数据进行分类,在没有关于数据先验知识的前提下,人工神经网络方法相对于统计分类具有更加明显的优势,但也存在分类速度慢、且难于收敛的缺点。文献[8]使用复Wishart分类器对极化SAR数据进行分类,该分类器分类精度高但计算量较大,且复Wishart分布只能描述均匀区域的数据,对森林、城区等非均匀区域的描述效果则不是很好。
每个分类器均有自身的优缺点,不同分类器之间可能有一定的互补性,通过适当的方法将现有的各种分类器结合产生混合分类器,可以提高分类精度或计算效率。近年来,关于混合分类器的研究在模式识别领域逐渐兴起,比如,文献[9]提出一种结合神经网络和最大似然分类进行多光谱遥感数据分类的方法;文献 [10]提出一种将神经网络分类器和统计分类器结合进行遥感图像分类的方法;文献[11]提出一种结合最大似然和SVM分类器进行光学影像的分类方法;针对SVM分类器只能进行两类分类的问题,文献[12]结合决策树分类器和SVM分类器,实现了多种类别的分类。
文中涉及的参考文献如下:
[1]刘秀清,杨汝良.基于全极化SAR非监督分类的迭代分类方法[J].电子学报,2004,32(012):1982-1986.
[2]吴永辉计科峰郁文贤.基于H-α和改进C-均值的全极化SAR图像非监督分类[J].电子与信息学报,2007,29(1):30-34.
[3]HUANG L,LI Z,TIAN B S,et al.Classification and snow line detection for glacial areas using the polarimetric SAR image[J].Remote Sensing of Environment,2011,115(7):1721-1732.
[4]QI Z,YEH A G O,LI X,et al.A novel algorithm for land use and land cover classification using RADARSAT-2polarimetric SAR data[J].Remote Sensing of Environment,2012,118:21-39.
[5]FOODY G M,MATHUR A.A Relative Evaluation of Multiclass Image Classification by Support Vector Machines[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(6):1335-1339.
[6]MELGANI F,BRUZZONE L.Classification of Hyperspectral Remote Sensing Images with Support Vector Machines[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(8):1778-1790.
[7]ZHANG Y,WU L.Crop Classification by forward neural network with adaptive chaotic particle swarm optimization[J].Sensors,2011,11(5):4721-4743.
[8]LEE J S,GRUNES M R,AINSWORTH T L,et al.Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(5):2249-2258.
[9]PINZ A,BARTL R.Information Fusion in Image Understanding Landsat Classification and Ocular Fund us Images[J].Sensor Fusion,1992,1828:276-287.
[10]KANELLOPOULOS I,FIERENS F.Integration of Neural and Statistical Approaches in Spatial Data Classification[J].Geographical Systems,1995,2:1-20.
[11]陈学泓,陈晋,杨伟,等.基于误差分析的组合分类器研究[J].遥感学报,2008,12(5):683-691.
[12]何楚,刘明,许连玉,等.利用特征选择自适应决策树的层次SAR图像分类[J].武汉大学学报·信息科学版,2012,37(1):46-49.
发明内容
针对现有技术存在的极化SAR数据分类无法同时达到高分类精度和高分类效率的不足,本发明提供了一种既能达到SVM分类器分类精度、又能达到决策树分类器分类效率的极化SAR数据分类方法及***。
为解决上述技术问题,本发明采用如下技术方案:
一、基于混合分类器的极化SAR数据分类方法,包括步骤:
获取极化SAR数据的不同类初始极化特征,采用决策树分类器从初始极化特征中选择用于分类的极化特征;基于用于分类的极化特征,采用SVM分类器对极化SAR数据进行分类。
在获取极化SAR数据的不同类初始极化特征之前,对极化SAR数据进行滤波。本发明优选采用极化精致Lee滤波算法对极化SAR数据进行滤波。
上述获取极化SAR数据的不同类初始极化特征,具体为:
分别极化SAR数据进行极化分解、相干矩阵运算和功率运算,并将极化分解、相干矩阵运算和功率运算结果作为初始极化特征,从而获得极化SAR数据的不同类初始极化特征。
上述采用决策树分类器从初始极化特征中选择用于分类的极化特征,进一步包括子步骤:
1-1分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
1-2基于初始极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用决策树分类器从初始极化特征中选择用于分类的极化特征。
上述基于用于分类的极化特征,采用SVM分类器对极化SAR数据进行分类,进一步包括子步骤:
2-1分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
2-2基于用于分类的极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用SVM分类器对极化SAR数据进行分类。
二、基于混合分类器的极化SAR数据分类***,包括:
初始极化特征获取模块,用来获取极化SAR数据的不同类初始极化特征;
极化特征选择模块,用来采用决策树分类器从初始极化特征中选择用于分类的极化特征;
SAR数据分类模块,用来基于用于分类的极化特征,采用SVM分类器对极化SAR数据进行分类。
本发明基于混合分类器的极化SAR数据分类***还包括滤波模块,用来在获取极化SAR数据的不同类初始极化特征之前,对极化SAR数据进行滤波。
上述初始极化特征获取模块进一步包括极化分解模块、相干矩阵运算模块和功率运算模块,其中:
分解模块,用来对极化SAR数据进行极化分解,并将极化分解结果作为初始极化特征;
相干矩阵运算模块,用来对极化SAR数据进行相干矩阵运算,并将相干矩阵运算结果作为初始极化特征;
功率运算模块,用来对极化SAR数据进行功率运算,并将功率运算结果作为初始极化特征。
上述极化特征选择模块进一步包括图像分割模块和决策树分类器模块,其中:
图像分割模块,用来分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
决策树分类器模块,用来基于初始极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用决策树分类器从初始极化特征中选择用于分类的极化特征。
上述SAR数据分类模块进一步包括图像分割模块和SVM分类器模块,其中:
图像分割模块,用来分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
SVM分类器模块,用来基于用于分类的极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用SVM分类器对极化SAR数据进行分类。
与现有技术相比,本发明具有如下优点:
本发明综合了决策树分类器和SVM分类器的优势,分类精度达到了SVM分类器水平,其分类计算效率与决策树分类器相当,对极化SAR数据分类具有重要意义。
附图说明
图1(a)为原始极化SAR数据的功率图;图1(b)为滤波后的极化SAR数据的功率图;
图2(a)为极化SAR数据对应的Pauli RGB图像,图2(b)为分水岭分割法分割RGB图像的结果;
图3(a)为真实地物分布参考图;图3(b)为本发明混合分类器的分类结果;
图4(a)为决策树分类器分类结果;图4(b)为SVM分类器分类结果。
具体实施方式
决策树分类器分类效率高,但分类精度较低;SVM分类器分类精度高,但分类效率较低。本发明方法使用决策树分类器挑选极化特征,利用SVM分类器进行极化SAR数据分类,一方面分类精度可以达到SVM分类器水平,另一方面分类效率与决策树分类器相当。
为了更好地理解本发明技术方案,下面结合附图和具体实施方式对本发明做进一步的详细说明。
本发明的基于混合分类器的极化SAR数据分类方法,具体包括步骤:
步骤1,对极化SAR数据进行极化精致Lee滤波。
由于SAR***自身固有的原理性缺陷,使得极化SAR数据存在很多斑点噪声,图1(a)为原始极化SAR数据的功率图,其中存在大量斑点噪声。
为降低斑点噪声对区域分割以及极化特征计算的影响,首先需要对极化SAR数据进行滤波处理。本具体实施使用极化精致Lee滤波算法进行滤波。极化精致Lee滤波利用非方形的边缘方向窗口和局部统计滤波器来进行滤波,既避免了极化通道之间的串扰,又保持了极化通道之间的极化信息和统计相关性。采用极化精致Lee滤波算法对图1(a)中的极化SAR数据进行滤波,滤波后的极化SAR数据见图1(b),可以发现斑点噪声得到了较好抑制。
步骤2,对滤波后的极化SAR数据分别进行极化分解、相干矩阵运算和功 率运算,并将极化分解、相干矩阵运算和功率运算结果作为初始极化特征。
全极化SAR数据的各“像元”可以用一个复二维矩阵来描述,称为极化散矩阵[11],见式(1):
其中,Sij(i,j∈H,V)表示以i极化方式发射和j极化方式接收的极化分量,H表示水平极化,V表示垂直极化。
对极化散射矩阵进行各种操作,可得到极化SAR数据的不同特征描述。本具体实施通过对极化散射矩阵分别进行极化分解、相干矩阵计算和功率运算得到极化SAR数据的72个极化特征。本具体实施采用的极化处理方法及获得的极化特征见表1。
表1极化处理方法及获得的极化特征
步骤3,利用分水岭分割法分割根据滤波后的极化SAR数据构建的RGB图像,并获得RGB图像中地物的同质区域分布图及各同质区域特征值。
本具体实施采用如下方法构建滤波后的极化SAR数据的RGB图像:
本具体实施中,对滤波后的极化SAR数据进行Pauli极化分解,并根据极化 分解系数将极化SAR数据转换为Pauli RGB图像。令|SHH-SVV|2、|SHV+SVH|2和|SHH+SVV|2分别作为红色、绿色和蓝色通道构成RGB图像,见图2(a)。Sij表示以i极化方式发射和j极化方式接收的极化分量,H表示水平极化,V表示垂直极化。
利用水岭分割法分割所获得的RGB图像,获得地物的同质区域分布。分水岭分割法主要根据图像的灰度级变化来进行区域分割,而灰度级变化即为图像的梯度信息。为获得更好的分割效果,通常将待分割图像按波段进行梯度预处理,并将各波段加权求和,得到梯度灰度图像,最后对梯度灰度图像进行分水岭操作,图2(b)为利用分水岭分割法得到的同质区域边界线与RGB图像叠加的结果,从结果中可见,地物非同质区域得到了较好的区分。
步骤2中通过极化分解、相干矩阵运算和功率运算分别得到各像元的不同极化特征,利用分水岭分割法获得的同质区域信息,利用公式(2)按区域处理各极化特征,从而分别获得各同质区域的72种极化特征值,分类时将各区域的极化特征值输入到分类器进行区域类别判断。
式(2)中,n表示同质区域A内的像元数;cAi表示同质区域A内第i个像元的某个极化特征值,fA表示区域A的某个极化特征值。
步骤4,利用样本、步骤2获得的初始极化特征、步骤3获得的同质区域分布图及各同质区域特征值,训练决策树分类器,并采用训练得到的决策树分类模型从初始极化特征中选择用于分类的极化特征。
决策树分类器是根据信息增益率为标准确定最佳分组变量和分割点。本发明利用决策树分类从初始极化特征中找寻使信息增益率达到最大的极化特征,用于分类。
利用样本、初始极化特征、步骤3获得的同质区域分布图及各同质区域特征值训练决策树分类器。表2为决策树分类器选择的可用于分类的极化特征。从表2中可以看出,采用决策树分类器从72个初始极化特征中挑选出10个用于分类的极化特征,极大降低了极化特征的空间维数,去除冗余极化特征信息。
表2利用决策树分类器挑选的极化特征
步骤5,利用样本、步骤4获得的用于分类的极化特征、步骤3获得的同质区域分布图及各同质区域特征值训练SVM(support vector machine,支持向量机)分类器,并采用训练得到的SVM分类模型对滤波后的极化SAR数据进行分类。
利用样本和表2所示的10个极化特征训练SVM分类器,并采用训练得到的SVM分类模型按同质区域对极化SAR数据进行分类,分类结果见图3(b)。
为验证本发明混合分类器的分类效果,本具体实施还分别采用决策树分类器和SVM分类器对极化SAR数据进行分类。
实验一
完成上述步骤1~3后,利用获得的72个初始极化特征和分类样本训练决策树分类器得到分类规则集,按照分类规则集对极化SAR数据进行分类,结果见图4(a)。
实验二
完成上述步骤1~3后,利用72个初始极化特征和分类样本训练SVM分类器得到分类模型,由分类模型对极化SAR数据进行分类,结果见图4(b)。
以图3(a)中的真实地物分布参考图作为精度评价标准,利用混淆矩阵对决策树分类器、SVM分类器和本发明混合分类器的分类结果进行精度评价与分类计算时间统计,精度评价结果见表3,分类计算时间统计见表4。从表3和表4可知,在总体精度和kappa系数上,本发明分类精度与SVM分类器分类精度相当,比决策树分类器高出10%以上;本发明分类计算时间与决策树分类器的分类计算时间基本相等,但比SVM分类器效率提高2.7倍。
表3精度评估结果
表4分类计算时间统计
Claims (10)
1.基于混合分类器的极化SAR数据分类方法,其特征是:
获取极化SAR数据的不同类初始极化特征,采用决策树分类器从初始极化特征中选择用于分类的极化特征;基于用于分类的极化特征,采用SVM分类器对极化SAR数据进行分类。
2.如权利要求1所述的基于混合分类器的极化SAR数据分类方法,其特征是:
在获取极化SAR数据的不同类初始极化特征之前,对极化SAR数据进行滤波。
3.如权利要求1所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的获取极化SAR数据的不同类初始极化特征,具体为:
分别极化SAR数据进行极化分解、相干矩阵运算和功率运算,并将极化分解、相干矩阵运算和功率运算结果作为初始极化特征,从而获得极化SAR数据的不同类初始极化特征。
4.如权利要求1所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的采用决策树分类器从初始极化特征中选择用于分类的极化特征,进一步包括子步骤:
1-1 分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
1-2 基于初始极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用决策树分类器从初始极化特征中选择用于分类的极化特征。
5.如权利要求1所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的基于用于分类的极化特征,采用SVM分类器对极化SAR数据进行分类,进一步包括子步骤:
2-1分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
2-2 基于用于分类的极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用SVM分类器对极化SAR数据进行分类。
6.基于混合分类器的极化SAR数据分类***,其特征是,包括:
初始极化特征获取模块,用来获取极化SAR数据的不同类初始极化特征;
极化特征选择模块,用来采用决策树分类器从初始极化特征中选择用于分类的极化特征;
SAR数据分类模块,用来基于用于分类的极化特征,采用SVM分类器对极化SAR数据进行分类。
7.如权利要求6所述的基于混合分类器的极化SAR数据分类方法,其特征是:
还包括滤波模块,用来在获取极化SAR数据的不同类初始极化特征之前,对极化SAR数据进行滤波。
8.如权利要求6所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的初始极化特征获取模块进一步包括极化分解模块、相干矩阵运算模块和功率运算模块,其中:
分解模块,用来对极化SAR数据进行极化分解,并将极化分解结果作为初始极化特征;
相干矩阵运算模块,用来对极化SAR数据进行相干矩阵运算,并将相干矩阵运算结果作为初始极化特征;
功率运算模块,用来对极化SAR数据进行功率运算,并将功率运算结果作为初始极化特征。
9.如权利要求6所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的极化特征选择模块进一步包括图像分割模块和决策树分类器模块,其中:
图像分割模块,用来分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
决策树分类器模块,用来基于初始极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用决策树分类器从初始极化特征中选择用于分类的极化特征。
10.如权利要求6所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的SAR数据分类模块进一步包括图像分割模块和SVM分类器模块,其中:
图像分割模块,用来分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
SVM分类器模块,用来基于用于分类的极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用SVM分类器对极化SAR数据进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310310179.6A CN103366184B (zh) | 2013-07-23 | 2013-07-23 | 基于混合分类器的极化sar数据分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310310179.6A CN103366184B (zh) | 2013-07-23 | 2013-07-23 | 基于混合分类器的极化sar数据分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103366184A true CN103366184A (zh) | 2013-10-23 |
CN103366184B CN103366184B (zh) | 2016-09-14 |
Family
ID=49367484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310310179.6A Active CN103366184B (zh) | 2013-07-23 | 2013-07-23 | 基于混合分类器的极化sar数据分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103366184B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903012A (zh) * | 2014-04-09 | 2014-07-02 | 西安电子科技大学 | 基于面向对象和支持向量机的极化sar数据分类方法 |
CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
CN104408472A (zh) * | 2014-12-05 | 2015-03-11 | 西安电子科技大学 | 基于Wishart和SVM的极化SAR图像分类方法 |
CN105548983A (zh) * | 2015-12-02 | 2016-05-04 | 中国人民解放军军械工程学院 | 一种雷达组网识别目标方法 |
CN105956622A (zh) * | 2016-04-29 | 2016-09-21 | 武汉大学 | 基于多特征联合建模的极化sar影像分类方法 |
CN105975986A (zh) * | 2016-05-03 | 2016-09-28 | 河海大学 | 基于改进遗传算法的全极化sar图像监督分类方法 |
CN106096627A (zh) * | 2016-05-31 | 2016-11-09 | 河海大学 | 顾及特征优化的极化sar图像半监督分类方法 |
CN107077759A (zh) * | 2014-11-05 | 2017-08-18 | 国际壳牌研究有限公司 | 用于多维地球物理数据可视显示的***和方法 |
CN105548983B (zh) * | 2015-12-02 | 2018-08-31 | 中国人民解放军军械工程学院 | 一种雷达组网目标识别方法 |
CN109063577A (zh) * | 2018-07-05 | 2018-12-21 | 浙江大学 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
CN110827290A (zh) * | 2019-10-16 | 2020-02-21 | 中国矿业大学 | 一种基于分水岭的极化sar影像超像素分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2369697A (en) * | 2000-05-02 | 2002-06-05 | Ibm | Generating decision trees with discriminants and employing the same in data classification |
CN102637296A (zh) * | 2012-04-23 | 2012-08-15 | 中国民航大学 | 基于相似性特征分类的极化sar图像斑点抑制方法 |
CN103093432A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于极化分解和图像块相似性的极化sar图像降斑方法 |
-
2013
- 2013-07-23 CN CN201310310179.6A patent/CN103366184B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2369697A (en) * | 2000-05-02 | 2002-06-05 | Ibm | Generating decision trees with discriminants and employing the same in data classification |
CN102637296A (zh) * | 2012-04-23 | 2012-08-15 | 中国民航大学 | 基于相似性特征分类的极化sar图像斑点抑制方法 |
CN103093432A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于极化分解和图像块相似性的极化sar图像降斑方法 |
Non-Patent Citations (2)
Title |
---|
周家香: "Mean Shift遥感图像分割方法与应用研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
王圆圆,李菁: "基于决策树的高光谱数据特征选择及其对分类结果的影响分析", 《遥感学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903012A (zh) * | 2014-04-09 | 2014-07-02 | 西安电子科技大学 | 基于面向对象和支持向量机的极化sar数据分类方法 |
CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
CN104331706B (zh) * | 2014-10-29 | 2018-03-16 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
CN107077759A (zh) * | 2014-11-05 | 2017-08-18 | 国际壳牌研究有限公司 | 用于多维地球物理数据可视显示的***和方法 |
CN104408472B (zh) * | 2014-12-05 | 2017-07-28 | 西安电子科技大学 | 基于Wishart和SVM的极化SAR图像分类方法 |
CN104408472A (zh) * | 2014-12-05 | 2015-03-11 | 西安电子科技大学 | 基于Wishart和SVM的极化SAR图像分类方法 |
CN105548983A (zh) * | 2015-12-02 | 2016-05-04 | 中国人民解放军军械工程学院 | 一种雷达组网识别目标方法 |
CN105548983B (zh) * | 2015-12-02 | 2018-08-31 | 中国人民解放军军械工程学院 | 一种雷达组网目标识别方法 |
CN105956622A (zh) * | 2016-04-29 | 2016-09-21 | 武汉大学 | 基于多特征联合建模的极化sar影像分类方法 |
CN105956622B (zh) * | 2016-04-29 | 2019-03-19 | 武汉大学 | 基于多特征联合建模的极化sar影像分类方法 |
CN105975986A (zh) * | 2016-05-03 | 2016-09-28 | 河海大学 | 基于改进遗传算法的全极化sar图像监督分类方法 |
CN106096627A (zh) * | 2016-05-31 | 2016-11-09 | 河海大学 | 顾及特征优化的极化sar图像半监督分类方法 |
CN109063577A (zh) * | 2018-07-05 | 2018-12-21 | 浙江大学 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
CN109063577B (zh) * | 2018-07-05 | 2021-08-31 | 浙江大学 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
CN110827290A (zh) * | 2019-10-16 | 2020-02-21 | 中国矿业大学 | 一种基于分水岭的极化sar影像超像素分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103366184B (zh) | 2016-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366184A (zh) | 基于混合分类器的极化sar数据分类方法及*** | |
CN102819745B (zh) | 一种基于AdaBoost的高光谱遥感影像分类方法 | |
CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及*** | |
CN104732244B (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN102938072B (zh) | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 | |
CN106897679A (zh) | 一种基于改进模糊c均值聚类的语义变化检测方法及*** | |
CN102915445A (zh) | 一种改进型的神经网络高光谱遥感影像分类方法 | |
Prasad et al. | Information fusion in the redundant-wavelet-transform domain for noise-robust hyperspectral classification | |
CN106778821A (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN105718942B (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
CN102651073A (zh) | 基于稀疏动态集成选择的sar图像地物分类方法 | |
CN104239900A (zh) | 基于k均值和深度svm的极化sar图像分类方法 | |
CN107895139A (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
CN103927531A (zh) | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 | |
CN101847210A (zh) | 基于二维经验模态分解和小波降噪的多分组图像分类方法 | |
CN102982338A (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN103440505A (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN103246894B (zh) | 一种解决光照不敏感问题的地基云图识别方法 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN103839073A (zh) | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 | |
CN102999762A (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN102999761A (zh) | 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |