CN104504393A - 基于集成学习的极化sar图像半监督分类方法 - Google Patents
基于集成学习的极化sar图像半监督分类方法 Download PDFInfo
- Publication number
- CN104504393A CN104504393A CN201410748929.2A CN201410748929A CN104504393A CN 104504393 A CN104504393 A CN 104504393A CN 201410748929 A CN201410748929 A CN 201410748929A CN 104504393 A CN104504393 A CN 104504393A
- Authority
- CN
- China
- Prior art keywords
- sar image
- polarimetric sar
- sigma
- sample
- scattering
- 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
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于集成学习的极化SAR图像半监督分类方法,其实现步骤为:(1)输入一幅极化SAR图像;(2)提取极化SAR图像的散射特征,偏振参数和纹理特征;(3)利用Knn算法计算样本的抗噪因子;(4)根据样本的权重,抽取训练样本;(5)训练得到分类器,并计算错误率;(6)根据错误率调整样本的权重;(7)根据Wishart距离,选择置信度高的未标记样本,加入到训练集,并赋权重;(8)判断是否满足停止条件,满足则结束并输出分类结果,否则转到(4);本发明组合偏振参数,散射特征和纹理特征,能够更全面地描述地物真实情况,并利用部分未标记样本,丰富了原始训练样本,获得了较好的分类精度。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于集成学习的极化SAR图像半监督分类方法。
背景技术
极化SAR(合成孔径雷达)因其巨大的优势,不管是在民用或者是军用事业都得到了广泛的应用,例如目标检测,地物分类,参数反演等等。其中,地物分类方面的应用是极化SAR众多应用中非常重要的一个。
极化SAR图像分类方法大致包括两大步骤,即特征的选取和分类器的确定。如何获取有价值的特征和好的分类策略是极化SAR图像分类问题的重点。特征方面,常用的有偏振参数,散射矩阵和纹理特征。Cloude于1997年提出了著名的H/α分类方法,即由散射矩阵分解得到散射熵H和散射角α,根据这两个值可以把一幅极化SAR图像分为8类。之后,基于不同分解的极化SAR图像分类方法纷纷出现。由于实际地物具有复杂的种类结构,因此由某一种分解表征地物的特性是不全面的。
一般情况下,极化SAR图像的标签都是通过人工标记获取的,因此,很容易由于人为因素引入错误,而这些错误标签对于分类器而言,其影响是致命的。而一般的极化SAR分类方法中,极少考虑了这部分问题,实际上这些由于人为因素引入的错误标签,对分类器的影响是不可以忽略的。
极化SAR通过对目标进行全极化测量,而获取丰富全面的目标信息,使得极化SAR在分类问题中优势非常明显。目前,不管是机载极化SAR还是星载极化SAR数据在网络上都可以非常方便的获取到,而且极化SAR数据也已经非常丰富。但是极化SAR图像的自动解译方法的发展没有想象中的那么迅速。如何对海量级别的极化SAR数据分析,成为今后遥感图像处理的一个重要研究点。
极化SAR图像的分类大致分为无监督和有监督两大类。对于极化SAR图像的有监督分类中,最常用的是基于极化数据的统计分布而进行的。例如基于协方差矩阵的复Wishart分布,基于极化测量矢量的多元复高斯分布等等。而有监督分类必须知道一定数量的有标记样本,而对于极化SAR数据而言,人工标记训练样本的这个过程,通常要花费大量的人力和时间,而且通过人工标记不能保证训练样本的正确性,也不能根据有限的训练样本,就能够估计出整个样本的分布。
发明内容
本发明的目的在于针对已有技术的不足,提出一种基于集成学习的极化SAR图像半监督分类方法,一方面通过K近邻(Knn)算法抑制了标签噪声的影响,另一方面通过Wishart距离添加一部分未标记样本帮助分类,提高了分类精度。
为实现上述目的,本发明包括如下步骤:
(1)提取一幅极化SAR图像的特征,特征包括偏振参数F1、散射特征F2和纹理特征F3;
(1a)基于S矩阵,提取极化SAR图像的偏振参数F1;
(1b)基于极化散射分解,提取极化SAR图像的散射特征F2;
(1c)基于灰度共生矩阵,提取极化SAR图像的纹理特征F3;
(2)从极化SAR图像的已标记样本中选择1%比率的样本作为训练样本,初始化训练样本的权重{Wn};
(3)用K近邻(K nearest neighborhoods)算法计算每个训练样本的抗噪因子Cn,n=1,...,N;
(3a)对极化SAR图像中每一个有标记的样本点,计算该样本点和该样本点的八个近邻像素点的欧氏距离;
(3b)选择该样本点的k个最近的近邻,计算这k个近邻与该样本点属于同一类别的比率,即抗噪因子,k值取3;
(4)进入迭代过程,并记录当前迭代次数t,初始t=1,用弱分类器B训练此轮的训练数据,得到基分类器ht;
(5)计算ht的错误率
其中,Wi t是第t轮迭代中第i个样本的权重,ht(xi)是第i个样本被预测的类别,yi是第i个样本的真实类别,N是样本个数。
(6)计算基分类器ht的权重
其中,ln是对数函数,εt是错误率。
(7)更新样本权重
其中,Zt是归一化因子。
(8)用分类器ht对未标记样本集U预测,分别计算被预测为第m类的样本到第m类聚类中心的距离,取距离最近的两个样本加入已标记样本,并赋权重:
其中,是未标记样本集中的第i个样本,是已标记样本中第j个样本。
(9)重复步骤(4)~(8)若达到设置的最大迭代次数或当错误率大于0.5则结束,否则返回循环;
(10)组合基分类器:
其中,αt是第t轮迭代的分类器的权重。
(11)输出极化SAR图像的分类结果;
本发明与现有的技术相比具有以下优点:
1.本发明将极化SAR的偏振参数,散射特征和纹理特征相结合,更好的表示出地物特征,从而提高了极化SAR图像的分类精度;
2.本发明利用Knn引入抗噪因子,对极化SAR图像分类中的标签噪声进行了抑制;
3.本发明利用Wishart距离度量,选择一部分未标记样本加入训练集,使得新的训练集能够获得更好的分类器;
附图说明
图1是本发明的总流程图;
图2是本发明输入的一副极化SAR图像的Pauli分解合成图;
图3是本发明所使用的极化SAR图像的真实地物标记图;
图4是本发明所使用的极化SAR图像的最终分类结果图。
具体实施方式
下面结合实施实例附图对本发明的图像处理方法,进行描述。
实施例1,结合附图1描述。
本发明的实施方法步骤如下:基于集成学习的极化SAR图像半监督分类方法,包括如下步骤:
步骤1,输入一幅极化SAR图像;
步骤2,提取极化SAR图像的特征;
极化SAR图像中的任意一个像素的协方差矩阵C由下式给出:
其中H表示水平极化,V表示垂直极化,Sij表示极化SAR图像i方向发射,j方向接收的极化波的数据,*表示共轭。
根据下式,把协方差矩阵C转换为相干矩阵T:
其中,A=SHH+SHH,B=SHH-SHH,C=2SHV,
SHH表示水平方向发射水平方向接受的极化波回波数据,SHV表示水平方向发射垂直方向接受的极化波回波数据,SVH表示垂直方向发射水平方向接受的极化波回波数据,SVV表示垂直方向发射垂直方向接受的极化波回波数据。
根据下式,获得极化SAR数据的灰度共生矩阵:
G(i,j|θ)=[(x,y),(x+dx,y+dy)]
其中i,j分别代表极化SAR图像空间上的两个像素,x表示像素点的横坐标,y表示像素点的纵坐标,dx和dy分别代表各自方向上的偏移量,θ表示偏移量的方向,共有四个取值0、45、90、135度。
根据下面公式求解F1:
HH通道后向散射系数:
HV通道后向散射系数:
VV通道后向散射系数:
共极化比:rvvhh=10×log(|Svv|2/|Shh|2)
交叉极化比:rhvhh=10×log(|Shv|2/|Shh|2)
HV/VV通道比:rhvvv=10×log(|Shv|2/|Svv|2)
VV/HH后向散射系数比:
HV/HH后向散射系数比:
HV/VV后向散射系数比:
HH-VV相位:
去极化比:
偏振度:
其中R1表示极化SAR图像中水平分量和垂直分量的频幅差,R2表示两个方向45度和135度的分量之间的功率差,R3表示极化SAR图像的电磁波在左右圆极化基下的分量之间的功率差,R0表示总幅度值。
根据下面公式求F2:
Pauli分解:
通过如下公式计算得到参数|a|2,|b|2,|c|2
其中T是相干矩阵,T(1,1)T(2,2)T(3,3)分别是相干矩阵对角线上的三个元素,|a|2表示极化SAR散射矩阵中奇次散射对应的能量,|b|2表示极化SAR散射矩阵中偶次散射对应的能量,|c|2表示极化SAR散射矩阵中45度角时偶次散射对应的能量;
Cloude分解:
通过如下公式计算得到参数H,A,α
其中λ1,λ2,λ3是相干矩阵的三个特征值,H表示极化SAR图像散射矩阵的散射熵,Pi是相干矩阵的第i个特征值除以所有特征值总和得到的一个比值,A表示极化SAR图像散射矩阵的反熵,α表示散射类型。
Freeman-Druden分解:
通过如下公式计算得到参数Ps,Pv,Pd
<|SHH|2>=fs|β|2+fd|α|2+fd
<|SHH|2>=fs+fd+fv
<|SHV|2>=fv/3
其中fs表示平面散射分量系数,fd表示二面角散射分量系数,fv表示体散射分量系数,在此基础上,根据下式计算得到三个散射功率分量:
Ps=fs(1+|β|2)
Pd=fd(1+|α|2)
其中Ps表示表面散射功率,Pd表示表面散射功率,Pv表示体散射功率,β表示水平发射水平接受的反向散射系数与垂直发射垂直接受的反向散射系数的比值,当Shh与内积得到的实部比零小时,β取1,当Shh与内积得到的实部不比零小时,α取-1;R值表示极化SAR图像的同极化比。
Krogager分解:
根据下面的式子,分解S矩阵:
其中,S表示极化SAR图像的散射矩阵,表示散射目标的绝对相位值,j表示复数的虚部符号,表示相对于二面角散射分量和螺旋体散射分量的偏移量,ks表示极化SAR图像的散射矩阵的球分量,kd表示极化SAR图像的散射矩阵的二面角分量,kh表示极化SAR图像的散射矩阵中体散射分量;用待定系数法求解得到ks,kd,kh三个参数的值。
Huynen分解:
根据下面的式子,分解相干矩阵矩阵T:
其中,a表示极化SAR图像的对称性因子,c表示极化SAR图像的构型因子,i表示复数虚数符号,d表示极化SAR图像局部曲率差,h表示极化SAR图像的方向性,g表示极化SAR图像对称和非对称部分的耦合度,b表示极化SAR图像的非规则性因子,e表示极化SAR图像的表面扭转性,f表示极化SAR图像的螺旋性,l表示极化SAR图像的非对称性因子,用待定系数法求解得到A0,B0+B,B0-B,C,D,E,F,G,H这几个参数值。
根据下式求解纹理特征F3:
熵:
角二阶矩:
逆差矩:
对比度:
相关度:
均值:
方差:
其中,i,j分别表示极化SAR图像对应的两个位置的功率值,x表示极化SAR图像像素对应位置的横坐标,y表示极化SAR图像像素对应位置的纵坐标,dx表示极化SAR图像像素的横向偏移量,dy表示极化SAR图像像素的纵向偏移量。
步骤3,用KNN算法计算每个训练样本的抗噪因子Cn,n=1,...,N
对极化SAR图像中每一个有标记的样本点,计算它和对应的八个近邻的欧氏距离,然后选择k个最近的近邻,计算这k个近邻与它属于同一类别的比率r,如果这个比率r越高,说明中心样本点与它的k个近邻相似度很高,反之,如果r越低,说明中心样本点与它的k个近邻越不相似,很有可能是人工贴错了标签。因此,可以通过计算r值的大小,来估计中心样本点是标签噪声可能性的大小,将r命名为抗噪因子。
步骤4,进入迭代过程,并记录当前迭代次数t,初始t=1,用弱分类器B训练此轮的训练数据,得到分类器ht弱分类器选择经典的CART。
,
步骤5,计算ht的错误率
即分类错误的样本,增大权重,分类正确的样本降低权重;
步骤6,计算基分类器ht的权重
因为每个分类器的可信度不同,根据每个分类器的分类结果,给分类本身一个权重。
步骤7,更新样本权重
更新权重,目的是在下一次迭代中,使的上一次迭代中没有正确分类的样本得到更多的关注,希望这类样本获得更大的权重,让它们有更大的机会被选择为训练样本,相反,上一次分类正确的样本,降低它们的权重,因为它们比较好区分,分类器应该把更多的关注给那些难以区分的样本。
步骤8用分类器ht对未标记样本集U预测,分别计算被预测为第m类的样本到第m类聚类中心的距离,取距离最近的两个样本加入已标记样本,并赋权重:
此处,利用wishart距离选出置信度高的样本加入到训练集,以丰富原始训练集。
Wishart距离公式如下:
d(<T>,Vm)=n[ln|Vm|+Tr(Vm -1<T>)]
步骤9,重复步骤(4)~(8)若达到停止条件则结束,否则返回循环;
步骤10,组合基分类器:
将以上得到的多个分类器,按照各自的权重组合起来,用投票的方式给出结果。
步骤11,输出极化SAR图像的分类结果。
本发明的效果可以通过下面的实验仿真进一步说明:
1、仿真条件
本发明仿真实验使用的极化SAR图像是一幅AIRSAR图像,大小为300×270,描述的是荷兰Flevoland地区的地物状况。
硬件平台为:Intel Core2Duo CPU E65502.33GHZ、2GB RAM;
软件平台为:MATLAB R2009a;
2、仿真内容与结果
使用本发明与Knn.AdaBoost分类的方法进行实验对比,训练样本比率都是从0.001到0.01,按照0.001的步长增加,实验结果重复10次取平均。
仿真1:对比实验算法Knn.AdaBoost对极化SAR图像Flevoland进行分类。
仿真2:本发明方法对极化SAR图像Flevoland进行分类,分类结果如图4所示。
3.实验结果分析
其中Semi.Knn.AdaBoost是本发明提出的方法。
以上实验结果表明,本发明组合偏振参数,散射特征和纹理特征,用来表征地物特征,相比已有方法中单纯利用极化信息,能够更全面地描述地物真实情况,从而获得了较好的分类精度。本发明方法中利用wishart距离度量,选择一部分未标记样本加入训练集,训练得到更优的分类器,相比没有利用半监督策略的方法Knn.AdaBoost而言,具有更好的分类效果。
Claims (5)
1.一种基于集成学习的极化SAR图像半监督分类方法,包括如下步骤:
(1)提取一幅极化SAR图像的特征,特征包括偏振参数F1、散射特征F2和纹理特征F3;
(1a)基于S矩阵,提取极化SAR图像的偏振参数F1;
(1b)基于极化散射分解,提取极化SAR图像的散射特征F2;
(1c)基于灰度共生矩阵,提取极化SAR图像的纹理特征F3;
(2)从极化SAR图像的已标记样本中选择1%比率的样本作为训练样本,训练样本的个数为N,初始化所述训练样本的样本权重{Wn},初始值都设置为1/N;
(3)用K近邻(K nearest neighborhoods)算法计算每个训练样本的抗噪因子Cn,n=1,...,N;
(3a)对步骤(2)中的每个训练样本,计算该样本和该样本的八个近邻像素点的欧氏距离;
(3b)选择该样本的八个近邻像素点与该样本的欧式距离最小的k个像素点,计算这k个近邻像素点与该样本属于同一类别的比率,即抗噪因子,k值取3;
(4)根据步骤(1)提取的所述训练样本的极化SAR图像的特征,用弱分类器B对训练样本进行训练,得到基分类器ht,并记录当前次数t,初始t=1;
(5)计算步骤(4)中训练得到的基分类器ht的错误率
其中,是第t轮迭代中第i个样本的权重,ht(xi)是第i个样本被预测的类别,yi是第i个样本的真实类别,N是样本个数;
(6)计算步骤(4)中训练得到的基分类器ht的权重
其中,ln是对数函数,εt是错误率,Ct是抗噪因子;
(7)根据步骤(3)计算得到的训练样本的抗噪因子,更新步骤(2)中所述的训练样本的样本权重
其中,是第t+1轮迭代中第i个样本的权重,αt是基分类器ht的权重,Ct是抗噪因子,Zt是归一化因子,Wn则是第一次第n个样本的样本权重的简写;
(8)用(4)中训练得到的基分类器ht对极化SAR图像的未标记样本集U预测,分别计算被预测为第m类的样本到第m类聚类中心的距离,取距离最近的两个样本加入有标记样本,并给这两个样本赋权重:
其中,是未标记样本集中的第i个样本,是已标记样本中第j个样本,m为任意类别标记;
(9)重复步骤(4)~(8),若达到设置的最大迭代次数或当错误率大于0.5则结束并跳转到步骤(10),否则返回步骤(4)继续;
(10)将(4)~(8)步骤中产生的基分类器进行组合,得到组合分类器:
其中,αt是第t轮迭代的分类器的权重,ht(x)是基分类器ht对样本x的预测结果,sign是符号函数;
(11)利用步骤(10)中的组合分类器给极化SAR图像预测分类,输出极化SAR图像的分类结果。
2.根据权利要求1所述的基于集成学习的极化SAR图像半监督分类方法,其特征在于,步骤(1a)所述的提取偏振参数F1,包括如下步骤:
第一步,按照如下公式分别计算得到12组特征参数:
HH通道后向散射系数:
HV通道后向散射系数:
VV通道后向散射系数:
共极化比:rvvhh=10×log(|Svv|2/|Shh|2)
交叉极化比:rhvhh=10×log(|Shv|2/|Shh|2)
HV/VV通道比:rhvvv=10×log(|Shv|2/|Svv|2)
VV/HH后向散射系数比:
HV/HH后向散射系数比:
HV/VV后向散射系数比:
HH-VV相位:
去极化比:
偏振度:
其中Shh表示水平方向发射水平方向接受的极化波回波数据,Shv表示水平方向发射垂直方向接受的极化波回波数据,Svh表示垂直方向发射水平方向接受的极化波回波数据,Svv表示垂直方向发射垂直方向接受的极化波回波数据,R1表示极化SAR图像中水平分量和垂直分量的频幅差,R2表示两个方向45度和135度的分量之间的功率差,R3表示极化SAR图像的电磁波在左右圆极化基下的分量之间的功率差,R0表示总幅度值;
第二步,将这12组特征参数组合,得到偏振参数特征F1。
3.根据权利要求1所述的基于集成学习的极化SAR图像半监督分类方法,其特征在于,步骤(1b)所述的提取散射特征F2,包括如下步骤:
第一步,Pauli分解:
通过如下公式计算得到参数|a|2,|b|2,|c|2
其中T是相干矩阵,T(1,1)T(2,2)T(3,3)分别是相干矩阵对角线上的三个元素,|a|2表示极化SAR散射矩阵中奇次散射对应的能量,|b|2表示极化SAR散射矩阵中偶次散射对应的能量,|c|2表示极化SAR散射矩阵中45度角时偶次散射对应的能量;
第二步,Cloude分解:
通过如下公式计算得到参数H,A,α
其中λ1,λ2,λ3是相干矩阵的三个特征值,H表示极化SAR图像散射矩阵的散射熵,Pi是相干矩阵的第i个特征值除以所有特征值总和得到的一个比值,A表示极化SAR图像散射矩阵的反熵,α表示散射类型;
第三步,Freeman-Druden分解:
通过如下公式计算得到参数Ps,Pv,Pd
<|SHH|2>=fs|β|2+fd|α|2+fd
<|SHH|2>=fs+fd+fv
<|SHV|2>=fv/3
其中fs表示平面散射分量系数,fd表示二面角散射分量系数,fv表示体散射分量系数,在此基础上,根据下式计算得到三个散射功率分量:
Ps=fs(1+|β|2)
Pd=fd(1+|α|2)
其中Ps表示表面散射功率,Pd表示表面散射功率,Pv表示体散射功率,β表示水平发射水平接受的反向散射系数与垂直发射垂直接受的反向散射系数的比值,当Shh与内积得到的实部比零小时,β取1,当Shh与内积得到的实部不比零小时,α取-1;R值表示极化SAR图像的同极化比;
第四步,Krogager分解:
根据下面的式子,分解S矩阵:
其中,S表示极化SAR图像的散射矩阵,表示散射目标的绝对相位值,j表示复数的虚部符号,表示相对于二面角散射分量和螺旋体散射分量的偏移量,ks表示极化SAR图像的散射矩阵的球分量,kd表示极化SAR图像的散射矩阵的二面角分量,kh表示极化SAR图像的散射矩阵中体散射分量;用待定系数法求解得到ks,kd,kh三个参数的值;
第五步,Huynen分解:
根据下面的式子,分解相干矩阵矩阵T:
其中,a表示极化SAR图像的对称性因子,c表示极化SAR图像的构型因子,i表示复数虚数符号,d表示极化SAR图像局部曲率差,h表示极化SAR图像的方向性,g表示极化SAR图像对称和非对称部分的耦合度,b表示极化SAR图像的非规则性因子,e表示极化SAR图像的表面扭转性,f表示极化SAR图像的螺旋性,l表示极化SAR图像的非对称性因子,用待定系数法求解得到A0,B0+B,B0-B,C,D,E,F,G,H这几个参数值;
第六步,将这些参数组合,得到散射特征F2。
4.根据权利要求1所述的基于集成学习的极化SAR图像半监督分类方法,其特征在于,步骤(1c)所述的提取纹理特征F3,包括如下步骤:
第一步,按照如下公式分别计算得到纹理特征:
熵:
角二阶矩:
逆差矩:
对比度:
相关度:
均值:
方差:
其中,i,j分别表示极化SAR图像对应的两个位置的功率值,x表示极化SAR图像像素对应位置的横坐标,y表示极化SAR图像像素对应位置的纵坐标,dx表示极化SAR图像像素的横向偏移量,dy表示极化SAR图像像素的纵向偏移量;
第二步,将这些特征组合,得到纹理特征F3。
5.根据权利要求1所述的基于集成学习的极化SAR图像半监督分类方法,其特征在于,步骤(11)所述的极化SAR图像的分类结果,包括如下步骤:
以R,G,B为三基色,按照一定比率混合,得到绿色、草绿色、蓝色、红色、***、橘黄色,不同类别分别着不同颜色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410748929.2A CN104504393B (zh) | 2014-12-04 | 2014-12-04 | 基于集成学习的极化sar图像半监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410748929.2A CN104504393B (zh) | 2014-12-04 | 2014-12-04 | 基于集成学习的极化sar图像半监督分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504393A true CN104504393A (zh) | 2015-04-08 |
CN104504393B CN104504393B (zh) | 2018-01-05 |
Family
ID=52945789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410748929.2A Active CN104504393B (zh) | 2014-12-04 | 2014-12-04 | 基于集成学习的极化sar图像半监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504393B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820687A (zh) * | 2015-04-22 | 2015-08-05 | 中国科学院信息工程研究所 | 一种有向链接式分类器构造方法及分类方法 |
CN104850832A (zh) * | 2015-05-06 | 2015-08-19 | 中国科学院信息工程研究所 | 一种基于分级迭代的大规模图像样本标注方法及*** |
CN105138970A (zh) * | 2015-08-03 | 2015-12-09 | 西安电子科技大学 | 基于空间信息的极化sar图像分类方法 |
CN105160353A (zh) * | 2015-08-18 | 2015-12-16 | 西安电子科技大学 | 基于多特征集的极化sar数据地物分类方法 |
CN105574547A (zh) * | 2015-12-22 | 2016-05-11 | 北京奇虎科技有限公司 | 适应动态调整基分类器权重的集成学习方法及装置 |
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106529385A (zh) * | 2016-08-12 | 2017-03-22 | 上海卫星工程研究所 | 基于相干谱参数的极化干涉sar图像非监督分类方法 |
CN107133653A (zh) * | 2017-05-23 | 2017-09-05 | 西安电子科技大学 | 一种基于深度阶梯网络的高分辨sar图像分类方法 |
CN107203791A (zh) * | 2017-06-30 | 2017-09-26 | 西安电子科技大学 | 基于异极化比和散射功率熵的极化sar图像分类方法 |
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 |
CN107451617A (zh) * | 2017-08-08 | 2017-12-08 | 西北大学 | 一种图转导半监督分类方法 |
CN108038448A (zh) * | 2017-12-13 | 2018-05-15 | 河南理工大学 | 基于加权熵的半监督随机森林高光谱遥感影像分类方法 |
CN113505840A (zh) * | 2021-07-19 | 2021-10-15 | 西北农林科技大学 | 一种在基于混淆矩阵的极化sar图像组合分类方法 |
CN113960551A (zh) * | 2021-08-30 | 2022-01-21 | 西安电子科技大学 | 一种针对sar图像的杂波图像生成方法和目标检测方法 |
CN115565610A (zh) * | 2022-09-29 | 2023-01-03 | 四川大学 | 基于多组学数据的复发转移分析模型建立方法及*** |
CN116807479A (zh) * | 2023-08-28 | 2023-09-29 | 成都信息工程大学 | 一种基于多模态深度神经网络的驾驶注意力检测方法 |
CN113960551B (zh) * | 2021-08-30 | 2024-08-02 | 西安电子科技大学 | 一种针对sar图像的杂波图像生成方法和目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110012778A1 (en) * | 2008-12-10 | 2011-01-20 | U.S. Government As Represented By The Secretary Of The Army | Method and system for forming very low noise imagery using pixel classification |
US8125370B1 (en) * | 2007-04-16 | 2012-02-28 | The United States Of America As Represented By The Secretary Of The Navy | Polarimetric synthetic aperture radar signature detector |
CN102651073A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于稀疏动态集成选择的sar图像地物分类方法 |
CN102737381A (zh) * | 2012-06-13 | 2012-10-17 | 西安电子科技大学 | 基于混合二分图聚类集成的图像分割方法 |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
-
2014
- 2014-12-04 CN CN201410748929.2A patent/CN104504393B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8125370B1 (en) * | 2007-04-16 | 2012-02-28 | The United States Of America As Represented By The Secretary Of The Navy | Polarimetric synthetic aperture radar signature detector |
US20110012778A1 (en) * | 2008-12-10 | 2011-01-20 | U.S. Government As Represented By The Secretary Of The Army | Method and system for forming very low noise imagery using pixel classification |
CN102651073A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于稀疏动态集成选择的sar图像地物分类方法 |
CN102737381A (zh) * | 2012-06-13 | 2012-10-17 | 西安电子科技大学 | 基于混合二分图聚类集成的图像分割方法 |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
Non-Patent Citations (2)
Title |
---|
刘培 等,: ""一种基于集成学习和特征融合的遥感影像分类方法"", 《红外与毫米波学报》 * |
王婷: ""基于半监督集成的遥感图像的分割和分类"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820687A (zh) * | 2015-04-22 | 2015-08-05 | 中国科学院信息工程研究所 | 一种有向链接式分类器构造方法及分类方法 |
CN104850832A (zh) * | 2015-05-06 | 2015-08-19 | 中国科学院信息工程研究所 | 一种基于分级迭代的大规模图像样本标注方法及*** |
CN104850832B (zh) * | 2015-05-06 | 2018-10-30 | 中国科学院信息工程研究所 | 一种基于分级迭代的大规模图像样本标注方法及*** |
CN105138970A (zh) * | 2015-08-03 | 2015-12-09 | 西安电子科技大学 | 基于空间信息的极化sar图像分类方法 |
CN105138970B (zh) * | 2015-08-03 | 2018-11-16 | 西安电子科技大学 | 基于空间信息的极化sar图像分类方法 |
CN105160353B (zh) * | 2015-08-18 | 2018-07-17 | 西安电子科技大学 | 基于多特征集的极化sar数据地物分类方法 |
CN105160353A (zh) * | 2015-08-18 | 2015-12-16 | 西安电子科技大学 | 基于多特征集的极化sar数据地物分类方法 |
CN105574547A (zh) * | 2015-12-22 | 2016-05-11 | 北京奇虎科技有限公司 | 适应动态调整基分类器权重的集成学习方法及装置 |
CN105574547B (zh) * | 2015-12-22 | 2019-03-05 | 北京奇虎科技有限公司 | 适应动态调整基分类器权重的集成学习方法及装置 |
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106067042B (zh) * | 2016-06-13 | 2019-02-15 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106529385A (zh) * | 2016-08-12 | 2017-03-22 | 上海卫星工程研究所 | 基于相干谱参数的极化干涉sar图像非监督分类方法 |
CN107133653A (zh) * | 2017-05-23 | 2017-09-05 | 西安电子科技大学 | 一种基于深度阶梯网络的高分辨sar图像分类方法 |
CN107133653B (zh) * | 2017-05-23 | 2020-11-03 | 西安电子科技大学 | 一种基于深度阶梯网络的高分辨sar图像分类方法 |
CN107203791A (zh) * | 2017-06-30 | 2017-09-26 | 西安电子科技大学 | 基于异极化比和散射功率熵的极化sar图像分类方法 |
CN107203791B (zh) * | 2017-06-30 | 2019-12-31 | 西安电子科技大学 | 基于异极化比和散射功率熵的极化sar图像分类方法 |
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 |
CN107392140B (zh) * | 2017-07-19 | 2021-01-08 | 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 |
CN107451617A (zh) * | 2017-08-08 | 2017-12-08 | 西北大学 | 一种图转导半监督分类方法 |
CN108038448A (zh) * | 2017-12-13 | 2018-05-15 | 河南理工大学 | 基于加权熵的半监督随机森林高光谱遥感影像分类方法 |
CN113505840A (zh) * | 2021-07-19 | 2021-10-15 | 西北农林科技大学 | 一种在基于混淆矩阵的极化sar图像组合分类方法 |
CN113960551A (zh) * | 2021-08-30 | 2022-01-21 | 西安电子科技大学 | 一种针对sar图像的杂波图像生成方法和目标检测方法 |
CN113960551B (zh) * | 2021-08-30 | 2024-08-02 | 西安电子科技大学 | 一种针对sar图像的杂波图像生成方法和目标检测方法 |
CN115565610A (zh) * | 2022-09-29 | 2023-01-03 | 四川大学 | 基于多组学数据的复发转移分析模型建立方法及*** |
CN115565610B (zh) * | 2022-09-29 | 2024-06-11 | 四川大学 | 基于多组学数据的复发转移分析模型建立方法及*** |
CN116807479A (zh) * | 2023-08-28 | 2023-09-29 | 成都信息工程大学 | 一种基于多模态深度神经网络的驾驶注意力检测方法 |
CN116807479B (zh) * | 2023-08-28 | 2023-11-10 | 成都信息工程大学 | 一种基于多模态深度神经网络的驾驶注意力检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104504393B (zh) | 2018-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504393A (zh) | 基于集成学习的极化sar图像半监督分类方法 | |
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN107292317B (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN101692125B (zh) | 基于Fisher判别零空间的高光谱遥感图像混合像元分解方法 | |
CN104331707A (zh) | 基于深度pca网络和svm的极化sar图像分类方法 | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
CN102968640B (zh) | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 | |
CN109359525B (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN102915445A (zh) | 一种改进型的神经网络高光谱遥感影像分类方法 | |
CN103824084A (zh) | 基于sdit和svm的极化sar图像分类方法 | |
CN105913450A (zh) | 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及*** | |
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 | |
CN109840542B (zh) | 基于极化特征的自适应维度决策树分类方法 | |
CN103955709B (zh) | 基于加权合成核与tmf的极化sar图像分类方法 | |
CN103426175B (zh) | 基于特征值度量谱聚类的极化sar图像分割方法 | |
CN101866424A (zh) | 基于独立分量分析的高光谱遥感图像混合像元分解方法 | |
CN105760900A (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
CN108985360A (zh) | 基于扩展形态学与主动学习的高光谱分类方法 | |
CN103927551A (zh) | 基于超像素相关矩阵的极化sar图像半监督分类方法 | |
CN106529563B (zh) | 基于双图稀疏非负矩阵分解的高光谱波段选择方法 | |
CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
CN103714353B (zh) | 基于视觉先验模型的极化sar图像分类方法 | |
CN104182767A (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 | |
CN101598784A (zh) | 基于fa模型的强噪声背景下雷达距离像统计识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |