CN105046268B - 基于Wishart深度网络的极化SAR图像分类方法 - Google Patents
基于Wishart深度网络的极化SAR图像分类方法 Download PDFInfo
- Publication number
- CN105046268B CN105046268B CN201510341168.3A CN201510341168A CN105046268B CN 105046268 B CN105046268 B CN 105046268B CN 201510341168 A CN201510341168 A CN 201510341168A CN 105046268 B CN105046268 B CN 105046268B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- msub
- wishart
- rbm
- 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 37
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 65
- 230000004913 activation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 6
- 238000002939 conjugate gradient method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/24155—Bayesian classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Wishart深度网络的极化SAR图像分类方法,主要解决现在特征提取需要很多先验知识以及人工劳动强度大的问题。其实现步骤为:(1)输入极化SAR图像并做滤波处理;(2)对滤波后的图像构造多层Wishart RBM学习特征;(3)用学习到的特征训练softmax分类器;(4)用多层Wishart RBM和softmax分类器构造深度网络DBN,并对其进行训练;(6)用深度网络DBN对极化SAR图像分类并输出结果。本发明与经典分类方法相比,分类正确率更高,分类结果同质区域更完整,区域一致性更好,分类性能更好,适用于对极化SAR图像进行地物分类和目标识别。
Description
技术领域
本发明属于图像处理技术领域,具体涉及极化合成孔径雷达SAR图像的分类方法,可用于实现极化SAR图像的地物分类和目标识别。
背景技术
合成孔径雷达SAR***能够得到具有全天候、全天时、分辨率高的遥感图像,极化合成孔径雷达PolSAR是先进的SAR***,通过发射和接收极化雷达波来描述观察到的土地覆盖物和目标。
在过去的二十年中,研究表明,PolSAR在目标检测、地物分类、参数反演、地形提取应用方面能够提供比单极化SAR更多有用的信息。如今,一些星载平台,如TerraSAR-X卫星,RADARSAT-2卫星,和ALOS-PALSAR卫星不断地提供着数据量巨大的极化SAR数据。手动解释这些大量极为复杂的图像是不靠谱的。因此,迫切地需要开发自动或半自动***来对极化SAR图像进行解释和信息挖掘。
根据是否需要训练样本和人工干预,PolSAR图像分为监督分类和非监督分类。对于这两种方法,特征提取和分类技术是两个基本要素。PolSAR图像分类的性能在很大程度上依赖于特征。出于这个原因,许多PolSAR图像分类方法着力于PolSAR图像特征的提取。
Cloude等人提出的基于H/α目标分解的极化SAR图像非监督分类方法,见Cloude SR,Pottier E.An entropy based classification scheme for land applications ofpolarimetric SAR[J].IEEE Trans.Geosci.Remote Sensing.1997,35(1):549-557.就是一种特征提取的方法,该方法主要是通过Cloude分解获取H和α两个表征极化数据的特征,然后根据H和α组成的H/α平面人为的将其划分为9个区域,去掉一个理论上不可能存在的区域,最终将图像划分为8类。H/α分类存在的一个缺陷是区域的划分过于武断,当数据分布区域边界上时可能会被错误的划分,另外,同一类别的地物可能会划分不到不同的区域内,同时,同一区域内也可能存在不同类别的地物。
Yoshio Yamaguchi等提出了一种基于四分量目标分解的极化图像非监督分类算法,见Yoshio Yamaguchi,Toshifumi Moriyama,Motoi Ishido,and Hiroyoshi Yamada,“Four-Component Scattering Model for Polarimetric SAR Image Decomposition,”IEEE Trans.Geosci.Remote Sens,vol.43,no.8,Aug.2005。该方法将极化SAR数据分解为四个简单的散射机制相结合。这四个散射机制分别为:平面散射、二面角散射、体散射和螺旋散射。
上述这些特征的提取的方法是都是根据要解决的问题以及数据的特征人工设计出来的,因此劳动强度特别大。
DBN是一种无监督特征学习框架,它能够提取多层特征。类似于人脑的层次模型,DBN能提取从低层次到高层次的特征。DBN是通过假设数据服从高斯分布来对数据进行特征学习的,但是PolSAR数据服从的是Wishart分布。因此,将PolSAR数据服从的分布引入DBN,来完成特征学习,可以学习到能有效表征PolSAR数据的特征,实现更好的分类效果。限制玻尔兹曼机RBM是DBN的基本构成,通过Wishart RBM可以将PolSAR数据的分布引入DBN。因此,它更有利于DBN在PolSAR数据上的应用。
发明内容
本发明的目的在于针对已有技术的不足,提供一种基于Wishart深度网络的极化SAR图像分类方法,以提高深度网络DBN在极化SAR数据上的分类效果和精度。
实现本发明目的的技术方案是:对极化SAR图像进行滤波;提取每个像素的9个独立元素,并用基于Wishart RBM的深度网络DBN对这些数据学习特征;再用基于最小交叉熵的共轭梯度法对基于Wishart RBM的深度网络DBN进行微调,得到更好的特征和分类结果。具体步骤包括如下:
(1)读入一幅待分类的极化SAR图像,采用精致极化LEE滤波方法对待分类的极化SAR图像进行滤波,去除斑点噪声,得到滤波后的极化SAR图像;
(2)从滤波后的极化SAR图像随机选取10%的有标记数据作为训练样本,剩下的90%有标记数据作为测试样本;
(3)Wishart RBM是深度网络DBN的基本构成单元,可用于特征学习。构造三层Wishart RBM结构,完成对极化SAR样本的特征学习:
(3a)将训练样本输入到第一层Wishart RBM中进行训练,得到能表征输入数据的特征,并保存第一层Wishart RBM的权值和偏置;
(3b)将第一层Wishart RBM训练得到的特征输入到第二层Wishart RBM中进行训练,得到能表征第一层Wishart RBM所得的特征的新特征,并保存第二层Wishart RBM的权值和偏置;
(3c)将第二层Wishart RBM训练得到的特征输入到第三层Wishart RBM中进行训练,得到能表征第二层Wishart RBM所得的特征的新特征,并保存第三层Wishart RBM的权值和偏置,该第三层Wishart RBM学习到的特征就是三层Wishart RBM结构学习得到的特征;
(4)训练深度网络DBN:
将三层Wishart RBM学习得到的特征作为深度网络DBN的最后一层贝叶斯网络softmax分类器层的输入,对softmax分类器层进行训练,得到训练好的softmax分类器,并保存softmax分类器的权值;
用三层Wishart RBM的权值和偏置及softmax分类器的权值构成深度网络DBN网络,并用基于最小交叉熵的共轭梯度法对该深度网络DBN进行200次训练,得到训练好的深度网络框架;
(5)将测试数据输入到训练好的深度网络框架中得到分类结果;
(6)在完成分类后的极化SAR图像上,按照红、绿、蓝三基色在相同类别上相同的颜色,得到上色后的分类结果图并输出。
本发明与现有的技术相比具有以下优点:
1.本发明是对深度学习方法在极化SAR图像应用上的改进,将极化SAR数据的分布特性加入了经典深度学习模型RBM,通过多层无监督特征学习,实现了极化SAR图像的特征提取;
2.本发明通过Wishart RBM学习到的权值和偏置可直接用于构成DBN深度网络,经过微调的深度网络DBN可以达到更好的分类性能,使得结果更加稳定;
仿真结果表明,本发明采用的基于Wishart RBM的深度网络DBN实现极化SAR图像分类,分类效果优良,正确率高,分类结果区域一致性也较好。
以下结合附图对本发明实施例和效果做进一步详细描述。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真使用的极化SAR数据的PauliRGB合成图;
图3是本发明所用极化合成孔径雷达SAR图像的真实地物标记;
图4是用现有监督Wishart分类方法的分类结果;
图5是用现有支持向量机SVM分类方法的分类结果;
图6是经典深度网络DBN分类方法的分类结果;
图7是本发明的分类结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,输入待分类的极化SAR图像,采用精致极化LEE滤波方法对待分类的极化SAR图像进行滤波,以去除斑点噪声,得到滤波后的极化SAR图像。
(1a)设定精致极化LEE滤波的滑动窗口大小为7*7像素;
(1b)将滑动窗口在输入的极化SAR图像的像素上,从左到右、从上到下滑动,每滑动一步时,将滑动窗口按照像素空间位置,从左到右、从上到下依次分成9个子窗口,子窗口之间有重叠,每个窗口的大小为3*3像素,计算各子窗的功率均值,即C矩阵对角线的和,将所得到的均值构成3*3像素的均值窗口;
(1c)选择水平、垂直、45度和135度的四个方向的梯度模板,将均值窗口分别与四个模板进行加权,选择计算加权结果绝对值最大的梯度模板为边缘方向;
(1d)对比较边缘两侧的像素求功率均值,用得到的两个功率均值分别减去中心窗口所有像素的均值,并以该差值较小的一侧作为方向窗口,将该方向窗口内的功率均值记为
(1e)根据方向窗口内的功率均值记为按照下式得到精致极化LEE滤波的权值;
其中,y0表示单个像素点的功率值,var(y0)表示方向窗口内功率的方差值,sv 2表示输入的极化SAR图像相干斑噪声的标准偏差;
(1f)根据步骤(1e)的结果,按照下式得到滤波后极化SAR图像中心像素的协方差矩阵:
x=w+k(z-w),
其中,w表示方向窗口内极化SAR图像像素的协方差矩阵的功率均值,z表示极化SAR图像中心像素的协方差矩阵。
步骤2,从滤波后的极化SAR图像中选取训练样本和测试样本。
滤波后的极化SAR图像中,包含有标记的样本和无标记的样本,其中有标记的样本是已经知道所属类别的样本,无标记的样本是所属类别未知的样本;
从有标记样本中随机选取10%的作为训练样本,剩下的90%作为测试样本。
步骤3,构造三层Wishart RBM结构,完成对极化SAR样本的特征学习。
Wishart RBM是深度网络DBN的基本构成单元,可用于特征学习,其步骤如下:
(3a)将训练样本输入到第一层Wishart RBM中进行训练,得到能表征输入数据的特征,并保存第一层Wishart RBM的权值和偏置;
(3a1)设置隐藏层节点数为256,训练迭代次数为3,学习率r为0.1,自由度n为4;
(3a2)根据下面的公式计算Wishart RBM的隐藏层激活值f1:
其中为Wishart RBM在第i次训练时的权值,为Wishart RBM在第i次训练时的隐藏层偏置,X为输入数据,δ为sigmoid函数,其形式如下所示:
δ(x)=1/(1+exp(-x));
(3a3)根据步骤(3a2)得到的激活值f1,按照下式计算对输入数据的重构值Y1:
其中,为Wishart RBM第i次训练时的重构偏置,()H表示取共轭操作,w为Wishart RBM的重构函数,其形式如下:
其中q为矩阵维数,此处取q=3,n为自由度,Tr()表示取矩阵的迹,Σ为C的均值,K(n,q)为中间变量:
式中,Γ(n)=(n-1)!,()!表示阶乘操作;
(3a4)根据下式更新以及的值:
重复步骤(3a2)至步骤(3a4),当迭代次数i=3,则停止迭代并保存以及的值;
(3b)将第一层Wishart RBM训练得到的特征输入到第二层Wishart RBM中进行训练,得到能表征第一层Wishart RBM所得的特征的新特征,并保存第二层Wishart RBM的权值和偏置。
(3b1)设置参数:设置隐藏层节点数为121,训练迭代次数为3,学习率r为0.1,自由度n为4;
(3b2)根据下式计算Wishart RBM的隐藏层激活值f2:
其中为Wishart RBM在第i次训练时的权值,为Wishart RBM在第i次训练时的隐藏层偏置,X为第一层Wishart RBM在训练迭代次数i=3时的重构值,δ为sigmoid函数,其形式如下所示:
δ(x)=1/(1+exp(-x));
(3b3)根据步骤(3b2)得到的激活值f2,按照下式计算输入数据的重构值Y2:
其中,为Wishart RBM第i次训练时的重构偏置,()H表示取共轭操作,w为Wishart RBM的重构函数,形式如下:
(3b4)根据下式更新以及的值:
重复步骤(3b2)至步骤(3b4),当迭代次数i=3,则停止迭代并保存以及的值;
(3c)将第二层Wishart RBM训练得到的特征输入到第三层Wishart RBM中进行训练,得到能表征第二层Wishart RBM所得的特征的新特征,并保存第三层Wishart RBM的权值和偏置:
(3c1)设置隐藏层节点数为49,训练迭代次数为3,学习率r为0.1,自由度n为4;
(3c2)根据下面的公式计算Wishart RBM的隐藏层激活值f3:
其中为Wishart RBM在第i次训练时的权值,为Wishart RBM在第i次训练时的隐藏层偏置,X为第二层Wishart RBM在训练迭代次数i=3时的重构值,δ为sigmoid函数,其形式如下所示:
δ(x)=1/(1+exp(-x));
(3c3)根据步骤(3c2)得到的激活值f1,按照下式计算对输入数据的重构值Y3:
其中,为Wishart RBM第i次训练时的重构偏置,()H表示取共轭操作,w为Wishart RBM的重构函数,形式如下:
(3c4)根据下式更新以及的值:
重复步骤(3c2)至步骤(3c4),当迭代次数i=3,则停止迭代并保存以及的值,第三层Wishart RBM的重构值Y3就是三层Wishart RBM结构学习得到的特征。
步骤4,训练深度网络DBN。
将三层Wishart RBM学习得到的特征作为深度网络DBN的最后一层贝叶斯网络softmax分类器层的输入,对softmax分类器层进行训练,得到训练好的softmax分类器,并保存softmax分类器的权值;
用三层Wishart RBM的权值和偏置及softmax分类器的权值构成深度网络DBN网络,并用基于最小交叉熵的共轭梯度法对该深度网络DBN进行训练,得到训练好的深度网络框架。
所述基于最小交叉熵的共轭梯度法,是经典的深度网络训练方法。
步骤5,利用训练好的深度网络框架得到极化SAR图像的分类结果。
将测试样本输入训练好的深度网络框架得到测试样本的分类结果,并将测试样本的分类结果与标记结果进行比较,得到分类正确率;
将极化SAR图像的全部样本输入训练好的深度网络框架,得到全部样本的分类结果,即极化SAR图像的分类结果。
步骤6,输出极化SAR图像的分类结果。
在全部样本都完成分类的极化SAR图像上,将红色、绿色、蓝色三个颜色作为三基色,分别按照不同的比例混合三基色,分别对这三基色取如下15组值:(255,0,0)、(255,128,0)、(171,138,80)、(255,255,0)、(183,0,255)、(191,191,255)、(90,11,255)、(191,255,191)、(0,252,255)、(128,0,0)、(255,182,229)、(0,255,0)、(0,131,74)、(0,0,255)、(255,217,157),得到15种不同的颜色来对分类结果上色,其中分类结果中相同类别上相同的颜色。
本发明的效果可以通过以下仿真进一步说明:
1、仿真内容与结果分析
本发明将图2所示的荷兰弗莱福兰省Flevoland极化SAR数据作为测试图像,大小为750×1024。根据图3的真实地物标记对每个类别随机选取10%作为训练样本。用剩下的有标记的90%数据做为测试数据。
仿真一,用现有的监督Wishart分类方法对图2进行分类,分类结果见图4。
仿真二,用现有的支持向量机SVM分类方法对图2进行分类,分类结果见图5。
仿真三,用经典深度网络DBN分类方法对图2进行分类,分类结果见图6。
仿真四,用本发明对图2进行分类,分类结果见图7。
四个仿真实验每类的正确率及总的正确率见下表。
由上表以及图4、图5、图6和图7可以看出:本发明在四种方法之中,正确率为95.32%,是最高的。本发明的无论是在精度上,还是在视觉效果上都比监督Wishart方法更好。监督Wishart将很多水的区域为错分为了裸土,而本发明及支持向量机SVM方法和经典DBN分类方法都没有出现这种情况。本发明所有地物的分类正确率都大于87%,该方法的同质区域比其他三个方法更完整,区域一致性更好。说明了本发明在极化SAR数据分类性能更好。
Claims (4)
1.一种基于Wishart深度网络的极化SAR图像分类方法,包括如下步骤:
(1)读入一幅待分类的极化SAR图像,采用精致极化LEE滤波方法对待分类的极化SAR图像进行滤波,去除斑点噪声,得到滤波后的极化SAR图像;
(2)从滤波后的极化SAR图像随机选取10%的有标记数据作为训练样本,剩下的90%有标记数据作为测试样本;
(3)Wishart RBM是深度网络DBN的基本构成单元,可用于特征学习,构造三层WishartRBM结构,完成对极化SAR样本的特征学习:
(3a)将训练样本输入到第一层Wishart RBM中进行训练,得到能表征输入数据的特征,并保存第一层Wishart RBM的权值和偏置;
(3b)将第一层Wishart RBM训练得到的特征输入到第二层Wishart RBM中进行训练,得到能表征第一层Wishart RBM所得的特征的新特征,并保存第二层Wishart RBM的权值和偏置;
(3c)将第二层Wishart RBM训练得到的特征输入到第三层Wishart RBM中进行训练,得到能表征第二层Wishart RBM所得的特征的新特征,并保存第三层Wishart RBM的权值和偏置,该第三层Wishart RBM学习到的特征就是三层Wishart RBM结构学习得到的特征;
(4)训练深度网络DBN:
将三层Wishart RBM学习得到的特征作为深度网络DBN的最后一层贝叶斯网络softmax分类器层的输入,对softmax分类器层进行训练,得到训练好的softmax分类器,并保存softmax分类器的权值;
用三层Wishart RBM的权值和偏置及softmax分类器的权值构成深度网络DBN网络,并用基于最小交叉熵的共轭梯度法对该深度网络DBN进行200次训练,得到训练好的深度网络框架;
(5)将测试数据输入到训练好的深度网络框架中得到分类结果;
(6)在完成分类后的极化SAR图像上,按照红、绿、蓝三基色在相同类别上相同的颜色,得到上色后的分类结果图并输出。
2.根据权利要求1所述的基于Wishart深度网络的极化SAR图像分类方法,其中所述步骤(3a)中训练第一层Wishart RBM,按如下步骤进行:
(3a1)设置参数:设置隐藏层节点数为256,训练迭代次数为3,学习率r为0.1,自由度n为4;
(3a2)根据下面的公式计算Wishart RBM的隐藏层激活值f1:
<mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>W</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<mi>X</mi>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中为Wishart RBM在第i次训练时的权值,为Wishart RBM在第i次训练时的隐藏层偏置,X为输入数据,δ为sigmoid函数,其形式如下所示:
δ(x)=1/(1+exp(-x));
(3a3)根据步骤(3a2)得到的激活值f1,按照下式计算对输入数据的重构值Y1:
<mrow>
<msub>
<mi>Y</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>c</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>c</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mi>H</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,为Wishart RBM第i次训练时的重构偏置,()H表示取共轭操作,w为Wishart RBM的重构函数,形式如下:
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>n</mi>
<mrow>
<mi>q</mi>
<mi>n</mi>
</mrow>
</msup>
<mo>|</mo>
<mi>C</mi>
<msup>
<mo>|</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>n</mi>
<mi>T</mi>
<mi>r</mi>
<mo>(</mo>
<mrow>
<msup>
<mi>&Sigma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>C</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>&Sigma;</mi>
<msup>
<mo>|</mo>
<mi>n</mi>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中q为矩阵维数,此处取q=3,n为自由度,Tr()表示取矩阵的迹,∑为C的均值,K(n,q)为中间变量:
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>&pi;</mi>
<mfrac>
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
</msup>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>...</mo>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
式中,Γ(n)=(n-1)!,()!表示阶乘操作;
(3a4)根据下式更新以及的值:
<mrow>
<msubsup>
<mi>W</mi>
<mn>1</mn>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>W</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Xf</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mn>1</mn>
</msub>
<mi>&delta;</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>Y</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>b</mi>
<mn>1</mn>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>b</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>c</mi>
<mn>1</mn>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>c</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mi>&delta;</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>Y</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
重复步骤(3a2)至步骤(3a4),当迭代次数i=3,则停止迭代并保存以及的值。
3.根据权利要求1所述的基于Wishart深度网络的极化SAR图像分类方法,其中所述步骤(3b)中训练第二层Wishart RBM,按如下步骤进行:
(3b1)设置参数:设置隐藏层节点数为121,训练迭代次数为3,学习率r为0.1,自由度n为4;
(3b2)根据下式计算Wishart RBM的隐藏层激活值f2:
<mrow>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>W</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mi>X</mi>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中为Wishart RBM在第i次训练时的权值,为Wishart RBM在第i次训练时的隐藏层偏置,X为第一层Wishart RBM在训练迭代次数i=3时的重构值,δ为sigmoid函数,其形式如下所示:
δ(x)=1/(1+exp(-x));
(3b3)根据步骤(3b2)得到的激活值f2,按照下式计算输入数据的重构值Y2:
<mrow>
<msub>
<mi>Y</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>c</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>c</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mi>H</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,为Wishart RBM第i次训练时的重构偏置,()H表示取共轭操作,w为Wishart RBM的重构函数,形式如下:
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>n</mi>
<mrow>
<mi>q</mi>
<mi>n</mi>
</mrow>
</msup>
<mo>|</mo>
<mi>C</mi>
<msup>
<mo>|</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>n</mi>
<mi>T</mi>
<mi>r</mi>
<mo>(</mo>
<mrow>
<msup>
<mi>&Sigma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>C</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>&Sigma;</mi>
<msup>
<mo>|</mo>
<mi>n</mi>
</msup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中q为矩阵维数,此处取q=3,n为自由度,Tr()表示取矩阵的迹,∑为C的均值,K(n,q)为中间变量:
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>&pi;</mi>
<mfrac>
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
</msup>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>...</mo>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
式中,Γ(n)=(n-1)!,()!表示阶乘操作;
(3b4)根据下式更新以及的值:
<mrow>
<msubsup>
<mi>W</mi>
<mn>2</mn>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>W</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Xf</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mn>2</mn>
</msub>
<mi>&delta;</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>Y</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>b</mi>
<mn>2</mn>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>b</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>c</mi>
<mn>2</mn>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>c</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<mi>&delta;</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>Y</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
重复步骤(3b2)至步骤(3b4),当迭代次数i=3,则停止迭代并保存以及的值。
4.根据权利要求1所述的基于Wishart深度网络的极化SAR图像分类方法,其中所述步骤(3c)中训练第三层Wishart RBM,按如下步骤进行:
(3c1)设置参数:设置隐藏层节点数为49,训练迭代次数为3,学习率r为0.1,自由度n为4;
(3c2)根据下面的公式计算Wishart RBM的隐藏层激活值f3:
<mrow>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>W</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<mi>X</mi>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中为Wishart RBM在第i次训练时的权值,为Wishart RBM在第i次训练时的隐藏层偏置,X为第二层Wishart RBM在训练迭代次数i=3时的重构值,δ为sigmoid函数,其形式如下所示:
δ(x)=1/(1+exp(-x));
(3c3)根据步骤(3c2)得到的激活值f1,按照下式计算对输入数据的重构值Y3:
<mrow>
<msub>
<mi>Y</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>c</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>c</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mi>H</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,为Wishart RBM第i次训练时的重构偏置,()H表示取共轭操作,w为Wishart RBM的重构函数,形式如下:
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>n</mi>
<mrow>
<mi>q</mi>
<mi>n</mi>
</mrow>
</msup>
<mo>|</mo>
<mi>C</mi>
<msup>
<mo>|</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>n</mi>
<mi>T</mi>
<mi>r</mi>
<mo>(</mo>
<mrow>
<msup>
<mi>&Sigma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>C</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>&Sigma;</mi>
<msup>
<mo>|</mo>
<mi>n</mi>
</msup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,q为矩阵维数,此处取q=3,n为自由度,Tr()表示取矩阵的迹,Σ为C的均值,K(n,q)为中间变量:
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>&pi;</mi>
<mfrac>
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
</msup>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>...</mo>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
式中,Γ(n)=(n-1)!,()!表示阶乘操作;
(3c4)根据下式更新以及的值:
<mrow>
<msubsup>
<mi>W</mi>
<mn>3</mn>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>W</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Xf</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mn>3</mn>
</msub>
<mi>&delta;</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>Y</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>b</mi>
<mn>3</mn>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>b</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>c</mi>
<mn>3</mn>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>c</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<mi>&delta;</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<msub>
<mi>Y</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
重复步骤(3c2)至步骤(3c4),当迭代次数i=3,则停止迭代并保存以及的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510341168.3A CN105046268B (zh) | 2015-06-18 | 2015-06-18 | 基于Wishart深度网络的极化SAR图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510341168.3A CN105046268B (zh) | 2015-06-18 | 2015-06-18 | 基于Wishart深度网络的极化SAR图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105046268A CN105046268A (zh) | 2015-11-11 |
CN105046268B true CN105046268B (zh) | 2018-05-04 |
Family
ID=54452797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510341168.3A Active CN105046268B (zh) | 2015-06-18 | 2015-06-18 | 基于Wishart深度网络的极化SAR图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105046268B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894035B (zh) * | 2016-04-05 | 2018-11-30 | 西安电子科技大学 | 基于sar-sift和dbn的sar图像分类方法 |
CN106127208A (zh) * | 2016-06-16 | 2016-11-16 | 北京市商汤科技开发有限公司 | 对图像中的多个对象进行分类的方法和***、计算机*** |
CN106203520B (zh) * | 2016-07-17 | 2019-02-19 | 西安电子科技大学 | 基于深度相关向量机的sar图像分类方法 |
CN109507655B (zh) * | 2018-12-11 | 2022-09-02 | 西北工业大学 | 基于导向重构与范数约束dbn的sar目标识别算法 |
CN109740679B (zh) * | 2019-01-13 | 2020-10-30 | 胡燕祝 | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 |
CN110739031B (zh) * | 2019-11-18 | 2021-07-23 | 中南大学 | 一种冶金烧结过程的有监督预测方法、装置及存储介质 |
CN112991182A (zh) * | 2021-04-07 | 2021-06-18 | 西南科技大学 | 一种基于混合共轭梯度的sar图像压缩感知重建算法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999761A (zh) * | 2012-10-25 | 2013-03-27 | 西安电子科技大学 | 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 |
CN104318245A (zh) * | 2014-10-20 | 2015-01-28 | 西安电子科技大学 | 基于稀疏深度网络的极化sar图像分类 |
-
2015
- 2015-06-18 CN CN201510341168.3A patent/CN105046268B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999761A (zh) * | 2012-10-25 | 2013-03-27 | 西安电子科技大学 | 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 |
CN104318245A (zh) * | 2014-10-20 | 2015-01-28 | 西安电子科技大学 | 基于稀疏深度网络的极化sar图像分类 |
Non-Patent Citations (2)
Title |
---|
A Fast Learning Algorithm for Deep Belief Nets;Hinton G E等;《Neural computation》;20060731;第18卷(第7期);全文 * |
基于半监督学习的SVM-Wishart极化SAR图像分类方法;滑文强等;《雷达学报》;20150228;第4卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105046268A (zh) | 2015-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046268B (zh) | 基于Wishart深度网络的极化SAR图像分类方法 | |
CN107563422B (zh) | 一种基于半监督卷积神经网络的极化sar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 | |
CN104156728B (zh) | 一种基于栈式编码和softmax的极化SAR图像分类方法 | |
Chang | Real-time progressive hyperspectral image processing | |
CN107292317B (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
CN103247059B (zh) | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 | |
CN108133173B (zh) | 基于半监督梯形网络的极化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 | |
CN105608692B (zh) | 基于反卷积网络和稀疏分类的极化sar图像分割方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
CN105930846B (zh) | 基于邻域信息和svgdl的极化sar图像分类方法 | |
CN106127221B (zh) | 基于极化-纹理特征与dpl的极化sar图像分类方法 | |
CN107145830A (zh) | 基于空间信息增强和深度信念网络的高光谱图像分类方法 | |
CN106683102B (zh) | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 | |
CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
CN107403434A (zh) | 基于两阶段聚类的sar图像语义分割方法 | |
CN104318245A (zh) | 基于稀疏深度网络的极化sar图像分类 | |
CN105894013B (zh) | 基于cnn和smm的极化sar图像分类方法 | |
CN105160353B (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN106611420A (zh) | 基于反卷积网络和素描图方向约束的sar图像分割方法 | |
CN106611421A (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN106846322A (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 |
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 |