CN106203444A - 基于条带波与卷积神经网络的极化sar图像分类方法 - Google Patents
基于条带波与卷积神经网络的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN106203444A CN106203444A CN201610512912.6A CN201610512912A CN106203444A CN 106203444 A CN106203444 A CN 106203444A CN 201610512912 A CN201610512912 A CN 201610512912A CN 106203444 A CN106203444 A CN 106203444A
- Authority
- CN
- China
- Prior art keywords
- sar image
- polarimetric sar
- convolutional neural
- neural networks
- sorted
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于条带波与卷积神经网络的极化SAR图像分类方法,主要解决现有技术中极化合成孔径雷达SAR图像分类精度低的问题。本发明的具体步骤如下:(1)输入极化SAR图像;(2)提取泡利分解特征;(3)构建特征矩阵;(4)选取训练样本和测试样本;(5)构建初始矩阵;(6)初始化卷积神经网络;(7)训练卷积神经网络;(8)测试卷积神经网络;(9)上色;(10)输出分类结果图。本发明与现有技术相比,有效地提高了极化SAR图像的分类精度。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及极化合成孔径雷达图像地物分类技术领域中的一种基于条带波(Bandelet)与卷积神经网络(Convolutional NeuralNetwork,CNN)的极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类方法。本发明可用于对极化SAR图像的地物进行分类,能有效的提高极化SAR图像的分类精度。
背景技术
极化SAR图像分类是SAR影像解译的重要内容,现有的极化SAR图像分类方法有:
武汉大学在其申请的专利“基于混合分类器的极化SAR数据分类方法及***”(专利申请号:201310310179.6,公开号:103366184A)中提出了一种基于混合分类器的极化SAR数据分类方法。该方法首先获得极化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;然后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。该方法将传统的决策树分类器和SVM分类器相结合,虽然改善了极化SAR图像分类方法计算效率低的问题,但是,该方法仍然存在的不足之处是,由于该方法没有考虑极化SAR图像的空间相关性,从而导致极化SAR图像分类中区域一致性较差和分类精度不高。
西安电子科技大学在其申请的专利“基于深度小波神经网络的极化SAR图像分类方法”(专利申请号:201410741410.1,公开号:CN104408481A)中提出了一种基于深度小波神经网络的极化SAR图像分类方法。该方法先对极化SAR图像的相干矩阵进行滤波,再将滤波后的相干矩阵作为特征向量组成一个样本集,从样本集中随机选取样本组成训练样本、测试样本,利用获得的最优权重和小波参数对测试样本进行特征提取,最后利用支撑向量机SVM对提取的特征进行分类,得到最终分类结果。该方法利用深度小波神经网络提取数据的深层高维特征,虽然避免了现有分类技术中存在的特征数较少或者特征学习不充分、不合理的问题,但是,该方法仍然存在的不足之处是,由于该方法直接利用了极化SAR图像的小波特征信息,无法保留极化SAR图像的方向信息。
发明内容
本发明的目的在于克服上述现有技术的不足,提出了一种基于条带波与卷积神经网络的极化SAR图像分类方法。本发明能提高极化SAR图像的分类精度,同时能很好地保留极化SAR图像的方向信息。
实现本发明目的的具体步骤如下:
(1)输入一幅待分类的极化SAR图像的相干矩阵;
(2)提取泡利Pauli分解特征值:
(2a)采用泡利Pauli分解公式,从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值;
(2b)将从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值分别归一到[0,255]之间;
(3)构建特征矩阵:
(3a)采用特征提取方法,对待分类的极化SAR图像的每个像素点提取特征向量;
(3b)将所有像素点的特征向量组成一个21*63*N的极化特征矩阵,得到待分类的极化SAR图像的极化特征矩阵,其中,N表示待分类极化SAR图像中所有像素点的总数;
(4)选取训练样本和测试样本:
(4a)根据待分类的极化SAR图像的实际地物分布,在待分类的极化SAR图像的极化特征矩阵中标记出每类有标签的样本;
(4b)从每类有标签的样本中随机选取10000个样本作为训练样本,将剩余所有的有标签样本作为测试样本;
(5)按照下式,随机产生4×4大小的初始矩阵:
其中,x表示初始矩阵,rand表示随机产生矩阵的操作,*表示相乘操作,sqrt表示开方操作,fl表示一个常数,l表示卷积神经网络的层数,当l=2时,fl=144,当l=4时,fl=288;
(6)采用条带波Bandelet变换方法,初始化卷积神经网络:
(6a)对初始矩阵进行二维小波变换,得到变换矩阵;
(6b)对变换矩阵进行二进剖分,在条带波Bandelet变换的每个尺度上,连续地将一个区域剖分为四个大小相等的方形子块区域,并将每个方形子块区域的尺寸限制为宽度为L个像素,且4≤L≤2j/2,j表示变换矩阵的宽度;
(6c)对每个方形子块区域进行方向采样,对N*N大小的方形子块区域设定其采样方向数为4*N,每个方向对应于[0,π)区间的一个角度,步长为并将方形子块区域沿每个采样方向进行正交投影,得到投影信号;
(6d)对投影信号重新排序,得到一个一维离散信号;
(6e)对一维离散信号进行一维离散小波变换,得到一维小波系数;
(6f)按照下式,计算每个方形子块区域的每个采样方向对应的拉格朗日Lagrangian目标函数值:
其中,表示拉格朗日Lagrangian目标函数,fd表示一维离散信号,R表示比特数,表示求2范数的平方操作,fdR表示一维小波系数,λ表示Lagrangian乘子,取T表示量化阈值,RG表示使用熵编码器对几何特征参数d编码时所需的比特数,RB表示对计算条带波Bandelet系数的参数数目编码时所需的比特数;
(6g)对方形子块区域的每个采样方向对应的的拉格朗日Lagrangian目标函数值按升序排序,将排序中最小的拉格朗日Lagrangian目标函数值对应的采样方向作为该方形子块区域的最佳方向;
(6h)沿着方形子块区域的最佳方向投影,得到投影信号,对投影信号按升序排序,得到一维离散信号,对该离散信号进行一维离散小波变换,得到的一维小波系数,将该一维小波系数作为该方形子块区域的条带波Bandelet系数;
(6i)将所有方形子块区域的条带波Bandelet系数组成条带波Bandelet系数矩阵;
(6j)将条带波Bandelet系数矩阵作为卷积神经网络的滤波器,得到初始化的卷积神经网络;
(7)训练卷积神经网络:
将训练样本输入到初始化的卷积神经网络中,训练初始化的卷积神经网络,得到训练好的卷积神经网络;
(8)测试卷积神经网络:
(8a)将测试样本输入到训练好的卷积神经网络中,得到测试样本的预测标签;
(8b)按照下式,计算测试样本的测试正确率:
其中,b表示测试样本的测试正确率,size表示求个数的操作,p表示测试样本的预测标签,l表示测试样本的实际标签;
(8c)将待分类的极化SAR图像的极化特征矩阵输入到训练好卷积神经网络中,得到待分类的极化SAR图像的预测标签;
(9)上色:
(9a)将极化SAR图像的预测标签排列成与待分类的极化SAR图像大小相等的标签矩阵,将该标签矩阵表示为一幅图像,得到分类后的极化SAR图像;
(9b)在分类后的极化SAR图像上,将红色、绿色、蓝色三个颜色作为三基色,按照三基色上色法进行上色,得到上色后的极化SAR图像,输出上色后的极化SAR图像;
(10)输出分类结果图。
本发明与现有技术相比较,具有以下优点:
第一,由于本发明采用卷积神经网络对极化SAR图像进行分类,克服了现有技术没有考虑空间相关性,从而导致极化SAR图像分类中区域一致性较差和分类精度不高的问题,使得本发明具有极化SAR图像分类的区域一致性好,提高分类精度的优点。
第二,由于本发明将条带波滤波器作为卷积神经网络的滤波器,对极化SAR图像进行分类,克服了现有技术中直接利用了极化SAR图像的小波特征信息,无法保留极化SAR图像的方向信息的问题,使得本发明具有很好地保留极化SAR图像的方向信息的优点。
附图说明
图1是本发明的流程图;
图2是本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明实现的步骤如下:
步骤1,输入一幅待分类的极化SAR图像的相干矩阵。
步骤2,提取泡利Pauli分解特征值。
采用泡利Pauli分解公式,从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值。
将从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值分别归一到[0,255]之间。
步骤3,构建特征矩阵。
采用特征提取方法,对待分类的极化SAR图像的每个像素点提取特征向量。
将所有像素点的特征向量组成一个21*63*N的极化特征矩阵,得到待分类的极化SAR图像的极化特征矩阵,其中,N表示待分类极化SAR图像中所有像素点的总数。
步骤4,选取训练样本和测试样本。
根据待分类的极化SAR图像的实际地物分布,在待分类的极化SAR图像的极化特征矩阵中标记出每类有标签的样本。
从每类有标签的样本中随机选取10000个样本作为训练样本,将剩余所有的有标签样本作为测试样本。
步骤5,构建初始矩阵。
按照下式,随机产生4×4大小的初始矩阵:
其中,x表示初始矩阵,rand表示随机产生矩阵的操作,*表示相乘操作,sqrt表示开方操作,fl表示一个常数,l表示卷积神经网络的层数,当l=2时,fl=144,当l=4时,fl=288。
步骤6,采用条带波Bandelet变换方法,初始化卷积神经网络。
对初始矩阵进行二维小波变换,得到变换矩阵。
对变换矩阵进行二进剖分,在条带波Bandelet变换的每个尺度上,连续地将一个区域剖分为四个大小相等的方形子块区域,并将每个方形子块区域的尺寸限制为宽度为L个像素,且4≤L≤2j/2,j表示变换矩阵的宽度。
对每个方形子块区域进行方向采样,对N*N大小的方形子块区域设定其采样方向数为4*N,每个方向对应于[0,π)区间的一个角度,步长为并将方形子块区域沿每个采样方向进行正交投影,得到投影信号。
对投影信号重新排序,得到一个一维离散信号。
对一维离散信号进行一维离散小波变换,得到一维小波系数。
按照下式,计算每个方形子块区域的每个采样方向对应的拉格朗日Lagrangian目标函数值:
其中,表示拉格朗日Lagrangian目标函数,fd表示一维离散信号,R表示比特数,表示求2范数的平方操作,fdR表示一维小波系数,λ表示Lagrangian乘子,取T表示量化阈值,RG表示使用熵编码器对几何特征参数d编码时所需的比特数,RB表示对计算条带波Bandelet系数的参数数目编码时所需的比特数。
对方形子块区域的每个采样方向对应的的拉格朗日Lagrangian目标函数值按升序排序,将排序中最小的拉格朗日Lagrangian目标函数值对应的采样方向作为该方形子块区域的最佳方向。
沿着方形子块区域的最佳方向投影,得到投影信号,对投影信号按升序排序,得到一维离散信号,对该离散信号进行一维离散小波变换,得到的一维小波系数,将该一维小波系数作为该方形子块区域的条带波Bandelet系数。
将所有方形子块区域的条带波Bandelet系数组成条带波Bandelet系数矩阵。
将条带波Bandelet系数矩阵作为卷积神经网络的滤波器,得到初始化的卷积神经网络。
根据极化SAR图像的实际地物分布,在极化SAR图像的邻域特征矩阵中标记出每类有标签的样本。
从每类有标签的样本中随机选取5000个样本作为训练样本,将剩余所有的有标签样本作为测试样本。
步骤7,训练卷积神经网络。
将训练样本输入到初始化的卷积神经网络中,训练初始化的卷积神经网络,得到训练好的卷积神经网络。
步骤8,测试卷积神经网络。
将测试样本输入到训练好的卷积神经网络中,得到测试样本的预测标签。
按照下式,计算测试样本的测试正确率:
其中,b表示测试样本的测试正确率,size表示求个数的操作,p表示测试样本的预测标签,l表示测试样本的实际标签。
将待分类的极化SAR图像的极化特征矩阵输入到训练好卷积神经网络中,得到待分类的极化SAR图像的预测标签。
步骤9,上色。
将极化SAR图像的预测标签排列成与待分类的极化SAR图像大小相等的标签矩阵,将该标签矩阵表示为一幅图像,得到分类后的极化SAR图像。
在分类后的极化SAR图像上,将红色、绿色、蓝色三个颜色作为三基色,按照三基色上色法进行上色,得到上色后的极化SAR图像,输出上色后的极化SAR图像。
步骤10,输出分类结果图。
下面结合仿真图对本发明效果做进一步的说明:
1、仿真实验条件:
本发明的仿真实验是在主频2.8GHz的Six-Core AMD Opteron(tm)Processor2439SE、内存32GB的硬件环境和MATLAB R2012b的软件环境中进行编程实现。
2、仿真结果分析:
图2是本发明的仿真图,其中,图2(a)是本发明仿真实验中使用的极化SAR图像,该图像是美国宇航局喷气推进实验室(NASA/JPL)的AIRSAR***获取的旧金山San Francisco地区的数据,其位于L波段,是一个四视的全极化数据,大小为1800*1380。该区域包含5类地物:高密度城区(High-Density Urban)、低密度城区(Low-Density Urban)、水域(Water)、植被(Vegetation)和开发区(Developed)。图2(b)是采用现有技术的支持向量机SVM分类方法的仿真结果图;图2(c)是采用现有技术的快速稀疏SVM分类方法的仿真结果图;图2(d)是采用现有技术的卷积神经网络分类方法的仿真结果图,图2(e)是本发明的仿真结果图。
本发明的仿真实验将待分类的极化合成孔径雷达图像分成5类。
分别将图2(b)、图2(c)、图2(d)和图2(e)对比,可以看出,采用本发明的方法,相比于采用现有技术的支持向量机SVM分类方法、采用现有技术的快速稀疏SVM分类方法和采用现有技术的卷积神经网络分类方法,区域内错分杂点较少,区域一致性较好。
采用现有技术的支持向量机SVM分类方法、现有技术的快速稀疏SVM分类方法、现有技术的卷积神经网络分类方法、和本发明方法对分类正确率进行统计,结果见表1。
表1.四种方法在仿真中得到的分类正确率
仿真方法 | F1 | F2 | F3 | F4 |
分类正确率(%) | 85.27 | 87.12 | 96.18 | 97.39 |
表中的F1表示采用现有技术的支持向量机SVM分类方法,F2表示采用现有技术的快速稀疏SVM分类方法,F3表示采用现有技术的卷积神经网络分类方法,F4表示采用本发明方法。
从表1中可以看出,用本发明方法相比于其他三种方法,在分类正确率上有较大的提高,这主要是因为本发明具有很好地保留极化SAR图像的方向信息的优点,从而提高了图像分类的分类精度。
Claims (5)
1.一种基于条带波与卷积神经网络的极化SAR图像分类方法,包括如下步骤:
(1)输入一幅待分类的极化SAR图像的相干矩阵;
(2)提取泡利Pauli分解特征值:
(2a)采用泡利Pauli分解公式,从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值;
(2b)将从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a,b,c三个特征值分别归一到[0,255]之间;
(3)构建特征矩阵:
(3a)采用特征提取方法,对待分类的极化SAR图像的每个像素点提取特征向量;
(3b)将所有像素点的特征向量组成一个21*63*N的极化特征矩阵,得到待分类的极化SAR图像的极化特征矩阵,其中,N表示待分类极化SAR图像中所有像素点的总数;
(4)选取训练样本和测试样本:
(4a)根据待分类的极化SAR图像的实际地物分布,在待分类的极化SAR图像的极化特征矩阵中标记出每类有标签的样本;
(4b)从每类有标签的样本中随机选取10000个样本作为训练样本,将剩余所有的有标签样本作为测试样本;
(5)按照下式,随机产生4×4大小的初始矩阵:
其中,x表示初始矩阵,rand表示随机产生矩阵的操作,*表示相乘操作,sqrt表示开方操作,fl表示一个常数,l表示卷积神经网络的层数,当l=2时,fl=144,当l=4时,fl=288;
(6)采用条带波Bandelet变换方法,初始化卷积神经网络:
(6a)对初始矩阵进行二维小波变换,得到变换矩阵;
(6b)对变换矩阵进行二进剖分,在条带波Bandelet变换的每个尺度上,连续地将一个区域剖分为四个大小相等的方形子块区域,并将每个方形子块区域的尺寸限制为宽度为L个像素,且4≤L≤2j/2,j表示变换矩阵的宽度;
(6c)对每个方形子块区域进行方向采样,对N*N大小的方形子块区域设定其采样方向数为4*N,每个方向对应于[0,π)区间的一个角度,步长为并将方形子块区域沿每个采样方向进行正交投影,得到投影信号;
(6d)对投影信号重新排序,得到一个一维离散信号;
(6e)对一维离散信号进行一维离散小波变换,得到一维小波系数;
(6f)按照下式,计算每个方形子块区域的每个采样方向对应的拉格朗日Lagrangian目标函数值:
其中,表示拉格朗日Lagrangian目标函数,fd表示一维离散信号,R表示比特数,||·||2表示求2范数的平方操作,fdR表示一维小波系数,λ表示Lagrangian乘子,取T表示量化阈值,RG表示使用熵编码器对几何特征参数d编码时所需的比特数,RB表示对计算条带波Bandelet系数的参数数目编码时所需的比特数;
(6g)对方形子块区域的每个采样方向对应的的拉格朗日Lagrangian目标函数值按升序排序,将排序中最小的拉格朗日Lagrangian目标函数值对应的采样方向作为该方形子块区域的最佳方向;
(6h)沿着方形子块区域的最佳方向投影,得到投影信号,对投影信号按升序排序,得到一维离散信号,对该离散信号进行一维离散小波变换,得到的一维小波系数,将该一维小波系数作为该方形子块区域的条带波Bandelet系数;
(6i)将所有方形子块区域的条带波Bandelet系数组成条带波Bandelet系数矩阵;
(6j)将条带波Bandelet系数矩阵作为卷积神经网络的滤波器,得到初始化的卷积神经网络;
(7)训练卷积神经网络:
将训练样本输入到初始化的卷积神经网络中,训练初始化的卷积神经网络,得到训练好的卷积神经网络;
(8)测试卷积神经网络:
(8a)将测试样本输入到训练好的卷积神经网络中,得到测试样本的预测标签;
(8b)按照下式,计算测试样本的测试正确率:
其中,b表示测试样本的测试正确率,size表示求个数的操作,p表示测试样本的预测标签,l表示测试样本的实际标签;
(8c)将待分类的极化SAR图像的极化特征矩阵输入到训练好卷积神经网络中,得到待分类的极化SAR图像的预测标签;
(9)上色:
(9a)将极化SAR图像的预测标签排列成与待分类的极化SAR图像大小相等的标签矩阵,将该标签矩阵表示为一幅图像,得到分类后的极化SAR图像;
(9b)在分类后的极化SAR图像上,将红色、绿色、蓝色三个颜色作为三基色,按照三基色上色法进行上色,得到上色后的极化SAR图像,输出上色后的极化SAR图像;
(10)输出分类结果图。
2.根据权利要求1所述的基于条带波与卷积神经网络的极化SAR图像分类方法,其特征在于:步骤(2a)中所述的泡利Pauli分解公式如下:
其中,a表示待分类的极化SAR图像中的每个像素点的奇次散射的散射能量,b表示待分类的极化SAR图像中的每个像素点的偶次散射的散射能量,c表示待分类的极化SAR图像中的每个像素点的度角偶次散射的散射能量,T(1,1)表示待分类的极化SAR图像的相干矩阵第一行第一列的元素,T(2,2)表示待分类的极化SAR图像的相干矩阵第二行第二列的元素,T(3,3)表示待分类的极化SAR图像的相干矩阵第三行第三列的元素。
3.根据权利要求1所述的基于条带波与卷积神经网络的极化SAR图像分类方法,其特征在于:步骤(3a)中所述的特征提取方法的具体步骤如下:
第一步,从待分类的极化SAR图像中随机选取一个像素点,以该像素点为中心,选取该中心周围的21*21大小的正方形区域中的所有像素点,将该正方形区域中的每个像素点提取的泡利Pauli分解的a,b,c三个特征值,组成该像素点的21*21*3大小的特征向量;
第二步,判断是否提取完所有像素点的特征向量,若是,则执行第三步;否则,执行第一步;
第三步,将每个像素点的特征向量表示成一个21*63的特征向量,得到待分类的极化SAR图像的每个像素点的特征向量。
4.根据权利要求1所述的基于条带波与卷积神经网络的极化SAR图像分类方法,其特征在于:步骤(4c)中所述的卷积神经网络由7层组成,第1层为输入层,第2层和第4层为卷积层,卷积层由多个滤波器组成;第3层和第5层为下采样层,第6层为全连接层,第7层为线性回归分类器。
5.根据权利要求1所述的基于条带波与卷积神经网络的极化SAR图像分类方法,其特征在于:步骤(5b)所述的训练初始化的卷积神经网络的具体步骤如下:
第一步,将训练样本的每个像素点的特征矩阵作为卷积神经网络的输入层的输入,经过前向传播,得到卷积神经网络的输出层的输出类标;
第二步,将卷积神经网络的输出层的输出类标和极化SAR图像中的物体类标的均方误差作为训练误差;
第三步,采用反向传播算法,最小化训练误差,得到训练好的卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610512912.6A CN106203444B (zh) | 2016-07-01 | 2016-07-01 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610512912.6A CN106203444B (zh) | 2016-07-01 | 2016-07-01 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106203444A true CN106203444A (zh) | 2016-12-07 |
CN106203444B CN106203444B (zh) | 2019-02-19 |
Family
ID=57463253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610512912.6A Active CN106203444B (zh) | 2016-07-01 | 2016-07-01 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203444B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085733A (zh) * | 2017-05-15 | 2017-08-22 | 山东工商学院 | 基于cnn深度学习的近岸红外舰船识别方法 |
CN107256414A (zh) * | 2017-06-27 | 2017-10-17 | 哈尔滨工业大学 | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 |
CN107358203A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 |
CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
JP2019035598A (ja) * | 2017-08-10 | 2019-03-07 | 株式会社パスコ | 土地被覆学習データ生成装置、土地被覆学習データ、土地被覆分類予測装置及び土地被覆学習データ生成プログラム |
CN110609560A (zh) * | 2019-10-29 | 2019-12-24 | 广州高新兴机器人有限公司 | 移动机器人避障规划方法及计算机存储介质 |
CN111079845A (zh) * | 2019-12-20 | 2020-04-28 | 西安交通大学 | 一种煤炭中煤矸石和煤的分类识别方法 |
CN113420812A (zh) * | 2021-06-23 | 2021-09-21 | 西安电子科技大学 | 基于进化卷积神经网络的极化sar图像分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268555A (zh) * | 2014-09-11 | 2015-01-07 | 西安电子科技大学 | 基于模糊稀疏lssvm的极化sar图像分类方法 |
CN104732243A (zh) * | 2015-04-09 | 2015-06-24 | 西安电子科技大学 | 基于cnn的sar目标识别方法 |
CN105139028A (zh) * | 2015-08-13 | 2015-12-09 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
CN105184309A (zh) * | 2015-08-12 | 2015-12-23 | 西安电子科技大学 | 基于cnn和svm的极化sar图像分类 |
CN105718957A (zh) * | 2016-01-26 | 2016-06-29 | 西安电子科技大学 | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 |
-
2016
- 2016-07-01 CN CN201610512912.6A patent/CN106203444B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268555A (zh) * | 2014-09-11 | 2015-01-07 | 西安电子科技大学 | 基于模糊稀疏lssvm的极化sar图像分类方法 |
CN104732243A (zh) * | 2015-04-09 | 2015-06-24 | 西安电子科技大学 | 基于cnn的sar目标识别方法 |
CN105184309A (zh) * | 2015-08-12 | 2015-12-23 | 西安电子科技大学 | 基于cnn和svm的极化sar图像分类 |
CN105139028A (zh) * | 2015-08-13 | 2015-12-09 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
CN105718957A (zh) * | 2016-01-26 | 2016-06-29 | 西安电子科技大学 | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 |
Non-Patent Citations (2)
Title |
---|
SHUYUAN YANG等: ""Quantum-inspired immune clone algorithm and multiscale bandelet based image representation"", 《PATTERN RECOGNITION LETTERS》 * |
田壮壮等: ""基于卷积神经网络的SAR图像目标识别研究"", 《雷达学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085733A (zh) * | 2017-05-15 | 2017-08-22 | 山东工商学院 | 基于cnn深度学习的近岸红外舰船识别方法 |
CN107256414A (zh) * | 2017-06-27 | 2017-10-17 | 哈尔滨工业大学 | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 |
CN107358203A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 |
CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
CN107358203B (zh) * | 2017-07-13 | 2019-07-23 | 西安电子科技大学 | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 |
CN107358262B (zh) * | 2017-07-13 | 2020-01-14 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
JP2019035598A (ja) * | 2017-08-10 | 2019-03-07 | 株式会社パスコ | 土地被覆学習データ生成装置、土地被覆学習データ、土地被覆分類予測装置及び土地被覆学習データ生成プログラム |
JP7045819B2 (ja) | 2017-08-10 | 2022-04-01 | 株式会社パスコ | 土地被覆学習データ生成装置、土地被覆学習データ、土地被覆分類予測装置及び土地被覆学習データ生成プログラム |
CN110609560A (zh) * | 2019-10-29 | 2019-12-24 | 广州高新兴机器人有限公司 | 移动机器人避障规划方法及计算机存储介质 |
CN111079845A (zh) * | 2019-12-20 | 2020-04-28 | 西安交通大学 | 一种煤炭中煤矸石和煤的分类识别方法 |
CN113420812A (zh) * | 2021-06-23 | 2021-09-21 | 西安电子科技大学 | 基于进化卷积神经网络的极化sar图像分类方法 |
CN113420812B (zh) * | 2021-06-23 | 2024-04-19 | 西安电子科技大学 | 基于进化卷积神经网络的极化sar图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106203444B (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203444A (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
CN105913076B (zh) | 基于深度方向波网络的极化sar图像分类方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN103955702B (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
CN104331707A (zh) | 基于深度pca网络和svm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 | |
CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
CN106778821A (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
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 | |
CN101866490B (zh) | 基于差分免疫克隆聚类的图像分割方法 | |
CN107169492A (zh) | 基于fcn‑crf主从网络的极化sar目标检测方法 | |
CN107292317A (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
CN103366371B (zh) | 基于k分布和纹理特征的sar图像分割方法 | |
CN106257498A (zh) | 基于异构纹理特征的锌浮选工况状态划分方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN106683102A (zh) | 基于脊波滤波器和卷积结构模型的sar图像分割方法 | |
CN102208031A (zh) | 基于Freeman分解和同极化比的极化SAR图像分类方法 | |
CN104156728A (zh) | 一种基于栈式编码和softmax的极化SAR图像分类方法 | |
CN106339753A (zh) | 一种有效提升卷积神经网络稳健性的方法 | |
CN105825223A (zh) | 基于深度学习和度量学习的极化sar地物分类方法 | |
CN106611421A (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN104680180A (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN104318246A (zh) | 基于深度自适应脊波网络的极化sar图像分类 | |
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 |