CN107292268A - 快速脊波反卷积结构学习模型的sar图像语义分割方法 - Google Patents

快速脊波反卷积结构学习模型的sar图像语义分割方法 Download PDF

Info

Publication number
CN107292268A
CN107292268A CN201710483886.3A CN201710483886A CN107292268A CN 107292268 A CN107292268 A CN 107292268A CN 201710483886 A CN201710483886 A CN 201710483886A CN 107292268 A CN107292268 A CN 107292268A
Authority
CN
China
Prior art keywords
ridge ripple
sketch
sketch line
pixel
wave filter
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.)
Pending
Application number
CN201710483886.3A
Other languages
English (en)
Inventor
刘芳
李婷婷
王亚明
焦李成
郝红侠
古晶
马文萍
马晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710483886.3A priority Critical patent/CN107292268A/zh
Publication of CN107292268A publication Critical patent/CN107292268A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于快速脊波反卷积结构学习模型的SAR图像语义分割方法，主要解决现有技术分割SAR图像不准确以及模型训练时间长的问题。其实现步骤是：1.根据SAR图像的素描模型，提取素描图；2.根据素描图，得到区域图，利用区域图将SAR图像划分为混合像素子空间、匀质像素子空间和结构像素子空间；3.构建脊波滤波器集合和快速脊波反卷积结构学习模型，并采用该学习模型，对混合像素子空间进行分割；5.利用视觉语义和素描特性依次对结构像素子空间和匀质像素子空间进行分割；6.将三个像素子空间的分割结果进行合并，得到最终分割结果。本发明提高了SAR图像的分割效果，可用于对后续的SAR图像的检测与识别。

Description

快速脊波反卷积结构学习模型的SAR图像语义分割方法
技术领域
本发明属于图像处理技术领域，更进一步涉一种SAR图像语义分割，可用于对后续的合成孔径雷达SAR图像进行目标检测与识别。
背景技术
与其他类型的成像技术相比，合成孔径雷达SAR有着非常重要的优势，它不受云层、降雨或者大雾等大气条件以及光照强度的影响，能够全天时、全天候地获取高分辨遥感数据。SAR技术对于军事、农业、地理等许多领域具有重要指导意义。图像分割是指根据颜色、灰度和纹理等特征将图像划分成若干个互不相交的区域的过程。通过计算机对SAR图像进行解译是目前面临的一个巨大挑战，而SAR图像分割又是其必要步骤，它对进一步的检测、识别影响很大。
目前图像分割常用的方法主要分为基于特征的方法和基于统计模型的方法。由于SAR独特的成像机理，SAR图像中含有许多相干斑噪声，导致很多光学图像的传统方法都不能直接用于SAR图像的分割。SAR图像的传统分割方法主要是有监督和半监督的方法。它们往往需要靠人工经验进行特征提取，然而提取的特征的好坏对于SAR图像的分割结果有着关键作用。对于有监督和半监督的方法，需要有标签数据，SAR图像的标签数据很少，获取标签数据的成本很高。机器学习作为无监督特征学习的关键技术，可以用于SAR图像分割任务。然而，传统的深度学习方法往往只能到达特征层面，没有更好的挖掘SAR图像在语义层次上的信息，导致其无法有效完成对SAR图像的分割。
刘芳，段一平等在其发表的论文“基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割”(IEEE Trancactions on Geoscience and Remote Sensing，2016,54(7):4287-4301.)中提出了一种基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法，该方法根据合成孔径雷达SAR图像的素描模型提取出SAR图像的素描图，采用素描线区域化方法，得到SAR图像的区域图，并将区域图映射到SAR图像中，最终将合成孔径SAR图像划分为聚集区域、匀质区域和结构区域。基于该划分，对不同特性的区域采用了不同的分割方法。对于聚集区域，提取了灰度共生矩阵特征，并采用局部线性约束编码的方法得到每个聚集区域的表示，进而采用层次聚类的方法进行分割。对结构区域，通过分析边模型和线模型，设计了视觉语义规则定位边界和线目标。另外，边界和线目标包含了强烈的方向信息，因此设计了基于几何结构窗的多项式隐模型进行分割。对匀质区域，为了能找到恰当的邻域去表示中心像素，设计了基于自适应窗口的多项式隐模型进行分割。这三个区域的分割结果被整合到一起得到最后的分割结果。该方法的不足之处是，对于聚集区域边界定位不够精确；对于匀质区域的分割结果区域一致性较差，且类别数不够合理；而结构区域的分割结果中未对独立目标进行处理。
西安电子科技大学在其申请的专利“基于脊波反卷积网络和稀疏分类的SAR图像分割方法”(专利申请号CN201510675676.5，公开号CN105374033A)中公布了一种基于脊波反卷积网络和稀疏分类的SAR图像分割方法。该方法对SAR图像的聚集区域和匀质区域分别训练脊波反卷积网络RDN，得到脊波反卷积网络中滤波器组的最优值，并采用稀疏分类的方法完成SAR图像的分割。此方法虽然达到了无监督的学习图像特征，但是，该方法仍然存在的不足之处是，在初始化滤波器时，采用的随机初始化脊波滤波器的方法，而忽略了图像的结构信息，这样便极大的降低了图像分割的准确性。
西安电子科技大学在其申请的专利“基于脊波滤波器和反卷积结构模型的SAR图像分割方法”(专利申请号CN201611269937.4，公开号CN106611423A)中公布了一种基于脊波滤波器和反卷积结构模型的SAR图像分割方法。该方法首先利用反卷积结构模型对SAR图像中的混合像素子空间进行特征学习，将训练得到的脊波滤波器集合作为混合像素子空间的特征；然后，在将训练得到的脊波滤波器集合分别往码本上进行投影，得到投影向量；最后，再利用层次聚类算法完成SAR图像中的混合像素子空间的分割。这种方法虽能有效的利用SAR图像的语义信息，很好的实现SAR图像的分割，但是，却存在耗时较长的弊端，限制了其在现实生活中的应用范围。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于快速脊波反卷积结构学习模型的SAR图像语义分割方法，以提高SAR图像分割的准确性和效率。
为实现上述目的，本发明的技术方案包括如下：
(1)根据合成孔径雷达SAR图像的素描模型，提取合成孔径雷达SAR图像的素描图；
(2)根据合成孔径雷达SAR图像的素描图，得到合成孔径雷达SAR图像的区域图，并将区域图映射到输入的合成孔径雷达SAR图像中，得到合成孔径雷达SAR图像的混合像素子空间、结构像素子空间和匀质像素子空间；
(3)根据脊波函数构造脊波滤波器集合X；
(4)构造快速脊波反卷积结构学习模型：
(4a)对合成孔径雷达SAR图像中的混合像素子空间的每个互不连通的区域，按31×31的窗口进行隔一滑窗采样，得到每个区域对应的多个图像块，将得到的图像块作为待构造模型的输入，得到快速脊波反卷积结构学习模型的输入层；
(4b)利用大小为39×39的零矩阵初始化特征图；
(4c)利用特征图和脊波滤波器进行卷积操作重构出输入层中的图像块，得到快速脊波反卷积结构学习模型的反卷积层；
(4d)输出脊波滤波器集合，得到快速脊波反卷积结构学习模型的输出层；
(5)训练快速脊波反卷积结构学习模型：
(5a)设置结构误差阈值为0.1；
(5b)将步骤(4a)采样得到图像块依次输入到反卷积结构学习模型中；
(5c)从脊波滤波器集合X中，随机选取六个滤波器初始化快速脊波反卷积结构学习模型中的脊波滤波器，利用大小为39×39的零矩阵初始化特征图；
(5d)利用数据保真项公式，将特征图和脊波滤波器进行卷积操作，重构出输入图像块；
(5e)计算输入图像块的非卷积操作的结构保真值；
其中，表示输入图像块的非卷积操作的结构保真值，N表示要学习的每个区域中所采样得到的图像块的总个数，R(·)表示求素描图中所有素描线总长度的操作，SM(·)表示提取输入图像块的素描图的操作，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，为提取特征图中间部分与输入图像块大小一样的特征图块；
(5f)判断当前输入图像块的非卷积操作的结构保真值是否小于结构误差阈值，若是，则执行步骤(5i)，否则，执行步骤(5g)；
(5g)利用脊波滤波器的尺度参数更新公式和脊波滤波器的位移参数更新公式，分别更新脊波滤波器的尺度参数和位移参数,得到更新后的脊波滤波器，利用特征图更新公式，更新特征图，得到更新后的特征图，返回步骤(5d)，对输入图像块重新进行学习；
(5h)将学习得到的脊波滤波器保存至该重构输入图像块学习好的脊波滤波器集合中，完成对该输入图像块特征的学习，并输出该输入图像块学习好的脊波滤波器集合；
(5i)判断所有图像块是否通过快速脊波反卷积结构学习模型完成了特征的学习，若是，执行步骤(6)，否则，输入下一个图像块，返回步骤(5c)；
(6)分割SAR图像的混合像素子空间：
(6a)将SAR图像中的混合像素子空间的所有区域所学习到的脊波滤波器集合拼接成码本；
(6b)将每个区域学习到的脊波滤波器集合向码本进行投影，得到投影向量；
(6c)对投影向量进行最大池化操作，得到结构特征向量；
(6d)利用层次聚类算法，对结构特征向量进行聚类，得到混合像素子空间的分割结果；
(7)分割结构像素子空间：即先用视觉语义规则分割线目标，用基于素描线的聚拢特征，分割独立目标；再对线目标和独立目标分割的结果进行合并，得到结构像素子空间的分割结果；
(8)分割匀质像素子空间：利用基于自适应邻域多项式隐模型的分割方法对匀质像素子空间进行分割，得到匀质像素子空间的分割结果；
(9)将步骤(6)、步骤(7)和步骤(8)得到的分割结果进行合并，得到最终SAR图像的分割结果。
本发明与现有技术相比具有如下优点：
第一，本发明对合成孔径雷达SAR图像中的混合像素子空间的每个互不连通的区域，按31×31的窗口进行隔一滑窗采样，得到多个图像块，将得到的图像块输入到反卷积结构模型中，避免了对输入的合成孔径雷达SAR图像进行归一化处理，克服了现有技术在进行SAR图像分割前就破坏了SAR图像的原始结构信息的不足。
第二，本发明在SAR图像的各个像素子空间中分别进行采样和特征学习，不需要对图像块的类别进行标示，克服了现有技术在学习图像特征时对输入图像进行标示的不足，使得本发明降低了学习图像特征的复杂性。
第三、本发明利用构造的快速脊波反卷积结构学习模型来学习SAR图像的特征，克服了现有技术利用人为设计的特征来进行SAR图像分割的不足，利用本发明构造的模型更能很好的学习到SAR图像的特征，提高了SAR图像分割的准确性。
第四，在本发明构造的快速的脊波反卷积结构学习模型中，对现有“基于脊波滤波器和反卷积结构模型的SAR图像分割方法”中的结构保真项公式进行优化，在保证SAR图像分割准确率的前提下，极大的减少了模型的训练时间，有效的提高了算法的训练效率。
附图说明
图1是本发明的实现流程图；
图2是本发明实施例使用的SAR原图像；
图3是本发明中根据SAR图像的素描模型提取的素描图；
图4是本发明中根据素描图提取的区域图；
图5是本发明中根据区域图提取的混合像素子空间；
图6是用本发明对图5所示的混合像素子空间的分割结果图；
图7是用本发明对图2所示的SAR图像的独立目标的分割结果图；
图8是用本发明和现有分割方法对图2的最终分割结果对比图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参考附图1，本发明的实现步骤如下。
步骤1，根据合成孔径雷达SAR图像的素描模型，提取合成孔径雷达SAR图像的素描图。
输入图2所示的SAR图像，根据SAR图像的素描模型得到SAR图像的素描图，如图3所示。
所述的SAR图像的素描模型，参见Jie-Wu等人于2014年发表在IEEE Transactionson Geoscience and Remote Sensing杂志上的文章《Local maximal homogenous regionsearch for SAR speckle reduction with sketch-based geometrical kernelfunction》，
根据该SAR图像的素描模型，得到SAR图像的素描图，其步骤如下：
(1.1)构造具有不同方向和尺度的边、线模板，并利用模板的方向和尺度信息构造各向异性高斯函数来计算该模板中每一点的加权系数，其中尺度个数取值为3～5，方向个数取值为18；
(1.2)计算模板不同区域对应在合成孔径雷达SAR图像中像素的均值和方差：
其中，μ表示区域Ω对应在合成孔径雷达SAR图像中像素的均值，Ω表示模板中的一个区域，g表示区域Ω中一个像素点的位置，∈表示属于符号，wg表示区域Ω中位置g处的权重系数，wg的取值范围为wg∈[0,1]，Ag表示区域Ω中位置g对应在合成孔径雷达SAR图像中的像素值，v表示区域Ω与合成孔径雷达SAR图像中对应像素的方差；
(1.3)计算合成孔径雷达SAR图像中每个像素对比值算子的响应值：
其中，R表示合成孔径雷达SAR图像中每个像素对比值算子的响应值，min{·}表示求最小值操作，a和b分别表示模板中任意两个不同区域的编号，μa和μb分别为根据(1.2)得到的表示区域a和区域b的合成孔径雷达SAR图像中对应像素的均值；
(1.4)计算合成孔径雷达SAR图像中每个像素对相关性算子的响应值：
其中，C表示合成孔径雷达SAR图像中每个像素对相关性算子的响应值，a和b分别表示模板中任意两个不同区域的编号，va和vb分别为根据(1.2)得到的表示区域a和区域b对应在合成孔径雷达SAR图像中像素的方差，μa和μb分别为根据(1.2)得到的表示区域a和区域b与合成孔径雷达SAR图像中对应像素的均值；
(1.5)根据(1.3)和(1.4)得到结果，计算合成孔径雷达SAR图像中每个像素对各个模板的响应值：
其中，F表示合成孔径雷达SAR图像中每个像素对各个模板的响应值，R和C分别表示合成孔径雷达SAR图像中像素对比值算子和合成孔径雷达SAR图像中像素对相关性算子的响应值；
(1.6)选择具有最大响应值的模板作为合成孔径雷达SAR图像中像素的模板，并将最大响应值作为该像素的强度，将具有最大响应值的模板的方向作为该像素的方向，获得合成孔径雷达SAR图像的边线响应图和方向图；
(1.7)利用孔径雷达SAR图像中每个像素所选择的模板，获得合成孔径雷达SAR图像的梯度图；
(1.8)按照下式，将边线响应图和梯度图归一化到[0,1]并进行融合，得到强度图：
其中，I表示强度图中的强度值，x表示边线响应图中的值，y表示梯度图中的值；
(1.9)采用非极大值抑制方法，对强度图进行检测，得到建议草图；
(1.10)选取建议草图中具有最大强度的像素，将建议草图中与该最大强度的像素连通的像素连接形成建议线段，得到建议素描图；
(1.11)按照下式，计算建议素描图中素描线的编码长度增益CLG：
其中，CLG表示建议素描图中素描线的编码长度增益，m表示当前素描线邻域中像素的个数，t表示当前素描线邻域中像素的编号，At表示当前素描线邻域中第t个像素的观测值；At,0表示在当前素描线不能表示结构信息的假设下，该素描线邻域中第t个像素的估计值，ln(·)表示以e为底的对数操作，At,1表示在当前素描线能够表示结构信息的假设下，该素描线邻域中第t个像素的估计值；
(1.12)设定阈值T为5～50，选择编码长度增益CLG>T的建议素描线作为最终素描图中的素描线，获得输入合成孔径雷达SAR图像对应的素描图，如图3所示。
步骤2，根据合成孔径雷达SAR图像的素描图，得到合成孔径雷达SAR图像的区域图，并将区域图映射到输入的合成孔径雷达SAR图像中，得到合成孔径雷达SAR图像的混合像素子空间、结构像素子空间和匀质像素子空间。
(2.1)按照合成孔径雷达SAR图像的素描图中素描线段的聚集度，将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标以及孤立目标的素描线；
(2.2)根据素描线段聚集度的直方图统计，选取聚集度等于最优聚集度的素描线段作为种子线段集{Ek,k＝1,2,...,m}，其中，Ek表示种子线段集中的任一条素描线段，k表示种子线段集中任一条素描线段的标号，m表示种子线段的总条数，{·}表示集合操作；
(2.3)将未被选取添加进某个种子线段集和的线段作为基点，以此基点递归求解新的线段集合；
(2.4)构造一个半径为最优聚集度区间上界的圆形基元，用该圆形基元对线段集合中的线段进行膨胀，对膨胀后的线段集合由外向内进行腐蚀，在素描图上得到以素描点为单位的聚集区域；
(2.5)对表示边界、线目标以及孤立目标的素描线，以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗，得到结构区域；
(2.6)将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域，得到SAR图像的区域图，如图4所示；
(2.7)将图4所示的区域图分别映射到合成孔径雷达SAR图像上，得到合成孔径雷达SAR图像的混合像素子空间、结构像素子空间和匀质结构像素子空间，SAR图像的混合像素子空间如图5所示。
所述的将SAR图像划分为混合像素子空间、结构像素子空间和匀质像素子空间的方法可参考文献：Liu F,Duan Y.P,Li L,et al.SAR Image Segmentation Based onHierarchical Visual Semantic and Adaptive Neighborhood Multinomial LatentModel[J].IEEE Transactions on Geoscience&Remote Sensing,2016,54(7):4287-4301。
步骤3，根据脊波函数构造脊波滤波器集合X。
(3.1)从合成孔径雷达SAR图像的区域图中提取混合像素子空间对应的聚集区域，在[0°，180°]区间内以间隔为10°划分为18个区间，分别统计每个区间内该聚集区域中素描线段的线段条数；
(3.2)对该聚集区域中所有的素描线段，按照各个间隔内的线段条数的多少进行排序，得到方向的排序序列，将方向的排序序列中前6个方向的度数分别作为脊波滤波器中的方向参数；
(3.3)给定脊波函数如下：
其中，c(a,b,θ)表示脊波函数，K表示脊波滤波器frobenius范数的倒数,exp表示以自然常数e为底的指数操，a表示脊波滤波器的尺度参数，a的取值范围为[0,2]，a的离散间隔为0.2，y1表示脊波滤波器像素点的横坐标位置，y1的取值范围为[0,8]，y1的离散间隔为1，θ表示脊波滤波器的方向参数，y2表示脊波滤波器像素点的纵坐标位置，y2的取值范围为[0,8]，y2的离散间隔为1，sin表示正弦操作；b表示脊波滤波器的位移参数，当方向参数θ为[0°,90°)时，b在[0,9×(sinθ+cosθ)]区间内以间隔为0.2进行离散化，当θ为[90°,180°)时，b在[9×cosθ,9×sinθ]区间内以间隔为0.2进行离散化；
(3.4)利用(3.3)中的脊波函数计算每一个脊波滤波器；
(3.5)将(3.4)中计算得到的每一个脊波滤波器组合成脊波滤波器集合X。
步骤4，构造快速的脊波反卷积结构学习模型。
(4.1)对合成孔径雷达SAR图像中的混合像素子空间的每个互不连通的区域，按31×31的窗口进行隔一滑窗采样，得到每个区域对应的多个图像块，将得到的图像块作为待构造模型的输入，得到快速脊波反卷积结构学习模型的输入层；
(4.2)利用大小为39×39的零矩阵初始化特征图；
(4.3)利用特征图和脊波滤波器进行卷积操作重构出输入层中的图像块，得到快速脊波反卷积结构学习模型的反卷积层；
(4.4)输出脊波滤波器集合，得到快速脊波反卷积结构学习模型的输出层。
步骤5，训练快速的脊波反卷积结构学习模型。
(5.1)设置结构误差阈值为0.1；
(5.2)将步骤(4.1)采样得到图像块依次输入到反卷积结构学习模型中；
(5.3)从脊波滤波器集合X中，随机选取六个滤波器初始化快速脊波反卷积结构学习模型中的脊波滤波器，利用大小为39×39的零矩阵初始化特征图；
(5.4)按照下式，将特征图和脊波滤波器进行卷积操作，重构出输入图像块；
其中,E(c)表示数据保真项，c表示脊波滤波器，N表示要学***方操作，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，*表示卷积操作，表示第i个图像块对应的第j个特征图，表示第i个图像块对应的第j个脊波滤波器。
(5.5)计算输入图像块的非卷积操作的结构保真值；
其中，表示输入图像块的非卷积操作的结构保真值，N表示要学习的每个区域中所采样得到的图像块的总个数，R(·)表示求素描图中所有素描线总长度的操作，SM(·)表示提取输入图像块的素描图的操作，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，为提取特征图中间部分与输入图像块大小一样的特征图块；
(5.6)判断当前输入图像块的非卷积操作的结构保真值是否小于结构误差阈值：若是，则执行步骤(5.8)；否则，执行步骤(5.7)；
(5.7)对脊波滤波器和特征图进行更新：
(5.7a)按照下式，更新脊波滤波器的尺度参数；
其中,at表示第t次迭代求得的脊波滤波器的尺度参数，at-1为表示t-1次迭代求得的脊波滤波器的尺度参数，δ表示系数，取值范围为[0,1]，N表示要学习的每个区域中所采样得到的图像块的总个数，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，表示第i个图像块对应的第j个脊波滤波器，表示第i个图像块对应的第j个特征图，*表示卷积操作，K(γ)表示脊波滤波器frobenius范数的倒数，e表示自然常数，Y表示脊波滤波器的脊波函数，y1表示脊波滤波器像素点的横坐标位置，y2表示脊波滤波器像素点的纵坐标位置，θ表示脊波滤波器的方向参数。
(5.7b)按照下式，更新脊波滤波器的位移参数，得到更新后的脊波滤波器；
其中，bt表示第t次迭代求得的脊波滤波器的位移参数，bt-1表示t-1次迭代求得的脊波滤波器的位移参数，δ表示系数，取值范围为[0,1]，N表示要学习的每个区域中所采样得到的图像块的总个数，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，表示第i个图像块对应的第j个脊波滤波器，表示第i个图像块对应的第j个特征图，*表示卷积操作，K(γ)表示脊波滤波器frobenius范数的倒数，e表示自然常数，Y表示脊波滤波器的脊波函数，at-1表示第t-1次迭代求得的脊波滤波器的尺度参数；
(5.7c)按照下式，更新特征图，得到更新后的特征图，返回步骤(5.4)；
其中，表示第t次迭代求得的第i个图像块对应的第j个特征图，表示第t-1次迭代求得的第i个图像块对应的第j个特征图，δ表示步长，取值范围为[0,1]，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，表示第i个图像块对应的第j个脊波滤波器，*表示卷积操作，表示t-1次迭代中第i个图像块对应的第j个特征图块；
(5.8)将学习得到的脊波滤波器保存至该重构输入图像块学习好的脊波滤波器集合中，完成对该输入图像块特征的学习，并输出该输入图像块学习好的脊波滤波器集合；
(5.9)执行完步骤(5.7)和(5.8)后，判断所有图像块是否通过快速脊波反卷积结构学习模型完成了特征的学习：若是，则执行步骤6；否则，输入下一个图像块，返回步骤(5.3)。
步骤6，分割SAR图像混合像素子空间。
(6.1)将SAR图像中的混合像素子空间的所有区域所学习到的脊波滤波器集合拼接成码本；
(6.2)将每个区域学习到的脊波滤波器集合向码本进行投影，得到投影向量；
(6.3)对投影向量进行最大池化操作，得到结构特征向量；
(6.4)利用层次聚类算法，对结构特征向量进行聚类，得到混合像素子空间的分割结果，SAR图像的混合像素子空间的分割结果如图6所示。
步骤7，分割结构像素子空间。
(7.1)用视觉语义规则，分割线目标；
设第i条素描线li与第j条素描线lj之间的距离为Dij，li的方向为Oi，lj的方向为Oj，i,j∈[1,2,...,S]，S为素描线的总条数；
将宽度大于3个像素的线目标用两条素描线li和lj表示，li和lj之间的距离Dij小于T1且方向差(Oi-Oj)小于10度，其中T1＝5；
设第s条素描线ls的几何结构窗ws内每一列的平均灰度为Ai，设相邻列的灰度差为ADi＝Ai-Ai+1，设zs＝[zs1,zs2,...,zs9]为相邻列的灰度差ADi的标记向量；
将宽度小于3个像素的线目标用单个素描线ls表示，在ls的几何结构窗ws内，计算相邻列的灰度差ADi，如果ADi＞T2，则zsi＝1；否则zsi＝0，zs中有两个元素的值为1，其余为0，其中T2＝34；
设L1,L2是表示线目标的素描线的集合，如果Dij＜T1并且Oi-Oj＜10，则li,lj∈L1；如果sum(zs)＝2，则ls∈L2，其中sum(·)表示参量元素的和；
在结构像素子空间，根据线目标的素描线的集合L1，将li和lj之间的区域作为线目标；
在结构像素子空间，根据线目标的素描线的集合L2，将覆盖ls的区域作为线目标；
(7.2)基于素描线的聚拢特征，分割独立目标；
(7.2a)在区域图的结构区域中，将不表示线目标的所有素描线标记为候选素描线集合中的素描线；
(7.2b)从候选素描线集合中随机选取一条素描线，以所选取的素描线的一个端点为中心，构造大小为5×5的一个几何结构窗；
(7.2c)判断几何结构窗内是否存在其它素描线的端点：若存在，则执行(7.2d)；否则，执行(7.2f)；
(7.2d)判断几何结构窗内是否只存在一个端点：若是，将该端点所在素描线和当前素描线进行连接；否则，执行(7.2e)；
(7.2e)连接所选取素描线与各端点所在的素描线，从所有连接线中选取其中夹角最大的两条素描线作为连接完成的素描线；
(7.2f)判断素描线的另一个端点的几何结构窗内是否存在其他素描线的端点：若存在，则返回(7.2d)；否则，执行(7.2g)；
(7.2g)对完成连接操作的素描线，选取包含两条及两条以上素描线段的素描线，统计所选取素描线中包含素描线段的条数n，其中n≥2；
(7.2h)判断素描线的条数n是否等于2：若是，则执行(7.2i)；否则，执行(7.2j)；
(7.2i)将素描线顶点的角度值在[10°,140°]的范围内的素描线作为具有聚拢特征的素描线；
(7.2j)选出素描线对应的n-1个顶点的角度值都在[10°,140°]范围内的素描线；
(7.2k)在所选出的素描线中，定义如下两种情况：
第一种情况：判断第i条素描线段相邻两条素描线段第i-1条和第i+1条是否在第i条素描线段所在直线的同一侧：若素描线上的所有素描线段与相邻线段都在同一侧，则标记该素描线为具有聚拢特征的素描线，2≤i≤n-1；否则，标记该素描线为独立目标的素描线；
第二种情况：判断第i条素描线段相邻两条素描线段第i-1条和第i+1条是否在第i条素描线段所在直线的同一侧：若素描线上有n-1条素描线段与相邻线段在同一侧，而有一条素描线段与其相邻线段在非同一侧，则标记该素描线为具有聚拢特征的素描线；否则，标记该素描线为独立目标的素描线；
(7.2l)在具有聚拢特征的素描线中任选一条素描线，由所选取素描线的两个端点坐标，确定两个端点间的距离，若该端点距离在[0,20]范围内，则将所选取素描线作为表示独立目标的素描线；
(7.2m)判断未处理的具有聚拢特征的素描线是否全部选完：若是，则返回(7.2l)；否则，执行(7.2n)；
(7.2n)用超像素分割的方法，对合成孔径雷达SAR图像中表示独立目标的素描线周围的像素进行超像素分割，将分割后超像素的灰度值在[0,45]或[180,255]内的超像素作为独立目标超像素；
(7.2o)合并独立目标超像素，将合并后的独立目标超像素的边界作为独立目标的边界，得到独立目标的分割结果，独立目标的分割结果如图7所示；
(7.3)将线目标和独立目标分割的结果进行合并，得到结构像素子空间的分割结果。
步骤8，分割匀质像素子空间。
(8.1)从匀质像素子空间中任意选取一个像素点，以所选取的像素点为中心建立3×3的方形窗口，计算该窗口的标准差σ1；
(8.2)将方形窗口的边长增加2，得到新的方形窗口，计算新方形窗口的标准差σ2；
(8.3)设标准差阈值T3＝3，如果|σ1-σ2|＜T3，则将标准差为σ2的方形窗口作为最终的方形窗口，执行(8.4)；否则，返回(8.2)；
(8.4)按照下式，计算方形窗口内中心像素的先验概率：
其中，p1'表示方形窗口内中心像素的先验概率，η'表示概率模型参数，η'取值为1，xk”表示方形窗口内属于第k'类的像素个数，k'∈[1,...,K']，K'表示分割的类别数，K'取值为5，xi'表示第3步得到的方形窗口内属于第i'类的像素个数；
(8.5)将像素灰度的概率密度与纹理的概率密度相乘，得到似然概率p'2，其中，灰度的概率密度由衰落信道Nakagami分布得到，纹理的概率密度由t分布得到；
(8.6)将先验概率p1'与似然概率p2'相乘，得到后验概率p12'；
(8.7)判断匀质像素子空间中是否还有未处理的像素点，若有，返回(8.1)，否则，执行(8.8)；
(8.8)根据最大后验概率准则，得到匀质像素子空间的分割结果。
步骤9，合并分割结果。
将步骤6、步骤7和步骤8得到的分割结果进行合并，得到最终SAR图像的分割结果，如图8(a)所示。
本发明的效果可通过以下仿真结果进一步说明：
1.对SAR图像分割准确性的对比：
用本发明对图2所示的SAR原图像进行分割，结果如图8(a)所示；
用现有基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法对图2所示SAR原图像进行分割，结果如图8(b)所示；
从图8(a)与图8(b)的对比可看出：本发明方法对于SAR图像中的区域的边界确定更加精确，分割结果更合理，同时能对SAR图像中的独立目标进行较好的分割处理，提高了SAR图像分割的准确性。
2.对SAR图像混合像素子空间分割效率的对比：
利用本发明和现有基于脊波滤波器和反卷积结构模型的SAR图像分割方法分别对图5所示的SAR图像的混合像素子空间进行分割，其时间消耗为如表1：
表1
从表1可以看出，本发明方法减少了时间的消耗，有效的提高了SAR图像分割的效率。

Claims (8)

1.一种基于快速脊波反卷积结构学习模型的SAR图像语义分割方法，包括：
(1)根据合成孔径雷达SAR图像的素描模型，提取合成孔径雷达SAR图像的素描图；
(2)根据合成孔径雷达SAR图像的素描图，得到合成孔径雷达SAR图像的区域图，并将区域图映射到输入的合成孔径雷达SAR图像中，得到合成孔径雷达SAR图像的混合像素子空间、结构像素子空间和匀质像素子空间；
(3)根据脊波函数构造脊波滤波器集合X；
(4)构造快速脊波反卷积结构学习模型：
(4a)对合成孔径雷达SAR图像中的混合像素子空间的每个互不连通的区域，按31×31的窗口进行隔一滑窗采样，得到每个区域对应的多个图像块，将得到的图像块作为待构造模型的输入，得到快速脊波反卷积结构学习模型的输入层；
(4b)利用大小为39×39的零矩阵初始化特征图；
(4c)利用特征图和脊波滤波器进行卷积操作重构出输入层中的图像块，得到快速脊波反卷积结构学习模型的反卷积层；
(4d)输出脊波滤波器集合，得到快速脊波反卷积结构学习模型的输出层；
(5)训练快速脊波反卷积结构学习模型：
(5a)设置结构误差阈值为0.1；
(5b)将步骤(4a)采样得到图像块依次输入到反卷积结构学习模型中；
(5c)从脊波滤波器集合X中，随机选取六个滤波器初始化快速脊波反卷积结构学习模型中的脊波滤波器，利用大小为39×39的零矩阵初始化特征图；
(5d)利用数据保真项公式，将特征图和脊波滤波器进行卷积操作，重构出输入图像块；
(5e)计算输入图像块的非卷积操作的结构保真值；
其中，表示输入图像块的非卷积操作的结构保真值，N表示要学习的每个区域中所采样得到的图像块的总个数，R(·)表示求素描图中所有素描线总长度的操作，SM(·)表示提取输入图像块的素描图的操作，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，为提取特征图中间部分与输入图像块大小一样的特征图块；
(5f)判断当前输入图像块的非卷积操作的结构保真值是否小于结构误差阈值，若是，则执行步骤(5i)，否则，执行步骤(5g)；
(5g)利用脊波滤波器的尺度参数更新公式和脊波滤波器的位移参数更新公式，分别更新脊波滤波器的尺度参数和位移参数,得到更新后的脊波滤波器，利用特征图更新公式，更新特征图，得到更新后的特征图，返回步骤(5d)，对输入图像块重新进行学习；
(5h)将学习得到的脊波滤波器保存至该重构输入图像块学习好的脊波滤波器集合中，完成对该输入图像块特征的学习，并输出该输入图像块学习好的脊波滤波器集合；
(5i)判断所有图像块是否通过快速脊波反卷积结构学习模型完成了特征的学习，若是，执行步骤(6)，否则，输入下一个图像块，返回步骤(5c)；
(6)分割SAR图像的混合像素子空间：
(6a)将SAR图像中的混合像素子空间的所有区域所学习到的脊波滤波器集合拼接成码本；
(6b)将每个区域学习到的脊波滤波器集合向码本进行投影，得到投影向量；
(6c)对投影向量进行最大池化操作，得到结构特征向量；
(6d)利用层次聚类算法，对结构特征向量进行聚类，得到混合像素子空间的分割结果；
(7)分割结构像素子空间：即先用视觉语义规则分割线目标，用基于素描线的聚拢特征，分割独立目标；再对线目标和独立目标分割的结果进行合并，得到结构像素子空间的分割结果；
(8)分割匀质像素子空间：利用基于自适应邻域多项式隐模型的分割方法对匀质像素子空间进行分割，得到匀质像素子空间的分割结果；
(9)将步骤(6)、步骤(7)和步骤(8)得到的分割结果进行合并，得到最终SAR图像的分割结果。
2.根据权利要求1所述的方法，其中步骤(3)中根据脊波函数构造脊波滤波器集合X，按如下步骤进行：
(2a)从合成孔径雷达SAR图像的区域图中提取混合像素子空间对应的聚集区域，在[0°，180°]区间内以间隔为10°划分为18个区间，分别统计每个区间内该聚集区域中素描线段的线段条数；
(2b)对该聚集区域中所有的素描线段，按照各个间隔内的线段条数的多少进行排序，得到方向的排序序列，将方向的排序序列中前6个方向的度数分别作为脊波滤波器中的方向参数；
(2c)给定脊波函数如下：
其中，c(a,b,θ)表示脊波函数，K表示脊波滤波器frobenius范数的倒数,exp表示以自然常数e为底的指数操，a表示脊波滤波器的尺度参数，a的取值范围为[0,2]，a的离散间隔为0.2，y1表示脊波滤波器像素点的横坐标位置，y1的取值范围为[0,8]，y1的离散间隔为1，θ表示脊波滤波器的方向参数，y2表示脊波滤波器像素点的纵坐标位置，y2的取值范围为[0,8]，y2的离散间隔为1，sin表示正弦操作；b表示脊波滤波器的位移参数，当方向参数θ为[0°,90°)时，b在[0,9×(sinθ+cosθ)]区间内以间隔为0.2进行离散化，当θ为[90°,180°)时，b在[9×cosθ,9×sinθ]区间内以间隔为0.2进行离散化；
(2d)利用(2c)中的脊波函数计算每一个脊波滤波器；
(2e)将(2d)中计算得到的每一个脊波滤波器组合成脊波滤波器集合X。
3.根据权利要求1所述的方法，其中步骤(5d)中的数据保真项公式，表示如下：
其中,E(c)表示数据保真项，c表示脊波滤波器，N表示要学***方操作，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，*表示卷积操作，表示第i个图像块对应的第j个特征图，表示第i个图像块对应的第j个脊波滤波器。
4.根据权利要求1所述的方法，其中步骤(5g)脊波滤波器的尺度参数更新公式，表示如下：
其中,at表示第t次迭代求得的脊波滤波器的尺度参数，at-1为表示t-1次迭代求得的脊波滤波器的尺度参数，δ表示系数，取值范围为[0,1]，N表示要学习的每个区域中所采样得到的图像块的总个数，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，表示第i个图像块对应的第j个脊波滤波器，表示第i个图像块对应的第j个特征图，*表示卷积操作，K(γ)表示脊波滤波器frobenius范数的倒数，e表示自然常数，Y表示脊波滤波器的脊波函数，y1表示脊波滤波器像素点的横坐标位置，y2表示脊波滤波器像素点的纵坐标位置，θ表示脊波滤波器的方向参数。
5.根据权利要求1所述的方法，其中步骤(5g)中的脊波滤波器的位移参数更新公式，表示如下：
其中，bt表示第t次迭代求得的脊波滤波器的位移参数，bt-1表示t-1次迭代求得的脊波滤波器的位移参数，δ表示系数，取值范围为[0,1]，N表示要学习的每个区域中所采样得到的图像块的总个数，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，表示第i个图像块对应的第j个脊波滤波器，表示第i个图像块对应的第j个特征图，*表示卷积操作，K(γ)表示脊波滤波器frobenius范数的倒数，e表示自然常数，Y表示脊波滤波器的脊波函数，at-1表示第t-1次迭代求得的脊波滤波器的尺度参数。
6.根据权利要求1所述的方法，其中步骤(5g)中的特征图更新公式，表示如下：
其中，表示第t次迭代求得的第i个图像块对应的第j个特征图，表示第t-1次迭代求得的第i个图像块对应的第j个特征图，δ表示步长，取值范围为[0,1]，xi表示第i 个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，表示第i个图像块对应的第j个脊波滤波器，*表示卷积操作，表示t-1次迭代中第i个图像块对应的第j个特征图块。
7.根据权利要求1所述的方法，步骤(7)中用基于素描线的聚拢特征对独立目标进行分割，按如下步骤进行：
(7a)在SAR图像的结构像素子空间中，将不是线目标的所有素描线标记为候选素描线集合中的素描线；
(7b)从候选素描线集合中随机选取一条素描线，并以所选取的素描线的一个端点为中心，构造大小为5×5的一个几何结构窗；
(7c)判断几何结构窗内是否存在其它素描线的端点：若存在，则执行(7d)；否则，执行(7f)；
(7d)判断是否只存在一个端点，若是，将该端点所在素描线和当前素描线进行连接；否则，执行(7e)；
(7e)连接所选取素描线与各端点所在的素描线，从所有连接线中选取其中夹角最大的两条素描线作为连接完成的素描线；
(7f)判断素描线的另一个端点的几何结构窗内是否存在其他素描线的端点：若存在，则返回(7d)；否则，执行(7g)；
(7g)对完成连接操作的素描线，选取包含两条及两条以上素描线段的素描线，统计所选取素描线中包含素描线段的条数n，其中n≥2；
(7h)判断素描线的条数n是否等于2：若是，则执行(7i)；否则，执行(7j)；
(7i)将素描线顶点的角度值在[10°,140°]的范围内的素描线作为具有聚拢特征的素描线；
(7j)选出素描线对应的n-1个顶点的角度值都在[10°,140°]范围内的素描线；
(7k)在所选出的素描线中，定义如下两种情况：
第一种情况，判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧，2≤i≤n-1：若素描线上的所有素描线段与相邻线段都在同一侧，则标记该素描线为具有聚拢特征的素描线；否则，标记该素描线为独立目标的素描线；
第二种情况，判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧，2≤i≤n-1：若素描线上有n-1条素描线段与相邻线段在同一侧，而有一条素描线段与其相邻线段在非同一侧，则标记该素描线为具有聚拢特征的素描线；否则，标记该素描线为独立目标的素描线；
(7l)在具有聚拢特征的素描线中任选一条素描线，由所选取素描线的两个端点坐标，确定两个端点间的距离，若该端点距离在[0,20]范围内，则将所选取素描线作为表示独立目标的素描线；
(7m)判断未处理的具有聚拢特征的素描线是否全部处理完：若是，则执行(7n)；否则，返回(7l)；
(7n)用超像素分割的方法，对合成孔径雷达SAR图像中表示独立目标的素描线周围的像素进行超像素分割，将分割后超像素的灰度值在[0,45]或[180,255]内的超像素作为独立目标超像素；
(7o)合并独立目标超像素，将合并后的独立目标超像素的边界作为独立目标的边界，得到独立目标的分割结果。
8.根据权利要求1所述的方法，其中步骤(8)中基于自适应邻域多项式隐模型的分割方法对匀质像素子空间进行分割，按如下步骤进行：
(8a)从匀质像素子空间中任意选取一个像素点，以所选取的像素点为中心建立3×3的方形窗口，计算该窗口的标准差σ1；
(8b)将方形窗口的边长增加2，得到新的方形窗口，计算新方形窗口的标准差σ2；
(8c)设标准差阈值T3＝3，判断|σ1-σ2|是否小于T3：若是，则将标准差为σ2的方形窗口作为最终的方形窗口，并执行(8d)；否则，返回(8b)；
(8d)按照下式，计算方形窗口内中心像素的先验概率：
其中，p′1表示方形窗口内中心像素的先验概率，exp(·)表示指数函数操作，η'表示概率模型参数，η'取值为1，xk′′表示方形窗口内属于第k'类的像素个数，k'∈[1,...,K']，K'表示分割的类别数，K'取值为5，xi'表示(8c)中得到的方形窗口内属于第i'类的像素个数；
(8e)将像素灰度的概率密度与纹理的概率密度相乘，得到似然概率p'2，其中，灰度的概率密度由衰落信道Nakagami分布得到，纹理的概率密度由t分布得到；
(8f)将先验概率p1'与似然概率p2'相乘，得到后验概率p12'；
(8g)判断匀质像素子空间中是否还有未处理的像素点：若有，则返回(8a)；否则，执行(8h)；
(8h)根据最大后验概率准则，得到匀质像素子空间的分割结果。
CN201710483886.3A 2017-06-23 2017-06-23 快速脊波反卷积结构学习模型的sar图像语义分割方法 Pending CN107292268A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710483886.3A CN107292268A (zh) 2017-06-23 2017-06-23 快速脊波反卷积结构学习模型的sar图像语义分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710483886.3A CN107292268A (zh) 2017-06-23 2017-06-23 快速脊波反卷积结构学习模型的sar图像语义分割方法

Publications (1)

Publication Number Publication Date
CN107292268A true CN107292268A (zh) 2017-10-24

Family

ID=60097230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710483886.3A Pending CN107292268A (zh) 2017-06-23 2017-06-23 快速脊波反卷积结构学习模型的sar图像语义分割方法

Country Status (1)

Country Link
CN (1) CN107292268A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992938A (zh) * 2017-11-24 2018-05-04 清华大学 基于正反卷积神经网络的时空大数据预测方法和***
CN108764330A (zh) * 2018-05-25 2018-11-06 西安电子科技大学 基于超像素分割和卷积反卷积网络的sar图像分类方法
CN109344837A (zh) * 2018-10-22 2019-02-15 西安电子科技大学 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法
CN109409375A (zh) * 2018-10-11 2019-03-01 西安电子科技大学 一种基于轮廓结构学习模型的sar图像语义分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105374033A (zh) * 2015-10-19 2016-03-02 西安电子科技大学 基于脊波反卷积网络和稀疏分类的sar图像分割方法
CN105427313A (zh) * 2015-11-23 2016-03-23 西安电子科技大学 基于反卷积网络和自适应推理网络的sar图像分割方法
CN106611423A (zh) * 2016-12-30 2017-05-03 西安电子科技大学 基于脊波滤波器和反卷积结构模型的sar图像分割方法
CN106611420A (zh) * 2016-12-30 2017-05-03 西安电子科技大学 基于反卷积网络和素描图方向约束的sar图像分割方法
CN106683102A (zh) * 2016-12-30 2017-05-17 西安电子科技大学 基于脊波滤波器和卷积结构模型的sar图像分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105374033A (zh) * 2015-10-19 2016-03-02 西安电子科技大学 基于脊波反卷积网络和稀疏分类的sar图像分割方法
CN105427313A (zh) * 2015-11-23 2016-03-23 西安电子科技大学 基于反卷积网络和自适应推理网络的sar图像分割方法
CN106611423A (zh) * 2016-12-30 2017-05-03 西安电子科技大学 基于脊波滤波器和反卷积结构模型的sar图像分割方法
CN106611420A (zh) * 2016-12-30 2017-05-03 西安电子科技大学 基于反卷积网络和素描图方向约束的sar图像分割方法
CN106683102A (zh) * 2016-12-30 2017-05-17 西安电子科技大学 基于脊波滤波器和卷积结构模型的sar图像分割方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992938A (zh) * 2017-11-24 2018-05-04 清华大学 基于正反卷积神经网络的时空大数据预测方法和***
CN107992938B (zh) * 2017-11-24 2019-05-14 清华大学 基于正反卷积神经网络的时空大数据预测方法和***
CN108764330A (zh) * 2018-05-25 2018-11-06 西安电子科技大学 基于超像素分割和卷积反卷积网络的sar图像分类方法
CN109409375A (zh) * 2018-10-11 2019-03-01 西安电子科技大学 一种基于轮廓结构学习模型的sar图像语义分割方法
CN109409375B (zh) * 2018-10-11 2021-12-14 西安电子科技大学 一种基于轮廓结构学习模型的sar图像语义分割方法
CN109344837A (zh) * 2018-10-22 2019-02-15 西安电子科技大学 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法
CN109344837B (zh) * 2018-10-22 2022-03-04 西安电子科技大学 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法

Similar Documents

Publication Publication Date Title
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN106611420B (zh) 基于反卷积网络和素描图方向约束的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
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
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN106909902B (zh) 一种基于改进的层次化显著模型的遥感目标检测方法
CN107341813B (zh) 基于结构学习和素描特性推理网络的sar图像分割方法
CN104268593B (zh) 一种小样本情况下多稀疏表示的人脸识别方法
CN105389550B (zh) 一种基于稀疏指引与显著驱动的遥感目标检测方法
CN106846322B (zh) 基于曲线波滤波器和卷积结构学习的sar图像分割方法
CN111178432A (zh) 多分支神经网络模型的弱监督细粒度图像分类方法
CN106651884B (zh) 基于素描结构的平均场变分贝叶斯sar图像分割方法
CN105825502B (zh) 一种基于显著性指导的词典学习的弱监督图像解析方法
CN106611421B (zh) 基于特征学习和素描线段约束的sar图像分割方法
CN106611422B (zh) 基于素描结构的随机梯度贝叶斯sar图像分割方法
CN107424161B (zh) 一种由粗至精的室内场景图像布局估计方法
CN109829449A (zh) 一种基于超像素时空上下文的rgb-d室内场景标注方法
CN107292268A (zh) 快速脊波反卷积结构学习模型的sar图像语义分割方法
CN107403434A (zh) 基于两阶段聚类的sar图像语义分割方法
CN104408731B (zh) 基于区域图和统计相似性编码的sar图像分割方法
CN112364747B (zh) 一种有限样本下的目标检测方法
CN107067037A (zh) 一种使用llc准则定位图像前景的方法
CN114360038A (zh) 基于深度学习的弱监督rpa元素识别方法及***
CN105389798B (zh) 基于反卷积网络与映射推理网络的sar图像分割方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171024

RJ01 Rejection of invention patent application after publication