CN109145993A - 基于多特征与非负自动编码器的sar图像分类方法 - Google Patents

基于多特征与非负自动编码器的sar图像分类方法 Download PDF

Info

Publication number
CN109145993A
CN109145993A CN201810982241.9A CN201810982241A CN109145993A CN 109145993 A CN109145993 A CN 109145993A CN 201810982241 A CN201810982241 A CN 201810982241A CN 109145993 A CN109145993 A CN 109145993A
Authority
CN
China
Prior art keywords
negative
autocoder
sar image
image block
layer
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
Application number
CN201810982241.9A
Other languages
English (en)
Other versions
CN109145993B (zh
Inventor
王洪玉
耿杰
马晓瑞
王兵
吴尚阳
赵雪松
韩科
谢蓓敏
尹维崴
李睿
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.)
Dalian University of Technology
State Grid Corp of China SGCC
State Grid Jilin Electric Power Corp
Original Assignee
Dalian University of Technology
State Grid Corp of China SGCC
State Grid Jilin Electric Power Corp
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 Dalian University of Technology, State Grid Corp of China SGCC, State Grid Jilin Electric Power Corp filed Critical Dalian University of Technology
Priority to CN201810982241.9A priority Critical patent/CN109145993B/zh
Publication of CN109145993A publication Critical patent/CN109145993A/zh
Application granted granted Critical
Publication of CN109145993B publication Critical patent/CN109145993B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

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)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种基于多特征与非负自动编码器的SAR图像分类方法，属于图像处理技术领域。基于灰度梯度共生矩阵提取SAR图像的图像块空间域特征；基于二维Gabor变换提取SAR图像的图像块变换域特征；将图像块的空间域特征与变换域特征组合；选取SAR图像块的训练样本集和测试样本集；利用训练样本集对多层非负自动编码器与softmax分类器进行训练；采用训练好的非负自动编码器网络进行分类；得到分类结果图。本发明结合了SAR图像的空间信息与变换域信息，获得了SAR图像的多维特征，并利用非负自动编码器对特征进行优化，提升了特征的区分性，进而有效提高了分类的准确度，可用于高分辨率SAR图像地物分类与目标识别等。

Description

基于多特征与非负自动编码器的SAR图像分类方法
技术领域
本发明属于图像处理技术领域，特别是涉及地物分类领域中基于多特征与非负自动编码器的SAR图像分类方法，可用于SAR图像地物分类与目标识别。
背景技术
合成孔径雷达(Synthetic aperture radar,SAR)是一种主动成像传感器，具有全天候、全天时的数据获取能力，比传统的光学遥感技术具有明显优势。随着遥感技术的不断发展，SAR***获取的图像分辨率越来越高，高分辨率SAR图像能够反映更加详细的地物信息，满足了许多实际应用的需求。SAR图像分类是SAR图像解译的重要内容，在军事侦察、资源探测、地理测绘等领域有着广泛的应用。由于SAR图像受到相干斑噪声的严重污染，导致缺乏有效的特征提取模型。一些基本的SAR图像特征被用于分类，如幅度、相位、密度等，但往往都不能得到很好的分类效果。
SAR图像分类是分析获取的地物后向散射信号等特征进行地物分类的过程。目前的SAR图像分类按照是否需要人工的类别标签，可以分为有监督分类和无监督分类。
在无监督分类方法中，不需要样本的类别标签，因此不需要人工参与，主要基于后向散射等信号实现分类。传统的无监督分类方法，如模糊C均值聚类、分水岭算法、迭代自组织分析算法，被用于SAR图像分类。在实际应用中，往往获得标签样本比较困难，这样无监督分类表现出一定优势。然而，由于SAR图像存在明显的相干斑噪声，无监督分类的准确度通常不是很理想。
在有监督分类方法中，需要样本的类别标签，因此需要人工参与获得标签样本来训练分类器。不同的机器学习方法，如贝叶斯分类器、马尔可夫模型、支持向量机等，被用于SAR图像分类。例如，C.Tison等人2004年在IEEE Transactions on Geoscience andRemote Sensing的第42卷第10期上发表的《A new statistical model for Markovianclassification of urban areas in high-resolution SAR images》，提出了基于Fisher分布和对数矩估计的数学模型，并采用马尔可夫分割进行分类，获得了准确的高分辨率城市地区分类结果。A.Voisin等人2013年在IEEE Geoscience and Remote Sensing Letters的第10卷第1期上发表的《Classification of very high resolution SAR images ofurban areas using copulas and texture in a hierarchical markov random fieldmodel》，提出了基于上下文分层的监督贝叶斯分类方法，结合SAR图像振幅和结构信息建立统计模型，解决了城市区域的高分辨率SAR图像分类问题。近年来，深度学习方法在各种机器学习任务中取得了突破性的提升，获得了广泛应用，也逐渐应用于遥感图像分类任务中。例如，Z.Zhao等人2017年在Pattern Recognition的第61卷上发表的《Discriminant deepbelief network for high-resolution SAR image classification》，将集成学习与深度置信网络结合，学习高分辨率SAR图像的高层次特征，取得优异的分类效果。上述方法未考虑SAR图像相干斑噪声影响且未充分挖掘SAR图像的不同特征，未有效利用深度网络提高特征的区分性，从而影响了分类效果。
发明内容
本发明旨在克服上述现有技术的问题，提出一种基于多特征与非负自动编码器的SAR图像分类方法，进而提高SAR图像分类的准确度。
本发明的技术方案：
基于多特征与非负自动编码器的SAR图像分类方法，步骤如下：
(1)基于灰度梯度共生矩阵的SAR图像空间域特征提取：
(1a)输入一幅a×b的SAR图像，按照w×w的窗大小进行分块，得到图像块；
(1b)基于灰度梯度共生矩阵，提取每个图像块的空间域特征；
(1c)将每个图像块的空间域特征向量化；
(2)基于二维Gabor变换的SAR图像变换域特征提取：
(2a)对分块后得到的SAR图像的图像块，提取基于二维Gabor变换的变换域特征；
(2b)对每个图像块的变换域特征向量化；
(3)将空间域特征与变换域特征进行组合：
将每个图像块的空间域特征向量和变换域特征向量组合成一个特征向量；
(4)选取SAR图像块的训练样本集和测试样本集：
从SAR图像所有带标签的图像块中，随机选取p％的图像块形成训练样本集，其余的图像块作为测试样本集；取每个图像块像素标签最多的类作为每个图像块的标签；
(5)利用训练样本集对多层非负自动编码器与softmax分类器进行训练：
(5a)先初始化三层非负自动编码器的权重和偏置参数，再利用训练样本集逐层预训练各层网络；
(5b)预训练完各层非负自动编码器的权重和偏置参数后，第三层非负自动编码器的隐含输出作为优化后的样本特征；
(5c)将优化后的训练样本特征与标签输入到softmax分类器，训练得到softmax分类器的权重和偏置参数；
(5d)从softmax分类器、第三层非负自动编码器、第二层非负自动编码器、第一层非负自动编码器的自上而下的顺序，对整个网络的参数进行微调。
(6)对测试样本集进行分类：
(6a)将测试样本集输入到三层非负自动编码器中，第三层非负自动编码器的隐含输出作为测试样本优化后的样本特征；
(6b)将优化后的测试样本特征输入到softmax分类器，得到预测标签；
(7)输出分类结果图：
根据预测标签向量和测试样本的空间位置，绘制最后的分类结果图。
本发明与现有技术相比，主要具有如下的优点：
第一，本发明提出了基于非负自动编码器的深度网络，不仅利用了深度网络优异的特征表示能力，获得高层次的特征；而且加入非负权重约束，提高编码表示的重建质量和稀疏性，能够提高特征的有效性。
第二，本发明结合了基于灰度梯度共生矩阵的空间域特征和基于二维Gabor变换的变换域特征，获得了丰富的SAR图像块特征。采用图像块特征的提取方法，能够有效克服高分辨率SAR图像严重的相干斑噪声影响的问题，对提高分类精度起很大作用。
附图说明
图1为SAR图像分类的实现流程图；
图2为本发明适用的SAR图像；
图3为本发明适用的SAR图像的真实地物标记图；
图4为利用现有自动编码器网络对SAR图像进行分类的分类结果图；
图5为利用现有稀疏自动编码器网络对SAR图像进行分类的分类结果图；
图6为利用本发明方法对SAR图像进行分类的分类结果图。
具体实施方式
下面结合具体实例和附图，对本发明作详细的阐述。
根据图1，基于多特征与非负自动编码器的SAR图像分类方法，包括如下步骤：
(1)基于灰度梯度共生矩阵的SAR图像空间域特征提取：
(1a)输入一幅3580×2250的SAR图像，按照5×5的窗大小进行分块，得到322200个图像块；
(1b)基于灰度梯度共生矩阵，提取每个图像块的15维的空间域特征，计算公式为：
其中，Hij表示SAR图像块的灰度值为i且对应梯度图的梯度值为j的像素个数，表示归一化的Hij，Nh和Nt分别表示灰度级与梯度级；
(1c)将每个图像块的空间域特征向量化，具体如下：
T＝[T1,T2,T3,T4,…,T15]；
(2)基于二维Gabor变换的SAR图像变换域特征提取：
(2a)对分块后得到的SAR图像的图像块，提取基于二维Gabor变换的变换域特征，计算公式为：
其中，I(x,y)表示SAR图像，x和y表示图像像素点的位置，x0＝x cosθ+y sinθ，y0＝-x sinθ+y cosθ，w0表示Gabor滤波器的中心频率，取5个不同尺度，θ表示Gabor滤波器的方向，取8个方向σ表示高斯函数的标准差，表示卷积运算。这样提取了40维的Gabor特征，按照5×5的窗大小进行分块，并计算块的均值特征来代表图像块的40维空间域特征G。
(2b)对每个图像块的变换域特征向量化，具体如下：
G′＝[G1,G2,G3,G4,…,G40]；
(3)将空间域特征与变换域特征进行组合：
将每个图像块的空间域特征向量和变换域特征向量组合成一个特征向量，具体如下：
f＝[T,G′]；
(4)选取SAR图像块的训练样本集和测试样本集：
从SAR图像所有带标签的图像块中，随机选取50％的图像块形成训练样本集，其余的图像块作为测试样本集；
(5)利用训练样本集对多层非负自动编码器与softmax分类器进行训练：
(5a)先初始化三层非负自动编码器的权重和偏置参数，再利用训练样本集逐层预训练各层网络。预训练第k层非负自动编码器的权重和偏置参数的目标方程为：
其中，上式第一项为解码输出与编码前输入的平均重建误差，第二项为负权重的惩罚项， 表示第k层网络的解码输出，表示第k层网络的输入同时也表示第k-1层网络的隐含输出，N表示训练样本数量，λ表示负权重惩罚因子。利用反向传播算法求解上式。
(5b)预训练完各层非负自动编码器的权重和偏置参数后，第三层非负自动编码器的隐含输出作为优化后的样本特征；
(5c)将优化后的训练样本特征与标签输入到softmax分类器，训练得到softmax分类器的权重和偏置参数；
(5d)从softmax分类器、第三层非负自动编码器、第二层非负自动编码器、第一层非负自动编码器的自上而下的顺序，对整个网络的参数进行微调。反向微调整个网络权重和偏置参数的目标方程为：
其中，上式第一项为所有编码层总的重建误差，第二项为各个编码层负权重的惩罚项，K表示网络层数，表示第k层网络的隐含输出。同样，利用反向传播算法求解上式，得到微调的各层非负自动编码器与softmax分类器的权重和偏置参数；
(6)对测试样本集进行分类：
(6a)将测试样本xi输入到三层非负自动编码器中，第三层非负自动编码器的隐含输出作为测试样本优化后的样本特征；
(6b)将优化后的测试样本特征输入到softmax分类器，计算其属于第c类的概率，具体如下：
其中，Wj′和bj′对应第j类的部分权重和偏置，Wc′和bc′对应第c类的部分权重和偏置，C表示总的类别数。最后，测试样本xi的预测标签如下：
label(xi)＝arg max Pc(xi)
(7)输出分类结果图：
把各个图像块按照空间位置，绘制最后3580×2250的分类结果图，其中每个图像块中各个像素的类别均等于该图像块分类后的类别。
以下通过仿真实验，对本发明的技术效果进行说明：
1、仿真条件与内容
本发明的实验数据为2013年获取的挪威Lillestroem市的TerraSAR-X数据，如图2所示，图像大小为3580×2250，图3为该图像的真实地物标记图，共有5类不同地物，图4为利用现有自动编码器网络对SAR图像进行分类的分类结果图，图5为利用现有稀疏自动编码器网络对SAR图像进行分类的分类结果图，图6为利用本发明方法对SAR图像进行分类的分类结果图，表一为这三种技术的分类精度对比。仿真实验中，本发明和对比方法都是在MatlabR2017a中编程实现。
2、仿真结果分析
表一 分类精度对比
类别 自动编码器网络 稀疏自动编码器网络 本发明
河流 84.90 88.24 91.69
森林 89.90 92.07 96.08
草地 85.60 86.71 90.01
建筑 85.65 91.12 97.15
公路 81.85 80.49 86.04
总体精度 86.76 88.78 92.49
平均精度 85.58 87.72 92.19
Kappa系数 0.8087 0.8381 0.8919
由表一可知，本发明的方法比现有自动编码器网络、稀疏自动编码器网络都获得了更高的分类精度，证明本发明对高分辨率SAR图像分类的优异效果。从图4、图5和图6可知，本发明方法的分类结果图的误分类杂点更少，说明比现有自动编码器网络、稀疏自动编码器网络具有更好的相干斑噪声克服能力。总之，本发明的方法能够有效改善高分辨率SAR图像分类效果。

Claims (1)

1.一种基于多特征与非负自动编码器的SAR图像分类方法，步骤如下：
(1)基于灰度梯度共生矩阵的SAR图像空间域特征提取：
(1a)输入一幅a×b的SAR图像，按照w×w的窗大小进行分块，得到图像块；
(1b)基于灰度梯度共生矩阵，提取每个图像块的空间域特征，计算公式为：
其中，Hij表示SAR图像块的灰度值为i且对应梯度图的梯度值为j的像素个数，表示归一化的Hij，Nh和Nt分别表示灰度级与梯度级；
(1c)将每个图像块的空间域特征向量化，具体如下：
T＝[T1,T2,T3,T4,…,T15]；
(2)基于二维Gabor变换的SAR图像变换域特征提取：
(2a)对分块后得到的SAR图像的图像块，提取基于二维Gabor变换的变换域特征，计算公式为：
其中，I(x,y)表示SAR图像，x和y表示SAR图像像素点的位置，x0＝xcosθ+ysinθ，y0＝-xsinθ+ycosθ，w0表示Gabor滤波器的中心频率，取c个不同尺度，θ表示Gabor滤波器的方向，取d个方向，分别为σ表示高斯函数的标准差，表示卷积运算；提取c×d维的Gabor特征，按照w×w的窗大小进行分块，并计算块的均值特征来代表图像块的c×d维空间域特征G；
(2b)对每个图像块的变换域特征向量化，具体如下：
G′＝[G1,G2,G3,G4,…,Gc×d]；
(3)将空间域特征与变换域特征进行组合：
将每个图像块的空间域特征向量和变换域特征向量组合成一个特征向量，具体如下：
f＝[T,G′]；
(4)选取SAR图像块的训练样本集和测试样本集：
从SAR图像所有带标签的图像块中，随机选取p％的图像块形成训练样本集，其余的图像块作为测试样本集；
(5)利用训练样本集对多层非负自动编码器与softmax分类器进行训练：
(5a)先初始化三层非负自动编码器的权重和偏置参数，再利用训练样本集逐层预训练各层网络；预训练第k层非负自动编码器的权重和偏置参数的目标方程为：
其中，上式第一项为解码输出与编码前输入的平均重建误差，第二项为负权重的惩罚项， 表示第k层网络的解码输出，表示第k层网络的输入同时也表示第k-1层网络的隐含输出，N表示训练样本数量，λ表示负权重惩罚因子；利用反向传播算法求解上式；
(5b)预训练完各层非负自动编码器的权重和偏置参数后，第三层非负自动编码器的隐含输出作为优化后的样本特征；
(5c)将优化后的训练样本特征与标签输入到softmax分类器，训练得到softmax分类器的权重和偏置参数；
(5d)从softmax分类器、第三层非负自动编码器、第二层非负自动编码器、第一层非负自动编码器的自上而下的顺序，对整个网络的参数进行微调；反向微调整个网络权重和偏置参数的目标方程为：
其中，上式第一项为所有编码层总的重建误差，第二项为各个编码层负权重的惩罚项，K表示网络层数，表示第k层网络的隐含输出；利用反向传播算法求解上式，得到微调的各层非负自动编码器与softmax分类器的权重和偏置参数；
(6)对测试样本集进行分类：
(6a)将测试样本xi输入到三层非负自动编码器中，第三层非负自动编码器的隐含输出作为测试样本优化后的样本特征；
(6b)将优化后的测试样本特征输入到softmax分类器，计算其属于第c类的概率，具体如下：
其中，W′j和b′j对应第j类的部分权重和偏置，W′c和b′c对应第c类的部分权重和偏置，C表示总的类别数；最后，测试样本xi的预测标签如下：
label(xi)＝argmaxPc(xi)
(7)输出分类结果图：
根据预测标签向量和测试样本的空间位置，绘制最后分类结果图。
CN201810982241.9A 2018-08-27 2018-08-27 基于多特征与非负自动编码器的sar图像分类方法 Active CN109145993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810982241.9A CN109145993B (zh) 2018-08-27 2018-08-27 基于多特征与非负自动编码器的sar图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810982241.9A CN109145993B (zh) 2018-08-27 2018-08-27 基于多特征与非负自动编码器的sar图像分类方法

Publications (2)

Publication Number Publication Date
CN109145993A true CN109145993A (zh) 2019-01-04
CN109145993B CN109145993B (zh) 2021-05-07

Family

ID=64828452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810982241.9A Active CN109145993B (zh) 2018-08-27 2018-08-27 基于多特征与非负自动编码器的sar图像分类方法

Country Status (1)

Country Link
CN (1) CN109145993B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210495A (zh) * 2019-05-21 2019-09-06 浙江大学 基于并行LSTM自编码器动态特征提取的XGBoost软测量建模方法
CN113486753A (zh) * 2021-06-29 2021-10-08 北京蓬瑞宇兴科技有限公司 一种基于sar的无人机图像处理方法
CN113657181A (zh) * 2021-07-23 2021-11-16 西北工业大学 一种基于平滑标签编码与特征增强的sar图像旋转目标检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915676A (zh) * 2015-05-19 2015-09-16 西安电子科技大学 基于深层特征学习和分水岭的sar图像分类
EP2990998A1 (en) * 2014-08-29 2016-03-02 Institute of Electronics, Chinese Academy of Sciences Method and device for assessing damage in disaster area
CN105718963A (zh) * 2016-03-09 2016-06-29 东南大学 基于变长增量型极限学习机的sar图像分类方法
CN106096652A (zh) * 2016-06-12 2016-11-09 西安电子科技大学 基于稀疏编码和小波自编码器的极化sar图像分类方法
CN104156728B (zh) * 2014-07-14 2017-05-24 西安电子科技大学 一种基于栈式编码和softmax的极化SAR图像分类方法
CN107945161A (zh) * 2017-11-21 2018-04-20 重庆交通大学 基于纹理特征提取的道路表面缺陷检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156728B (zh) * 2014-07-14 2017-05-24 西安电子科技大学 一种基于栈式编码和softmax的极化SAR图像分类方法
EP2990998A1 (en) * 2014-08-29 2016-03-02 Institute of Electronics, Chinese Academy of Sciences Method and device for assessing damage in disaster area
CN104915676A (zh) * 2015-05-19 2015-09-16 西安电子科技大学 基于深层特征学习和分水岭的sar图像分类
CN105718963A (zh) * 2016-03-09 2016-06-29 东南大学 基于变长增量型极限学习机的sar图像分类方法
CN106096652A (zh) * 2016-06-12 2016-11-09 西安电子科技大学 基于稀疏编码和小波自编码器的极化sar图像分类方法
CN107945161A (zh) * 2017-11-21 2018-04-20 重庆交通大学 基于纹理特征提取的道路表面缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GENG J ET AL: "《High-Resolution SAR Image Classification Via Deep Convolutional Autoencoders》", 《IEEE》 *
耿杰等: "《基于深度协同稀疏编码网络的海洋浮筏SAR图像目标识别》", 《自动化学报》 *
赵晓辉: "《高分辨率合成孔径雷达地面目标识别及相关处理技术研究》", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210495A (zh) * 2019-05-21 2019-09-06 浙江大学 基于并行LSTM自编码器动态特征提取的XGBoost软测量建模方法
CN113486753A (zh) * 2021-06-29 2021-10-08 北京蓬瑞宇兴科技有限公司 一种基于sar的无人机图像处理方法
CN113657181A (zh) * 2021-07-23 2021-11-16 西北工业大学 一种基于平滑标签编码与特征增强的sar图像旋转目标检测方法
CN113657181B (zh) * 2021-07-23 2024-01-23 西北工业大学 一种基于平滑标签编码与特征增强的sar图像旋转目标检测方法

Also Published As

Publication number Publication date
CN109145993B (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
Sharifzadeh et al. Ship classification in SAR images using a new hybrid CNN–MLP classifier
CN110135267B (zh) 一种大场景sar图像细微目标检测方法
CN107609601B (zh) 一种基于多层卷积神经网络的舰船目标识别方法
Leigh et al. Automated ice–water classification using dual polarization SAR satellite imagery
Ma et al. What catch your attention in SAR images: Saliency detection based on soft-superpixel lacunarity cue
CN105809198A (zh) 基于深度置信网络的sar图像目标识别方法
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***
Zhang et al. A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data
Tao et al. Scene context-driven vehicle detection in high-resolution aerial images
CN109242889A (zh) 基于上下文显著性检测与sae的sar图像变化检测方法
CN104376330A (zh) 基于超像素散射机制的极化sar图像舰船目标检测方法
CN106096506A (zh) 基于子类类间判别双字典的sar目标识别方法
CN110018453A (zh) 基于飞机航迹特征的智能机型识别方法
CN109145993A (zh) 基于多特征与非负自动编码器的sar图像分类方法
CN109145832A (zh) 基于dsfnn与非局部决策的极化sar图像半监督分类方法
CN105913081A (zh) 基于改进的PCAnet的SAR图像分类方法
Wang et al. Target detection and recognition based on convolutional neural network for SAR image
Liu et al. Deep fuzzy graph convolutional networks for PolSAR imagery pixelwise classification
CN113536963A (zh) 基于轻量化yolo网络的sar图像飞机目标检测方法
Wang et al. IDUDL: Incremental double unsupervised deep learning model for marine aquaculture SAR images segmentation
Li et al. Multi-layer sparse coding based ship detection for remote sensing images
Yu et al. Application of a convolutional autoencoder to half space radar hrrp recognition
CN112270285B (zh) 一种基于稀疏表示和胶囊网络的sar图像变化检测方法
Chen et al. Ship target discrimination in SAR images based on BOW model with multiple features and spatial pyramid matching
Yang et al. Radar target recognition using contourlet packet transform and neural network approach

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
GR01 Patent grant
GR01 Patent grant