CN115223050B - 一种极化卫星影像分析方法 - Google Patents
一种极化卫星影像分析方法 Download PDFInfo
- Publication number
- CN115223050B CN115223050B CN202210461568.8A CN202210461568A CN115223050B CN 115223050 B CN115223050 B CN 115223050B CN 202210461568 A CN202210461568 A CN 202210461568A CN 115223050 B CN115223050 B CN 115223050B
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- clusters
- classification
- sparse
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种极化卫星影像分析方法,主要解决极化卫星影像中具备稀疏性的小目标的识别准确率较低的问题,同时也解决了并行加速处理过程为了克服数据分割造成分割线附近图像特征丢失或因补偿带来的额外计算代价问题,通过将映射到高维特征空间中的样本分批次进行空间聚类和簇类规约,在不降低大尺寸(稠密)对象识别率的同时提高了稀疏对象的有效识别。
Description
技术领域
本发明涉及极化卫星图像处理领域,具体来说是一种基于聚类模型的半监督化极化卫星 影像分类技术,利用极化卫星图像中各点的上下文关系和极化颜色特征对样本点的所数据的 类别进行识别、分类,利用高维特征空间中的聚类提升了稀疏类别、噪声类别的识别率,从而提升极化卫星影像分析中(稀疏目标)小目标自动分类的准确性和质量。
背景技术
极化卫星影像分析是利用计算机自动地从原始极化卫星图像中提取、准确地反映该图像 中主要研究对象特征的图像分析技术。极化卫星图像的特征提取应具有高正确率、低错误率、 高灵敏度、特效度和较高的精度。卫星影像分析长期以来一直是图像处理和地理信息处理领域重要的且富有挑战的研究议题之一,尤其是随着卫星数量快速增长、成像质量的不断提高 以及成像方式的丰富化,使得卫星影像获取的数据量极为庞大,单张卫星图像的最大尺寸从 10^12(TB)级别突破10^15(PB)级别,这使得多处理器/多处理机并行加速处理方式成为 必要手段。准确的极化卫星影像自动分析方法在国土资源、城市规划、公共安全、灾害防空 等诸多实际领域得到应用,具有重要的研究价值。
极化卫星影像中各类待分析的对象如建筑、道路、车辆、植被、河流、山川等可视为一 系列的对象数据集合,极化卫星影像分析试图从背景中识别这些对象并将其转换为后续数值 分析与应用的结构化信息,因此,其本质是图对象的识别与分类问题。每类对象可用一种信号特征模式表示,常见的图对象分类识别方法主要从单一特征空间出发,例如上下文关系和 (或)极化图像中的一个维度(灰度图),利用其中单一特征纬度构建快速简单的阈值分割 方法,或利用多个低维度特征关系构建空间距离聚类方法,由于各特征之间具有相似性,加 之背景噪声的干扰,阈值分割方法的准确率较低,而基本被淘汰;虽然常见聚类方法能够对任意形状的稠密数据进行聚类、对异常点(如噪声)不敏感、聚类结果偏倚低等优点,但当 样本数据的密度不均匀、聚类间距差距相差较大时,聚类质量较差,并且当样本集较大时聚 类收敛时间过长,阐述调整复杂难以自适应,容易将稀疏数据当作噪声过滤,对彩色极化图像支持度较低等问题。
另一类方法以复杂神经网络、深度学习为主,通过学习包含背景噪声的、待识别、分类 对象的特征模式,当训练模板较大时,训练结果对小目标的识别准确率降低;当训练尺寸过 小时,模型的泛化能力被削弱;并且,当目标的尺寸减小至两个或数个像素级别时,对象呈现明显的稀疏性,并且远小于现有模型所支持的模板尺寸,而同等级别的模板尺寸仅在有限 程度上提高识别准确率,但也使得计算量大幅增长。此外,上述方法在处理时更多的是每批 次只对单张较小尺寸图像进行处理,应用并行分割加速策略处理大尺寸极化图像的应用较为 少见。
发明内容
本发明的目的:针对极化卫星影像中具有稀疏性质的小目标识别率较差的问题,在极化 图像特征的基础上引入上下文特征构建高维特征向量,通过对高维特征向量展开邻域空间聚 类形成自适应聚类簇集合,此时同类稀疏对象将汇聚到一起,形成更大、密度更高的特征空间,由此削弱稀疏数据的“稀疏性”,有效改善了具有稀疏性的小目标识别的准确率。本发 明的具体极化卫星影像分析方案如下:
设极化卫星影像src的数据格式为src(x,y,[R,G,B])(1≤x≤cols,1≤y≤rows,cols为列数即图像的宽度,rows为行数即图像的高度),中包含n类待分析的目标对象Cat,其中Catrare为稀 疏类。具体来说稀疏Catrare类中元素的数量Catrare<<rows×cols,并且Catrare类中单个目标对象 Catobj|i所拥有的数据点数量符合稀疏性条件,即此外,原始图像受到典型椒盐噪 声的干扰,噪声类标记为Catnoise,并且噪声类中元素的数量也满足稀疏性,即 Catnoise∈(0.002%,0.01%)<<rows×cols,噪声随机分布于整个样本空间。对象分类方法***通过极化 图像特征和上下文特征正确识别各个目标对象Cat与噪声Catnoise对象。
本发明所述极化卫星影像分析方法的流程如下:
1)进行数据切片:
根据待处理图像的大小(size)和处理机/处理器数量(n台),设定合适的数据分割策 略和分割尺度,默认按照均分法将待处理的图像分割为m=size/n份,每份数据记作一个块 blocki,然后分发给处理器/处理机进行处理。分割方法不要求对分割边界进行补偿以抑制分 割造成潜在分析目标尺寸减小带来的影响。
2)进行数据映射构建高维特征向量:
为样本片段中的各点建立索引indexxy,再将样本数据的上下文特征(x,y)和极化(R,G,B)特 征合并映射到高维特征空间,形成“索引-高维特征向量”F[indexxy,x,y,R,G,B],此时向量的维度Dim=6,从而克服传统聚类方法(如DBSCAN、K-Means)不能直接用于彩色图像的问 题;
3)执行空间聚类:
(1)从样本片段blocki中任选一个点P1作为起始分类点;(2)根据距离阈值dx查找周边相 邻点形成待选集合dd;(3)从dd集合中选取P1以外的点P2~Pn进行遍历,并将Pi作为当前 起始点Pstart,重复执行步骤(1)~(3)直到dd只包含自己或<邻域密度MinPts为止。其中簇C2中 的各点与簇C1中的各点均大于阈值dx,因此被划分到另一个簇C2中。其中,距离计算公示 (1)为:
其中f是当前点Pi的高维特征向量,f'是待比较点的高维特征向量,Dim是特征向量的 维度。
4)进行簇规约:
将各样本片段blocki从处理器/处理机器汇总到主机中,并将各块中的簇合并为待处理的 簇集合C。
分别计算各簇的特征向量在高维特征空间中的外接边界。该计算过程属于凸包计算问题, 由于特征向量位于高维特征空间,因此选用QuickHull+方法构建外接边界的凸包。
根据边界分布情况分为三类,a)包含、b)相交和c)分离;合并规则按照公式(2)进行处理:
其中DOi是当前簇Ci的边界,DOj是待比较簇Cj的边界;DO′i表示将簇Cj合并到当前簇Ci;DO'j表示将当前簇Ci合并到簇Cj;DO′ij表示当前簇Ci与簇Cj合并,形成新的集合。
当DO′ij出现时,则要求将DO′ij集合送入第3)步再次执行聚类处理,然后再执行步骤4), 直至所有簇完成合并。相比于初始状态,此时簇的总数将极大的减少,并趋近于用户实际需 要的分类数量。
5)进行簇分类:
用户根据实际应用需要定义分类标签L,分类标签L对应的特征范例(DOl),分类标签数量为k个。如果分类标签数量k与簇集合数量m相同即k=m,并且m个簇的特征中心(DOi)与分类标签L的特征(DOl)相同DOl,即则完成分类要求。如果k≠m, 则需要对m各簇按照L的特征中心(DOl)进行簇合并,形成新的簇集合m',重复这个步骤 直到k=m',最终完成簇分类,由此完成极化卫星图像的分析工作。
有益效果:本发明能够有效改善极化卫星影像中具有稀疏性质的小目标的识别率低 下的问题,提高了稀疏小目标和噪声的区分度,通过考虑极化特征和上下文特征并将其合并统一映射到高维空间展开空间聚类,提升了稀疏数据、噪声在高维空间中的聚集性 程度和特征密度,从而降低了稀疏小目标特征、噪声特征的学习难度,也缓解了因并行加速处理过程为了克服数据分割造成分割线附近图像特征丢失或因补偿带来的额外计算 代价问题,提升了分析方法的处理效率。
附图说明
图1为本发明所述的流程图
图2为实施例给出的SAR卫星图像影像图
图3为图1中标记区域的极化SAR像样本
图4为cat3样本的直方图分布
图5为cat5样本的直方图分布
图6为cat7样本的直方图分布
图7为cat9样本的直方图分布
图8为cat16样本的直方图分布
图9为cat17样本的直方图分布
图10为原始样本src的样本区域1分块后的效果图
图11为实施例中补偿过程中将缺失部分补齐流程图
图12为实施例中补偿过程中将分割边界补齐流程图
图13为实施例中极化特征在三维空间中的分布示意图
图14为实施例中高维特征空间中的邻域距离聚类构建效果图
图15为实施例中簇合并处理后的效果图
图16为图3中区域1的样本分类结果图
图17为图3中区域2的样本分类结果图
图18为区域1分类结果的分层示意图
图19为区域1进行稀疏类别测试时mask示意图
图20为区域1进行稀疏类别测试的结果分析图
图21为区域2进行稀疏类别测试时mask示意图
图22为区域2进行稀疏类别测试的结果分析图
具体实施方式
小目标虽然具有稀疏特性,但多个稀疏对象在特定的特征空间中具有聚集性倾向,当它 们汇聚到共同的高维特征空间中时,其隐性特征得到增强,空间数据密度的增加在一定程度 上削弱了稀疏性,而特征识别的准确度高度依赖于特征的强度,这就形成了一种稀疏数据特征增强的关系,本发明基于这一关系,提出一种稀疏特征增强,通过映射到高维空间的特征 向量展开特征聚类以提升稀疏类的特征强度,由此构建一种极化卫星影像分析方法。
参照图1所示的发明流程,以如图2所示卫星影像为例,将本发明具体实施方式及步骤 详细叙述:
图3所示的样本区域被划分为S01和S02两个对比样本区域,其mask统计结果如表1所示。其中Cat5、Cat7和Cat9为稀疏类,Cat3、Cat 16和Cat 17为数量较少的类。稀疏类 和样本较少的类的主要区别在于它们在样本空间中的分布情况不同。分别对两类进行密度统计并绘制直方图(density statistics and drawing histograms),统计结果如图4-图9所示:
表1样本中各分类占比表
极化卫星图像的分割过程如下:
首先获得处理器/处理机的数量n,然后对待处理的极化卫星图像执行分块、编号、编组 等。例如当处理器/处理机的数量n=4时,可以将原始样本src的样本区域1均分为四个块 block1、block2、block3和block4,实施后的效果如图10所示。
本文算法采用的高维特征向量处理策略可以有效避免传统分割中需要执行对齐、补偿等 措施,从而降低了计算复杂度,提升了计算效率。这是因为由于上述均分策略未考虑实际处 理器/处理机计算能力、存储空间大小等因素,因而在具体实现中更多采用的固定模板分割策略:
1)设定分割模板block,模板尺寸为(x,y),x∈[1,cols],y∈[1,rows],其中cols是src图像的宽度 (width),rows是图像的高度(height);模板的尺寸应考虑具体应用环境的需要;
2)按照分割模板对src进行分割,会带来以下两种情况:
a)mod(cols,x)≠0或mod(rows,y)≠0时,由于非整数倍分割,将导致行方向或列方向最后 一个块的大小不能与模板大小相同,这时就需要使补偿过程将缺失部分补齐。这一过程 如图11所示。
b)当执行分割时,位于分割线附近的对象将有可能被一分为二,这对后于续识别过 程会产生影像,因此一般算法均需要对分割边界进行补偿。这一过程如图12所示。
上述两类情况均会带来更多的计算量,并且在(b)中补偿数量受到对象尺寸等影响。
数据映射与高维特征向量构建过程如下:
首先为src中的每个样本建立索引indexij,i∈[1,cols],j∈[1,rows];然后将极化特征[R,G,B] 作为主成分,将上下文特征(i,j)作为空间关联成分,构建高维特征向量[indexij,R,G,B,i,j],实施 后的效果如图13所示。
这里使用了高维特征向量[indexij,R,G,B,i,j]在RGB空间中的投影,并由此构建可视化示意 图,其中极化特征R、G、B分别代表空间的X、Y、Z。如图13所示,极化特征在三维空 间中的分布具有一定的规律,但各类别之间相互连结、部分样本还存在重叠现象。
高维特征空间中的邻域距离聚类构建过程如下:
样本片段blocki中任选一个点任选一个点P1作为起始分类点;(2)根据距离阈值dx查找 周边相邻点形成待选集合dd;(3)从dd集合中选取P1以外的点P2~Pn进行遍历,并将Pi作 为当前起始点Pstart,重复执行步骤(1)~(3)直到dd只包含自己或<邻域密度MinPts为止。其中 簇C2中的各点与簇C1中的各点均大于阈值dx,因此被划分到另一个簇C2中,实施后的效 果如图14所示。
其中,模板尺寸为100*100,虽然该区域中样本数量较少,但可以明显看到其中的三个 主要类别。
显然,稀疏类在空间中的也是稀疏的,聚类后的密度低于普通类别或稠密类别,因此可 以将簇分为稠密簇集合和稀疏簇集合/>此外,由于噪 声数据也是稀疏的,噪声簇Cnoise也被合并到稀疏簇集合中
簇规约过程如下:
将各样本片段block从处理器/处理机器汇总到主机中,并将各块中的簇合并为待处理的 簇集合C。
分别计算各簇的特征向量在高维特征空间中的外接边界。该过程可以描述为高维空间中 的凸包计算过程,即:
(a)给定一个点集合P,求最小的点集S,使得S构成的形状能够包含P。
(b)在候选点点集中,计算在各坐标系上数值最大最小的点,该点称为极点。
(c)对于凸包上的每条直线,取朝外的方向为正,因此每条线段也有一个垂直于它的 朝外的“法向量”,称为扩展向量,同理每个点到直线的距离也有正负。
(d)选取2个极点。生成1条直线和2个扩展向量。把其他点分别分派到2个方向上,即如果该点到这个扩展方向为正,则将点分派到这个方向上。
(e)每次扩展,取一个扩展向量,以及扩展向量末端的直线和分派到的点集Vs。选取 离直线距离最远的点p,连接p跟直线的2端,生成新的2条直线,得到2个新的扩展方向,并把Vs中的其它点分派到新的扩展向量上。
(f)重复到每个扩展向量都没有点可以扩展时,结束。重复k次得到的凸包边数为k+2。
然后按照公示(2)进行簇合并处理,实施后的效果如图15所示。
如图所示,这里展示了8个簇在三维空间中的投影,其中有五个簇属于(c)类情况,即簇与簇之间不存在重叠;另有三个簇属于(b)类情况,即簇与簇之间存在重叠,这类情 况就要求在对该簇中的样本重复执行步骤3)。
簇分类过程如下:
用户根据实际应用需要定义分类标签L,分类标签L对应的特征范例(DOl),分类标签数量为k个,如分类图例定义表所示。如果分类标签数量k与簇集合数量m相同即k=m, 并且m个簇的特征中心(DOi)与分类标签L的特征(DOl)相同DOl,即则完 成分类要求。如果k≠m,则需要对m各簇按照L的特征中心(DOl)进行簇合并,形成新的 簇集合m',重复这个步骤直到k=m',最终完成簇分类,由此完成极化卫星图像的分析工作, 实施后的效果如下:
表2分类图例定义表
分类完成的簇中所有样本点的将形成<indexij,Ll>(l∈[1,k])分类键值对,通过该键值对可 以重建src的对象分类结果分别如图16和图17所示。
从图18中,X,Y是原始上下文特征,Z轴(Labels)是分类标签。
测试与验证:
样本1的稀疏类别测试结果如图19-图20所示。
样本2的稀疏类别测试结果如图21-图22所示。
本发明还可有其他多种实施方式,在不背离本发明精神及其实质的情况下,熟悉本领域 的技术人员可根据本发明做出各种相应的改变和变形,这些相应的改变和变形都应属于本发 明所附的权利要求的保护范围。
Claims (10)
1.一种极化卫星影像分析方法,其特征是包括步骤:
1)数据切片:将以图像表示的原始SAR样本分割为若干大小相同的图像片段,便于后续处理;将数据切片按照调度规则分发给对应处理器/处理机进行处理;
2)数据映射:为数据切片中的各点建立索引,再将数据切片的上下文特征和极化特征合并映射到高维特征空间,形成“索引-高维特征向量”;
3)高维向量空间聚类:对所有数据切片分别执行一次空间聚类,默认按邻域距离将当前数据切片中的数据划分到稠密类和稀疏类两个集合中;其中稠密类中包含若干个稠密数据簇;稀疏类中包含若干个稀疏数据簇,并且噪声数据被划分到稀疏集合中;重复这一操作直到所有的数据切片完成空间聚类为止;
4)簇规约:对完成空间聚类所有的数据切片进行汇聚,按照各簇中各聚集元素构建的高维空间边界进行簇规约操作,合并边界相同的簇形成最终汇聚簇集合;
5)簇分类:根据实际应用需要,由用户定义分类标签,在分类标签的监督下完成最终汇聚簇的分类、评价与应用。
2.根据权利要求1所述的方法,其特征在于数据切片方法具体为:
根据待处理图像的大小和处理机/处理器数量,设定合适的数据分割策略和分割尺度,按照均分法将待处理的图像均分,然后分发给n台处理器/处理机进行处理。
3.根据权利要求1所述的方法,其特征在于数据映射方法具体为:
将极化卫星图像的二维空间分布坐标(x,y)作为上下文特征,将极化颜色RGB、YUV或YCbCr作为极化特征;融合上下文特征和极化特征到统一的高维特征向量空间,形成高维特征向量集合[index,x,y,R,G,B]。
4.根据权利要求1所述的方法,其特征在于空间聚类方法具体为:
如待处理的极化颜色特征较少时,使用RGB极化特征展开距离聚类,从而减少运算量提高计算速度;
当待处理的极化颜色特征较多时,使用高维特征向量[x,y,R,G,B]进行空间聚类,默认采用邻阈距离聚类方法进行聚类。
5.根据权利要求4所述的方法,其特征在于按特征在特征颜色空间中的分布密度判定极化颜色特征较少或较多:分布密度高于10%判断为较多。
6.根据权利要求4所述的方法,其特征在于根据极化颜色特征的数目判定极化颜色特征较少或较多:极化颜色特征的数目超过10类判断为较多。
7.根据权利要求1所述的方法,其特征在于聚类结果按各类别数据的数量总量和密度划分为稠密数据集合、稀疏数据集合;其中,数量较少的噪声数据也被划分到稀疏数据集合中;每个聚类集合中包含若干个具有聚集性倾向的簇,这些簇将构成后续分类的基础。
8.根据权利要求7所述的方法,其特征在于稀疏集合数据密度在每个数据切片中小于2%;噪声数据为数量小于0.5%的数据。
9.根据权利要求1所述的方法,其特征在于簇规约方法具体为:
所有被处理完毕的数据切片将被汇总到主机中执行簇规约;首先为每个簇构建高维空间外接边界;然后根据各簇外接边界的重合程度进行簇合并;当两个或多个簇的边界相互重叠时,根据重叠程度可以合并这些簇的边界以形成更大的边界,或者将这些簇中的数据合并为一个新的数据切片送入步骤3)再次执行空间聚类,直至这些数据被划分到明确的簇集合中。
10.根据权利要求1所述的方法,其特征在于簇分类方法具体为:
用户根据实际应用需要定义分类标签L,分类标签L对应的特征,分类标签数量为k个;
如果分类标签数量k与簇集合数量m相同即k=m,并且m个簇的特征中心与分类标签L的特征相同,则完成分类要求;如果m个簇或其中某个簇x的特征中心与分类标签L的特征不同,则将该簇看作是噪声从当前处理过程中删除;
如果k≠m,则需要对m各簇按照L的特征进行簇合并,形成新的簇集合m',重复这个步骤直到k=m',最终完成簇分类,由此完成极化卫星图像的分析工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210461568.8A CN115223050B (zh) | 2022-04-28 | 2022-04-28 | 一种极化卫星影像分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210461568.8A CN115223050B (zh) | 2022-04-28 | 2022-04-28 | 一种极化卫星影像分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115223050A CN115223050A (zh) | 2022-10-21 |
CN115223050B true CN115223050B (zh) | 2023-08-18 |
Family
ID=83608698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210461568.8A Active CN115223050B (zh) | 2022-04-28 | 2022-04-28 | 一种极化卫星影像分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223050B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853491A (zh) * | 2010-04-30 | 2010-10-06 | 西安电子科技大学 | 基于并行稀疏谱聚类的sar图像分割方法 |
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 |
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 |
CN105373809A (zh) * | 2015-11-06 | 2016-03-02 | 重庆大学 | 基于非负最小二乘稀疏表示的sar目标识别方法 |
CN106611421A (zh) * | 2016-12-30 | 2017-05-03 | 西安电子科技大学 | 基于特征学习和素描线段约束的sar图像分割方法 |
CN107491734A (zh) * | 2017-07-19 | 2017-12-19 | 苏州闻捷传感技术有限公司 | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 |
CN107784657A (zh) * | 2017-09-29 | 2018-03-09 | 西安因诺航空科技有限公司 | 一种基于颜色空间分类的无人机遥感图像分割方法 |
CN108122008A (zh) * | 2017-12-22 | 2018-06-05 | 杭州电子科技大学 | 基于稀疏表示和多特征决策级融合的sar图像识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8494305B2 (en) * | 2011-12-20 | 2013-07-23 | Mitsubishi Electric Research Laboratories, Inc. | Image filtering by sparse reconstruction on affinity net |
-
2022
- 2022-04-28 CN CN202210461568.8A patent/CN115223050B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853491A (zh) * | 2010-04-30 | 2010-10-06 | 西安电子科技大学 | 基于并行稀疏谱聚类的sar图像分割方法 |
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 |
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 |
CN105373809A (zh) * | 2015-11-06 | 2016-03-02 | 重庆大学 | 基于非负最小二乘稀疏表示的sar目标识别方法 |
CN106611421A (zh) * | 2016-12-30 | 2017-05-03 | 西安电子科技大学 | 基于特征学习和素描线段约束的sar图像分割方法 |
CN107491734A (zh) * | 2017-07-19 | 2017-12-19 | 苏州闻捷传感技术有限公司 | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 |
CN107784657A (zh) * | 2017-09-29 | 2018-03-09 | 西安因诺航空科技有限公司 | 一种基于颜色空间分类的无人机遥感图像分割方法 |
CN108122008A (zh) * | 2017-12-22 | 2018-06-05 | 杭州电子科技大学 | 基于稀疏表示和多特征决策级融合的sar图像识别方法 |
Non-Patent Citations (1)
Title |
---|
基于Hu-DBN 的低分辨图案编码识别方法研究;张天凡 等;《西北工业大学学报》;第38卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115223050A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN111652293B (zh) | 一种多任务联合判别学习的车辆重识别方法 | |
CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和*** | |
CN104123417B (zh) | 一种基于聚类融合的图像分割的方法 | |
CN106815842A (zh) | 一种改进的基于超像素的图像显著性检测方法 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN105184772A (zh) | 一种基于超像素的自适应彩色图像分割方法 | |
CN112200186B (zh) | 基于改进yolo_v3模型的车标识别方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN110210431A (zh) | 一种基于点云语义标注和优化的点云分类方法 | |
CN110147841A (zh) | 基于弱监督及无监督部件检测和分割的细粒度分类方法 | |
CN105046714A (zh) | 一种非监督的基于超像素和目标发现机制的图像分割方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN107657276B (zh) | 一种基于寻找语义类簇的弱监督语义分割方法 | |
Kumar et al. | A hybrid cluster technique for improving the efficiency of colour image segmentation | |
CN106919950B (zh) | 概率密度加权测地距离的脑部mr图像分割方法 | |
CN116310688A (zh) | 基于级联融合的目标检测模型及其构建方法、装置及应用 | |
CN115082551A (zh) | 一种基于无人机航拍视频的多目标检测的方法 | |
CN111144466B (zh) | 一种图像样本自适应的深度度量学习方法 | |
CN115223050B (zh) | 一种极化卫星影像分析方法 | |
Zhang et al. | Point clouds classification of large scenes based on blueprint separation convolutional neural network | |
CN116628531A (zh) | 众包地图道路对象要素聚类方法、***及存储介质 | |
CN115331008A (zh) | 一种基于目标概率密度图的端到端目标检测方法 | |
CN114639084A (zh) | 一种基于ssd改进算法的路侧端车辆感知方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |