一种基于深度多层字典对学习的SAR图像分类方法.pdf
努力****承悦
亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于深度多层字典对学习的SAR图像分类方法.pdf
本发明涉及SAR遥感图像识别技术领域,具体提供一种基于深度多层字典对学习的SAR图像分类方法。包括所述方法的实现包括步骤如下:步骤1,获取SAR图像数据;步骤2,对获得的SAR图像数据集进行划分和预处理操作;步骤3,将预处理后的图像数据输入到基础网络模块,获得底层通用特征;步骤4,将获得的通用特征输入到对应类别的类特定网络模块,获得每类数据特有的特征;步骤5,将获得的每类数据的特征输入到对应的字典学习网络模块,获得编解码后的重建特征;步骤6,通过重建损失函数、判别损失函数和正则损失函数,联合优化所提出的网
基于字典学习融合的SAR图像降噪处理方法.pdf
本发明提供了一种基于字典学习融合的SAR图像降噪处理方法,其通过联合非下采样轮廓波字典学习和K‑SVD字典学习,利用平移不变的非下采样轮廓波变换滤波克服了轮廓波变换不能平移不变的缺陷,消除了去噪的划痕效应;同时,利用自适应的K‑SVD字典学习算法进行去噪,根据图像的特征不断更新字典原子,不仅能很好地抑制图像噪声,还能够对边缘和纹理等重要的SAR图像信息较好地保留;并且进一步的通过对两种降噪效果加以融合,融合后的图像大大地提高了图像的信噪比,图像的等效视数也有一定的提高,而且边缘和纹理信息也很好地保留下来,
基于深度相关向量机的SAR图像分类方法.pdf
本发明公开了一种基于深度相关向量机的SAR图像分类方法,主要解决了合成孔径雷达图像分类问题。其分类过程为:(1)输入双精度类型的合成孔径雷达SAR图像的矩阵;(2)对输入的双精度类型的合成孔径雷达SAR图像的矩阵进行归一化处理;(3)训练三个受限玻耳兹曼机RBM;(4)训练RVM分类器;(5)构建深度RVM模型;(6)分类;(7)计算预测类标;(8)得到分类正确率。本发明挖掘了合成孔径雷达图像的深度特征,采用了相关向量机RVM,稀疏地学习特征,保留了雷达图像的信息完整性,挖掘了深度信息,减少了时间复杂度,
基于深度方向波网络的极化SAR图像分类方法.pdf
本发明公开了一种基于深度方向波网络的极化SAR图像分类方法,本方法实现步骤为:(1)输入极化SAR图像;(2)提取泡利分解特征;(3)构建训练样本特征矩阵;(4)初始化卷积神经网络;(5)训练卷积神经网络;(6)构建测试样本特征矩阵;(7)得到测试样本的类标;(8)计算分类精度;(9)上色;(10)输出上色后的极化SAR图像。本发明将方向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,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。
一种基于深度改进残差网络的SAR图像分类方法.pdf
本发明公开了一种基于深度改进残差网络的SAR图像分类方法,首先准备用于训练和测试的SAR图像数据训练集和测试集,两种数据都包括十类目标,每类目标包括多张SAR图像。建立深度残差网络模型,改进了残差模块,在传统残差模块的基础上进行三次跳跃性连接,增加了连接的分支数。深度残差网络模型包含依次顺序连接的输入层Input、残差与下采样组合、全连接层以及输出层Output,残差与下采样组合包括依次连接的多重连接残差模块和下采样模块DS,多重连接残差模块包括三个非线性处理子模块。用训练集对深度残差网络模型进行训练,然