一种基于强化学习的极化SAR影像分类方法.pdf
Ch****49
亲,该文档总共11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
一种基于强化学习的极化SAR影像分类方法.pdf
本发明涉及一种基于强化学习的极化SAR影像分类方法。首先对极化SAR影像进行辐射定标、滤波处理,接着对其进行极化分解得到极化特征参数,并对极化特征参数进行归一化处理,构建极化‑空间联合样本集,然后采用强化学习的开发‑利用学习机制训练FCN模型,在提升样本空间上下文信息和极化特征信息利用效率的同时,通过对样本的学习探索,生成大量的经验数据来训练模型,以达到减少样本量和提升分类精度的双重目的,最后用训练好的FCN模型对极化SAR影像进行分类。与现有需要大量数据驱动的CNN网络模型不同,本发明经过强化学习的经验
一种基于深度Curvelet残差网的极化SAR影像分类方法.pdf
本发明公开了一种基于多尺度深度残差网的极化SAR影像分类方法,主要解决现有的图像特征损失强烈使得分类精度低的问题,其方案是输入待分类的极化SAR图像,对极化散射矩阵S进行Pauli分解,得到奇次散射、偶次散射、体散射系数,用这3个系数作为极化SAR图像的3维图像特征,构成基于像素点的特征矩阵F;本发明在深度残差网中加入多尺度Curvelet变换层更好的提取了极化SAR图像的尺度、位置和角度信息,更好的保留了图像中存在的边缘,有效去除极化SAR图像中的噪声,结合深度残差网可以完备学习特征的特性,增强了模型的
一种基于迁移学习的极化SAR时间序列影像应急水体提取方法.pdf
本发明属于涉及一种基于迁移学习的极化SAR时间序列影像应急水体提取方法,包括以下步骤:对极化SAR时序影像进行滤波处理;然后提取出影像的代表性样本;进行时序影像可迁移性评价,划分源域影像和目标域影像;然后选取源域有标签样本、目标域高信息量样本和目标域无标签样本;利用迁移学习对目标域无标签样本进行标注,并与高信息量样本合并,得到有标签样本集;基于有标签样本集训练随机森林分类器,对影像分类得到水体分布图,最后将所有影像的水体分布图进行组合,得到时序水体分布图。本发明不仅可以获取地表的水体时空分布信息,还能显著
基于相对极化全变差的极化SAR影像相干斑抑制方法.pdf
本发明涉及一种基于相对极化全变差的极化SAR影像相干斑抑制方法,通过对极化SAR影像的极化相干矩阵分离为主对角线元素和非对角线元素,应用窗口卷积局部全变差和全局全变差更新主对角线元素,由原非对角线元素和更新后的主对角线元素重构极化相干矩阵,利用相邻像元上的极化相干矩阵比值和更新前后的极化相干矩阵距离,获得须保留极化特征的像元位置。本发明仅对不属于上述像元位置的极化相干矩阵的主对角线元素进行相干斑抑制,解决了现有极化SAR相干斑抑制中不能很好地将极化SAR影像的结构信息和散射特性两者相结合进行相干斑抑制的问
基于散射全卷积模型的极化SAR分类方法.pdf
本发明公开了一种基于散射全卷积模型的极化SAR分类方法,其步骤为:(1)对待分类的极化SAR图像进行Lee滤波;(2)将散射矩阵进行pauli分解;(3)特征矩阵归一化;(4)构造数据集;(5)构建散射全卷积网络模型;(6)训练散射全卷积模型;(7)获得测试结果。本发明通过将极化SAR图像的极化特性,散射特性和纹理特性有效的结合,保留了特征信息的完整性,提高了图像的分类精度,同时加快了训练速度。