基于去噪卷积神经网络的极化SAR地物分类方法.pdf
诗文****仙女
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
基于去噪卷积神经网络的极化SAR地物分类方法.pdf
本发明公开一种基于去噪卷积神经网络的极化SAR地物分类方法,实现步骤为:(1)生成每个像素点的特征向量;(2)生成训练样本集和测试样本集;(3)生成均值图;(4)构建去噪卷积神经网络;(5)训练去噪卷积神经网络;(6)将测试样本输入到训练好的去噪卷积神经网络中,得到分类结果。本发明采用基于去噪卷积神经网络的极化SAR地物分类方法对图像进行分类,减少了去噪过程对地物信息的损失,保留了更多的极化散射信息,最终提高了分类精度。
基于复数轮廓波卷积神经网络的极化SAR图像分类方法.pdf
本发明公开了一种基于复数轮廓波卷积神经网络的极化SAR图像分类方法,主要解决现有技术分类精度较低的问题。其实现步骤是:1.输入待分类极化SAR图像的极化相干矩阵T并归一化;2.根据归一化后的矩阵,分别构造训练数据集和测试数据集的特征矩阵;3.构造复数卷积神经网络,进而得到复数轮廓波卷积神经网络;4.用训练数据集训练复数轮廓波卷积神经网络,得到训练好的模型;5.将测试数据集的特征矩阵输入到训练好的模型中进行分类,得到分类结果。本发明将卷积神经网络延拓至复数域进行运算并提取多尺度、多方向、多分辨特性的图像特征
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。
基于卷积神经网络的相位去噪网络及方法.pdf
本发明公开一种基于卷积神经网络的相位去噪网络及方法,包括依次连接的输入端、编码器、解码器和输出端;输入端用于接收带噪干涉相位图像,编码器采用卷积神经网络提取带噪干涉相位图像中的相位特征,并根据相位特征预测出不含噪声的干涉相位;解码器采用与编码器对应的反卷积神经网络将不含噪声的干涉相位进行处理得到不含噪声的相位图像;输出端用于输出不含噪声的相位图像。该网络为相位去噪网络PDNNet,对包含噪声的干涉相位的图进行训练,由训练得到的神经网络去预测不含噪声的干涉相位图,达到去噪效果。基于神经网络的相位去噪算法能较
基于卷积神经网络的SAR图像分类.pdf
SAR图像分类基于卷积神经网络的SAR图像分类摘要:合成孔径雷达(SAR)技术在地球观测、军事、安全和资源开发等领域得到广泛应用。对于SAR图像的分类能够提高对地面目标的识别和定位能力。本文旨在研究一种基于卷积神经网络(CNN)的SAR图像分类方法,通过对经过特定处理的SAR图像进行分析和训练,提高分类的精度和效率。实验结果表明,该方法可在SAR图像分类中取得良好的性能,准确率达到90.2%。关键词:SAR图像分类;卷积神经网络;特征提取;分类器;深度学习1.引言SAR技术是一种高分辨率、全天候、全天时的