基于相对极化全变差的极化SAR影像相干斑抑制方法.pdf
猫巷****永安
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
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
一种对极化SAR数据相干斑噪声的抑制方法.pdf
本发明公开了一种对极化SAR数据相干斑噪声的抑制方法,主要解决现有极化SAR数据相干斑抑制方法不能很好的抑制相干斑噪声和丢失部分边缘和细节信息的缺点。该方法是基于改进sigma滤波和非局部均值的思想相结合的极化SAR相干斑抑制方法,其实现过程为:(1)输入极化SAR数据的相干矩阵T;(2)对相干矩阵T进行亮目标检测;(3)对像素使用方向窗判定方向并做改进的sigma滤波和非局部均值滤波;(4)滤波结果进行结合并保留亮目标;(5)完成T矩阵的滤波并合成伪彩图。本发明与现有技术相比显著提高了极化SAR数据的相
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。
基于强度统计稀疏的全极化SAR图像分类方法.pdf
本发明公开了一种基于强度统计稀疏的全极化SAR图像分类方法,可应用于全极化合成孔径雷达SAR图像分类和目标识别。其实现步骤为:(1)输入散射强度矩阵;(2)获取SAR图像的统计特征;(3)获取SAR图像的稀疏特征;(4)训练分类器并分类;(5)优化初始分类结果;(6)输出分类结果。本发明利用全极化SAR合成孔径雷达图像三个通道的散射强度信息,挖掘三个通道之间的空间特征信息,对全极化SAR合成孔径雷达图像中特定目标实现有效的分类,并且可以完整的保留特定目标中具体地物的细节特征。
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