基于散射全卷积模型的极化SAR分类方法.pdf
书生****专家
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。
基于随机森林多尺度卷积模型的极化SAR分类方法.pdf
本发明提出了一种基于随机森林多尺度卷积模型的极化SAR分类方法,用于解决现有技术中存在的分类准确率较低和分类时间较长的技术问题,实现步骤为:构建包含多尺度卷积模型和随机森林模型的随机森林多尺度卷积模型,其中多尺度卷积模型包括细化模块和至少两个输入模块,并初始化模型的相关参数;对待分类的极化SAR图像进行Lee滤波;对滤波后的极化SAR图像进行预处理;获取训练数据集;将训练数据集输入到多尺度卷积模型中进行模型训练,得到特征图featuremap,并将featuremap输入到随机森林模型进行模型训练,得到训
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。