-
公开(公告)号：CN109784413A
公开(公告)日：2019-05-21
申请号：CN201910065078.4
申请日：2019-01-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于长短时记忆循环神经网的极化SAR图像分类方法，对极化SAR数据进行精致Lee滤波处理；对滤波后的极化相干矩阵进行超像素分割；利用极化SAR图像的空间信息获取多维特征极化SAR图像；获取待分类极化SAR图像的样本数据和测试数据；使用样本数据对长短时记忆网络进行深度学习；利用训练好的长短时记忆网络对测试数据进行分类；获得分类标签，并得到彩色分类结果图。本发明结合了极化SAR图像的空间信息，获取了多维特征的极化SAR图像，并使用多维特征的极化SAR图像数据作为长短时记忆网络的输入，有效提高了极化SAR图像分类的准确率，可用于极化SAR图像的地物分类和识别。
-
公开(公告)号：CN105930846B
公开(公告)日：2019-05-03
申请号：CN201610207230.4
申请日：2016-04-05
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于邻域信息和SVGDL的极化SAR图像分类方法，主要解决现有技术中极化合成孔径雷达SAR图像分类过程中字典学习收敛速度慢而导致的运算时间长、计算效率低的问题。本发明的具体步骤如下：(1)输入极化SAR图像；(2)滤波；(3)提取极化邻域特征；(4)降维；(5)选取训练样本和测试样本；(6)训练字典和分类器；(7)测试字典和分类器；(8)上色；(9)输出分类结果图。本发明与现有技术相比，有效地提高了极化SAR图像分类正确率和计算效率。
-
公开(公告)号：CN105868793B
公开(公告)日：2019-04-19
申请号：CN201610237878.6
申请日：2016-04-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多尺度深度滤波器的极化SAR图像分类方法，主要解决现有技术分类精度低的问题，其方案是：输入待分类的极化SAR图像，由极化相干矩阵T求得极化散射矩阵S；对极化散射矩阵S进行Pauli分解，构成基于像素点的特征矩阵F；对F归一化，并对归一化后的特征矩阵F1中的每个元素取块，构成基于图像块的特征矩阵F2；根据F2得到训练数据集的特征矩阵W1和测试数据集的特征矩阵W2；构造基于多尺度深度滤波器的分类模型；用训练数据集的特征矩阵W1对分类模型进行训练；利用训练好的分类模型对测试数据集的特征矩阵W2分类。本发明引入多尺度深度滤波器，提高了极化SAR图像的分类精度，可用于目标识别。
-
公开(公告)号：CN109409285A
公开(公告)日：2019-03-01
申请号：CN201811246304.0
申请日：2018-10-24
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于重叠切片的遥感视频目标检测方法，主要解决现有技术中目标漏检率、目标误检率较高以及目标检测过程繁琐复杂、耗时久、效率低的问题。本发明的具体步骤如下：(1)选取源数据；(2)生成训练样本集和测试样本集；(3)对训练样本进行预处理；(4)对测试样本进行重叠切片预处理；(5)训练目标检测模型；(6)检测重叠切片中的目标；(7)检测测试样本中的目标；(8)将测试样本图片转为视频。本发明能够降低目标漏检率和目标误检率，提高对遥感视频目标的检测准确度，缩短目标检测过程的耗时，实现了对遥感视频中飞机、舰船目标的高效检测。
-
公开(公告)号：CN109344837A
公开(公告)日：2019-02-15
申请号：CN201811231323.6
申请日：2018-10-22
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于深度卷积网络和弱监督学习的SAR图像语义分割方法，利用SAR图像混合像素子空间互不连通的极不匀质区域的编号作为SAR图像混合像素子空间训练图像块的样本标签，本发明的标签只能表明不同的图像块是否来自同一个极不匀质区域，属于弱监督学习的过程，本发明采用弱监督深度学习的方法来学习SAR图像混合像素子空间的极不匀质区域。基于这种弱监督标签，不仅节省了大量的人力、物力，也利用深度学习很好地挖掘了SAR图像结构复杂的极不匀质区域地物表示问题，将测试输出向量进行区域统计编码，提高了极不匀质区域表征能力，从而提高SAR图像语义分割的性能。
-
Patent Agency Ranking
公开(公告)号：CN109325407A
公开(公告)日：2019-02-12
申请号：CN201810919904.2
申请日：2018-08-14
Applicant: 西安电子科技大学
CPC classification number: G06K9/0063 , G06K9/00718 , G06K9/6201 , G06K9/6256 , G06K9/629 , G06K2209/21
Abstract: 本发明提出了一种基于F-SSD网络滤波的光学遥感视频目标检测方法，旨在提高对光学遥感视频的目标检测准确率。实现步骤为：获取训练样本集和验证样本集；构建网络模型F-SSD，对构建的网络模型进行训练；按一定的间隔帧数取待检测视频的若干帧用训练好的网络模型进行检测，得到这些间隔帧上检测到的目标；依次取这些间隔帧上检测到的目标为跟踪对象，用相关滤波算法进行跟踪；获得光学遥感视频的目标检测结果；本发明方法实现了光学遥感视频的目标检测，提高了目标检测的准确率。
-
公开(公告)号：CN105184305B
公开(公告)日：2018-12-25
申请号：CN201510397659.X
申请日：2015-07-08
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于空域混合模型的高分辨SAR图像车辆目标检测方法，它属于图像处理技术领域，主要解决传统目标检测方法在检测超高分辨SAR图像目标时出现目标不连续、虚警等问题。其检测过程为：建立混合模型并从图像中提取样本进行训练得到四阶函数分布、高斯分布和广义伽马分布参数，并对图像进行联合建模；对待检测图像提取混合分布参数；对图像加窗并计算分布参数，并将其分布逼近已得到的混合模型，基于混合模型进行分类得到目标、背景和目标阴影；利用阴影面积、阴影与目标的距离等先验知识补偿目标得到目标检测结果。本发明具有检测结果区域一致性好，目标连续完整等优点，检测结果可用于SAR图像目标识别等。
-
公开(公告)号：CN109063760A
公开(公告)日：2018-12-21
申请号：CN201810808001.7
申请日：2018-07-22
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6282 , G06K9/6256 , G06K9/6268
Abstract: 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feature map，并将feature map输入到随机森林模型进行模型训练，得到训练好的随机森林多尺度卷积模型；对极化SAR图像进行分类。
-
公开(公告)号：CN105913083B
公开(公告)日：2018-11-30
申请号：CN201610217899.1
申请日：2016-04-08
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于稠密SAR‑SIFT和稀疏编码的SAR分类方法，主要解决现有特征提取算法无法从具有相干斑噪声的SAR图像中有效的提取特征的问题。其实现步骤为：(1)利用稠密SAR‑SIFT提取图像的局部特征；(2)设定字典原子数用K‑means聚类算法对局部特征进行聚类构造字典；(3)对局部特征进行稀疏空间编码得到特征编码；(4)对图像的特征编码进行空域最大值池化，得到图像的特征向量；(5)采用快速稀疏SVM分类器对特征向量进行分类。该发明与现有方法相比，可以抑制相干斑噪声的影响，提升了分类精度，并且采用稀疏空间编码方式加速了分类的速度。
-
公开(公告)号：CN108830330A
公开(公告)日：2018-11-16
申请号：CN201810650236.8
申请日：2018-06-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自适应特征融合残差网的多光谱图像分类方法，主要解决现有技术中普适性不高以及不能充分利用多层次特征的问题。本发明的具体步骤如下：(1)输入多光谱图像；(2)对多光谱图像进行归一化处理；(3)选取训练样本和测试样本；(4)生成训练数据集；(5)搭建基础残差网；(6)搭建自适应特征融合网；(7)生成自适应特征融合残差网；(8)训练自适应特征融合残差网；(9)生成测试数据集；(10)对测试数据集进行分类。本发明能够自适应地融合多层次的特征，提取判别性更好、语义信息更丰富的特征，具有训练和测试过程简单、充分利用特征的优点。
-
-
-
-
-
-
-
-
-
Search Results
1360
records
(took 0.105 seconds)
