基于CNN和SMM的极化SAR图像分类方法

    公开(公告)号:CN105894013A

    公开(公告)日:2016-08-24

    申请号:CN201610186867.X

    申请日:2016-03-29

    CPC classification number: G06K9/6269 G06N3/0454 G06N3/08

    Abstract: 本发明提出了一种基于CNN和SMM的极化SAR图像分类方法,用于解决现有极化SAR图像分类方法因存在图像空间邻域信息丢失而导致分类精度不高的问题,包括如下步骤:对极化SAR图像进行滤波;选取训练样本集合;提取样本特征;初始化卷积神经网络CNN;归一化样本特征,训练卷积神经网络CNN;提取feature map;输入feature map到SMM分类器中训练;利用训练好的SMM分类器进行极化SAR图像分类;输出分类结果,并计算分类精度。本发明直接考虑更能体现空间邻域信息的feature map,同时引入SMM分类器,明显地提高了极化SAR图像分类精度,可用于对极化SAR图像的地物分类和目标识别。

    基于Shearlet先验知识的细粒度表征遥感影像解译方法及系统

    公开(公告)号:CN119229284A

    公开(公告)日:2024-12-31

    申请号:CN202411271933.4

    申请日:2024-09-11

    Abstract: 本发明公开了一种基于Shearlet先验知识的细粒度表征遥感影像解译方法及系统,采用Shearlet变换对预处理后的遥感影像数据进行高频子带信息抽取;使用拉普拉斯金字塔和shearlet滤波器分别获得高频组件和对其按方向拆分后的多向高频子带;通过空间注意力机制自适应融合相同层次的子带,生成细节增强的特征图;将通过Shearlet变换提取的高频组件先验与深度残差网络获取的深层残差块进行多尺度多层次加权融合;使用训练好的细节增强骨干和多个任务的不同探测头,输出精确的遥感影像分析结果;通过结合Shearlet变换和先进的深度学习架构,显著提高了遥感影像解译的精确度和效率,同时保持了良好的模型泛化能力和实用性,预计将推动遥感影像处理向更智能、自动化的方向发展。

Patent Agency Ranking