-
公开(公告)号：CN106874889B
公开(公告)日：2019-07-02
申请号：CN201710148659.5
申请日：2017-03-14
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的多特征融合SAR目标鉴别方法，主要解决现有技术在复杂场景下SAR目标鉴别性能低的问题。其方案是：1)对给定的训练集进行预处理，获取新的训练集；2)构架基于卷积神经网络的SAR目标鉴别网络；3)将新的训练集输入到构建好的SAR目标鉴别网络中进行训练，得到训练好的网络；4)对给定的测试集进行预处理，获取新的测试集；5)将新的测试集输入到训练好的SAR目标鉴别网络中，得到最终的目标鉴别结果。本发明构建的SAR目标鉴别网络联合利用了SAR图像的幅度信息和边缘信息，并结合了卷积神经网络强大的特征学习能力，提升了鉴别的性能，可用于对复杂场景的SAR目标鉴别。
-
公开(公告)号：CN108257154A
公开(公告)日：2018-07-06
申请号：CN201810028892.4
申请日：2018-01-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于区域信息和CNN的极化SAR图像变化检测方法，主要解决现有变化检测技术虚警率较高，检测区域不准确的问题。其方案是：1)对二时相PolSAR图像进行超像素分割和合并；2)计算结合空间信息的Wishart似然比差异图；3)利用差异图通过FCM算法进行预分类；4)根据预分类结果提取训练和待分类数据；5)构建变化检测网络CNN；6)利用训练数据训练CNN；7)将待分类数据输入到训练好的网络中，得到变化检测结果，将该结果与预分类结果中的变化类和未变化类一起组成变化检测最终结果。本发明避免了统计建模和超像素分割的不准确性带来的误差，可用于车辆目标的移动检测以及洪涝灾害的检测。
-
公开(公告)号：CN108171193A
公开(公告)日：2018-06-15
申请号：CN201810013991.5
申请日：2018-01-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于超像素局部信息度量的极化SAR舰船目标检测方法，主要解决复杂场景下目标检测率低的问题，其方案是：1.对原始图像进行超像素分割，得到不同尺度下的超像素分割结果；2.对分割后的结果利用滑窗模型计算三种基于超像素级的差异性度量；3.将基于超像素级的差异性度量转换成基于像素级的差异性度量；4.利用核fisher判别，将像素级的差异性度量向量映射成差异性度量值，得到每个像素点的差异性度量值；5.对每个像素点的差异性度量值利用线性SVM分类器进行分类，确定每个像素的类别，进行自动目标检测。本发明提升了复杂场景下的目标检测性能，实现了自动检测的过程，可用于后续的舰船目标鉴别、识别与分类。
-
公开(公告)号：CN104680538B
公开(公告)日：2017-08-29
申请号：CN201510103122.8
申请日：2015-03-09
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于超像素的SAR图像CFAR检测方法，主要解决现有恒虚警CFAR检测算法在多目标环境下性能下降的问题。其实现步骤为：(1)输入SAR图像并进行超像素分割；(2)寻找阴影超像素；(3)对每一个超像素估计背景杂波分布的参数，并计算其中每一个像素点的检测统计量；(4)根据设定的阈值，检测统计量大于阈值的像素点作为目标，否则为杂波；(5)对检测结果去除孤立点，得到有效目标超像素；(6)对有效目标超像素进行聚类。本发明在多目标场景下，对背景杂波分布参数的估计更准确，检测性能高，且能够正确区分相邻目标，可用于目标识别。
-
公开(公告)号：CN108171193B
公开(公告)日：2021-09-10
申请号：CN201810013991.5
申请日：2018-01-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于超像素局部信息度量的极化SAR舰船目标检测方法，主要解决复杂场景下目标检测率低的问题，其方案是：1.对原始图像进行超像素分割，得到不同尺度下的超像素分割结果；2.对分割后的结果利用滑窗模型计算三种基于超像素级的差异性度量；3.将基于超像素级的差异性度量转换成基于像素级的差异性度量；4.利用核fisher判别，将像素级的差异性度量向量映射成差异性度量值，得到每个像素点的差异性度量值；5.对每个像素点的差异性度量值利用线性SVM分类器进行分类，确定每个像素的类别，进行自动目标检测。本发明提升了复杂场景下的目标检测性能，实现了自动检测的过程，可用于后续的舰船目标鉴别、识别与分类。
-
Patent Agency Ranking
公开(公告)号：CN106874889A
公开(公告)日：2017-06-20
申请号：CN201710148659.5
申请日：2017-03-14
Applicant: 西安电子科技大学
CPC classification number: G06K9/0063 , G06K9/46 , G06K9/6256 , G06K9/6267 , G06K9/629 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的多特征融合SAR目标鉴别方法，主要解决现有技术在复杂场景下SAR目标鉴别性能低的问题。其方案是：1)对给定的训练集进行预处理，获取新的训练集；2)构架基于卷积神经网络的SAR目标鉴别网络；3)将新的训练集输入到构建好的SAR目标鉴别网络中进行训练，得到训练好的网络；4)对给定的测试集进行预处理，获取新的测试集；5)将新的测试集输入到训练好的SAR目标鉴别网络中，得到最终的目标鉴别结果。本发明构建的SAR目标鉴别网络联合利用了SAR图像的幅度信息和边缘信息，并结合了卷积神经网络强大的特征学习能力，提升了鉴别的性能，可用于对复杂场景的SAR目标鉴别。
-
公开(公告)号：CN104680538A
公开(公告)日：2015-06-03
申请号：CN201510103122.8
申请日：2015-03-09
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于超像素的SAR图像CFAR检测方法，主要解决现有恒虚警CFAR检测算法在多目标环境下性能下降的问题。其实现步骤为：(1)输入SAR图像并进行超像素分割；(2)寻找阴影超像素；(3)对每一个超像素估计背景杂波分布的参数，并计算其中每一个像素点的检测统计量；(4)根据设定的阈值，检测统计量大于阈值的像素点作为目标，否则为杂波；(5)对检测结果去除孤立点，得到有效目标超像素；(6)对有效目标超像素进行聚类。本发明在多目标场景下，对背景杂波分布参数的估计更准确，检测性能高，且能够正确区分相邻目标，可用于目标识别。
-
公开(公告)号：CN106291550B
公开(公告)日：2018-11-16
申请号：CN201610602662.5
申请日：2016-07-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一基于局部散射机制差异回归核的极化SAR舰船检测方法，主要解决现有技术对目标与杂波的差异性表征不足的问题，其实现步骤为：1)对原始极化SAR数据进行极化目标分解，获取每个像素点在二次散射与体散射机制下的相干矩阵；2)基于每个像素点在两种散射机制下的相干矩阵，提取局部散射机制差异回归核特征；3)根据显著性检测原理，结合局部散射机制差异回归核特征，获取极化SAR图像的显著性图；4)对显著性图进行局部极大值检测，设置检测阈值，将局部极大值与检测阈值比较，获得最终的检测结果。本发明有效提高了舰船目标与局部杂波的差异性和对弱小目标的检测性能，可用于极化SAR图像目标检测。
-
公开(公告)号：CN108764330A
公开(公告)日：2018-11-06
申请号：CN201810512092.X
申请日：2018-05-25
Applicant: 西安电子科技大学
CPC classification number: G06K9/6267 , G06K9/342 , G06K9/6256
Abstract: 本发明公开了一种基于超像素分割和卷积反卷积网络的SAR图像分类方法，主要解决现有技术分类特征表征困难和测试时间长的问题，其方案是：1.对训练SAR图像和测试SAR图像进行标记，并提取训练样本；2.对训练样本进行数据扩充形成训练集；3.对测试图像提取测试样本形成测试集；4.构建SAR图像分类框架，将训练集输入到构建好的网络框架中进行训练，得到训练好的网络；5.将测试集输入到训练好的卷积反卷积网络框架中，得到初始分类结果；7.对测试SAR图像进行超像素分割，并根据测试图像的超像素分割结果和初始分类结果，得到最终分类结果。本发明能自动提取有效分类特征，缩短了测试时间，可用于SAR图像解译与分析。
-
公开(公告)号：CN104376330B
公开(公告)日：2017-06-16
申请号：CN201410662259.2
申请日：2014-11-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于超像素散射机制分布特征的极化SAR图像舰船目标检测方法，实现步骤为：应用SLIC迭代聚类算法，得到不同尺度下的超像素分割结果；进行超像素散射机制分布特征的定义；分别提取杂波训练图像与测试图像中每一个超像素的散射机制分布特征矢量；进行杂波训练图像过完备字典的构造；对测试图像进行对应字典下的散射特征稀疏重构，得到检测统计量图像；通过对检测统计量图像施加一个合适的检测阈值，得到最终检测结果的二值图像。本发明解决了呈现分布式特征的舰船目标的检测问题，在超像素级的水平上进行舰船目标的检测，有效地利用了散射机制的区域性分布特征，在不同信杂比下具有更高的稳健性。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.053 seconds)
