共查询到20条相似文献，搜索用时 46 毫秒
1.
利用边界链编码和HMM进行SAR图像阴影建模和分类 总被引：1，自引：0，他引：1
针对利用合成孔径雷达图像中的阴影信息进行目标识别的问题,提出了一种边界链编码和隐马尔可夫模型(HMM)相结合的合成孔径雷达图像目标识别方法。该方法利用链编码技术来描述SAR图像阴影边界的形状,可以很好地反映形状的特性,且计算上很有效;利用HMM统计建模方法对阴影边界的链编码进行建模和分类,从而实现SAR图像的自动目标识别。使用MSTAR数据库中的SAR图像数据对该方法进行了验证和分析,分类结果证明只利用阴影信息进行分类的可行性,且该方法可以有效地实现SAR图像的目标识别。 相似文献
2.
3.
多方位角图像决策融合的SAR目标识别 总被引：1，自引：0，他引：1
提出了一种基于多方位角图像决策融合的合成孔径雷达(SAR)图像目标识别方法。对目标切片图像用二维小波分解和主成分分析提取特征向量,利用支持向量机对特征向量进行分类,用贝叶斯方法对目标多幅不同方位角下图像的分类输出进行决策融合,得到最终类别决策。用MSTAR数据库中3个目标进行识别实验,实验结果表明,对3幅以上不同方位角的图像进行决策融合时,该方法可显著提高目标的正确识别率。该方法是一种有效的SAR图像目标识别方法。 相似文献
4.
5.
6.
《国土资源遥感》2020,(2)
为提升合成孔径雷达(synthetic aperture Radar,SAR)目标识别性能,提出基于变分模态分解算法(variational mode decomposition,VMD)的SAR图像目标识别方法。首先采用二维变分模态分解算法(bidimensional VMD,BVMD)对SAR图像进行分解,从而获得多模态的表示;然后采用联合稀疏表示对SAR图像的多模态特征进行同时表征;最后基于最小重构误差的原则判定目标类别。在MSTAR数据集上对提出方法进行性能测试,结果显示,在标准操作条件(standard operating condition,SOC)下对10类目标的识别率达到99. 24%,在型号差异、俯仰角差异、噪声干扰条件下的性能也优于现有几类方法,证实了方法的有效性。 相似文献
7.
8.
特征是图像处理中用于辨识目标的最基本属性.提出了利用模糊神经网络方法,针对舰船的几何特征、矩特征和纹理特征进行舰船目标识别处理.首先简单地描述了几何特征、矩特征尤其是Hu矩特征、一阶纹理特征和二阶纹理特征.然后分别对仿真数据、卫星观测数据中的舰船目标,以及自动检测处理获取的舰船目标的几何特征、Hu机特征和纹理特征进行了提取和分析.模糊神经网络方法可以综合模糊集理论和神经网络方法的优势,有效地实现基于特征的图像目标分类识别处理.文章首先描述了一种主从神经元结构的模糊神经网络分类识别方法,然后利用该方法对大型舰船进行分类识别,包括基于单类舰船特征的分类识别和基于多源(时相)数据融合的分类识别.实验结果表明,基于大型舰船的几何特征、矩特征和纹理特征,利用模糊神经网络方法可以实现对大型舰船目标的有效分类识别.通过多源数据融合处理,可以改善分类识别效果. 相似文献
9.
《武汉大学学报(信息科学版)》2010,(6)
提出了一种利用数据场的表情脸识别方法。根据数据场的思想层次建模,从数据中提取概念,用特征集来表示概念。在JAFFE表情脸图像库中进行实验,其整体识别率高达94.3%,说明该方法能够较有效地处理表情脸识别中的不确定性。 相似文献
10.
目标探测是高光谱图像的重要应用之一.目前已经有了很多的目标探测算法,然而这些算法要求目标与背景是线性可分的.在实际的高光谱数据中,这一要求往往难以满足.本文提出了一种基于非线性主成分分析的高光谱图像目标探测算法.该方法先利用神经网络将高光谱图像进行非线性降维,从而使得在降维后的数据中目标与背景线性可分;然后使用约束能量最小化算法进行目标探测,为了取得较好的目标探测效果,保留了图像原始的特征.针对模拟数据和真实高光谱图像数据的试验表明,基于神经网络的非线性主成分分析可以将线性不可分的目标与背景分离.使用非线性特征和原始特征的组合可以获得更好的目标探测效果. 相似文献
11.
《武汉大学学报(信息科学版)》2016,(1)
针对海天背景下彩色近景舰船图像,采用了一种基于多尺度特征簇的舰船目标快速定位与识别方法,此方法对旋转具有鲁棒性,对光照具有良好的适应性。借鉴Canny边缘检测与图像金子塔及最小生成树聚类算法的思想,设计了一套可适应目标多尺度特性并提高Canny边缘检测自适应性的"特征簇"目标定位算法,结合概率树分类器与二维主成分分析算法,可对多视角、多目标类型舰船目标进行识别,并根据全概率公式评估识别结果。 相似文献
12.
一种飞机目标的遥感识别方法 总被引：1，自引：0，他引：1
高空间分辨率遥感影像通常具有数据量大、背景复杂及地物占比较少等特点。如果直接将RCNN模型应用于高空间分辨率遥感影像目标识别,计算量大且效率低。级联AdaBoost算法识别率高、速度快,但又会产生较多的虚假目标。本文结合RCNN模型和级联AdaBoost算法,提出了一种由粗到精的飞机目标识别方法。首先使用基于HOG特征的级联AdaBoost算法快速提取飞机目标候选区域,然后利用基于卷积神经网络特征的SVM对飞机目标候选区域进行精细识别。试验表明,本文提出的方法在保证准确率的同时,还有效提高了计算效率。 相似文献
13.
递归滤波与KNN的高光谱遥感图像分类方法 总被引：1，自引：0，他引：1
为了有效去除高光谱图像中的噪声,强化空间结构,充分利用地物目标的空间上下文信息,提升高光谱图像的分类精度,提出一种基于递归滤波(recursive filtering,RF)和KNN(k-nearest neighbor)算法的高光谱图像分类方法。首先,利用主成分分析法对高光谱图像进行降维;其次,通过RF算法对降维后的主成分图像进行滤波,以增强遥感图像的轮廓特征;然后,采用KNN算法计算测试样本与不同类别训练样本的欧式距离,根据比较k个最小欧式距离的平均值得到测试样本所属类别;最后,在2个典型的数据库上进行实验验证,并分析所提算法中不同参数对分类精度的影响。实验结果表明,RF算法可以有效地去除噪声点,强化图像轮廓,与其他高光谱图像分类方法相比,该方法在分类准确性方面表现突出。 相似文献
14.
针对应用单特征SAR图像进行目标识别准确率低的问题,提出了一种将支持向量机(support vector machine,SVM)和D-S证据理论(Dempster-Shafer,D-S)相结合的多特征融合SAR图像目标识别方法.该方法在对SAR图像预处理的基础上,提取目标的纹理、Hu不变矩和峰值特征,并分别以这3类单特征的SVM分类结果作为独立证据,构造基本概率指派,通过D-S证据的组合规则进行融合,并根据分类判决门限给出最终的目标识别结果.将该方法用于SAR图像上的3类目标识别,识别率达95.5％,表明该方法是一种有效的SAR图像目标识别方法. 相似文献
15.
传统模式识别方法在物体、人脸、指纹、军事目标识别等领域中只利用单一的图像信息。当研究对象的图像特征高度相似时，识别率较低，如对于真假目标的识别，仅仅利用物体的图像信息很难得到满意的识别结果。针对上述问题，提出了一种综合利用图像和光谱信息的物体真假模式识别方法。该方法采用卷积神经网络模型，通过迁移学习的方式构建图像识别模型，并依据物体图像的语义特征进行物体类别识别，在此基础上，基于逆传播（back propagation，BP）神经网络模型，结合物体的实测光谱数据进行物体真假识别。为了验证该方法的准确性和有效性，利用真假苹果和葡萄作为测试对象，单独利用图像信息和光谱信息进行识别时，识别率分别为38.50%和63.00%，而利用该综合方法得到的识别率为95.00%。可认为该方法提高了真假目标混杂情况下的识别准确度，可为物体识别、人脸识别、指纹识别、军事目标识别等领域的应用提供重要的参考，也为航天侦查载荷设计提供了新的思路。 相似文献
16.
针对Faster R-CNN模型在遥感影像中对飞机目标进行检测与识别时,易出现漏检、错检等问题,提出了一种在基于小样本飞机遥感影像数据集的改进型Faster R-CNN目标检测方法。首先对特征提取网络进行优化,然后将非顶层特征图融合顶层特征图得到边缘信息更丰富的融合特征图,利用该特征图输入RPN网络,完成目标检测模型的训练;并结合自适应阈值进行检测。以普通客机与战斗机目标为试验对象,开展飞机目标检测与识别对比分析。试验结果表明,所提出的算法在小样本情况下检测效果有明显提升。 相似文献
17.
18.
农作物病害的准确识别有助于提高农作物的产量与质量。针对作物病害图像训练样本数据量较少的情况,本文采用迁移学习方法结合分步识别模型对多种农作物病害种类进行了识别。将PlantVillage公开数据集中3种农作物的10类作物叶片图像作为训练样本,利用直接识别方法分别对VGG16和ResNet的原始模型和迁移学习模型进行训练,得到模型的分类结果;提出分步识别方法,将训练样本按作物种类和病害类型归类,分别进行模型训练并构建分步识别模型。试验结果表明：利用迁移学习方法能够在原始模型的基础上将识别精度提高20%以上;在其基础上引入分步识别方法并与直接识别方法对比,能够将VGG16和ResNet模型精度再分别提高14%和8%。本文提出的迁移学习分步识别方法能够实现在小样本训练数据情况下的作物病害准确识别,可为作物病害防治提供有效的技术支持。 相似文献
19.
提出了一种基于频谱能量的高分辨率遥感图像地物识别方法。首先将预处理后的典型地物的遥感图像通过傅立叶变换从空间域转变到频率域,然后用位于频谱中心的一个矩形窗口提取频谱图上对能量贡献起主导作用的低阶频谱能量系数作为目标识别的主要特征值,并利用该特征值结合SVM分类方法对目标地物样本进行识别和分类。研究结果表明,每种地物样本均获得了较高的识别结果,总体精度达到了88.96%。 相似文献
20.
为提升传统算法对高分辨率遥感图像中地物目标的检测效果,将深度学习目标检测框架快速区域卷积神经网络(faster regions with convolutional neural network,Faster R-CNN)应用于高分辨率遥感图像目标检测任务中。以机场为检测场景、飞机为检测目标进行实验,首先,利用高分辨率遥感图像数据集训练Faster R-CNN框架,得到相应的目标检测模型;然后,采用该模型对高分辨率遥感图像中的飞机目标进行检测;最后,对实验结果进行统计分析及评价。实验结果表明,Faster R-CNN模型能够全面而准确地检测飞机目标,最优F1分数值为0. 976 3,并且同一个模型可以对多种高分辨率遥感图像进行目标检测。 相似文献