排序方式： 共有5条查询结果，搜索用时 15 毫秒
1
1.
利用SVM的全极化、双极化与单极化SAR图像分类性能的比较 总被引：1，自引：0，他引：1
支持向量机(SVM)以其在小训练样本时良好的分类性能,目前已广泛应用于多个领域.本文在极化SAR图像特征提取基础上,将SVM应用于极化SAR图像分类,定性和定量地比较了全极化、双极化和单极化SAR图像的分类性能,分析了不同的极化组合对分类结果的影响,并根据地物极化散射特性分析了分类精度差异的成因.实测极化SAR数据的实验结果表明,全极化数据能获得最好的分类性能,双极化次之,单极化最低,且在某些情况下,双极化与全极化分类性能接近. 相似文献
2.
3.
高分辨率光学遥感影像中靠岸集装箱船受到岸边建筑、阴影和背景环境的干扰严重，且其船身模式与相邻陆地上集装箱非常相似，较难实现自动化检测。针对这一难题，提出了一种利用超像素级上下文特征进行靠岸集装箱船检测的方法。首先，对图像进行过分割生成超像素，在超像素区域提取颜色、纹理特征并级联邻域超像素特征形成超像素级上下文特征；然后，将目标超像素作为正样本，并自适应地选择较难区分的背景超像素作为负样本来训练分类器，实现对目标、背景超像素的分类；最后，利用全连接条件随机场对分类结果优化，实现对靠岸集装箱船的检测。实验结果表明，该方法能够较为可靠地检测靠岸集装箱船，具有一定的应用前景。 相似文献
4.
近20年来,SAR图像理解与信息反演是一个得到广泛、深入研究的世界性难题。即使在高分辨率条件下,由于相干斑噪声、结构极度敏感性、几何畸变、成像系统干扰等原因,SAR图像的高可信解译依然非常困难。SAR测试样本数据集是发展SAR图像解译与目标认知技术的基础与支撑。但SAR数据集并不是各种SAR数据的简单收集,而是要根据研究内容的需要,制定试验方案,科学地选择样本并进行样本真值标注,并且尽可能收集各种多源辅助数据以相互验证。笔者以上海交通大学闵行校区为场景,构建了一个以高分辨率、多时相SAR图像为主的试验数据集,其由高分辨率SAR数据、地表真值标注、多源辅助数据3个主要的部分组成。笔者认为,该数据集的构建能够为高分辨率SAR图像解译、信息反演和目标识别提供高可信的、实时的、丰富的地表和目标真值信息,能够促进这些研究和相关测试工作的进展。 相似文献
5.
SAR图像可以看作是真实反映地物后向散射特性的无噪图像与相干斑噪声的乘积,通过贝叶斯估计从图像观测值估计出图像真值即可去除相干斑.而贝叶斯去斑的关键在于建立能与SAR图像特性相匹配的先验信息模型.用MembraneMRF模型对先验信息建模,克服了以往所用GMRF模型对参数估计十分敏感的问题,并通过对该模型邻域结构的自适应调整来分类处理处于匀质区域和含结构特征区域的像元,在有效抑制相干斑的同时较好地保持图像的结构特征.仿真和实际SAR图像数据的实验结果,验证了所提方法的有效性. 相似文献
1