留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多层反卷积网络的SAR图像分类

王云艳 何楚 赵守能 陈东 廖明生

王云艳, 何楚, 赵守能, 陈东, 廖明生. 基于多层反卷积网络的SAR图像分类[J]. 武汉大学学报 ● 信息科学版, 2015, 40(10): 1371-1376. doi: 10.13203/j.whugis20140366
引用本文: 王云艳, 何楚, 赵守能, 陈东, 廖明生. 基于多层反卷积网络的SAR图像分类[J]. 武汉大学学报 ● 信息科学版, 2015, 40(10): 1371-1376. doi: 10.13203/j.whugis20140366
WANG Yunyan, HE Chu, ZHAO Shouneng, CHEN Dong, LIAO Mingsheng. Classification of SAR Images Based on Deep Deconvolutional Network[J]. Geomatics and Information Science of Wuhan University, 2015, 40(10): 1371-1376. doi: 10.13203/j.whugis20140366
Citation: WANG Yunyan, HE Chu, ZHAO Shouneng, CHEN Dong, LIAO Mingsheng. Classification of SAR Images Based on Deep Deconvolutional Network[J]. Geomatics and Information Science of Wuhan University, 2015, 40(10): 1371-1376. doi: 10.13203/j.whugis20140366

基于多层反卷积网络的SAR图像分类

doi: 10.13203/j.whugis20140366
基金项目: 国家重点基础研究发展计划(973计划)资助项目(2013CB733404);国家自然科学基金资助项目(41371342,61331016);湖北省自然科学基金资助项目。
详细信息
    作者简介:

    王云艳,博士,主要从事SAR图像解译研究。E-mail:helen9224@126.com

    通讯作者: 何楚,博士,副教授。E-mail:chuhe@whu.edu.cn
  • 中图分类号: P237.3

Classification of SAR Images Based on Deep Deconvolutional Network

Funds: The National Key Basic Research and Development Program(973 Program) of China, No.2013CB733404;the National Natural Science Foundation of China, Nos.41371342, 61331016; the Natural Science Foundation of Hubei Province.
  • 摘要: 针对传统特征提取方法不能提取目标高层结构特征的问题,提出了一种基于软概率的池化方法,结合多层反卷积网络,学习目标的高层结构特征,并将其用于合成孔径雷达(SAR)图像分类。首先对SAR图像进行子块划分,然后对每个子块进行基于多层反卷积网络的特征编码,学习出不同层次上的图像特征,最后将该特征用于支持向量机(SVM)分类器,实现SAR图像的分类。在国内首批SAR数据上的实验表明,该算法获得了较高的分类准确率。
  • [1] Maitre H. Synthetic Aperture Radar Image Processing[M]. Sun Hong. Beijing: Publishing House of Electronics Industry, 2005 (Maitre H. 合成孔径雷达图像处理[M]. 孙洪.北京: 电子工业出版社, 2005)
    [2] Wu Xiaohong, Xie Ming, Gan Ke,et al. Feature Extraction and Target Recognition of SAR Images[J]. Journal of Sichuan University(Natural Science Edition), 2007, 44(6): 1 275-1 280(吴晓红,谢明, 干可,等. SAR图像的特征提取与目标识别[J].四川大学学报(自然科学版), 2007, 44(6):1 275-1 280)
    [3] Wan Peng, Wang Jianguo, Huang Shunji. A Synthesis Method for SAR Image Target Detection[J]. Acta Electronica Sinica, 2001, 29(3):323-325(万朋, 王建国, 黄顺吉. SAR图像目标综合检测方法[J].电子学报, 2001, 29(3): 323-325)
    [4] Yin Hui. Research on Urban Scene Classification Method Using High Resolution Synthetic Aperture Radar Image Based on Local Feature Representation(殷慧. 基于局部特征表达的高分辨率SAR图像城区场景分类方法研究[D]. 武汉: 武汉大学,2010)
    [5] He Chu, Liu Ming, Xu Lianyu,et al. A Hierarchical Classification Method Based on Feature Selection and Adaptive Decision Tree for SAR Image[J].Geomatics and Information Science of Wuhan University, 2012, 37(1): 46-49 (何楚, 刘明, 许连玉,等. 利用特征选择自适应决策树的层次SAR图像分类[J]. 武汉大学学报·信息科学版, 2012,37(1):46-49)
    [6] Huan Ruohong, Zhang Ping, Pan Yun. SAR Target Recognition Using PCA, ICA and Gabor Wavelet Decision Fusion[J]. Journal of Remote Sensing, 2012, 16(2): 262-274(宦若虹, 张平, 潘赟. ICA、PCA和Gabor小波决策融合的SAR目标识别[J]. 遥感学报, 2012, 16(2): 262-274)
    [7] He Chu, Liu Ming,Feng Qian, et al. PolInSAR Image Classification Based on Compressed Sensing and Multi-scale Pyramid[J]. Acta Automatic Sinica, 2011, 37(7): 820-827(何楚, 刘明, 冯倩,等. 基于多尺度压缩感知金字塔的极化干涉SAR图像分类[J]. 自动化学报, 2011, 37(7): 820-827)
    [8] Hinton G E, Salakhutdinov R. Reducing the Dimensionality of Data with Neural Networks[J]. Science, 2006, 313(5 786):504-507
    [9] Zhang Xiaolei, Wu Ji. Deep Belief Networks Based Voice Activity Detection[J]. IEEE Transactions on Audio, Speech and Language Processing,2013,21(4):697-710
    [10] Vincent P, Larochelle H, Lajoie I, et al.Stacked Denoising Autoencoders: Learning Useful Representations in a Deep Network with a Local Denoising Criterion[J].Journal of Machine Learning Research, 2010,11:3 371-3 408
    [11] Yang J C, Yu K, Gong Y H,et al. Linear Spatial Pyramid Matching Using Sparse Coding for Image Classification[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Miami, USA, 2009
    [12] Zeiler M D, Taylor G W, Fergus R. Adaptive Deconvolutional Networks for Mid and High Level Feature Learning[C].IEEE International Conference on Computer Vision (ICCV), Barcelona,Spain,2011
  • [1] 梁烽, 张瑞祥, 柴英特, 陈金勇, 茹国宝, 杨文.  一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法 . 武汉大学学报 ● 信息科学版, 2022, 0(0): 0-0. doi: 10.13203/j.whugis20210078
    [2] 任福, 侯宛玥.  面向机器阅读的地图名称注记类别识别方法 . 武汉大学学报 ● 信息科学版, 2020, 45(2): 273-280. doi: 10.13203/j.whugis20180503
    [3] 刘文轩, 祁昆仑, 吴柏燕, 吴华意.  基于多任务联合稀疏和低秩表示的高分辨率遥感图像分类 . 武汉大学学报 ● 信息科学版, 2018, 43(2): 297-303. doi: 10.13203/j.whugis20160044
    [4] 王毅, 李季.  基于SVM的高光谱遥感图像亚像元定位 . 武汉大学学报 ● 信息科学版, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443
    [5] 郑肇葆, 郑宏.  利用数据引力进行图像分类 . 武汉大学学报 ● 信息科学版, 2017, 42(11): 1604-1607. doi: 10.13203/j.whugis20160457
    [6] 白璘, 刘盼芝, 惠萌.  利用小波核最小噪声分离进行高光谱影像SVM分类 . 武汉大学学报 ● 信息科学版, 2016, 41(5): 624-628,644. doi: 10.13203/j.whugis20140209
    [7] 郑肇葆, 潘励, 郑宏.  应用图像关联度的图像模糊分类 . 武汉大学学报 ● 信息科学版, 2015, 40(5): 574-577. doi: 10.13203/j.whugis20140736
    [8] 刘康, TimoBalz, 廖明生.  利用后向散射特性从高分辨率SAR影像中提取建筑物高度 . 武汉大学学报 ● 信息科学版, 2012, 37(7): 806-809.
    [9] 何楚, 刘明, 许连玉, 刘龙珠.  利用特征选择自适应决策树的层次SAR图像分类 . 武汉大学学报 ● 信息科学版, 2012, 37(1): 46-49.
    [10] 刘梦玲, 何楚, 苏鑫, 孙洪.  基于pLSA和Topo-MRF模型的SAR图像分类算法研究 . 武汉大学学报 ● 信息科学版, 2011, 36(1): 122-125.
    [11] 陈尔学, 李增元, 田昕, 凌飞龙.  星载SAR地形辐射校正模型及其效果评价 . 武汉大学学报 ● 信息科学版, 2010, 35(3): 322-327.
    [12] 刘艳, 刘经南, 李陶, 夏耶.  利用高分辨率SAR卫星监测灾害条件下电网铁塔形变 . 武汉大学学报 ● 信息科学版, 2009, 34(11): 1354-1358.
    [13] 汪长城, 廖明生.  一种多孔径SAR图像目标检测方法 . 武汉大学学报 ● 信息科学版, 2009, 34(1): 32-35.
    [14] 李新双, 张良培, 李平湘, 吴波.  基于小波分量特征值匹配的高光谱影像分类 . 武汉大学学报 ● 信息科学版, 2006, 31(3): 274-277.
    [15] 徐新, 王雁, 陈嘉宇, 孙洪.  基于小波系数统计特征的SAR图像恢复 . 武汉大学学报 ● 信息科学版, 2006, 31(10): 855-857.
    [16] 李陶, 刘经南, 廖明生.  重复轨道差分干涉测量参数模型的建立 . 武汉大学学报 ● 信息科学版, 2005, 30(8): 744-747.
    [17] 王青, 徐新, 管鲍, 孙洪.  一种基于Bayesian准则和MRF模型的SAR图像滤波方法 . 武汉大学学报 ● 信息科学版, 2005, 30(5): 464-467.
    [18] 杨文, 孙洪, 徐新, 徐戈.  星载SAR图像船舶及航迹检测 . 武汉大学学报 ● 信息科学版, 2004, 29(8): 682-685.
    [19] 梁益同, 胡江林.  NOAA卫星图像神经网络分类方法的探讨 . 武汉大学学报 ● 信息科学版, 2000, 25(2): 148-152.
    [20] 徐新, 廖明生, 朱攀, 卜方玲.  单视数SAR图像Speckle滤波方法的研究 . 武汉大学学报 ● 信息科学版, 1999, 24(4): 312-316.
  • 加载中
计量
  • 文章访问数:  1698
  • HTML全文浏览量:  31
  • PDF下载量:  907
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-05-07
  • 刊出日期:  2015-10-05

基于多层反卷积网络的SAR图像分类

doi: 10.13203/j.whugis20140366
    基金项目:  国家重点基础研究发展计划(973计划)资助项目(2013CB733404);国家自然科学基金资助项目(41371342,61331016);湖北省自然科学基金资助项目。
    作者简介:

    王云艳,博士,主要从事SAR图像解译研究。E-mail:helen9224@126.com

    通讯作者: 何楚,博士,副教授。E-mail:chuhe@whu.edu.cn
  • 中图分类号: P237.3

摘要: 针对传统特征提取方法不能提取目标高层结构特征的问题,提出了一种基于软概率的池化方法,结合多层反卷积网络,学习目标的高层结构特征,并将其用于合成孔径雷达(SAR)图像分类。首先对SAR图像进行子块划分,然后对每个子块进行基于多层反卷积网络的特征编码,学习出不同层次上的图像特征,最后将该特征用于支持向量机(SVM)分类器,实现SAR图像的分类。在国内首批SAR数据上的实验表明,该算法获得了较高的分类准确率。

English Abstract

王云艳, 何楚, 赵守能, 陈东, 廖明生. 基于多层反卷积网络的SAR图像分类[J]. 武汉大学学报 ● 信息科学版, 2015, 40(10): 1371-1376. doi: 10.13203/j.whugis20140366
引用本文: 王云艳, 何楚, 赵守能, 陈东, 廖明生. 基于多层反卷积网络的SAR图像分类[J]. 武汉大学学报 ● 信息科学版, 2015, 40(10): 1371-1376. doi: 10.13203/j.whugis20140366
WANG Yunyan, HE Chu, ZHAO Shouneng, CHEN Dong, LIAO Mingsheng. Classification of SAR Images Based on Deep Deconvolutional Network[J]. Geomatics and Information Science of Wuhan University, 2015, 40(10): 1371-1376. doi: 10.13203/j.whugis20140366
Citation: WANG Yunyan, HE Chu, ZHAO Shouneng, CHEN Dong, LIAO Mingsheng. Classification of SAR Images Based on Deep Deconvolutional Network[J]. Geomatics and Information Science of Wuhan University, 2015, 40(10): 1371-1376. doi: 10.13203/j.whugis20140366
参考文献 (12)

目录

    /

    返回文章
    返回