基于神经网络集成的SAR图像目标识别

合成孔径雷达图像处理过程中目标的方向性会对目标的识别产生很大的影响,基于目标类别的不明确又会给目标方位角的估计带来困难.文中提出了一种基于神经网络集成模型的合成孔径雷达图像目标识别方法.该方法通过小波域主成分分析提取目标图像特征向量,针对同向目标的特征空间训练一个神经网络实现目标分类,并使用另一个二级神经网络对多个单向目标识别器的识别结果进行结合.该方法可以有效地避免目标类别和目标方向间的相互干扰,提高识别精度.该方法对于解决此类似问题给出了新思路.     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

基于去取向理论的全极化SAR图像非监督分类

由于复杂地表目标的取向往往是随机分布的,产生散射回波的随机起伏使散射目标分类不容易明确,采用常规的分类方法容易造成地表的分类混淆.文中提出了一种全极化SAR图像非监督分类方法,首先对数据进行极化去取向处理,提取极化特征参数u、v,结合极化熵参数H进行非监督分类;之后将分类结果作为改进C-均值算法的初始类别划分,基于由u/v/H3个参数组成的特征空间,采用迭代方法实现对地物的分类;最后对NASA/JPL实验室的实测数据进行了实验分析,验证了文中所提分类方法的有效性.     

基于改进的卷积神经网络的图像分类性能

将改进的卷积神经网络应用到图片目标识别中。为了提高分类预测准确度,对传统卷积神经网络结构进行了改进,其具体结构为:卷积层C1—池化层S1—卷积层C2—池化层S2—卷积层C3—池化层S3—全连接层FC—输出,主要增加了卷积层和池化层层数,且在卷积滤波器规格选择上统一选择了5×5。最后用这一网络结构模型和其他模型(Re Net、APAC、PACNet)对CIFAR-10数据库进行试验对比,通过最终的预测准确度可以看出:改进后的卷积神经网络的精度达90.37%,高于其他3种模型。     

基于PCA和PSO-SVM的手写数字识别应用研究

针对当前手写数字识别正确率较低这一不足,提出了一种主成分分析(PCA)和粒子群算法优化支持向量机(PSO-SVM)的手写数字识别方法。首先,利用PCA降低输入数据的维数,然后把降维的数据作为SVM的输入,用PSO不断优化SVM中的核函数参数g和惩罚因子c,以提高分类精度。实验结果表明:同传统的SVM、GA-SVM、网格搜索算法、卷积神经网络(CNN)相比,PSO-SVM方法分类方法具有最高的识别准确率且运算效率也较高,达98.2%,性能上优于其他几种分类算法。     

基于改进DPGN的少样本图像分类算法研究

DPGN(distribution propagation graph network)是基于深度学习的少样本图像分类算法,在数据稀疏的条件下可以顺利完成图像分类,但其分类的准确率仍需进一步提升。以DPGN算法为研究对象,提出SFOD＿DPGN(SinAM＿FRN＿layer＿ODConv＿DM&EMD＿distribution propagation graph network)算法。在骨干神经网络Resnet12的残差块中融入注意力机制;将Resnet12网络中批量归一化与ReLu激活函数搭配使用的方式改为滤波器响应归一化与阈值线性单元激活函数搭配使用的方式;在分类器模块中选用全维动态卷积替换普通卷积;使用马氏距离和推土机距离替换L2距离度量函数。在CUB-200-2011数据集上的实验表明,在5way-1shot和5way-5shot分类任务下,SFOD＿DPGN算法比DPGN算法的准确率提升约7.97%和2.66%。     

纹理SAR图像的多分辨率分析和分类(英文)

应用小波变换研究纹理合成孔径雷达（ＳＡＲ）图像的多分辨率分析和分类，首先应用树状结构的小波变换算法对一幅纹理ＳＡＲ图像进行多分辨率分解，并对图像中的不同纹理类型进行定量分析，然后将金字塔结构的小波变换算法应用到图像的多分辨率分类，所得结果证明了小波变换在纹理ＳＡＲ图像分类中的优越性。     

SAR图像的分维特征提取

通过对合成孔径雷达（ＳＡＲ）图像的目标统计特性的分析，从理论上证明了ＳＡＲ图像的分维现象的存在性，提出了一种ＳＡＲ图像分维特征提取算法；最后，利用分维特征对分辨力为３ｍ×３ｍ机载Ｘ—ＳＡＲ成像数据进行了分割处理。     

基于平稳Contourlet变换的极化SAR图像融合

提出一种新颖而有效的基于平稳Contourlet变换的极化SAR图像融合算法。平稳Contourlet变换是一种具有几何信息的灵活多尺度、多方向和平移不变性的图像分解变换,与小波变换相比,对图像分析很重要的沿曲面任意方向反映的细节更容易调整。采用平稳Contourlet变换对多个单极化强度图像进行分解,对于低频系数和方向高频系数采用最优加权算法实现极化图像的融合处理。实验结果表明,该算法与PWF算法相比在保留原始图像边缘和纹理信息同时,可以有效地抑制相干斑噪声的影响,取得较好的融合视觉效果。     

基于ICA的极化SAR图像相干斑抑制

根据极化SAR图像的特点,针对传统空域滤波方法总存在降低相干斑与有效保持边缘纹理信息这一对矛盾,探讨了基于独立分量分析的极化SAR图像相干斑抑制技术,研究了两种基于ICA的极化SAR图像相干斑抑制方法,并分析了其优缺点及应用条件。实验结果表明:基于独立分量分析的方法能有效降低相干斑噪声,较好地保留边缘纹理信息,是一种有效的相干斑抑制方法。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机(SVM)模型进行预测.针对SVM模型中参数难以确定的问题,采用粒子群(PSO)算法进行参数寻优,保证预测的精确度.将PSO-SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO-SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律.     

基于尺度预估的SAR图像相位相关配准算法

高精度的图像配准是SAR图像融合的前提条件之一.针对相位相关匹配方法用于强相干斑噪声的多波段、多极化SAR图像匹配时存在的缺点,提出了一种基于尺度预估的SAR图像相位相关配准算法.首先,利用图像问的中心频谱值之比实现尺度预估计;然后,在相位相关过程中,针对强噪声图像的互功率谱的逆傅里叶变换图存在多峰的情况,通过脉冲值的局部搜索得到最佳的匹配参数;最后,校正待配准图像,达到精确配准.实验结果表明,文中算法对于多波段、多极化SAR图像具有良好的匹配效果.     

SAR图像边缘检测方法综述

边缘检测是SAR图像解译的基本问题之一。固有的乘性噪声特性使得经典的梯度边缘检测方法并不适用于SAR图像,因此研究针对SAR图像的边缘检测方法具有重要的意义。本文对SAR图像边缘检测问题进行了系统的研究,简单描述了SAR图像边缘检测问题,讨论了现有的SAR图像边缘检测方法,总结了SAR图像边缘检测中存在的两个问题——边缘细化和边缘定位,对检测结果的性能评估方法也进行了概括。最后在总结现有研究成果的基础上展望了SAR图像边缘检测的发展方向。     

SAR图像的边沿检测方法研究

针对合成孔径雷达（SAR）图像的特点,利用小波变换的高频分量能反映边沿细节的特性,提出了一种结合小波变换、中值滤波、自适应门限判决和微分梯度算子的边沿检测方法。实验结果表明,该方法具有良好的边沿检测效果和稳定性。     

基于磁光图像的飞机铆钉缺陷识别

针对飞机铆钉磁光图像的识别问题,提出了一种基于模糊支持向量机的裂纹有无和裂纹方向自动识别的新方法。该方法首先对铆钉磁光图像进行预处理得到铆钉二值化图像;然后采用阈值法求取铆钉中心;最后将由铆钉中心发出的星形射线矢量作为特征,采用模糊支持向量机方法对铆钉有无裂纹和裂纹方向进行分类。其中,支持向量机的核宽及惩罚常数采用网格法进行选取,并结合模糊隶属度函数解决多类分类问题中存在的错分和拒分现象。实验结果表明,使用训练获得的支持向量机分类器识别裂纹缺陷取得了很好的效果,能够满足自动检测的高实时性要求。     

基于多级特征稀疏表示的遥感图像分类

针对遥感图像样本较少、特征维数高、特征对分类器贡献差异等问题,提出一种多角度、多尺度特征增益的多级稀疏表示遥感图像分类方法,将遥感图像在8个角度5个尺度高斯分解以提取Gabor视觉特征,将粒子群算法中的惯性权重和加速因子设置为适应度的函数以避免早熟和加速收敛,改进后的粒子群算法寻找中心最大频率和带宽参数的最优取值,通过稀疏表示构建Gabor特征视觉词典,形成遥感图像稀疏系数矩阵作为分类器的输入,在分类器中引入信息熵和条件熵,计算特征增益以区分不同特征对分类器的贡献差异,并给出特征增益支持向量机高斯核函数的表达式实现图像分类。在Pavia University数据集上仿真测试结果为:改进粒子群寻优中心最大频率和带宽组合参数后相比随机确定组合参数的分类精度分别提高67.56%和62.49%,均方误差分别降低0.432 1和0.430 9,30步训练时间增加了37.354 s和34.276 s,分类的总体精度相比未考虑特征增益的SVM、BoVW或PLSA分别提高了1.96%、4.47%和5.39%,Kappa系数分别提升0.038 9、0.068 5和0.076 8。和弦图对分类结果可视化,更加直观地表现出所提方法类间混淆最少,总体分类精度最高。结果表明:二维Gabor滤波器组的中心最大频率和带宽对分类器的性能具有较大影响,通过寻优组合参数值用较小的时间可换取分类性能的较大提升,低频窄带提高了图像的描述能力和可解释性,特征增益可进一步提升分类器的性能,从而整体上改善遥感图像分类效果。     

基于图像结构张量的改进样本图像修复算法

由于Criminisi算法针对复杂结构待修复图像的修复效果不好,提出一种基于图像结构张量和改进Criminisi样本的图像修复算法,采用图像结构张量和图像梯度的组合对图像结构进行检测,以实现显著和非显著图像结构的区分。对Criminisi算法中的优先级函数进行改进,提出一种最佳距离启发式方法进行优先权重计算,充分考虑了待修复像素点周围的图像特征,从而增强了图像结构的影响。实验结果表明:所提算法的修复性能优于其他算法,能够有效实现图像修复。     

稀疏表示框架下的SAR目标识别

稀疏表示选择最佳线性表示重构信号,可避免合成孔径雷达(SAR)目标识别中的方位角估计难题,同时减轻强相干噪声影响。稀疏字典选择是稀疏表示中的关键问题之一,该文提出分别使用级联方式和并联方式构造稀疏字典实现SAR目标识别。首先对训练样本进行对数归一化处理,使用主成分分析(PCA)特征提取和降维;然后对处理后的数据分别组成级联字典和并联字典,采用截断牛顿内点法(TNIPM)获得目标的稀疏表示;最后,在两种字典的稀疏表示框架下设计分类器对SAR目标识别。通过对比实验,验证了该文的字典构建方式在稀疏表示框架下对SAR目标识别的有效性。