基于特征筛选和二级分类的极化SAR建筑提取算法

提出一种基于特征筛选和二级分类的建筑提取算法。该算法首先对极化SAR数据进行精致Lee滤波,获取多维极化特征和纹理特征构成原始特征集;然后将随机森林作为初级分类器评估各特征的重要性,依据重要性排名进行特征筛选;最后通过支持向量机对特征子集进行次级分类,并用邻域投票法将两级分类结果融合。AIRSAR极化数据实验结果表明,本算法可有效提高极化SAR建筑提取准确率。     

基于超像素与LightGBM的极化SAR图像地物分类

极化合成孔径雷达(SAR)图像的相干斑噪声降低了地物分类的准确率;联合极化SAR图像众多特征分类,过大的输入特征维度导致分类耗时长。为解决上述问题,提出一种基于超像素与LightGBM的分类算法。该算法充分利用极化SAR图像的极化特征与纹理特征,具备较强的分类能力;采用LightGBM处理大维度输入特征,能够快速得到基于像素的初级分类结果;利用SLIC生成基于超像素的极化SAR图像,并在各超像素内逐像素投票得到基于超像素的二级分类结果,抑制了相干斑的影响。利用实测极化SAR数据进行实验,分类的总体准确率超过97%,且分类耗时短。     

基于图像分割和EM算法的PolSAR地物分类方法

在极化合成孔径雷达（PolSAR）地物分类研究中,基于卷积神经网络的图像分割算法存在高维特征信息冗余而导致的分类边界模糊、分类精度低、计算复杂等不足,提出一种基于卷积神经网络和EM算法的轻量化图像分割网络,称为低秩重构网络（low-rank-reconstruction-net,LRR-Net）,应用于全极化SAR图像的地物分类。LRR-Net从极化目标分解的思想出发,利用EM算法对特征进行低秩重构,将特征从高维空间映射到低维空间,在减少参数的同时实现更精确的分类。用高分三号全极化图像数据对模型进行训练测试并评估,结果表明模型在保证分类精度的前提下,降低了模型复杂度。     

基于极化特征和纹理特征的PolSAR影像建筑物提取方法

极化合成孔径雷达（PolSAR）以其多参数、多通道、多极化、信息记录更加完整等特点,在城市地物提取领域中发挥着重要作用,并已成为遥感影像研究领域的热点。选择覆盖苏州市的Radarsat2影像,利用极化非相干分解法和灰度共生矩阵法分别提取19种极化特征和8种纹理特征,通过分析建筑物、植被和水体的极化特征和纹理特征进行特征组合,结合主成分分析法（PCA）和支持向量机法（SVM）对城市建筑物进行提取,并定量评估精度。结果表明：基于极化特征的建筑物提取精度最高为92.4%;基于纹理特征的提取精度最高为88.9%;极化特征与纹理特征相结合可以提高精度,最高精度为93.7%;PCA特征融合算法具有较高的运算效率,同时提高了精度。     

一种新型的空域极化SAR数据相干斑滤波方法

提出一种新型的空域极化SAR数据相干斑滤波方法,改进了Sigma滤波并结合基于Freeman-Durden分解的Wishart非监督分类方法,在保留强点目标的同时,有效选择同质区域且具有相同散射类型的像素参与滤波.实验结果表明,在相干斑噪声抑制和边缘纹理细节信息保持方面,该方法均具有优越性,且能保持极化SAR数据的地物散射特性.     

高分辨率SAR子孔径图像相干性分析 及其地物分类应用

针对相干性这一合成孔径雷达(SAR)图像分析常用的特征量进行分析,首先从理论上分析高分辨率SAR图像中人造目标和自然地物等典型目标的子孔径、子频带以及不同子孔径重轨干涉图像间的相干系数,然后利用高分辨率星载SAR实际数据开展上述相干系数的计算,验证分析的正确性。随后根据不同地物在不同维度相干系数上体现的不同特点,进行非监督地物分类,并给出不同类别所表征的地物特点。分析结果可为高分辨率SAR数据的优化应用提供支撑,并可加深对SAR不同地物目标特性的理解。     

C波段SAR地物散射稳定特性分析与提取方法

SAR图像的绝对辐射精度直接影响SAR定量化应用水平,现有基于定标器的绝对辐射定标方法难以对SAR系统进行持续监测。如能在普通场景中找到一种稳定的散射特征量,则可将其作为参考实现常态化定标。针对C波段SAR图像,建立不同类别地物散射样本库,分析发现城区的后向散射系数中值重心具有良好的时间稳定性,进而提出一种基于神经网络的城区地物精筛与散射稳定特性提取方法。测试数据及与热带雨林数据的比较实验表明,该方法提取的散射稳定特性可用于SAR系统的常态化辐射定标。     

基于极化分解组合的SAR图像视觉优化和建筑物损毁评估

建筑物损毁评估对灾害应急监测具有重要意义。极化SAR图像蕴含丰富的地物信息,并且记录有目标地物的极化散射矩阵,可用于建筑物的损毁评估。针对完好和损毁建筑物两类目标的散射特征,利用Touzi分解散射角α_s1、去定向后Yamaguchi分解二次散射分量和Touzi分解散射对称度|τ₂|进行RGB彩色合成,对极化SAR图像进行视觉优化,进而利用单一时相SAR图像快速识别出不同损毁程度的建筑物区域。以2011年3月11日发生在日本东北部海域的地震为例,利用灾后的ALOS PALSAR全极化数据开展实验分析,并利用汶川地震RADARSAT-2图像对提出的方法进行验证。结果表明,通过对极化参量的组合不仅可以优化建筑物目标的视觉显示效果,同时可提高不同损毁程度建筑物区域识别度,从而大大降低灾害评估对于数据源的限制和要求。     

深度卷积神经网络在迁移学习模式下的SAR目标识别

合成孔径雷达（synthetic aperture radar,SAR）自动目标识别过程主要包括目标特征提取和分类器训练两个步骤。提出一种基于深度卷积神经网络（deep convolutional neural networks,DNNs）的SAR自动目标识别方法,使用一类优化的DNNs网络结构对SAR图像目标进行分类训练。该网络结构自动提取目标类别特征,避免人工预选取特征方法带来的不标准性。在DNNs网络模型训练过程中引入迁移学习的概念,以防止结果陷入局部最优解和加快模型参数的训练。最后使用美国运动和静止目标获取与识别MSTAR数据集进行试验,给出该方法与其他分类方法结果的对比,证明其取得较高的分类正确率。     

体育类期刊学术水平综合评价与实证研究——基于决策者偏好的投影寻踪建模技术

摘要：对期刊的学术水平进行客观公正和科学合理的评价,是科研管理部门、学界、期刊管理部门和文献计量学领域长期关注的热点和难点问题。采用文献分析法,以中国期刊引证报告采用的指标为基础,构建了由17个指标组成的体育类期刊学术水平评价指标体系。根据36种体育类期刊2010—2014年版中国期刊引证报告的样本数据,把决策者偏好（专家意见和已有的研究成果）添加到约束条件中,建立了体育类期刊学术水平综合评价的改进型投影寻踪模型,对期刊学术水平、各个评价指标的重要性等进行排序和分类研究。建模结果表明：北京体育大学学报学术水平始终排名第一,其次是体育科学,而体育师友和中国体育教练员始终排名最后两位;在17个评价指标中,总被引频次最重要,其次是影响因子等6个指标,前10个指标占总权重的86%;根据指标权重大小,提出了有效提升期刊学术水平的措施和建议。本文采用的基于决策者偏好的投影寻踪技术,拓展了体育类期刊学术水平综合评价的方法,为其他类期刊学术水平的综合评价提供了参考和借鉴。     

基于SVM分类器的集装箱箱号识别法

为准确、高效地识别集装箱箱号,提出基于支持向量机(Support Vector Machine,SVM)分类器的集装箱箱号识别法.在对大量箱号图片进行实验并统计各种特征识别率的基础上,经过预处理、箱号定位、字符分割,得到36×22像素大小的二值化图像;提取箱号字符的边界和质心特征、改进的灰度直方图特征以及边缘方向直方图...     

基于缨帽变换与匹配滤波的大熊猫生境影像分类

在卧龙大熊猫自然保护区,难以获取高质量的光学遥感影像,加之地形和植被类型复杂多样,地物分类精度低,对利用遥感技术研究大熊猫生境造成了困难.为此,本工作探究一种提高遥感分类精度的方法.首先分别利用缨帽变换和匹配滤波方法提取影像的亮度、绿度、湿度和丰度等特征,建立基于多特征数据的决策树分类规则进行分类,最后利用野外实测数据对分类结果进行验证.研究结果表明:绿度特征对提取林地非常有效,湿度分量可以区分草甸与灌丛,亮度特征则提高了雪地的分类精度.匹配滤波可以实现混合像元分解,去除部分噪声并快速探测目标地物的波谱特征.基于多特征数据决策树遥感分类的总体精度达到83.33%,比传统的最大似然法分类精度提高8.67%.本文方法在卧龙大熊猫自然保护区等地物分类中取得了较好的应用效果.     

综合视觉特征度量与SVM的遥感图像检索方法

基于支持向量机(SVM)的相关反馈算法在反馈过程中只利用SVM的分类器,反馈结果排序会出现一定错误, 提出一种改进的相关反馈策略,将图像的视觉特征度量函数和SVM分类器函数进行线性加权,作为相关反馈中的相似性度量准则. 实验表明,改进策略能够优化遥感图像检索排序结果,提高检索的精度.     

不同时空条件下的高分三号SAR图像立体定位方法

介绍一种较为可靠的高分三号合成孔径雷达（synthetic aperture radar,SAR）图像立体定位方法,即便立体像对时空条件差异较大,该方法也能达到较高的定位精度。首先根据斜距多普勒模型建立立体定位方程组,利用多项式拟合法解算卫星状态矢量,最后利用牛顿法求解方程组。利用高分三号卫星在北京、苏州、上海3个地区、成像时间各不相同且分辨率在5 m以内的7景SAR图像进行立体定位实验,以Google Earth上的实际位置为基准,实验得到的所有目标点的平面误差均在30 m内,高程误差均在34 m内,证明即使立体像对成像时间间隔较长,也可以得到精度较高的目标点三维信息,且滑动聚束模式下得到的立体像对定位精度最高。     

基于仿真SAR图像深度迁移学习的自动目标识别

使用深度卷积神经网络实现SAR图像的自动目标识别在训练过程中需要大量的标注数据。为解决由SAR实测数据获取成本高、标注数据量不足带来的问题,提出一种在由CReLU激活函数和批归一化改进的卷积神经网络上,使用仿真SAR图像提升最终目标识别性能的方法,把从大量仿真SAR图像学习到的有效知识迁移到实测SAR图像数据上。在训练中,先用仿真SAR图像预训练卷积神经网络,结合迁移学习的方法,有效地解决由SAR图像数据不足带来的过拟合问题。在MSTAR数据集上验证方法的有效性,识别准确率提高到99.78%,并在少量SAR图像样本数据上也取得不错的识别效果。     

一种新的多极化SAR图像滤波方法

为了保持多极化SAR图像的极化特性,协方差矩阵中的每一个元素都必须在相同的局部同质区内进行独立的滤波处理。大多数滤波方法都采用了固定大小的滑动窗技术,导致其同质区域的大小不能自适应于局部纹理的变化,因此,很难解决保留结构特征和平滑斑点噪声这对矛盾。要解决该问题,可采用大小可变的滑动窗来搜索局部的最大同质区,最大同质区的大小能自适应局部纹理的变化。实验结果表明,该方法能有效地保持图像的空间结构特征和极化特性,同时也能获得较好的斑点噪声抑制效果。     

遗传规划在SAR图像识别中的应用

提出一种基于遗传规划的合成孔径雷达图像识别方法.首先提取SAR图像的5种特征作为原始特征,然后利用遗传规划算法在5种原始特征上合成新的特征,最后采用支持向量机进行分类.实验结果表明了算法的有效性.     

基于支持向量机的轿车车型识别

为了从轿车图像中快速、准确地识别出轿车车型,采用支持向量机(Support Vector Machine,SVM)方法作为分类器,以轿车的长、宽、高和轴距等4个特征参数作为输入特征向量,并根据这些特征向量对不同车型进行分类和识别.实验结果表明,对11个品牌15种车型的识别准确率达100％.本研究表明,在正确选取轿车的特...