排序方式: 共有8条查询结果,搜索用时 109 毫秒
1
1.
针对合成孔径雷达(SAR)目标的识别问题,提出了一种基于K近邻方法(KNN)的SAR图像目标识别方法。首先,有别于传统的图像特征提取方法,采用逆向思维,通过剪裁和去噪方法对图像的冗余信息进行"剔除",从而尽可能保留图像的原有信息,并将其作为待分类特征。然后分别用KNN和支持向量机(SVM)在MSTAR(Moving and Stationary Target Acquisition and Recognition)数据集上进行了仿真对比实验。实验结果表明,此方法下KNN的分类效果明显优于SVM,其精度均达到94%以上,证明了所提方法的有效性。 相似文献
2.
3.
研究了DBN和SDAE在SAR雷达目标识别领域的应用,并在此基础上提出了一种双通道单隐含层的深度学习模型—DBN-SDAE。该模型的优势在于采用双通道的单隐含层模型对图像数据进行学习,提取图像特征,避免了传统深度学习方法随着隐含层和神经元数量的增加计算复杂度增长过快的缺点;同时采用加权融合方法融合两个通道所学习的特征,既保留了数据的细节信息,又保留了数据的结构信息,一定程度上解决了特征利用不充分的问题。实验结果表明,所提方法在NN迭代次数远远小于DBN中NN的迭代次数;且在识别准确率上最高可达98.640%,较SDAE和DBN分别高0.511%和1.701%。 相似文献
4.
图像修复是指对图像破损区域进行填充或者将图像中多余物体进行移除。在Criminisi算法的基础上进行改进,在待修复块优先权的计算过程中,由于等照度线的曲率可以反映图像的局部特征,块与块之间的方差值可以反映图像的边缘信息,因此,将二者考虑进来,确保修复过程能够准确有序地进行。在寻找最佳匹配块时,将等照度线的曲率也作为一个因素增加进来,有效地提高了最佳匹配块搜索的精确性。经过仿真实验证明,改进后的算法不仅在PSNR值上比原算法有所提高,而且修复结果也比原算法更加准确可靠。 相似文献
5.
合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别是SAR图像解译的重要环节,已广泛应用于国防和国民经济领域。在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上,提出了将CNN,主成分分析(Principle Component Analysis,PCA)和决策树(Decision Tree,DT)相结合的算法,记为CNN-PCA-DT:利用CNN提取出SAR图像的特征向量,再用PCA降维,最后用DT分类器取代CNN中的Softmax分类器实现SAR目标识别。实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性。 相似文献
6.
7.
8.
1