行业分类-物理装置-基于迁移学习和主动学习的SAR图像变化检测方法.zip

合成孔径雷达SAR图像处理的C++代码 包括从RAW格式起 全套处理代码

matlab代码整体运行此源代码包包括使用GMC惩罚函数通过稀疏正则化进行船舶尾迹检测的MATLAB源代码。 该代码实现了一种用于检测海面合成Kong径雷达（SAR）图像中的船舶尾迹的方法。 该方法基于苏醒的线性模型假设，因此在反问题公式中采用Radon变换来检测苏醒。 与图像形成模型相关联的成本函数包括稀疏性强制损失，即广义最小极大凹面（GMC）函数。 尽管是非凸函数，但GMC损失使总体成本函数保持凸值。 所提出的解决方案基于贝叶斯公式，从而使用最大后验（MAP）估计来恢复点估计。 该软件包包括三个文件夹： 1) images : Stores images for ship wake detection operation. We have only shared an example test image from TerraSAR-X products with name: testImage.mat. 2) saved data : Stores inverse problem solution as a .mat file. 3) source functions

给出了一种散射模型与Wishart分类相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像非监督分类方法。首先利用去取向三分量散射模型进行粗分类,将像素划分为三种基本散射类型和混合散射类型;然后,在基本散射类型内根据占优散射机制的功率进行细分类,并根据Wishart距离对细分类的结果进行类别合并,合并到指定的类别数;最后对四种散射类型的像素分别重新进行Wishart迭代,从而实现极化SAR数据的非监督分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并且同已有分类方法进行比较,结果表明本文方法改善了分类效果,且降低了体散射过估计。

基于深度学习的SAR图像目标识别算法.pdf

针对合成孔径雷达(SAR)图像中舰船目标稀疏的特点,提出一种基于级联卷积神经网络(CNN)的SAR图像舰船目标检测方法.将候选区域提取方法BING与目标检测方法Fast R-CNN相结合,并采用级联CNN设计,可同时兼顾舰船检测的准确率和速度.首先,针对SAR图像中相干斑噪声影响梯度检测的问题,在原有梯度算子的基础上增加平滑算子,并对图像尺寸个数和候选框个数进行适应性改进,使其提取到的候选窗口更快更准;然后,设计级联结构的Fast R-CNN检测框架,前端简单的CNN负责排除明显的非目标区域,后端复杂的CNN对高概率候选区域进行分类和位置回归,整个结构可以保证快速准确地对舰船这种稀疏目标进行检测;最后,设计一种联合优化方法对多任务的目标函数进行优化,使其更快更好地收敛.在SAR图像舰船检测数据集SSDD上的实验结果显示,所提出的方法相比于原始Fast R-CNN和Faster R-CNN检测方法,检测精度从65.2%和70.1%提高到73.5%,每张图像的处理时间从2235ms和198ms下降到113ms.

经典的KUAN算法，可以用来去除SAR图像中的相干斑噪声，修改加载的图片路径后可以直接运行。

通常认为SAR图像的斑点噪声服从Gamma分布，按着此原理由普通图像生成SAR仿真图像。就是酱紫啊！

这只是我本科毕业答辩的PPT，对应代码之后再发布，网络有Resnet、Alexnet、VGGNet、SqueezeNet，数据增强方式有常规数据增强和DCGAN数据增强

改进的多视PolSAR非局部均值滤波算法