matlab
fcm函数代码DPPCA网
介绍
DPPCANet是一种用于不平衡多时相合成Kong径雷达图像变化检测的鲁棒深度学习方法，主要包括：1）生成差异图；
2）并行FCM聚类，以提供训练样本伪标签；
3）基于采样的PCANet
+
SVM模型构建过采样和欠采样的像素分类。
要求
MATLAB
2018a
功能
加权池卷积：
I_wp
=
WP(I,k)
生成对数比图像：
I_lr
=
di_gen(I_1,I_2)
累积加权池：
T是累积时间
M
=
Normalized(matrix)是一种鲁棒的归一化方法。
输入矩阵中值最高的50个元素的平均值是上限，而值最低的50个元素的平均值是下限。
矩阵是软归一化的。
DDI
=
Normalized(CWP(I_ori,T))
Gabor小波变换特征提取：
[f1,f_1]
=
Gabor_fea(I_map)
并行聚类：两组映射的DDI
I_map1，I_map2和Gabor特征向量f_1和f_2
im_lab
=
paralleclustering(f_1,I_map1,f_2,I_map2)
FCM：
[center,
U,
2022-12-31 22:05:46
550KB
1
基于目标检测的SAR图像变化检测方法-基于目标检测的SAR图像变化检测方法.pdf
基于目标检测的SAR图像变化检测方法
2022-05-07 00:02:26
407KB
1
本文提出了一种新的无监督显着性合成Kong径雷达（SAR）图像变化检测方法。 图像的显着区域始终是有区别的，并且与其他区域不同，这使得它们很容易被注意到。 局部区域的强烈视觉对比度使显着性适合于指导SAR图像的变化检测，这两个图像之间存在差异。 通过将显着性提取应用于通过对数比运算符获得的初始差异图，可以得到显着性图，其中包括了大多数变化区域，并且同时很好地忽略了由斑点噪声引起的伪变化像素。 然后，通过对显着性图进行阈值处理，可以保留大多数兴趣区域，并进一步将其用于从初始SAR图像中提取区域以生成差异图像。 主成分分析（PCA）方法用于从局部补丁中提取特征，以合并空间信息并减少孤立像素的影响。 最后，采用k均值聚类来获得所提取特征的变化图，将其聚类为两类：变化区域和不变区域。 在五个真实和两个模拟SAR图像数据集上的实验结果证明了该方法的有效性。
2022-04-29 10:51:32
3.5MB
1
SAR图像变化检测可以通过对差异图的分类来实现，由于SAR图像容易受到相干斑噪声的干扰，从而影响变化检测效果。提出了一种基于空间邻域信息模糊聚类的SAR图像变化检测方法，根据对数比法和均值比法的各自特点，构造了一种新的差异图生成方法，并通过对传统的模糊聚类算法结合像素的空间邻域信息进行改进，来实现SAR图像的变化检测。实验结果表明，与传统的阈值法、模糊聚类算法以及局部邻域信息模糊C均值算法相比，提出的算法具有较高的检测精度，不但能有效地抑制噪声影响，同时能较好地保留图像细节信息。
2021-11-09 19:03:56
1.28MB
1
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
2021-07-24 16:01:43
893KB
SAR图像变化检测方法，包括了对数比和均值比两种较为经典的仿真。本方法从图像像素的角度出发，对图像像素的灰度值进行操作。分别才用了均值法和对数比法，然后。本代码适合新手使用，能让初学者从图像像素灰度值的角度去理解SAR图像形变监测的理论
2020-11-02 16:33:08
278KB
1