基于特征提取与稀疏表示的去噪及光学与SAR图像分类
图像与视频处理
2021-06-04 v1 计算机视觉与模式识别
摘要
遥感工作者一直使用光学图像数据研究土地利用与覆盖，因为此类数据易于解译。合成孔径雷达(SAR)具有全天时、全天候获取图像的特性，并提供不同于可见光与红外传感器的目标信息。然而，SAR 图像具有更多散斑噪声且维度更少。本文提出一种用于光学与 SAR 图像去噪、特征提取及分类比较的方法。图像使用 K-奇异值分解(K-SVD)算法去噪。一种通过支持向量机(SVM)将 SAR 或光学图像中存在的特殊目标特征映射出来的方法，通过将给定输入数据提供给监督分类器实现。首先，使用灰度直方图(GLH)和灰度共生矩阵(GLCM)进行特征提取。其次，利用相关性分析将第一步提取的特征向量进行组合，以降低特征空间的维度。第三，SAR 图像的分类在稀疏表示分类(SRC)中完成。上述分类技术得以开发，性能参数精度和 Kappa 系数使用 MATLAB 2018a 计算。
引用
@article{arxiv.2106.01896,
title = {Denoising and Optical and SAR Image Classifications Based on Feature Extraction and Sparse Representation},
author = {Battula Balnarsaiah and G Rajitha},
journal= {arXiv preprint arXiv:2106.01896},
year = {2021}
}