EM算法在极化合成孔径雷达影像分类中的应用

最新推荐文章于 2022-06-21 09:36:21 发布
最新推荐文章于 2022-06-21 09:36:21 发布
阅读量278 收藏
点赞数
分类专栏： 合成孔径雷达(SAR) 文章标签： 其他
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37554556/article/details/108856794
版权

极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, POLSAR)是获取遥感信息的一种新型技术平台。目前常用的极化方式有四种：HH、HV、VV、VH。通过这四种极化通道获取的地物信息比原来单极化合成孔径雷达更加丰富、全面。极化合成孔径雷达的显著优势是它能获得目标的全极化散射特性，而目标的全极化散射特性又与目标本身的形状结构、物理属性之间有着本质的联系，这为图详解译提供了丰富的信息。
EM算法：期望最大化(Expectation-Maximization,EM)算法是一种在数据缺失的情况下，对缺失数据进行估值的一种算法。EM算法假设数据符合某种分布，利用已知数据和最大似然方法对该分布的参数期望值进行估计，进而估算出缺失的数据。
注：文章选自《EM算法在极化合成孔径雷达影像分类中的应用》 隋克林

毛毛真nice
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
SAGE算法的仿真结合EM算法
FPGA/MATLAB学习教程/源码/项目合作开发
10-16 8897
EM算法结构如下所示： SAGE算法结构如下所示： 这里主要以SAGE的基本结构进行算法仿真。整个MATLAB的算法的流程如下所示： 第1步：参数初始化； 第2步：产生发送信号，主要函数是产生论文中的s函数； 第3步：开始SAGE算法循环，转入第4步； 第4步：信号分解； 第5步：延迟估计； 第6步：到达角估计；延迟参数使用前面更新后的值，其余参数使用前一次的迭代值； 第7步：离开角估计；延迟参数和到达角使用前面更新后的值，其余参数使用前一次的迭代值； 第8步：频偏估计；延迟参数
基于快速EM算法和模糊融合的多波段遥感影像变化检测
02-21
提出了一种基于快速EM(expectation maximization)算法和模糊融合的多波段遥感影像无监督变化检测方法.该方法首先对各波段差异影像采用基于直方图分析的快速EM迭代算法获取变化分类阈值和变化信息,随后对各波段的变化信息进行模糊融合和判决,生成最终的变化检测图.利用真实的多波段遥感影像进行了实验,本文方法在运行时间和检测效果两个方面都具有优越性.
Widar2.0：SAGE算法和SAGE算法在在无线信道参数估计中的应用
a_beatiful_knife的博客
05-12 7971
Widar2.0：SAGE算法和SAGE算法在在无线信道参数估计中的应用C1 本文背景C2 SAGE算法C2.1 EM算法C2.2 SAGE算法C2.3 SAGE算法和SAGE算法在在无线信道参数估计中的应用C2.3.1 模型C 2.3.2 模型中的完整数据空间和隐藏数据空间C 2.3.3 确定整体问题的最大化函数C 2.3.4 分解后的期望函数和最大化函数C 2.3.5 初始化C 3 后续打算 写在开头，我不知道其他复现Widar2.0的人有没有碰到我这样的问题，如果我不是个例，希望这篇文章能帮助大家少
机器学习算法分析汇总
weixin_40245436的博客
02-18 1831
目录 偏差&方差 常见算法优缺点 朴素贝叶斯  优点： 缺点： 朴素贝叶斯应用领域  Logistic Regression（逻辑回归）  优点： 缺点： logistic回归应用领域： 线性回归  优点： 缺点： 最近邻算法——KNN   优点 缺点 决策树  优点 缺点 改进措施  ID3、C4.5算法   优点 缺点 CART分类与回...
em算法 图像模糊检测_基于快速EM算法和模糊融合的多波段遥感影像变化检测
weixin_39625782的博客
12-19 241
基于快速EM算法和模糊融合的多波段遥感影像变化检测王桂婷;王幼亮;焦李成【期刊名称】《红外与毫米波学报》【年(卷),期】2010(029)005【摘要】提出了一种基于快速EM(expectationmaximization)算法和模糊融合的多波段遥感影像无监督变化检测方法.该方法首先对各波段差异影像采用基于直方图分析的快速EM迭代算法获取变化分类阈值和变化信息,随后对各波段的变化信息进行模糊融合和...
EM算法及应用概述
Zhengsahami的专栏
04-30 1324
  EM算法是一种迭代算法，每次迭代由两步组成：E步和M步，E步一般求响应度，M步一般求模型参数值。EM用于含有隐变量的概率模型参数的极大似然估计，常用于混合高斯模型、隐马尔科夫模型等的参数估计。  作为迭代算法，必须要考虑EM算法的收敛性。这里需要简要提及其推导，目标是极大化观测数据Y关于参数theta的极大似然函数。基于log函数是一个凹函数，基于Jensen不等式，我们找到对数似然函数的一个...
EM算法最完整易懂讲解
Bowen Wang的博客
09-18 389
大白话讲解EM算法
Miracle.Zhao的博客
09-08 2344
001、一个非常简单的例子假设现在有两枚硬币1和2，,随机抛掷后正面朝上概率分别为P1，P2。为了估计这两个概率，做实验，每次取一枚硬币，连掷5下，记录下结果，如下： 硬币 结果 统计 1 正正反正反 3正-2反 2 反反正正反 2正-3反 1 正反反反反 1正-4反 2 正反反正正 3正-2反 1 反正正反反 2正-3反 可以很容易地估计出P1和P2，如下：P1 = （3+1+2）/ 15 = 0
电子对抗（雷达）发展现状
satlihui的博客
07-11 5436
电子战是现代高科技战争的重要组成部分，已成为争夺战争主动权、决定战争胜负的关键因素[1-2]。作为电子战的先导和基础，电子侦察截获的情报能为战场态势的评估、作战策略的制定、装备及武器的部署等提供重要支持。如何在复杂的电磁环境中利用截获的情报为电子战提供支援，从而提高电子战的能力，已成为现代战争中亟待解决的关键问题。随着各国军事电子技术的发展，各种新体制雷达的不断涌现，给电子侦察带来巨大挑战[3]。...
EM算法实验内容及图片分类任务
Vickyiiiiii的博客
12-08 1697
EM算法实验内容 一、基本原理 简介 EM算法又称期望最大化算法，是一种迭代算法，是在概率模型中寻找参数极大似然估计的算法，其中概率模型依赖于无法观测的隐含变量。它主要用于从含有隐含变量的数据中计算极大似然估计。是解决存在隐含变量优化问题的有效方法。 简单推导 1. JENSEN不等式 设fff是定义域为实数的函数，如果对于所有的实数xxx，f”(x)≥0f”(x)≥0f”(x)≥0，那么fff是...
高斯混合模型聚类中EM算法及初始化的研究.pdf
08-28
高斯混合模型聚类中EM算法及初始化的研究
改进的EM算法在分块灰度图像二值化中的应用
12-14
改进的EM算法在分块灰度图像二值化中的应用
tf.rar_EM knn_EM聚类算法_TF_em算法 分类
09-22
EM聚类算法，Knn分类算法简单C++编程
EM.tar.gz_EM_EM 程序 matlab_EM算法_em分类_em算法 分类
09-20
一个用EM算法的源程序，用来对数据进行分类，非常经典
em算法求解混合高斯模型，适合图像处理中，对象分割
04-30
em算法求解混合高斯模型，适合图像处理中，对象分割(em algorithm Gaussian mixture model suitable for image processing, object segmentation)
雷达天线简介
热门推荐
张帅影&RS&DeepLearning
06-21 1万+
雷达天线简介
SAR图像飞机目标检测识别进展
张帅影&RS&DeepLearning
10-08 5428
目标检测与识别是高分辨合成孔径雷达(SAR)领域的热点问题。机场上飞机作为一种典型目标，其检测与识别具有一定的独特性。在检测与识别的过程中，如何将深度学习和目标电磁散射机理结合、提高网络或模型的泛化能力是提升SAR图像中目标检测识别精度的关键，文章并给出了一种基于散射信息与深度学习相结合的飞机目标识别的监测方法。 传统的SAR图像目标检测方法主要基于特征和分类器。一般来讲，目标自动识别包含由检测、鉴别和识别3个阶段，首先通过检测算法将包含目标和虚警的可疑目标检测出来。 今年来，随着深度学习理论和方法的不断发
复数卷积神经网络：CV-CNN
张帅影&RS&DeepLearning
06-19 5048
复数卷积神经网络:CV-CNN
SAR图像目标识别的可解释性问题
张帅影&RS&DeepLearning
10-07 4089
合成孔径雷达(SAR)图像目标识别是实现微波视觉的关键技术之一。尽管深度学习技术已经被成功应用于解决SAR图像目标识别的问题，并显著超越了传统方法的性能，但其内部工作机理不透明、解释性不足，成为制约SAR图像目标识别技术可靠性和可信应用的瓶颈。深度学习的可解释性是目前人工智能领域的研究热点与难点，对于理解和信任模型决策至关重要。 SAR图像自动解译技术存在的一些问题 SAR图像自动目标识别技术(Automatic Target Recognition,ATR)是实现SAR图像智能解译的关键技术之一。自上个世
EM算法在GMM中的应用
最新发布
10-07
EM算法在GMM中的应用是用来估计高斯混合模型的参数。在EM算法中，首先需要初始化高斯混合模型的参数，包括每个高斯分量的均值、协方差矩阵和权重。然后，通过迭代的方式不断更新参数，使得对观测数据的似然函数最大化。在每一次迭代中，EM算法分为两步：E步骤和M步骤。在E步骤中，根据当前的参数估计，计算每个样本属于每个高斯分量的概率。在M步骤中，使用计算得到的概率更新参数估计值。通过不断迭代这两步，最终得到的参数估计就是GMM的最优解。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

毛毛真nice

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值