[k l g j g j Cj [k l
在hg * c是由可分离滤波器的卷积c hg(即卷积前沿着列由g h,然后沿着行卷积)。在每个规模,我们有三个小波图像,ml, m1, ?,每个人都有与原始图像相同大小。因此冗余因子3 (J - 1) + 1
这个过程是由类似的滤波器组实现小波变换只没有抽样性能。在图1中,一个典型的抽取小波变换的滤波器组。
-
- 图1所示。抽取小波变换的滤波器组
因此,非抽取小波分解提供了健壮的纹理特性的冗余。我们使用抽取系数作为SAR图像分析功能。
彼此的简单组合这些特性通常不适合SAR图像分割由于添加剂产生的冗余和计算复杂性。因此,有必要寻找最适合SAR图像分割的特征子集。这个过程一直被认为是作为一个优化问题,和顺序向前选择可以使用(SFS)算法。
顺序选择是一个传统的特征选择算法。它始于一个空的特征子集。在每次迭代中,一个功能添加到特征子集。确定哪些功能增加,算法暂时增加了候选特征子集的一个特性,不是已经选择和测试准则函数建立在试探性的特征子集。最高价值的功能,结果判别函数绝对是添加到特征子集。在实验中,是最大的迭代终止条件。在本文中,我们选择欧几里得距离作为判别函数并使用粗分辨率的系数作为第一选择的功能。
为了避免噪音特别行政区,我们通过Kuwahara过滤器过滤那些选择特性。由于含有面具边缘有更大的方差,Kuwahara过滤器t7 !设计为图2。计算方差分别在这四个面具,然后改变掩模的中心功能与特性意味着最小的方差。实现步骤如下
•• |
J |
•• |
•计算方差分别在四个面具。
•选择最小方差的面具,和计算特性”的意思是在这个面具。
•改变中心功能,这意味着。
•进行这个过程每一个特性。
意味着转变提出了1975年的巨大和Hostetler几乎忘记直到bruno Dorin Comaniciu的论文[34]重新点燃了对它的兴趣。bruno Dorin Comaniciu证明意味着转变过程是一个非常多才多艺的特征空间分析工具,可以为许多视觉任务提供可靠的解决方案。它试图获取模式的特征空间的概率密度函数,使用密度函数的非参数估计。和集群的数量获得自动寻找最密集地区的中心特征空间。
估计密度函数中,我们使用核密度估计(称为Parzen窗口模式识别技术在文献[33])。假设降低了特征维d和一组点X = {X1,…慢性消耗病,XN}从概率密度f (x)。然后,核函数的多变量核密度估计获得K h (x)和窗口半径,计算点的定义是:
继续阅读:人力资源hh海关人力资源
这篇文章有用吗?