幾類多尺度非線性隨機(jī)模型與SAR圖像Bootstrap分割研究.pdf

1、隨著多模式、多波段、全極化、三維成像、動(dòng)目標(biāo)檢測與成像能力越來越好的SAR(synthetic aperture radar，簡稱SAR)平臺的出現(xiàn)和多頻、多極化、多視技術(shù)的發(fā)展，對SAR圖像中目標(biāo)高效地自動(dòng)解譯及SAR圖像處理引起國內(nèi)外廣泛研究。而SAR圖像分割是實(shí)現(xiàn)自動(dòng)解譯的關(guān)鍵技術(shù)，但是SAR圖像相干斑的存在使得SAR圖像分割方法對傳統(tǒng)光學(xué)圖像的分割方法提出嚴(yán)重的挑戰(zhàn)。 本文在考慮SAR圖像成像機(jī)理和統(tǒng)計(jì)特征的基礎(chǔ)上，以多

2、尺度隨機(jī)模型和Bootstrap方法為工具，給出四類多尺度非線性隨機(jī)模型，分別是：空間變化的混合多尺度自回歸預(yù)報(bào)(spatially variant mixture multiscale autoregressiveprediction簡稱SVMMARP)模型、空間變化混合多尺度自回歸滑動(dòng)平均(spatiallyvariant mixtures of multiscale autoregressive moving average簡稱S

3、VMMARMA)模型、一種新的多尺度似然比、以及基于Rayleigh．MMARP等四種模型方法估計(jì)的廣義多分辨似然比(generalized multiresolution likelihood ratio簡稱GMLR)?；谏鲜瞿Ｐ透拍?，給出各種模型概念的SAR圖像Bootstrap分割。其創(chuàng)新點(diǎn)主要是： (1)給出SAR圖像的SVMMARP模型。該模型可以刻畫SAR圖像的空間變化性，利用了SAR圖像多尺度序列的統(tǒng)計(jì)特性，減弱

4、SAR圖像中斑點(diǎn)噪聲的影響，與傳統(tǒng)混合模型及多尺度自回歸(multiscale autoregressive簡稱MAR)模型相比，得到了較精確的分割結(jié)果，同時(shí)給出一種快速確定分類數(shù)目的方法；在SVMMARP模型優(yōu)點(diǎn)的基礎(chǔ)上，用Bootstrap方法估計(jì)SVMMARP模型參數(shù)的方法提高了運(yùn)行速度，參數(shù)估計(jì)更加精確，視覺分割效果比較理想； (2)給出SVMMARMA隨機(jī)模型和參數(shù)估計(jì)算法。將該模型方法用于SAR圖像無監(jiān)督分割，分割效

5、果理想。 (3)提出了廣義多分辨似然比(GMLR)的概念，給出了其統(tǒng)計(jì)量，給出四種估計(jì)GMLR參數(shù)的方法，其一是通過Bootstrap方法給出廣義多分辨似然比的參數(shù)；其二是通過MMARP模型來估計(jì)參數(shù)；其三是通過SVMMARP模型來估計(jì)參數(shù)；其四是通過非Gauss-MMARP模型來估計(jì)參數(shù)。相應(yīng)的四種方法分別是：基于Bootstrap方法估計(jì)廣義多分辨似然比的SAR圖像有監(jiān)督分割；基于MMARP模型和廣義多分辨似然比的SAR圖像

6、無監(jiān)督Bootstrap分割；基于SVMMARP模型和廣義多分辨似然比的SAR圖像無監(jiān)督Bootstrap分割；非Gauss-MMARP模型和廣義多分辨似然比的SAR圖像無監(jiān)督Bootstrap分割。分別對上述方法做了實(shí)驗(yàn)，說明對不同統(tǒng)計(jì)性質(zhì)的SAR圖像分割效果比較理想。 (4)深入研究MAR模型基礎(chǔ)上得到了一種新的多尺度似然比，得到一個(gè)新的多尺度似然比檢驗(yàn)，這種形式融合了更多的圖像特征信息。在此基礎(chǔ)上給出了一種SAR圖像有監(jiān)督