论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)图像解译算法研究是当今SAR信息处理中的热点前沿课题之一。SAR图像统计建模致力于利用数学模型精确描述SAR图像的统计特性,基于SAR图像统计建模开展应用算法研究是当前SAR图像解译的主要途径。近年来,随着SAR成像技术的日益提升,多频、多极化以及多视角的SAR成像模式不断丰富,SAR图像的空间分辨率也不断提高。这些多模式高分辨率的SAR图像能够获取丰富的地物和目标信息,但其统计特性也变得更为复杂,使得其精确描述成为当前一项颇具挑战性的工作。为提高多模式高分辨率SAR图像的自动解译水平,迫切需要开展这类SAR图像的统计建模和解译算法研究。鉴于广义 gamma 分布(Generalized Gamma Distribution,GΓD)的高度灵活性,本论文以GΓD为核心和出发点,重点探讨了单通道和多极化SAR图像的统计建模理论及其在SAR图像解译中的热门典型应用,其中包括SAR图像目标检测、SAR图像分割和SAR图像地物分类,形成了较为完整的基于GΓD的SAR图像建模与应用研究体系。在理论研究和应用算法研究两个方面,本论文所做主要工作以及创新性成果如下:在SAR图像统计建模的理论方面开展了层次化的研究,所做的主要工作及创新性成果有:(1)从统计模型构建和参数估计两个方面,系统总结了前人的单通道和多极化SAR图像统计建模工作。首先阐述了常规单通道SAR图像统计建模工作,接着总结了多极化SAR图像统计建模的相关成果;(2)提出了一种基于参数解耦的GΓD参数估计方法。通过参数解耦的方式,推导了 GΓD参数估计的尺度独立的形状估计(Scale Independent Shape Estimation,SISE)方程。该方法与已有可行的基于对数累积量方法(Method of Log-Cumulants,MoLC)相比,在稳定性和有效性等指标上更优;(3)提出了一种新的多极化SAR图像分布模型——GΓ-Wishart分布,并推导了基于矩阵对数累积量的该分布的参数估计方法。在极化乘积模型框架下,通过引入GΓD来描述多极化SAR图像纹理分量,导出了 GΓ-Wishart分布。传统的典型多极化SAR图像分布如复Wishart、KP和GP0分布均可视为该分布的特例。另外,基于实测多极化SAR图像的实验验证了该分布比经典分布更为灵活,且优于近年来提出的KummerU分布;(4)提出了一种空间相关单通道和多极化SAR杂波图像仿真方法。在非线性变换法的框架下,理论推导了空间相关的服从GΓD的单通道SAR杂波图像仿真方法。另外推导了服从当前典型极化SAR分布的多极化SAR杂波图像仿真方法。仿真图像在模型参数估计方法评估、统计算法设计和评估等方面都具有重要的应用价值。基于上述SAR图像统计建模成果,在SAR图像解译应用算法方面,开展了SAR图像CFAR检测、SAR图像分割和SAR图像地物分类三方面典型问题的研究,所做主要工作及创新成果有:(1)提出了一种基于GΓD的SAR图像CFAR检测算法。以GΓD为SAR图像背景杂波的统计模型,推导了 CFAR检测算法的检测阈值表达式。与大量基于经典分布模型的SAR图像CFAR算法相比,本文算法在虚警率保持和效率上更优;(2)提出了一种基于GΓD的SAR图像层次分割算法。通过引入GΓD对SAR图像建模,设计了包括两个步骤的SAR图像层次分割算法:首先采用最小对数似然损失准则进行图像区域合并,然后基于局部贝叶斯准则对图像区域的边界进行演化。与常规的SAR图像层次分割方法相比,本文方法有效改善了 SAR图像分割的质量;(3)提出了一种基于GΓD的SAR图像地物分类方法。首先,以GΓD为SAR图像的统计模型,理论推导了 GΓD的KL距离的解析表达式。接着,以图像区域为基本分类单元,设计了基于最小区域KL距离准则的SAR图像地物分类方法。该方法在分类精度以及建模偏差鲁棒性上都优于经典的基于像素和基于区域的贝叶斯分类方法。