多尺度Markov模型与SAR图像上下文信息融合无监督分割

论文摘要

本文研究了基于多尺度Markov模型的SAR图像无监督分割方法。由于SAR图像含有大量的斑点噪声,传统的光学图像分割方法已不再适用于SAR图像的分割,而SAR图像分割又是SAR图像后期分析和进一步处理的基础,因此,对SAR图像分割方法的研究一直都是研究的热点问题。 本文在前人的基础上,以多尺度Markov模型为基础,针对SAR图像的统计性质,给出了确定SAR图像分类数目的MMDL(Multiscale minimum description length)准则和三种SAR图像分割的上下文融合方法,创新性如下: (1) 给出了确定SAR图像分类数目的MMDL标准。在多尺度Markov模型的框架内通过引入MDL(minimum description length)准则,提出了一种确定SAR图像分类数目的新方法,并从理论上和模拟计算两方面说明了该方法的有效性。 (2) 在多尺度Markov模型的基础上,提出了一种融合上下文信息的分割算法。该算法是以上下文向量的形式提出了四种不同的上下文模型,并把这四种上下文模型分别用于融合多尺度结构上的图像信息,得到了一种基于上下文模型的多尺度融合分割方法。 (3) 将上述上下文信息融合算法引入到SAR图像的分割问题,分别提出了基于MGMM(Multiscale Gaussian Markov Model)和基于MRMM(Multiscale Rayleigh Markov Model)的上下文信息融合的SAR图像分割方法。前一种方法通过融合图像的上下文信息,有效的抑制了SAR图像的斑点噪声,解决了现有的MGMM模型不适用于SAR图像分割的问题;后一种方法以多尺度Markov模型为基础,根据SAR图像的统计性质,用Rayleigh分布比较很好地描述了斑点噪声的拖尾性,并采用了上下文信息融合算法来进一步改善分割结果,实验表明,这种方法适合于SAR幅值数据的分割。 (4) 考虑SAR图像数据的非Gauss分布统计特性,针对EM算法难以给出非Gauss分布参数估计的缺陷,给出以MAR模型作为特征提取器产生SAR图

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 SAR图像信号及其分割一般方法
• 1.1.1 SAR图像成像原理
• 1.1.2 SAR图像的统计性质
• 1.1.3 SAR图像分割方法综述
• 1.2 多尺度 Markov模型及其在 SAR图像分割中的研究现状
• 1.2.1 多尺度 Markov模型
• 1.2.2 多尺度 Markov模型的应用现状
• 1.3 本文的研究内容与安排
• 第二章 多尺度 Markov模型的定阶
• 2.1 时间序列中定阶的一般方法
• 2.2 多尺度 Markov模型的定阶
• 2.3 实验结果
• 2.4 小结
• 第三章 上下文信息融合的图像分割
• 3.1 多尺度 Markov模型的图像分割基本算法
• 3.2 上下文信息融合的图像分割方法
• 3.2.1 上下文信息融合基本思想和分割算法
• 3.2.2 实验结果与分析
• 3.3 小结
• 第四章 融合上下文信息的 SAR图像多尺度分割
• 4.1 基于 MGMM的上下文信息融合图像分割
• 4.1.1 树上 EM算法及其公式推导
• 4.1.2 实验结果与分析
• 4.2 基于 MRMM的上下文信息融合图像分割
• 4.2.1 ICE算法
• 4.2.2 实验结果与分析
• 4.3 两类多尺度随机模型的上下文信息融合图像分割
• 4.3.1 多尺度自回归模型及其特征提取
• 4.3.2 实验结果与分析
• 4.4 小结
• 结束语
• 参考文献
• 附录 A 攻读硕士学位期间的研究成果
• 附录 B 攻读硕士学位期间参加的科研项目
• 致谢
• 西北工业大学学位论文知识产权声明书
• 西北工业大学学位论文原创性声明