基于广义多分辨似然比和SVMMAR模型的SAR图像分割研究

论文摘要

SAR图像分割是进行目标自动识别、SAR图像信息处理的关键技术。但是SAR图像斑点噪声的存在使得SAR图像分割方法对传统光学图像的分割方法提出严重的挑战,本文结合SAR图像的统计特征,主要提出了基于广义多分辨似然比(generalized multiresolution likelihood ratio简称GMLR)和空间变化的混合多尺度自回归(spatially variant mixture multiscale autoregressive简称SVMMAR)随机模型的SAR(synthetic aperture radar)图像分割方法。 首先,在研究了基于MAR模型图像分割的基础上,得到了一个多分辨似然比检验表达式,对已有模型和分割方法进行了推广和完善;其次,提出了一种广义多分辨似然比的新概念,这种新的似然比可融合SAR图像中同类目标在不同分辨率上的特征,增加不同类目标间的差异,有益于分类分割,最终分割时考虑了待分像素点与周围像素点之间的Markov性,利用了开窗技术对像素进行分类;再次,提出了SAR图像的空间变化混合多尺度自回归模型方法,该模型不仅能刻画SAR图像的空间变化性,而且利用了SAR图像多尺度序列的统计特性,无需预先抑制斑点噪声,就能获得精确分割结果,并且提出一种在粗尺度确定分类个数的新方法,大大减少了运算量;最后,用参数估计算法得到了广义多分辨似然比所有的参数,从而得到SAR图像的无监督分割,这样使得广义多分辨率似然比在图像分割中有更广的应用范围。 实验验证了所提出的各种方法从分割的精度,对噪声的敏感度,还是从边缘的光滑度考虑,都是令人满意的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 SAR成像及SAR图像的统计特性
• 1.2 图像多分辨分割和基本模型简介
• 1.3 本文的主要工作
• 第二章 基于多尺度似然比的参数可训练的SAR图像分割
• 2.1 一种新的基于多尺度似然比检验的SAR图像分割
• 2.1.1 SAR图像的多尺度序列
• 2.1.2 SAR图像的多尺度似然比
• 2.1.3 目标识别的假设检验、判别准则及分割步骤
• 2.1.4 基于多尺度似然比检验的SAR图像分割结果及分析
• 2.2 广义多分辨似然比检验与SAR图像分割
• 2.2.1 一般的似然比检验
• 2.2.2 广义多分辨似然比
• 2.2.3 广义多分辨似然比统计量及分割步骤
• 2.2.4 基于广义多分辨似然比检验的SAR图像分割结果及分析
• 第三章 基于SVMMAR模型的SAR图像无监督分割
• 3.1 SAR图像无监督分割的SVMMAR模型方法
• 3.1.1 多尺度q叉树及其性质
• 3.1.2 SAR图像的SVMMAR随机模型
• 3.1.3 SAR图像的SVMMAR模型参数估计的EM算法
• 3.1.4 基于SAR图像的SVMMAR模型的分类个数确定
• 3.1.5 SAR图像的SVMMAR模型的分类器及分割步骤
• 3.1.6 基于SVMMAR模型的SAR图像无监督分割结果及分析
• 第四章 基于广义多分辨似然比的参数估计的SAR图像无监督分割
• 4.1 基于MMAR模型参数估计的广义多分辨似然比SAR图像分割
• 4.1.1 广义多分辨似然比的参数估计及分割计算步骤
• 4.1.2 基于广义多分辨似然比的SAR图像无监督分割方法实验结果及分析
• 4.2 基于SVMMAR模型参数估计的广义多分辨似然比的SAR图像分割
• 4.2.1 广义多分辨似然比的参数估计及分割计算步骤
• 4.2.2 基于广义多分辨似然比的SAR图像无监督分割方法实验结果及分析
• 结束语
• 主要参考文献
• 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