几类多尺度非线性随机模型与SAR图像Bootstrap分割研究

【摘要】： 随着多模式、多波段、全极化、三维成像、动目标检测与成像能力越来越好的SAR(synthetic aperture radar，简称SAR)平台的出现和多频、多极化、多视技术的发展，对SAR图像中目标高效地自动解译及SAR图像处理引起国内外广泛研究。但作为SAR图像分割实现自动解译的关键技术，SAR图像相干斑的存在使得SAR图像分割方法对传统光学图像的分割方法提出严峻的挑战。 本文在考虑SAR图像成像机理和统计特征的基础上，以多尺度随机模型和Bootstrap方法为工具，给出四类多尺度非线性随机模型，它们分别是：空间变化的混合多尺度自回归预报(spatially variant mixture multiscale autoregressiveprediction简称SVMMARP)模型、空间变化混合多尺度自回归滑动平均(spatiallyvariant mixtures of multiscale autoregressive moving average简称SVMMARMA)模型、一种新的多尺度似然比、以及基于Rayleigh-MMARP等四种模型方法估计的广义多分辨似然比(generalized multiresolution likelihood ratio简称GMLR)。基于上述模型，给出各模型的SAR图像Bootstrap分割。主要研究内容如下： (1)给出SAR图像的SVMMARP模型。该模型可以刻画SAR图像的空间变化性，利用了SAR图像多尺度序列的统计特性，减弱SAR图像中斑点噪声的影响，与传统混合模型及多尺度自回归(multiscale autoregressive简称MAR)模型相比，得到了视觉上较精确的分割结果，同时给出一种快速确定分类数目的方法：在SVMMARP模型优点的基础上，用Bootstrap方法估计SVMMARP模型参数的方法提高了运行速度，参数估计更加精确，分割结果比较精确。 (2)给出SVMMARMA随机模型及其参数估计算法。将该模型方法用于SAR图像无监督分割，分割结果比较精确。 (3)提出广义多分辨似然比(GMLR)的概念，得到了其统计量，给出四种估计GMLR参数的方法，其一是通过Bootstrap方法给出GMLR的参数；其二是通过MMARP模型来估计其参数；其三是通过SVMMARP模型来估计其参数；其四是通过非Gauss--MMARP模型来估计其参数。相应的四种方法分别是：基于Bootstrap方法估计GMLR的SAR图像有监督分割；基于MMARP模型和GMLR的SAR图像无监督Bootstrap分割；基于SVMMARP模型和GMLR的SAR图像无监督Bootstrap分割；非Gauss--MMARP模型和GMLR的SAR图像无监督Bootstrap分割。将上述方法用于对部分模拟图像和真实图像进行了实验，说明对不同统计性质的SAR图像分割结果比较精确，分割速度较快。 (4)深入研究MAR模型基础上得到了一种新的多尺度似然比，进而给出多尺度似然比检验，其表示形式融合了更多的图像特征信息。在此基础上给出了一种SAR图像有监督和一种无监督分割方法，分割结果也证明比原有的基于MAR模型边缘精细，分割结果比较精确。