[发明专利]基于联合广义伽玛分布参数的SAR图像分割方法

说明书

技术领域

本发明属于雷达信号处理技术领域，特别涉及基于联合广义伽玛（Gamma）分布参数的SAR（合成孔径雷达）图像分割方法。

背景技术

对于基于统计理论的雷达信号处理，建立雷达数据精确的统计分布模型以及模型分布参数的稳健有效估计方法是一项具有重要研究意义的课题。在SAR图像解译技术中，由于SAR属于相干微波成像，其图像数据反映了地物目标与电磁波的相互作用关系，SAR图像观测数据的统计分布多呈现非对称重拖尾的特性。建立精确的SAR图像观测数据的统计分布对于SAR图像分割分类以及目标识别等问题至关重要。针对SAR图像观测数据的幅度或强度数据统计分布这一问题，各国学者提出了众多用于拟合SAR幅度或强度数据统计分布的统计模型，例如Gamma分布，广义Gamma分布，K分布，广义高斯分布以及Fisher分布，这些统计分布已成功地用于拟合城区、山区、森林、以及农作物等目标的统计分布。

研究表明广义Gamma（Gamma）分布的自由度高，对数据统计分布的拟合能力较强，在数据统计建模中受到了广泛关注。利用广义Gamma分布对数据进行统计建模则需要稳健、精确的分布参数估计方法作为支撑。统计分布模型的分布参数估计通常可通过最大似然方法和矩估计方法实现。然而由于广义Gamma分布的对数似然函数的复杂性，最大似然方法通常难以求解其参数值且计算量巨大。针对这一问题，有学者提出了基于尺度独立形状估计（Scale-Independent Shape Estimation，SISE）的广义Gamma分布参数估计方法，但是此方法对广义Gamma分布形状参数的初始值设定较为敏感，方法的稳健性有待于进一步提高。

基于Mellin变换的对数累积量方法（Method-of-log-cumulants，MoLC）是近年来提出的用于估计参数化的概率密度函数的估计方法，已成功应用于统计分布模型的分布参数估计领域中，例如广义Gaussian分布、Fisher分布的分布参数都可应用此方法进行有效估计。MoLC是矩估计方法的扩展形式，其在计算特征函数时利用Mellin变换取代了Fourier变换和Laplace变换，其实质为利用对数矩、对数累积量与第二类特征函数之间的关系将随机变量的对数累积量表示为统计模型分布参数的函数，从而将参数估计问题转化为求解所构造的参数方程。研究MoLC对于建立稳健有效的广义Gamma分布参数的估计方法具有重要意义。

发明内容

本发明的目的在于提出基于联合广义伽玛分布参数的SAR图像分割方法。

为实现上述技术目的，本发明采用如下技术方案予以实现。

基于联合广义伽玛分布参数的SAR图像分割方法包括以下步骤：

S1：利用雷达接收多个SAR图像观测数据，所述多个SAR图像观测数据组成SAR图像观测数据集，得出SAR图像观测数据集的一阶对数矩和二阶对数累积量；

S2：得出广义Gamma分布的第二类特征函数；

S3：基于SAR图像观测数据集的一阶对数矩、SAR图像观测数据集的二阶对数累积量、以及广义Gamma分布的第二类特征函数，建立广义Gamma分布形状参数方程；

S4：利用二值法对所述广义Gamma分布形状参数方程进行求解，得出广义Gamma分布的形状参数β；

S5：得出广义Gamma分布的尺度参数α和指示形状参数λ；

S6：根据所述广义Gamma分布的形状参数、尺度参数和指示形状参数，建立三重马尔可夫场模型的似然概率分布函数，并利用Gibbs采样得到基于三重马尔可夫场模型的边缘后验概率分布；根据所述基于三重马尔可夫场模型的边缘后验概率分布，得出每个SAR图像观测数据对应的目标类型，对SAR图像进行图像分割。

本发明的特点和进一步改进在于：

在步骤S1中，所述SAR图像观测数据集的一阶对数矩为：

其中，为SAR图像观测数据集的一阶对数矩，y_s表示SAR图像观测数据集中的第s个SAR图像观测数据，为SAR图像观测数据集中SAR图像观测数据的个数，

所述SAR图像观测数据集的二阶对数累积量为：

其中，为SAR图像观测数据集的二阶对数累积量。

所述步骤S2具体包括以下步骤：对广义Gamma分布进行Mellin变换，以得到广义Gamma分布的第二类特征函数φ_y(ω)，φ_y(ω)表示如下：