[发明专利]一种基于分部式高斯混合模型的冰下层位检测方法

说明书

本发明涉及冰下层位的检测方法，具体涉及基于分部式高斯混合模型的冰下层位检测方法。包括步骤为：对待处理探冰雷达数据，构建分部式高斯混合模型；对各分部探冰雷达数据，分别采用模糊C均值聚类处理和期望最大化算法，迭代求解各高斯分布模型中模型参数的初值和最大似然估计值；基于迭代求解结果，构建分类标签矩阵，实现冰下层位检测。本发明基于探冰雷达数据，通过构建分部式高斯混合模型，反映冰下介质属性的差异，降低冰下噪声干扰的同时，实现对冰下层位的有效检测和提取。

技术领域

本发明涉及冰下层位检测的方法，具体涉及基于分部式高斯混合模型的冰下层位检测方法。

背景技术

在冰下层位检测方面，空气和冰盖交界面、冰盖内部层、冰下冰岩交界面、冰下湖是探冰雷达探测的主要目标。由于探冰雷达在数据采集过程中会引入噪声干扰，这使得获取的冰下层位信息模糊，对于分析冰层结构和冰下地形，造成了很大的影响。同时，对于探冰雷达图像的大数据量特点，自动、高效的层位提取和分析技术显得格外重要。本发明主要涉及探冰雷达数据的冰下层位检测方法。

近年来，在对层位特征的提取和分析方面，许多图像处理的技术被用于探冰雷达数据的处理，实现了对层位的半自动或自动的检测和提取。例如，活动围道方法、隐马尔科夫模型方法，基于边缘检测算子的方法(Canny算子、Sobel算子、Roberts算子、Prewitt算子、Laplace算子等)、水平截集的方法、基于图形学的边缘检测方法和其他基于边缘轮廓的检测和分割方法等被用于检测冰-岩界面和冰盖内部层位。从检测效果来看，自动层位提取技术对雷达图像进行全局性操作，层位检测效果不够理想；半自动层位提取技术需要人工参与完成，可以得到较好的层位检测结果，但对于大数据量的探冰雷达图像数据来说，处理效率会大受影响；边缘检测算子的目标检测和提取方法需要选择合理的边缘检测模板，并涉及边缘检测模板与图像局部邻域的卷积运算，对于大数据量的探冰雷达图像存在着模板选择的不适用性和运算量增加等可能出现的问题。

因此，对于探冰雷达图像的层位检测和提取，应结合介质的不同属性，对所关注的不同层位特征进行分部检测和提取，减少人工参与，实现对层位的自动、准确、高效的检测和提取，这将为冰层结构和冰下地形地貌的探测和分析提供一个直观、有效的新途径。

发明内容

本发明的目的在于基于探冰雷达数据，通过构建分部式高斯混合模型，反映冰下介质属性的差异，降低冰下噪声干扰的同时，实现对冰下层位的有效检测和提取。

本发明是通过以下技术方案实现的，包括以下步骤：

第一步，对待处理探冰雷达数据X(r,t)，构建分部式高斯混合模型，得到K个分部探冰雷达数据X^(k)(r,t),(k＝1,2,...,K)，其分别对应一种高斯分布φ(X|θ_k),(k＝1,2,...,K)。

所述的对待处理探冰雷达数据X(r,t)，构建分部式高斯混合模型，具体是：对各道探冰雷达数据的幅度序列，采用经验平均曲线分解法对其进行信号分解；取第一个信号分解分量，作为该道数据的包络表征，检测其在特定窗口范围内的跳变点；将检测到的跳变点作为介质层位分界点，基于此构建分部式高斯混合模型如下：

其中，K是高斯混合模型的数量，即分部数量，φ(X|θ_k)是第k个高斯分布的概率密度，θ＝(α₁...α_Kθ₁...θ_K)是待估计模型参数，α_k是每个高斯分布的权重且∑α_k＝1。

第二步，对各分部探冰雷达数据X^(k)(r,t),(k＝1,2,...,K)，分别采用模糊C均值聚类处理和期望最大化算法，迭代求解各高斯分布模型中模型参数的初值和最大似然估计值。