【技术实现步骤摘要】
基于KSVD训练字典的SAR图像混合模型拟合方法
本专利技术属于图像处理领域,特别是一种涉及SAR图像统计建模的方法,可应用于SAR图像统计建模。
技术介绍
多年来,合成孔径雷达(Synthetic Aperture Radar, SAR)已经被广泛应用于洪水监测、城市规划、土地利用和医学等诸多领域,这样的成像系统较光学成像系统具有全天时、全天候的成像特点和较强的地表穿透能力。对SAR图像统计特性的研究已成为解译SAR图像的一部分。随着SAR图像的乘性相干斑噪声的存在和分辨率的提高,传统用于低分辨率SAR图像统计建模的方法已不能对SAR图像数据进行精确的统计建模,特别是高分辨率条件下的SAR图像。单一模型虽能描述SAR图像的强度实测数据,但其精度不高。 SAR图像统计模型可分为两大类: 参量模型。参量模型的基本思想是利用参数估计的方法从已知的统计分布中确定图像数据的统计模型。参量模型有经验分布模型、由乘积发展的统计模型、由广义中心极限定理发展的统计模型、联合分布模型四类。经验分布有对数正态(Log-normal)分布、威布尔(Weibull)分布和广义 Gamma 分布(Generalized Gamma Distribut1n, Gr)。由广义中心极限定理发展的统计模型包括称α稳定分布(Symmetric a-stable distribut1n,S a S)、广义伽马瑞利分布(Generalized Gamma Rayleigh Distribut1n, G Γ R)和广义高斯瑞利分布(Generalized Gauss R ...
【技术保护点】
一种基于KSVD训练字典的SAR图像混合模型拟合方法,包括如下步骤:步骤1,基于对数正态分布和威布尔分布的概率密度函数,通过扩大这两个分布参数的范围,建立图像的初始化分布模型字典T0;步骤2,对图像中的每一类提取训练数据{getdata1,getdata2,…,getdatac,…,getdataC},其中C为图像的类别数;步骤3,用图像的初始化分布模型字典T0和训练数据{getdata1,getdata2,…,getdatac,…,getdataC}作为广义K均值(KSVD)算法的输入得到字典集合{dictionary1,dictionary2,…,dictionaryc,…,dictionaryC};步骤4,对图像中的每一类提取测试数据{data1,data2,…,datac,…,dataC};步骤5,用测试数据{data1,data2,…,datac,…,dataC}和步骤三得到的字典集合{dictionary1,dictionary2,…,dictionaryc,…,dictionaryC}作为正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法的 ...
【技术特征摘要】
1.一种基于KSVD训练字典的SAR图像混合模型拟合方法,包括如下步骤: 步骤I,基于对数正态分布和威布尔分布的概率密度函数,通过扩大这两个分布参数的范围,建立图像的初始化分布模型字典Ttl ; 步骤2,对图像中的每一类提取训练数据{getdatal, getdata2,...,getdatac,...,getdataC},其中C为图像的类别数; 步骤3,用图像的初始化分布模型字典Ttl和训练数据{getdatal, getdata2,…,getdatac,…,getdataC}作为广义K均值(KSVD)算法的输入得到字典集合{dict1naryl, dict1nary2,…,dict1naryc,…,dict1naryC}; 步骤4,对图像中的每一类提取测试数据{datal, data2,…,datac,…,dataC}; 步骤5,用测试数据{datal, data2,…,datac,…,dataC}和步骤三得到的字典集合{dict1naryl, dict1nary2,..., dict1naryc,..., dict1naryC}作为正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法的输入来重构测试数据{datal, data2,...,datac,…,dataC}的稀疏系数{coeff I, coeff2,…,coeffc,…,coeffC}; 步骤6,用步骤3得到的字典集合{dict1naryl, dict1nary2,…,dict1naryc,…,dict1naryC}中的第c类的字典dict1naryc乘以与其对应的重构的测试数据的稀疏系数{coeffl, coeff2,…,coeffc,…,coeffC}中的第c类的稀疏系数coeffc, c取I至C,就可得到测试数据{datal, data2,…,datac,…,dataC}中每一类的概率密度,所求的概率密度即为SAR图像中每一类测试数据的混合模型的拟合。2.根据权利要求1所述的混合模型拟合方法,其中,步骤I具体包括: (Ia)对数正态分布的概率密度函数: I Γ (In X - m)n./⑴=~7=cxp[--—^~] σν2π2σ' 其中,X为图像中像素点的灰度值,m为图像中像素点的灰度值的均值,ο为图像中像素点的灰度值的方差; 威布尔分布的概率密度函数: f{x) = \x^ 'cxp[-(丄)',] μημ 其中,X为图像中像素点的灰度值,μ为图像的尺度参数,n为图像的形状参数。3.根据权利要求2所述的混合模型拟合方法,其中,选择基于Mellin变换的参数估计方法来估计上述对数正态分布和威布尔分布的参数。4.根据权利要求3所述的混合模型拟合方法,其中,对数正态分布的参数估计公式如下:m = kxcr 二 ^jk2 其中,h是第i阶对数累计量,计算公式如下:=Ε{1πχ} I^2 其中,X为图像中像素点的灰度值; 威布尔分布的参数估计公式如下: =In η + ?厂 V (I) k=、(1,1) 其中,Ψ (I, I)是普西(digamma)函数,Ψ (I, I)是普西(digamma)函数的一阶导数。5.根据权利要求2所述的混合模型拟合方法,其中,得到对数正态分布和威布尔分布的参数m、σ、μ、η后, (Ib)对(Ia)的四个参数分别取0.1...
【专利技术属性】
技术研发人员:侯彪,焦李成,高丽萍,张向荣,马文萍,王爽,李卫斌,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。