[发明专利]基于KSVD训练字典的SAR图像混合模型拟合方法

说明书

技术领域

本发明属于图像处理领域，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。

背景技术

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 Distribution，GΓ)。由广义中心极限定理发展的统计模型包括称α稳定分布(Symmetricα-stable distribution，SαS)、广义伽马瑞利分布(Generalized Gamma Rayleigh Distribution，GΓR)和广义高斯瑞利分布(Generalized Gauss Rayleigh Distribution，GGR)。联合分布模型是对单一分布模型取不同的参数，再按照场景中不同地物所占比例将其加权，最终得到表征地物统计分布的联合分布模型。参量模型是通过几个简单的参数对SAR图像数据进行建模来描述数据的分布，可压缩大量的数据信息，因此它在SAR图像统计建模中得到了广泛的应用。

非参量模型。非参量模型有Parzen窗法、支持向量机法和神经网络等。与参量模型相比，非参量模型建模比较灵活，适合对未知的复杂的概率密度函数进行估计，一般需要大样本数据的支持，估计精度较高，但其操作复杂，计算耗时大。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于广义K均值(KSVD)算法训练字典的SAR图像混合模型拟合方法，利用混合模型能较好地拟合不同的地物类型，从而取得更精确的建模结果。

本发明具体实现过程如下：

(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；

(2)对图像中的每一类提取训练数据{getdata1,getdata2,…,getdatac,…,getdataC}，其中C为图像中的类别数；

(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}；

(4)对图像中的每一类提取测试数据{data1,data2,…,datac,…,dataC}；

(5)用测试数据{data1,data2,…,datac,…,dataC}和字典集合{dictionary1,dictionary2,…,dictionaryc,…,dictionaryC}作为正交匹配追踪(OrthogonalMatching Pursuit,OMP)算法的输入来重构测试数据{data1,data2,…,datac,…,dataC}的稀疏系数{coeff1,coeff2,…,coeffc,…,coeffC}。

(6)用字典集合{dictionary1,dictionary2,…,dictionaryc,…,dictionaryC}中的第c类的字典dictionaryc乘以与其对应的重构的稀疏系数{coeff1,coeff2,…,coeffc,…,coeffC}中的第c类的稀疏系数coeffc，c取1至C，就可得到图像中每一类测试数据的概率密度。

实现本发明目的的技术方案：使用广义K均值(KSVD)算法训练由对数正态分布和威布尔分布构成的字典，得到的概率密度能够比较精确地反映图像统计信息，有效地克服了单一模型不能得到精确建模结果的缺陷。本发明与现有技术相比具有以下优点：