[发明专利]基于联合广义伽玛分布参数的SAR图像分割方法

摘要

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分布参数的SAR图像分割方法。该基于联合广义伽玛分布参数的SAR图像分割方法，包括以下步骤得出SAR图像观测数据集的一阶对数矩和二阶对数累积量；得出广义Gamma分布的第二类特征函数；建立广义Gamma分布形状参数方程；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；得出广义Gamma分布的尺度参数和指示形状参数；根据广义Gamma分布的形状参数、尺度参数和指示形状参数，基于三重马尔可夫场模型得出SAR图像的图像分割结果。

主权项

基于联合广义伽玛分布参数的SAR图像分割方法，其特征在于，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，ys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；S2：得出广义Gamma分布的第二类特征函数；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φy(w)，φy(w)表示如下：φy(w)=αw-12Γ(λ)Γ(λ+wβ-1β)]]>其中，w为随机变量，λ表示广义Gamma分布的指示形状参数，β表示广义Gamma分布的形状参数，α表示广义Gamma分布的尺度参数，Γ(·)表示伽玛函数；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；所述步骤S3具体包括以下步骤：对所述广义Gamma分布的第二类特征函数进行对数变换，得到：其中，φy(w)表示广义Gamma分布的第二类特征函数，φy(w)表示如下：φy(w)=αw-12Γ(λ)Γ(λ+wβ-1β)]]>其中，w为随机变量，λ表示广义Gamma分布的指示形状参数，β表示广义Gamma分布的形状参数，α表示广义Gamma分布的尺度参数；Γ(·)表示伽玛函数；利用对w求二阶导数，得出：Ψ(1,t)表示自变量为t的1阶polygamma函数，Ψ(1,t)为：Ψ(1,t)=d2lnΓ(t)dt2;]]>建立广义Gamma分布的形状参数β、广义Gamma分布的指示形状参数λ、以及SAR图像观测数据集的二阶对数累积量的解析关系式，得出：其中，Ψ(1,λ)表示自变量为λ的1阶polygamma函数，Ψ(1,λ)为：Ψ(1,λ)=d2lnΓ(λ)dλ2;]]>得出广义Gamma分布的形状参数β和广义Gamma分布的指示形状参数λ的关系式：λ=[β(Σs∈Sysβlnys/Σs∈Sysβ-μ^1)]-1]]>其中，为SAR图像观测数据集的一阶对数矩，ys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，得出广义Gamma分布形状参数方程：ξ^2=1β2Ψ(1,λ)=1β2Ψ(1,[β(Σs∈Sysβlnys/Σs∈Sysβ-μ^1)]-1);]]>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；所述步骤S4具体包括以下步骤：S41：设定广义Gamma分布的形状参数β的取值范围为β1至β2；S42：计算广义Gamma分布的形状参数β的中值βmid：βmid＝(β1+β2)/2；S43：根据所述广义Gamma分布形状参数方程，得出广义Gamma分布的形状参数β的中值βmid对应的二阶对数累积量S44：如果则将β1的取值变为βmid；反之，则将β2的取值变为βmid；为SAR图像观测数据集的二阶对数累积量；S45：判断与设定门限T的大小关系，其中，|·|表示取绝对值；如果则返回至步骤S42；如果则得出广义Gamma分布的形状参数β，β＝βmid；S5：得出广义Gamma分布的尺度参数α和指示形状参数λ；所述步骤S5具体包括以下步骤：按照以下公式得出广义Gamma分布的指示形状参数λ：其中，β为广义Gamma分布的形状参数，ys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，按照以下公式得出广义Gamma分布的尺度参数α：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；所述步骤S6具体包括以下步骤：S61：按照以下公式计算三重马尔可夫场模型的似然概率分布函数p(y|x,u)：p(y|x,u)=Πs∈Sp(ys|xs,us)=Πs∈Sβysβλ-1αβλΓ(λ)exp(-(ysα)β)]]>其中，α为广义Gamma分布的尺度参数，β为广义Gamma分布的形状参数，λ为广义Gamma分布的指示形状参数，Γ(·)表示伽玛函数，ys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，y＝(ys)s∈S，x＝(xs)s∈S，xs表示SAR图像观测数据集中的第s个SAR图像观测数据对应的标记场；u＝(us)s∈S，us表示SAR图像观测数据集中的第s个SAR图像观测数据对应的辅助场；S62：利用多级逻辑模型计算出三重马尔可夫场模型的相互势能函数W(x,u)；S63：利用三重马尔可夫场模型的似然概率分布函数p(y|x,u)、以及三重马尔可夫场模型的相互势能函数W(x,u)，按照下式计算出三重马尔可夫场模型的联合概率分布p(x,u|y)：p(x,u|y)=1Zexp(-W(x,u)+logp(y|x,u))]]>其中，Z为三重马尔可夫场模型的归一化因子；S64：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p(xs,us|y)；得出三重马尔可夫场模型的类边缘后验概率分布p(xs|y)：p(xs|y)=Σus∈Λp(xs,us|y)]]>其中，Λ＝{1,2}；然后，按照下式得出SAR图像观测数据集中的第s个SAR图像观测数据对应的标记场xs：xs=argmaxxsp(xs|y)]]>根据求解出的xs，针对SAR图像观测数据集中的第s个SAR图像观测数据，得出对应的目标类别，然后对根据对应的目标类别，完成SAR图像分割。