论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar简称SAR)图像在军事和国民经济的各个领域都有重要应用,但是SAR图像所固有的斑点噪声使得其分割方法具有特殊性。本文结合SAR图像的统计特性,研究多尺度自回归滑动平均(Autoregressive Moving Average简称ARMA)模型和混合多尺度ARMA模型的理论及其在SAR图像分割中的应用。在前人研究的基础上,本文得到了如下成果: (1) 研究了多尺度ARMA模型的平稳性质,基于多尺度自回归(Multiscale Autoregressive简称MAR)模型和多尺度ARMA模型对SAR图像进行特征提取,并结合多分辨混合算法给出了SAR图像的无监督分割方法。该方法首先对SAR图像进行MAR和多尺度ARMA建模,然后通过这些模型提取图像特征,并对两种多尺度随机模型SAR图像特征提取及分割的能力进行了分析比较,说明了多尺度ARMA模型与MAR模型相比在SAR图像分割应用中的优势。 (2) 利用多尺度ARMA模型提取SAR图像的特征,建立多尺度Markov随机场(Markov Random Field简称MRF)模型,并通过最大后验边缘(Maximum Posterior Marginal简称MPM)算法进行无监督分割。该方法不但考虑了相邻尺度像素间的相关信息,而且也充分利用了同一尺度相邻像素信息及斑点噪声中的图像信息,从而在无需融合步骤的同时保持较好的分割精度。 (3) 给出了混合多尺度ARMA模型的概念,并研究了该模型的平稳性质。以此为基础,提出了用于SAR图像无监督分割的混合多尺度ARMA网络及相应的学习算法。实验结果验证了该网络在SAR图像无监督分割中的有效性和可行性。