合成孔徑雷達圖像建模方法及裝置的制造方法
【專利摘要】本發(fā)明公開了一種合成孔徑雷達圖像建模方法及裝置，方法包括：步驟1，創(chuàng)建灰度等級直方圖Y；步驟2，構(gòu)建廣義伽瑪混合模型；步驟3，基于HECM?MML?GΓMM算法，估計廣義伽瑪混合模型的混合權(quán)重值、各廣義伽瑪分量的參數(shù)以及最優(yōu)的混合模型分量數(shù)，從而確定所構(gòu)建的廣義伽瑪混合模型，完成圖像建模。本發(fā)明能夠廣泛地應用于幅度和強度、具有單峰或多峰分布特性、具有同紋理或異質(zhì)紋理特性的SAR圖像精確建模；參數(shù)具有閉式表達形式，易于實現(xiàn)，計算效率高；保留了圖像中的細節(jié)，減少了信息丟失，有效地獲取圖像分類結(jié)果。
【專利說明】
合成孔徑雷達圖像建模方法及裝置
技術(shù)領域
[0001] 本發(fā)明設及數(shù)字圖像處理技術(shù)領域，具體地，設及一種合成孔徑雷達圖像建模方 法及裝置。
【背景技術(shù)】
[0002] 作為重要的對地觀測技術(shù)手段，搭載合成孔徑雷達(Synthetic Aperture Radar, SAR)傳感器的遙感平臺（機載或星載)具有全天候、全時段、全地形條件工作的優(yōu)勢，在軍事 偵測、資源探測、海洋預報、災害監(jiān)測等方面具有廣泛的應用。當今，SAR技術(shù)的快速發(fā)展也 極大地擴展了其應用范圍。新一代高分辨率搭載于衛(wèi)星和飛機的SAR系統(tǒng)可W獲得較W往 更為豐富的圖像信息。但是，運也對SAR圖像的解譯提出了新的挑戰(zhàn)，即對于包含不同地物 信息，具有不同紋理特性的SAR圖像數(shù)據(jù)進行精確的統(tǒng)計建模和圖像分類。
[0003] SAR圖像的統(tǒng)計建模是一種基于數(shù)據(jù)的建模方法。根據(jù)SAR圖像數(shù)據(jù)計算圖像的灰 度直方圖，建立模型，估計模型中的特征參數(shù)，進而實現(xiàn)圖像分類，區(qū)分圖像數(shù)據(jù)中的地物、 場景等信息。該過程主要包括四個步驟：1)圖像預處理;2)建立統(tǒng)計模型;3)估計參數(shù);4)后 處理及性能評估。本發(fā)明主要設及第2步建立統(tǒng)計模型和第3步估計參數(shù)。
[0004] 截至目前，國內(nèi)外學者提出了許多SAR圖像統(tǒng)計建模方法。按照所采用的方法不 同，可W分為S類：
[0005] 1)非參數(shù)方法。其完全根據(jù)圖像數(shù)據(jù)信息進行建模，計算量巨大，耗時長。
[0006] 2)參數(shù)化方法。其基本思想是，先驗地確定數(shù)學模型，將概率密度估計問題轉(zhuǎn)化為 參數(shù)估計問題。相比非參數(shù)方法而言，參數(shù)化方法計算簡單，易于應用。盡管如此，參數(shù)化方 法在高分辨率SAR圖像處理應用中受到了極大限制，其原因在于高分辨率SAR圖像數(shù)據(jù)中包 含了更多的細節(jié)信息，其直方圖表現(xiàn)出重拖尾或者多峰的特點，使得單個參數(shù)化模型難W 準確描述原圖像的分布情況。
[0007] 3)半?yún)?shù)化方法。作為一種折衷的方法，半?yún)?shù)化方法可W有效地解決W上問題， 將分布模型按照不同的權(quán)重進行線性組合，W此估計圖像數(shù)據(jù)的分布情況，進行精確統(tǒng)計 建模。半?yún)?shù)化方法相對簡單，應用靈活，依托于數(shù)據(jù)信息，保證了模型的有效性。因而，得 到了廣泛的研究和應用。
[000引 G.Moser 等人在文獻[G.MoserJ.Zerubia,and S.B.Se;rpico, "Dictionary-based stochastic expectation maximization for SAR amplitude probability density function estimationIEEE Transactions on Geoscience and Remote Sensing, VO1.44，no . I，pp. 188-200,2006.]提出了一種基于模型字典的統(tǒng)計建模方法，將隨機期望 最大化（Stochastic Expec1:ation Maximization,SEM)算法與對數(shù)累積量方法(Method of Log Cumulants，MoLC)結(jié)合在一起，同時估計模型參數(shù)、混合模型分量數(shù)并處理分量模型選 擇問題。但是，模型字典方法本身具有枚舉性質(zhì)，只有修改字典內(nèi)待選模型后才可用于新的 場景，靈活性有限；字典內(nèi)的待選模型通常只適用于低分辨率或者中等分辨率的SAR圖像， 而其他模型不存在解析形式，導致更為龐大的計算量;最后，采用MoLC方法和沈M算法執(zhí)行 參數(shù)估計，不能保證對數(shù)似然函數(shù)單調(diào)性，從而難W估計有效混合分量總數(shù)。
[0009] 之后，V.A. Krylov 等人在文獻[V.A. Krylov,G. Moser,S.B.Serpico, and J.Zerubia, ('Enhanced dictionary-based SAR amplitude distribution estimation and its validation with very high-resolution data,''IEEE Geoscience and Remote Sensing letters，vol. 8，no. I，PP. 148-152，2011.]中，擴展字典內(nèi)待選分布模型，將模型 字典方法擴展應用于高分辨率SAR圖像，同時，改進了確定有效分量總數(shù)的方法。運在一定 程度上提高了基于字典方法的準確性，但是其靈活性和計算效率仍受到制約。因此，有必要 發(fā)明一種簡單、靈活、計算效率較高的統(tǒng)計建模與參數(shù)估計方法，W提高其在實際中的應用 價值。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明的目的是提供一種合成孔徑雷達圖像建模方法及裝置，該方法及裝置為基 于廣義伽瑪混合模型（Generalized Gamma Mixture Models,GTMM)的半?yún)?shù)化的建模方 法及裝置。
[0011] 為了實現(xiàn)上述目的，本發(fā)明提供了一種合成孔徑雷達圖像建模方法，包括W下步 驟：
[0012] 步驟1:對輸入的SAR圖像數(shù)據(jù)X，創(chuàng)建非零灰度值的非歸一化的灰度等級直方圖Y， 其中，Y=化(r) ;r=l，2,. . .，kl}，r為所述SAR圖像數(shù)據(jù)X的灰度等級，L為所述灰度等級的 個數(shù)，Mr)為所述SAR圖像數(shù)據(jù)X中灰度等級為r的數(shù)據(jù)的個數(shù)；
[0013] 步驟2:根據(jù)如下公式，將廣義伽瑪分布作為廣義伽瑪混合模型的多個分量，并將所 述多個分量進行加權(quán)累加，得到所述廣義伽瑪混合模型： 其中，M為所述分量的個數(shù)，JIm為第m個分量的混合權(quán)重 ={ Vm，Km，Om; m= 1，2，，M}為第m個分量的參數(shù)集合，其中，Vm為幕參數(shù)，Km為形狀參數(shù)，Om為尺 度參數(shù)，0 = |M，3Ti，吧，…，JIM，目1，目2，…，目m}為所述廣義伽瑪混合模型的參數(shù)集合，G r D( ?) 為所述廣義伽瑪分布的概率密度函數(shù)，滿足CrD(r|0m)=
[0014]
[001引步驟3:基于皿CM-MMkG r MM算法對所述廣義伽瑪混合模型的參數(shù)集合0進行估 計，得到分量的個數(shù)的估計量M、各分量的混合權(quán)重值的估計量{巧1，話2:，...，^府}、各分量的 參數(shù)集合的估計量{資l,?,...，?^}，L：J^獲得所述廣義伽瑪混合模型的參數(shù)集合的估計量
,從而完成所述廣義伽瑪混合模型的建立。
[0016] 優(yōu)選地，所述步驟3進一步包括：
[0017] 步驟3-00:將分量的個數(shù)的估計變量巧(巧W及第一、第二、第=和第四參數(shù)子集的
估計變量自1似、02的，03的和自4(0分別設置為初始值巧(日)、旬（0)、如(0)、馬(的和 與(0)，并將迭代次數(shù)t設置為初始值0,其中，第一參數(shù)子； ^ 各分量的所述混合權(quán)重值的估計變量的集合，第二參數(shù)子聾 ] 為各分量的所述幕參數(shù)的估計變量的集合，第^參數(shù)子集馬的^拆1似，>?2(0，...，作)} 為各分量的所述形狀參數(shù)的估計變量的集合，第四參數(shù)子集旬的=價的，馬的,...，(?M(〇(f)] 為各分量的所述尺度參數(shù)的估計變量的集合；
[0018] 步驟3-05:根據(jù)如下公式計算灰度等級為r的數(shù)據(jù)屬于第m個分量的后驗概率 巧(to n 資（0);
[0019]
[0020] 步驟3-10:對府個分量中的每個分量，根據(jù)如下公式更新所述混合權(quán)重值的估 計變量：
廣義伽瑪混合模型的參數(shù)集合 的估計變量，然后根據(jù)如下公式更新所述第一參數(shù)子化貧1：
[0021] 步驟3-15:刪除所述混合權(quán)重值的估計變量fimO：)小于或等于0的分量，并更新所 述廣義伽瑪混合模型的參數(shù)集合的估計變量0a);
[0022] 步驟3-20:對巧Cf)個分量中的每個分量，根據(jù)如下公式更新所述幕參數(shù)的估計變 量：
[0023]
，.' 其中，
;新所述第二參數(shù)子集馬任)；
[0024] 步驟3-30:對而CO個分量中的每個分量，根據(jù)如下公式更新所述形狀參數(shù)的估計 變量的具有單調(diào)性的雙伽瑪函數(shù)少
[0025]
并根據(jù)變?nèi)誒^n)的單調(diào)性計算 +1),然后報據(jù)化下公式審新所冰第二參敬子集巧。丫：
[00%]步驟3-40:對巧個分量中的每個分量，根據(jù)如下公式更新所述尺度參數(shù)的估計 變量： 討日下公式更新所述第
四參I
[0027] 步驟3-50:更新所述迭代次數(shù)t = t+l，記錄本次迭代過程得到的所述廣義伽瑪混 合模型的參數(shù)集合的估計變量島片):;
[0028] 步驟3-53:對本次迭代過程得到的所述廣義伽瑪混合模型的參數(shù)集合的估計變量 ，巧報加下公古A宵末吿全獄報化罰對獄仙夕犬巧獄/……(V.巧（nl:
[0029]
[0030] 其中，
[0031] 瓜圖像數(shù)據(jù)X中非零灰度值的像素的個數(shù)，
[0032] 為所述混合權(quán)重值的估計變量大于零的所有分量的總個 數(shù)；
[0033] 步驟3-55:判斷所述不完全數(shù)據(jù)懲罰對數(shù)似然函數(shù)自似)是否滿足收斂 條件，若是則繼續(xù)執(zhí)行步驟3-56,若否則返回執(zhí)行步驟3-05;
[0034] 步驟3-56:將所述不完全數(shù)據(jù)懲罰對數(shù)似然函數(shù)￡,0,0(0；)記錄為有效對數(shù) 似然函數(shù)左'顯/_化琢的）;；
[0035] 步驟3-58:刪除所述混合權(quán)重值的估計變量ffm(t)化M(X)個分量中為最小值的 分量，并更新所述廣義伽瑪混合模型的參數(shù)集合的估計變量0片）；
[0036] 步驟3-60:判斷所述分量的個數(shù)的估計變量廚（t)是否小于預定的最小分量數(shù) Mmin，若否則返回執(zhí)行步驟3-05，若是則執(zhí)行步驟3-70;
[0037] 步驟3-70:找出滿足如下公式的0(tb)，該0(tb)為所述廣義伽瑪混合模型的參數(shù) 集合的估計量據(jù)
[00；3 引
[0039] 其中，T為所述有效對數(shù)似然函數(shù)X'mmlO"，@的）的個數(shù)。
[0040] 優(yōu)選地，在所述步驟3-5 5中所述收斂條件為

癢中G為預定的極小值正數(shù)。
[0041] 優(yōu)選地，所述步驟3-00中的初始值厲(0)、01(0)、02(0)、03(0)和么(0)根據(jù)如 下方法確定：所述分量的個數(shù)的估計變量的初始值
，其中Mmax為最大分量 數(shù)；所述第一參數(shù)子集的初始值
設置為
;廝述第二參數(shù)子集的初始{1
}
對于幅度SA姻像數(shù)據(jù)設置為巧）=2,對于強度SA姻像數(shù)據(jù)設置為Vw(O) = 1;所化 第S參數(shù)子集的初始{ '設置為馬n(〇)二1;所述 第四參數(shù)子集的初始^ ?，對于幅度SAR圖像數(shù)據(jù)， 通過均勻選擇Mmax個灰度等級分別作為各瑞利分量的眾數(shù)來估計兩n(〇)，對于強度SAR圖像 數(shù)據(jù)，通過均勻選擇Mmax個灰度等級分別作為各指數(shù)分量的均值來估計武n巧);其中， Tn - 1,2,..., M(O) C
[00創(chuàng)優(yōu)選地，所述根據(jù)爾0化n)的單調(diào)性計算《械巧+巧具體為采用標準二分法求解 馬《.貨+巧6.
[004；3]優(yōu)選地，所述最大分量數(shù)Mmax的取值范圍為20~40，所述預定的最小分量數(shù)Mmin的 取值為1或2。
[0044] 本發(fā)明還提供了一種合成孔徑雷達圖像建模裝置，包括：
[0045] 第一處理模塊，用于對輸入的SAR圖像數(shù)據(jù)X，創(chuàng)建非零灰度值的非歸一化的灰度 等級直方圖Y，其中，Y=化(r);r=l，2，...，kl}，r為所述SAR圖像數(shù)據(jù)X的灰度等級，L為所 述灰度等級的個數(shù)，Mr)為所述SAR圖像數(shù)據(jù)X中灰度等級為r的數(shù)據(jù)的個數(shù)；
[0046] 第二處理模塊，用于根據(jù)如下公式，將廣義伽瑪分布作為廣義伽瑪混合模型的多 個分量，并將所述多個分量進行加權(quán)累加，得到所述廣義伽瑪混合模型：
[0047]
，其中，
[004引 M為所述分量的個數(shù)，
[0049] JIm為第m個分量的混合權(quán)重值，滿足完某TIw二1且
[0050] 目m= {vm，Km，〇m;rn=l，2, . . .，M}為第m個分量的參數(shù)集合，其中，Vm為幕參數(shù)，Km為形 狀參數(shù)，Om為尺度參數(shù)，
[0051 ] 0 = {M，町，312，…，JTM，目1，目2，…，目m}為所述廣義伽瑪混合模型的參數(shù)集合，
[0052] G r D( ?)為所述廣義伽瑪分布的概率密度函數(shù)，滿足G廠D〇|0,n)=
[0053] 第S處理模塊，用于基于肥CM-MML-G r MM算法對所述廣義伽瑪混合模型的參數(shù)集 合0進行估計，得到分量的個數(shù)的估計量游、各分量的混合權(quán)重值的估計量 拚說]、各分量的參數(shù)集合的估計量{?，?,…，?}，L：J^獲得所述廣義伽瑪混合 模型的參數(shù)集合的估計量
從而完成所述廣義 伽瑪混合模型的建立。
[0054] 通過上述技術(shù)方案，本發(fā)明的合成孔徑雷達圖像建模方法及裝置具有如下有益效 果：
[0055] 1)本發(fā)明采用廣義伽瑪分布(GTD)作為廣義伽瑪混合模型(GTMM)的基本分量。 對比于現(xiàn)有技術(shù)中大多數(shù)的已知模型，該經(jīng)驗模型能更加有效地估計SAR圖像數(shù)據(jù)分布，尤 其在高分辨率SAR圖像處理中能夠合理地處理重拖尾和多峰情況，有效區(qū)分各種地表圖像 信息，獲得更為清晰、準確的圖像分類結(jié)果。
[0056] 2)本發(fā)明采用皿CM-MMkG TMM算法高效地進行模型的參數(shù)估計，在優(yōu)選的實施例 中，每執(zhí)行一次基于直方圖的條件期望最大化巧xpectation-conditional Maximization， ECM)算法，就可W完成參數(shù)估計與模型選擇的操作。ECM算法將復雜的最大化步分解為多個 較易計算的條件最大化步，使算法的最大化步驟更易于實現(xiàn)；同時，各參數(shù)的更新方程具有 簡單緊湊的顯示表達，在保證擬合效果的同時，大大縮短了運算時間。
[0057] 3)本發(fā)明采用的ECM算法為基于直方圖的ECM算法，該算法構(gòu)造了一種關(guān)于灰度等 級的函數(shù)，使得算法運算量與圖像的大小無關(guān)，降低了參數(shù)估計的計算復雜度。
[0058] 4)本發(fā)明建立的廣義伽瑪混合模型(GT MM)具有高度的靈活性。其靈活性表現(xiàn)在 =個方面:對于幅度格式和強度格式的SAR圖像建模和分類均有優(yōu)異的性能表現(xiàn);可作為通 用的建模方法，用于處理8-bit或16-bit量化的SAR圖像;對于強度或幅度格式、具有單峰或 多峰分布特性和具有不同異質(zhì)度的SAR圖像數(shù)據(jù)(幅度或強度格式的SAR圖像數(shù)據(jù))具有良 好的擬合效果。
[0059] 本發(fā)明的其他特征和優(yōu)點將在隨后的【具體實施方式】部分予W詳細說明。
【附圖說明】
[0060] 附圖是用來提供對本發(fā)明的進一步理解，并且構(gòu)成說明書的一部分，與下面的具 體實施方式一起用于解釋本發(fā)明，但并不構(gòu)成對本發(fā)明的限制。在附圖中：
[0061] 圖1是本發(fā)明的合成孔徑雷達圖像建模方法的流程示意圖；
[0062] 圖2是圖1中優(yōu)選的實施例中步驟3的流程示意圖；
[0063] 圖3a是仿真實驗使用的第一組SAR圖像之一，其為由TerraSAR-X傳感器獲得的某 第一地區(qū)的衛(wèi)星圖像；
[0064] 圖3b是仿真實驗使用的第一組SAR圖像之二，其為由TerraSAR-X傳感器獲得的某 第二地區(qū)的衛(wèi)星圖像；
[0065] 圖3c是仿真實驗使用的第一組SAR圖像之S，其為由機載EMISAR系統(tǒng)獲得的某第 S地區(qū)的L波段SAR圖像；
[0066] 圖4a是仿真實驗使用的第二組SAR圖像之一，其為某第四地區(qū)的垂直極化 C0NVAIR-580SAR圖像；
[0067] 圖4b是仿真實驗使用的第二組SAR圖像之二，其為某第五地區(qū)的具有16位量化的 SAR圖像；
[0068] 圖5曰、圖化、圖5c分別是圖3曰、圖3b、圖3c的SAR圖像的直方圖分布情況W及本發(fā)明 的建模方法和對比方法建模后擬合得到的分布情況；
[0069] 圖6a和圖6c分別是用對比方法處理圖3b后的帶有分類信息的概率密度曲線W及 相應的圖像分類的結(jié)果；
[0070] 圖6b和圖6d分別是用對比方法處理圖3c后的帶有分類信息的概率密度曲線W及 相應的圖像分類的結(jié)果；
[0071] 圖6e和圖6g分別是用本發(fā)明的方法處理圖3b后的帶有分類信息的概率密度曲線 W及相應的圖像分類的結(jié)果；
[0072] 圖6f和圖化分別是用本發(fā)明的方法處理圖3c后的帶有分類信息的概率密度曲線 W及相應的圖像分類的結(jié)果；
[0073] 圖7a是圖4a的SAR圖像的直方圖分布情況W及本發(fā)明的建模方法建模后擬合得到 的分布情況；
[0074] 圖7b是圖4b的SAR圖像的直方圖分布情況W及本發(fā)明的建模方法建模后擬合得到 的分布情況；
[0075] 圖8是本發(fā)明的合成孔徑雷達圖像建模裝置的框圖。
【具體實施方式】
[0076] W下結(jié)合附圖對本發(fā)明的【具體實施方式】進行詳細說明。應當理解的是，此處所描 述的【具體實施方式】僅用于說明和解釋本發(fā)明，并不用于限制本發(fā)明。在閱讀運樣的描述之 后，本領域技術(shù)人員很容易構(gòu)造其他修改或替換，運樣的修改或替換應被理解為落入本發(fā) 明的范圍中。
[0077] 圖1給出了本發(fā)明的合成孔徑雷達圖像建模方法的流程示意圖，具體實施包含W 下步驟：
[0078] 步驟1:對輸入的SAR圖像數(shù)據(jù)X，創(chuàng)建非零灰度值的非歸一化的灰度等級直方圖Y， 其中，Y=化(r);r=l，2，. . 為SAR圖像數(shù)據(jù)X的灰度等級，L為灰度等級的個數(shù)，h (r)為SAR圖像數(shù)據(jù)X中灰度等級為r的數(shù)據(jù)的個數(shù)；
[0079] 步驟2:將M個廣義伽瑪分布(G r D)作為廣義伽瑪混合模型(G r MM)的多個分量，分 別按照相應的混合權(quán)重值進行累加，建立G r MM，即：
[00801
公式1
[0081]其中，M為分量的個數(shù):?為第m個分量的混合權(quán)重值，滿足玄為=1而，二1且^> O;0m={vm，Km，〇m;rn=l，2, . . .，M}為第m個分量的參數(shù)集合，其中，Vm為幕參數(shù)，Km為形狀參 數(shù)，?為尺度參數(shù)；0={M，3Tl，3T2，...，3TM，目l，目2，…，目M}為G^MM的參數(shù)集合;G^D(?)為G^D 的概率密度函數(shù)，滿足如下公式2:
[00821
公式2
[0083] 步驟3:基于肥CM-MMkG r匪算法對G r匪的參數(shù)集合0進行估計，得到分量的個數(shù) 的估計量巧、各分量的混合權(quán)重值的估計量拚1, ...，?^府}、各分量的參數(shù)集合的估計量 觀,馬,...,?}喊獲得G r MM的參數(shù)集合的估計量= {說,資1,巧2, ,馬,自2:，9揭}， 從而完成廣義伽瑪混合模型的建立，即完成SAR圖像的建模過程。
[0084] 為了使得本發(fā)明的步驟3中對G TMM的參數(shù)集合0進行估計的運算量盡可能得小， 本發(fā)明提供了G TMM的參數(shù)更新的閉式表達式，W下描述G TMM的參數(shù)更新的閉式表達式的 推導過程。
[0085] 該推導過程包括:在G TMM的基礎之上，基于類MML準則，構(gòu)造具有懲罰函數(shù)形式的 完全數(shù)據(jù)的對數(shù)似然函數(shù)Xmml(Y, Z, 0)，并進一步獲得用于皿CM-MMkG r MM算法的函數(shù) Smml(間，§的畫數(shù)@的）將用于推導GriM中各參數(shù)的閉式解。該推導過程 的具體實施過程可分為如下五個步驟：
[0086] (SI)在獨立性假設的前提下，待估計的參數(shù)的聯(lián)合先驗分布具有如下形式：
[。。…" I 公式3
[Oueej PUl,312,…，分別巧不'/尾合權(quán)重參數(shù)3?的聯(lián)合先驗分布和第m個分量 的參數(shù)集合0m的先驗分布。
[0089] (S2)采用Jeffe巧無信息先驗分布，確定步聚（SI)中的混合權(quán)重參數(shù)^的聯(lián)合先 驗分布P(ni，K2，…，蝴)和第m個分量的參數(shù)集合0m的先驗分布P(0m)，即：
[0090]
公式4
[ 簽式5
[0092] 其中，I . I為行列式的運算符號，A為多項式分布的費雪信息矩陣（Fisher Information Matrix) ,1^(目m)為與第m個分量相關(guān)的單個觀測數(shù)據(jù)的費雪信息矩陣。
[0093] (S3)在常規(guī)G r MM的極大似然函數(shù)中，引入隱變量Z。隱變量Z ={ Z W I r = 1，2， ..丄-1}是觀測數(shù)據(jù)所對應的二元向量的集合，用于表征灰度等級為r的數(shù)據(jù)來源。具體而 言，對于二元向量Z樹=(Z產(chǎn),Z^ ...Z貧勺，有且僅有Z夢二1、其余元素均為0表明，灰度 等級為r的數(shù)據(jù)僅來自于混合模型中的第m個分量。從而，得到完全數(shù)據(jù)的對數(shù)似然函數(shù)：
[0094]
公式6
[00巧](S4)采用類MML準則(MMklike Criterion)，整合（SI )，（S2)，（S3)的結(jié)果，得到具 有懲罰函數(shù)形式的完全數(shù)據(jù)的對數(shù)似然函數(shù)Z, 0) W及用于皿CM-MMkG r MM算 法的函數(shù)。
[0096] 上述類MML準則具有如下形式：
[0097]
公式7
[0098] 其中，p(0)為參數(shù)0的先驗分布，p(X| 0)為觀測數(shù)據(jù)的條件分布，1(0)為期望 費雪信息矩陣，C為G r MM中自由參數(shù)的總數(shù)。
[0099] 為了與極大似然估計法相匹配，對類MML準則的公式7做等效變換:將表達式取反，
同時為使目標函數(shù)取得極小值，而進行的求解M和0的運算(argminM,0{ ? })變?yōu)槭鼓繕撕?數(shù)取極大值，求解M和0的運算(argmaxM,@{ ? })的運算。結(jié)合間），偵），（S3)的結(jié)果，具有 懲罰西獄^的吿全獄報的對獄仙夕犬巧顆.....f'y 7 親化^加下.
[0100] 公式8
[0101]
[0102] 公式9
[0103] 其中，
為所述SAR圖像數(shù)據(jù)X中非零灰度值的像素的總數(shù)，Knz為具 有非零混合權(quán)重值的分量總數(shù)，其數(shù)學表達為Knz = E m[Km>0 ]。
[0104] 傾)根據(jù)Qmml腳易'的）函數(shù)推導參數(shù)的更新方程，得到：
[0105] 混合權(quán)重值的估計變量fim(t)的更新方程如下：
[0106]
公乂 10
[0107] 其中，p(wir，竊(O)為灰度等級為r的數(shù)據(jù)屬于第m個分量的后驗概率，
為所述廣義伽瑪混合模型的參數(shù)集合的估 計變量；[010引幕參數(shù)的估計變量石m(0的更新方程如下：
[0111] 形狀參數(shù)的估計變量的具有單調(diào)性的雙伽瑪函數(shù)(Digamma Function)取日談W)， 其定義為常規(guī)伽巧巧數(shù)的對數(shù)的導數(shù)，化下所示：
[0109] 公式 11
[0110]
[0112]
. 公式 12
[0113] 尺度參數(shù)的估計變量：
[0114]
公戎巧
[0115] 下面結(jié)合圖2描述優(yōu)選的實施例中步驟3的執(zhí)行過程，即如何基于肥CM-MMkG r MM算 法對所述廣義伽瑪混合模型的參數(shù)集合0進行估計，得到分量的個數(shù)的估計量廚、各分量 的混合權(quán)重值的估計量拚1，...，％}、各分量的參數(shù)集合的估計量化A,^獲 得所述廣義伽瑪混合模型的參數(shù)集合的估計量蘇6巧={巧,巧1,巧2,…，巧巧,馬,馬,…，新?}。
[0116] 步驟3-00:將分量的個數(shù)的估計變量巧(X) W及第一、第二、第S和第四參數(shù)子集 的估計咬M.:每1似、馬((）、貧3似和旬的分別設置為初始值府(0)、W及 01(0)、02(0)、沒3(〇)和每4(0)，并將迭代次數(shù)t設置為初始值0,其中，
[0117] 第一參數(shù)子集 ^各分量的混合權(quán)重值的 估計變量的集合，
[0118] 第二參數(shù)子集f 各分量的幕參數(shù)的估計變 量的集合，
[0119] 第=參數(shù)子集各分量的形狀參數(shù)的估計 變量的集合，
[0120] 第四參數(shù)子集（ 各分量的尺度參數(shù)的估計 變量的集合。
[0121] 優(yōu)選的，初始值_ . _ _ ：))可采用如下方法確定：
[0122] a)對于分量的個數(shù)的估計變量巧轉(zhuǎn)）的初始化府(0)，可設置為最大分量數(shù)Mmax,通 常Mmax的取值范圍為20~40。
[0123] b)對于第一參數(shù)子集爲1貨）的初始值孩1(0)，將其中的各個分量的混合權(quán)重值設 置為等概率分布，町
[0124] C)對于第二、第S和第四參數(shù)子集貧2(〇、03(0和每4(0的初始值每2(日）、馬（〇) 和資4(0)的設置，針對幅度和強度SAR圖像數(shù)據(jù)，分別采用瑞利(Rayleigh)分布和指數(shù)分布 進行初始化。瑞利分布和指數(shù)分布均為廣義伽瑪分布的特例，瑞利分布為
情況下廣義伽瑪分布的特例，指數(shù)分布為 青況下廣義伽瑪分布的特例。
[01巧]具體為:對于幅度SAR圖像數(shù)據(jù)，設置每個分量的
（此時 對應于瑞利分布），并均勻選擇Mmax個灰度等級分別作為各瑞利分量的眾數(shù)進而估計得到 而n(〇);對于強度SAR圖像數(shù)據(jù)，設置每個分量自
：此時對應于 指數(shù)分布），并均勻選擇Mmax個灰度等級分別作為各指數(shù)分量的均值來估計得到兩"(0)。
[0126] 步驟3-05:為了后續(xù)步驟的計算，根據(jù)如下公式計算灰度等級為r的數(shù)據(jù)屬于第m 個分量的后驗概率P (m r, 0(f〇);
[0127]
公式19
[0128] 步驟3-10:對度〇；)個分量中的每個分量，根據(jù)公式10更新混合權(quán)重值的估計變 量，然后根據(jù)如下公式14更新第一參數(shù)子集貧jXO:[0^。1
公式14
[0130] 步驟3-15:刪除混合權(quán)重值的估計變；雨m(t)小于或等于0的分量，并更新廣義伽 瑪混合模型的參數(shù)集合的估計變量000,包括分量的個數(shù)的估計變量搏(C)W及第一、第 二、第S和第四參數(shù)子集的估計變量每1(0、02(〇、03〇〇和易4(0,即將分量的個數(shù)的估 計變量的值更新為減去混合權(quán)重值小于或等于0的分量的個數(shù)，將第一、第二、第=和 第四參數(shù)子集的估計變量資1的、聲汾、蘇倘和藏貨中混合權(quán)重值小于或等于0的分量 的參數(shù)刪除。
[0131] 步驟3-20:對M a)個分量中的每個分量，根據(jù)公式11更新幕參數(shù)的估計變量，然 后根據(jù)如下公式15更新第二參數(shù)子集
[0132]
備式15
[0133] 步驟3-30:對巧巧個分量中的每個分量，根據(jù)公式12更新形狀參數(shù)的估計變量的 具有單調(diào)性的雙伽瑪函數(shù)(Digamma function)少日〇2^).，..并根據(jù)要日從m)的單調(diào)特性利用 標準二分法計算保+ 1)，然后根據(jù)如下公式16更新第S參數(shù)子化(? CO :
[0134]
公式16
[0135] 用標準二分法求解單調(diào)函數(shù)的零點參數(shù)的方法為本領域的公知方法。例如，先選 定合適的區(qū)間[a，b]，通過不斷地把函數(shù)f(x)(滿足f(a) ? f(b)<0)的零點所在的區(qū)間一分 為二，使區(qū)間的兩個端點逐步逼近零點，進而得到零點的近似值。
[0136] 步驟3-40:對府Ct J個分量中的每個分量，根據(jù)公式13更新尺度參數(shù)的估計變量， 然后根據(jù)如下公式17更新第四參數(shù)子集資4 (X);
[01371
公式17
[0138]步驟3-50:更新迭代次數(shù)t = t +1，記錄本次迭代過程得到的G r MM的參數(shù)集合的 估計變量#(〇。
[0139] 步驟3-53:對本次迭代過程得到的廣義伽瑪混合模型的參數(shù)集合的估計變量 竊的，根據(jù)如下公式計算不完全數(shù)據(jù)懲罰對數(shù)似然函數(shù)閑)；
[0140]
公式18
[0141] 其中，
[0142] 數(shù)據(jù)X中非零灰度值的像素的個數(shù)，
[0143] r混合權(quán)重值的估計變量大于零的所有分量的總個數(shù)。
[0144] 步驟3-55:判斷不完全數(shù)據(jù)懲罰對數(shù)似然函數(shù)是否滿足收斂條 件，若是則繼續(xù)執(zhí)行步驢3-56 .若巧曲Ii反問執(zhí),斤擊3娶3-05。
[0145] 收斂條件為
，其中G為預定的 極小值正數(shù)。即，當相鄰兩次的不完全數(shù)據(jù)懲巧對數(shù)似然函數(shù)值變化的絕對值小于某一極 小值正數(shù)G時，認為算法收斂。
[0146] 步驟3-56:將不完全數(shù)據(jù)懲罰對數(shù)似然函數(shù)記錄為有效對數(shù)似然 函支U',v祖〇'，@的)。
[0147] 步驟3-58:刪除混合權(quán)重值的估計變量聽n(t)在爲(巧個分量中為最小值的分量， 并更新廣義伽瑪混合模型的參數(shù)集合的估計變量0(0。
[0148] 步驟3-60:判斷分量的個數(shù)的估計變量廚Cf)是否小于預定的最小分量數(shù)Mmin(該 預定的最小分量數(shù)Mmin可W取一個較小的值，例如，其取值可W為1或2)，若大于或等于則返 回執(zhí)行步驟3-05繼續(xù)參數(shù)更新的迭代過程，若小于則結(jié)束參數(shù)更新的迭代過程執(zhí)行步驟3- 70 O
[0149] 步驟3-70:找出滿足如下公式的0(?)，該為所述廣義伽瑪混合模型的參數(shù) 集合的估計量浸best;
[0150]
公式 20 [01引]其中，T為有效對數(shù)似然函數(shù)￡'順^托.@(0)的個數(shù)。
[0152] 如圖2所示，本發(fā)明的合成孔徑雷達圖像建模方法，其包括兩個循環(huán)，分別為步驟 3-55判斷完收斂條件然后返回步驟3-05的內(nèi)循環(huán)、和步驟3-60判斷完分量的個數(shù)然后返回 步驟3-05的外循環(huán)。
[0153] 內(nèi)循環(huán)用于估計混合模型參數(shù)。內(nèi)循環(huán)收斂表明完成一次建模。收斂時，要記錄當 前的不完全數(shù)據(jù)對數(shù)似然函數(shù)％ML托;爵拍)為有效對數(shù)似然函數(shù)(K猛灼)（步 驟3-58)，W及記錄估計的混合模型參數(shù)。
[0154] 外循環(huán)用于剔除具有最小混合權(quán)重值的分量，W防止具有最小混合權(quán)重值的分量 本應被模型中某一分量吸收卻被單獨劃出而產(chǎn)生較高的模型復雜度。剔除具有最小混合權(quán) 重值的分量后，要再次進入內(nèi)循環(huán)，重新估計模型參數(shù)，獲得新的模型，記錄收斂時的不完 全數(shù)據(jù)對數(shù)似然函數(shù)0 〇;：0及相關(guān)參數(shù)。如此往復。
[0155] 直到模型的分量數(shù)最終達到預設的最少分量數(shù)，然后在全部記錄的有效對數(shù)似然 函地篇ml(Y，@)中，選取使心ml(Y, @)最大的那組參數(shù)作為最優(yōu)解(步驟S-W。
[0156] W下結(jié)合圖3a至7b的仿真實驗數(shù)據(jù)來描述本發(fā)明的基于皿CM-MMkGr匪的合成 孔徑雷達圖像建模方法的效果。
[0157] 仿真實驗條件：
[0158] 本發(fā)明提出的基于皿CM-MMkG TMM的合成孔徑雷達圖像建模方法及對比方法均 在相同的實驗仿真平臺上實現(xiàn)，軟件平臺為MTLAB 7.13。
[0159] 仿真實驗數(shù)據(jù)：
[0160] 本發(fā)明的仿真實驗使用的是真實的幅度SAR圖像（圖3a、3b和3c所示的第一組SAR 圖像，包括具有單峰和多峰分布形態(tài)特征的數(shù)據(jù)）和強度SAR圖像（圖4a)，包括8位（圖3曰、 3b、3c和圖4a)和16位(圖4b)量化的SAR圖像。
[0161] 結(jié)果評價方法：
[0162] 評價模型的精確性與有效性的方法，包括=類：
[0163] (1)基于視覺觀察的評價方法。本發(fā)明輸出的結(jié)果可W實現(xiàn)圖像數(shù)據(jù)信息的分類。 基于光學遙感圖像，判斷圖像數(shù)據(jù)分類結(jié)果的合理性。
[0164] (2)分布比對。將圖像數(shù)據(jù)的直方圖與所得模型的分布情況相比較。分布比對方法 可W檢測數(shù)據(jù)建模的準確性。
[01化](3)基于指標的評價方法。常用的評價指標有，Kolmogoro V-Smirnov化S)距離和對 稱 KuUback-Leibler 化 L)距離。
[0166] Dks: Ko Imogorov-Smirnov化S)距離，表示擬合所得的分布函數(shù)F(X)與實際分布函 數(shù)G(X)之間的差異值，即DKs=maxxEfi If(X)-G(X) I。松距離表示實際分布與擬合分布的差異 情況。
[0167] 化L:對稱KuUback-Leibler化L)距離，表示擬合所得的概率真密度函數(shù)f (X)與歸 一化實際數(shù)據(jù)直方圖Mx)之間的差異程度，即
對稱KL距離表示擬合概率密度與實際概率密度的不相似程度。
[0168] W上兩個指標是評價模型準確性與有效性的重要評價依據(jù)，能夠?qū)ξ⑿〉男阅懿?異做出明確的判定。
[0169] 對比仿真實驗
[0170] 為了說明本發(fā)明的有效性，本發(fā)明的仿真效果與如下兩個方法進行比較：
[0171] 對比方法1，文獻陽.(：丄1，胖.化叫，￥.1?.胖11日11(1口.2.尸日11/〇111116 6111口^1。日1- Statistical modeling of SAR images with generalized Gamma distributionIEEE Journal of Selected Topics in Signal Processing,vol.5,no.3,pp.386-397,2011.] 采用參數(shù)化的統(tǒng)計建模方法，W廣義伽瑪分布作為數(shù)學模型，利用多伽瑪函數(shù)的一階和二 階近似表達，獲得了具有閉式形式的參數(shù)估計量。
[0172] 對比方法2,文獻[V.A.K巧Iov,G.Moser,S.B.Se;rpico,and J.Zerubia, Enhanced dictionary-based SAR amplitude distribution estimation and its validation with very high-resolution data/' IEEE Geoscience and Remote Sensing letters, vol. 8，no. I，PP. 148-152，2011.]將待選模型歸入模型字典，字典中的模型可作為每個分量 的備選分布;基于備選分布，考察歸屬于第m個有效分量的所有數(shù)據(jù)的對數(shù)似然函數(shù)，選擇 使對數(shù)似函數(shù)取得最大值的分布作為第m個有效分量的分布;采用SCM算法與MoLC方法執(zhí)行 參數(shù)估計，完成圖像數(shù)據(jù)建模，實現(xiàn)圖像分類。該方法簡稱為巧DSEM"。
[0173] 仿真實驗內(nèi)容：
[0174] 實驗1: SAR圖像數(shù)據(jù)分布估計與分析
[0175] 本發(fā)明的仿真實驗采用第一組S幅具有不同復雜分布情況的幅度SAR圖像數(shù)據(jù) 集。采用本發(fā)明所提出的建模方法，圖5a、5b和5c給出了第一組仿真數(shù)據(jù)所對應的直方圖分 布情況與建模后所擬合得到的分布情況，同時給出了對比方法1、2和本發(fā)明的建模方法的 擬合情況。其中，G r D、EDSEM、G r MM曲線分別表示對比方法1、對比方法巧日本發(fā)明建模后擬 合的分布情況。
[0176] 利用化S和化L兩個指標，定量地分析了本發(fā)明的準確性。表1列出了仿真實驗輸出 圖像的精度評估數(shù)據(jù)。
[0177] 表1本發(fā)明與對比方法的建模精度評價指標 [017 引
[0179] 實驗2: SAR圖像分類
[0180] 本實驗采用第一組圖像數(shù)據(jù)，基于實驗1的結(jié)果，采用貝葉斯決策準則，進行數(shù)據(jù) 分類操作，實現(xiàn)圖像分類。圖6a-6h是帶有分類信息的概率密度曲線W及相應的圖像分類結(jié) 果，其中，圖6a和圖6c是用對比方法2處理圖3b后的結(jié)果；圖6b和圖6d是用對比方法2處理圖 3c后的結(jié)果；圖6e和圖6g是用本發(fā)明的方法處理圖3b后的結(jié)果；圖6f和圖化是用本發(fā)明的 方法處理圖3c后的結(jié)果。
[0181] 實驗3:強度格式的SAR圖像與16位量化的高分辨率SAR圖像
[0182] 本次仿真實驗使用的是第二組圖像數(shù)據(jù)，用于證明本發(fā)明具有廣泛地應用性，能 夠有效地處理不同格式、不同分辨率的SAR圖像數(shù)據(jù)。圖4a和4b分別是強度格式SAR圖像和 16位量化的高分辨率SAR圖像。圖7a-7b是本發(fā)明對強度格式的SAR圖像數(shù)據(jù)與高分辨率SAR 圖像數(shù)據(jù)的擬合結(jié)果。其中，圖7a是本發(fā)明處理強度SAR圖像數(shù)據(jù)分布的擬合結(jié)果，圖7b是 16位量化的高分辨率SAR圖像直方圖分布與本發(fā)明的仿真擬合結(jié)果的對比。
[0183] 仿真結(jié)果分析：
[0184] 定性地分析本發(fā)明與對比方法的擬合結(jié)果可知，本發(fā)明的擬合更為接近原始SAR 圖像數(shù)據(jù)的分布直方圖；從定量的角度考察，用于評價擬合精度的指標表明，對于不同類型 分布的SAR圖像數(shù)據(jù)，本發(fā)明的化S和Dkl指標均優(yōu)于對比方法。從而證明，本發(fā)明可W準確、 廣泛用于SAR圖像建模。
[0185] 通過分析本發(fā)明與對比方法的SAR圖像分類結(jié)果，并與光學衛(wèi)星照片相對照可知， 分類結(jié)果圖像顯示了地表物體的景觀，不同的色塊代表不同的景觀類型，包括水體、裸露地 面、建筑、公路和農(nóng)作物等。對比方法正確地分類了水體和陸地信息，但是無法對圖像中的 信息作進一步的分類，比如，無法完全區(qū)分地表的建筑、裸露陸地、植被覆蓋的陸地。本發(fā)明 相較于其他方法具備對圖像精細分類的優(yōu)點，保留了更為完整的細節(jié)信息，不僅能夠有效 地對陸地和水體信息進行分類，同時，也能夠精致地區(qū)分出地表建筑、植被W及農(nóng)作物。
[0186] 通過分析本發(fā)明對強度SAR圖像與16位量化的高分辨率SAR圖像處理的結(jié)果，可 知，本發(fā)明不僅能夠精確地建模幅度SAR圖像數(shù)據(jù)，而且對于強度SAR圖像和高分辨率SAR圖 像也具有較好的擬合性能。
[0187] 綜上所述，本發(fā)明廣泛適用于幅度和強度、具有單峰和多峰分布特征、不同紋理程 度的SAR圖像和高分辨率SAR圖像建模和分類?；趶V義伽瑪分布，建立廣義伽瑪混合模型， 采用基于直方圖的肥CM-MMkG TMM算法執(zhí)行參數(shù)估計，完成建模。通過如上分析可知，本方 法能夠?qū)Ω黝怱AR圖像數(shù)據(jù)進行精確建模，保留更多的圖像細節(jié)信息;有效地區(qū)分SAR圖像 中的水體、地面、建筑、公路、植被、農(nóng)作物等信息，減少了信息丟失，有效地獲取圖像分類結(jié) 果。
[0188] 本發(fā)明還提供一種合成孔徑雷達圖像建模裝置，如圖8所示，該裝置800可W包括： 第一處理模塊810,用于對輸入的SAR圖像數(shù)據(jù)X，創(chuàng)建非零灰度值的非歸一化的灰度等級直 方圖Y，其中，Y=化(r);r=l，2，...，kl}，r為所述SAR圖像數(shù)據(jù)X的灰度等級，L為所述灰度 等級的個數(shù)，Mr)為所述SAR圖像數(shù)據(jù)X中灰度等級為r的數(shù)據(jù)的個數(shù)；
[0189] 第二處理模塊820,用于根據(jù)如下公式，將廣義伽瑪分布作為廣義伽瑪混合模型的 多個分量，并將所述多個分量進行加權(quán)累加，得到所述廣義伽瑪混合模型：
[0190]
t中，
[0191] M為所述分量的個數(shù)，
[0192] JIm為第m個分量的混合權(quán)重值，滿J
[019：3] 0m= {vm，Km，〇m;rn=l，2, . . .，M}為第m個分量的參數(shù)集合，其中，Vm為幕參數(shù)，Km為形 狀參數(shù)，Om為尺度參數(shù)，
[0194] 0 = {M，町，312，…，3TM，目1，目2，…，目m}為所述廣義伽瑪混合模型的參數(shù)集合，
rm Wi a r n r . ^兩航冰廣成伽巧分布的概率密度函數(shù)，滿足
LU,…」巧二W心巧WOOU，W J巧^cCM-MMkG r MM算法對所述廣義伽瑪混合模型的參 數(shù)集合0進行估計，得到分量的個數(shù)的估計量巧、各分量的混合權(quán)重值的估計量 橋1，巧2,,，療兩}、各分量的參數(shù)集合的估計量01，馬，…，％}，^獲得所述廣義伽瑪混合 模型的參數(shù)集合的估計量
從而完成所述廣義 伽瑪混合模型的建立。
[0197] 關(guān)于上述實施例中的裝置，其中各個模塊執(zhí)行操作的具體方式已經(jīng)在有關(guān)該方法 的實施例中進行了詳細描述，此處將不做詳細闡述說明。
[0198] W上結(jié)合附圖詳細描述了本發(fā)明的優(yōu)選實施方式，但是，本發(fā)明并不限于上述實 施方式中的具體細節(jié)，在本發(fā)明的技術(shù)構(gòu)思范圍內(nèi)，可W對本發(fā)明的技術(shù)方案進行多種簡 單變型，運些簡單變型均屬于本發(fā)明的保護范圍。
[0199] 另外需要說明的是，在上述【具體實施方式】中所描述的各個具體技術(shù)特征，在不矛 盾的情況下，可W通過任何合適的方式進行組合，為了避免不必要的重復，本發(fā)明對各種可 能的組合方式不再另行說明。
[0200] 此外，本發(fā)明的各種不同的實施方式之間也可W進行任意組合，只要其不違背本 發(fā)明的思想，其同樣應當視為本發(fā)明所公開的內(nèi)容。
【主權(quán)項】
1. 一種合成孔徑雷達圖像建模方法，其特征在于，包括以下步驟： 步驟1:對輸入的SAR圖像數(shù)據(jù)X，創(chuàng)建非零灰度值的非歸一化的灰度等級直方圖Y，其 中，Y= {h(r) ;r = l，2,…，L-1}，r為所述SAR圖像數(shù)據(jù)X的灰度等級，L為所述灰度等級的個 數(shù)，h(r)為所述SAR圖像數(shù)據(jù)X中灰度等級為r的數(shù)據(jù)的個數(shù)； 步驟2:根據(jù)如下公式，將廣義伽瑪分布作為廣義伽瑪混合模型的多個分量，并將所述 多個分量進行加權(quán)累加，得到所述廣義伽瑪混合模型：Μ為所述分量的個數(shù)， JTm為第m個分量的混合權(quán)重值，滿0m={vm，Km，Om;m=l，2，···，M}為第m個分量的參數(shù)集合，其中，Vm為冪參數(shù)，1^為形狀參 數(shù)，為尺度參數(shù)， Θ = {M，3^，JT2，…，JTM，Θ:，02，…，ΘΜ}為所述廣義伽瑪混合模型的參數(shù)集合， G r D ( ·)為所述廣義伽瑪分布的概率密度函數(shù)，滿足GiO(r|6>m)二步驟3:基于HECM-MML-G Γ MM算法對所述廣義伽瑪混合模型的參數(shù)集合Θ進行估計，得 到分量的個數(shù)的估計量M、各分量的混合權(quán)重值的估計量[Α?, ii}、各分量的參數(shù) 集合的估計量存#1，以獲得所述廣義伽瑪混合模型的參數(shù)集合的估計量丨，從而完成所述廣義伽瑪混合模型的建立。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟3進一步包括： 步驟3-00:將分量的個數(shù)的估計變量以及第一、第二、第三和第四參數(shù)子集的估計 變量色(〇、色(〇、色⑴和仏⑴分別設置為初始值MCOyjjO)、色(0)、否3(0) 和否4 (0)，并將迭代次數(shù)t設置為初始值〇，其中， 第一參數(shù)子集_：L(t:) = ...，療沿⑴以)〗為各分量的所述混合權(quán)重值的估 計變量的集合， 第二參數(shù)子集@2(t) = (Aoahct), ⑴〇：)}為各分量的所述冪參數(shù)的估計變 量的集合， 第三參數(shù)子集奮3<￡) = ... , 為各分量的所述形狀參數(shù)的估計 變量的集合， 第四參數(shù)子集色（?)二…⑴(〇}為各分量的所述尺度參數(shù)的估計 變量的集合； 步驟3-05:根據(jù)如下公式計算灰度等級為r的數(shù)據(jù)屬于第m個分量的后驗概率步驟3-10:對Μ(：?〇個分量中的每個分量，根據(jù)如下公式更新所述混合權(quán)重值的估計變 量：其中，沒⑴二{財⑴,色(〇,色⑴,色⑴}為所述廣義伽瑪混合模型的參數(shù) 集合的估計變量， 然后根據(jù)如下公式更新所述第一參數(shù)子集步驟3-15:刪除所述混合權(quán)重值的估計變量!!^^!；)小于或等于0的分量，并更新所述廣 義伽瑪混合模型的參數(shù)集合的估計變量◎ (t); 步驟3-20:對Μ(：?〇個分量中的每個分量，根據(jù)如下公式更新所述冪參數(shù)的估計變量：其中然后根據(jù)如下公式更新所述第二參數(shù)子集否2 Ci>步驟3-30:對Μ〇·>個分量中的每個分量，根據(jù)如下公式更新所述形狀參數(shù)的估計變量 的具有單調(diào)性的雙伽瑪函數(shù)Φο〇07η):并根據(jù)Φ〇 (氣")的單調(diào)性計算+ 1), 然后根據(jù)如下公式更新所述第三參數(shù)子集步驟3-40 :對府(t)個分量中的每個分量，根據(jù)如下公式更新所述尺度參數(shù)的估計變 量：然后根據(jù)如下公式更新所述第四參數(shù)子集步驟3-50:更新所述迭代次數(shù)t = t+l，記錄本次迭代過程得到的所述廣義伽瑪混合模 型的參數(shù)集合的估計變量 步驟3-53:對本次迭代過程得到的所述廣義伽瑪混合模型的參數(shù)集合的估計變量 根據(jù)如下公式計算不完全數(shù)據(jù)懲罰對數(shù)似然函數(shù) 其丨，，N二/1(?〇為所述SAR圖像數(shù)據(jù)X中非零灰度值的像素的個數(shù)， Km = :> 〇]為所述混合權(quán)重值的估計變量大于零的所有分量的總個數(shù)； 步驟3-55:判斷所述不完全數(shù)據(jù)懲罰對數(shù)似然函數(shù)§〇〇；)是否滿足收斂條 件，若是則繼續(xù)執(zhí)行步驟3-56,若否則返回執(zhí)行步驟3-05; 步驟3-56:將所述不完全數(shù)據(jù)懲罰對數(shù)似然函數(shù)記錄為有效對數(shù)似然 函數(shù) 步驟3-58:刪除所述混合權(quán)重值的估計變量在個分量中為最小值的分量， 并更新所述廣義伽瑪混合模型的參數(shù)集合的估計變量 步驟3-60:判斷所述分量的個數(shù)的估計變量府是否小于預定的最小分量數(shù)Mmin，若否 則返回執(zhí)行步驟3-05,若是則執(zhí)行步驟3-70; 步驟3-70:找出滿足如下公式的§(&)，該為所述廣義伽瑪混合模型的參數(shù)集合 的估計量其中，T為所述有效對數(shù)似然函數(shù)@(?))的個數(shù)。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，在所述步驟3-55中所述收斂條件為：，其中e為預定的極小值正數(shù)。4. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟3 - 0 0中的初始值)根據(jù)如下方法確定： 所述分量的個數(shù)的估計變量的初始值MC0：)二Mma3(；，其中Mmax為最大分量數(shù)； 所述第一參數(shù)子集的初始值^l(O)二伏…，允辦〇)(〇)}設置為所述第二參數(shù)子集的初始值色（〇) = (6(0),^(0),…，％(Q)(〇)}對于幅度SAR圖像 數(shù)據(jù)設置為1?m(〇) = 2:，對于強度SAR圖像數(shù)據(jù)設置Svm(O)二1;所述第三參數(shù)子集的 初始值沒3(〇) = {《l.(〇),L), .4^00(0)}設置為K0) = 1; 所述第四參數(shù)子集的初始值色(〇)二{4(0),4(0), ...,^@(0)}，對于幅度SAR圖 像數(shù)據(jù)，通過均勻選擇Mmax個灰度等級分別作為各瑞利分量的眾數(shù)來估計<(0)，對于強度 SAR圖像數(shù)據(jù)，通過均勻選擇Mmax個灰度等級分別作為各指數(shù)分量的均值來估計式n(〇); 其中，稱二1,2,…，Μ(0)。5. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)少"^^)的單調(diào)性計算 Kw(t +1)具體為采用標準二分法求解+1)。6. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述最大分量數(shù)Mmax的取值范圍為20~40。7. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述預定的最小分量數(shù)Mmin的取值為1或2。8. -種合成孔徑雷達圖像建模裝置，其特征在于，包括： 第一處理模塊，用于對輸入的SAR圖像數(shù)據(jù)X，創(chuàng)建非零灰度值的非歸一化的灰度等級 直方圖Y，其中，Y= {h(r) ;r=l，2,…，L-1}，r為所述SAR圖像數(shù)據(jù)X的灰度等級，L為所述灰 度等級的個數(shù)，h(r)為所述SAR圖像數(shù)據(jù)X中灰度等級為r的數(shù)據(jù)的個數(shù)； 第二處理模塊，用于根據(jù)如下公式，將廣義伽瑪分布作為廣義伽瑪混合模型的多個分 量，并將所述多個分量進行加權(quán)累加，得到所述廣義伽瑪混合模型：Μ為所述分量的個數(shù)， 3?為第m個分量的混合權(quán)重值，滿浞0m={vm，Km，Om;m=l，2，···，M}為第m個分量的參數(shù)集合，其中，Vm為冪參數(shù)，1^為形狀參 數(shù)，為尺度參數(shù)， Θ = {M，3^，JT2，…，JTM，Θ:，02，…，ΘΜ}為所述廣義伽瑪混合模型的參數(shù)集合， G r D ( ·)為所述廣義伽瑪分布的概率密度函數(shù)，滿足6T/)(r|6^)=第三處理模塊，用于基于HECM-MML-G Γ MM算法對所述廣義伽瑪混合模型的參數(shù)集合Θ 進行估計，得到分量的個數(shù)的估計量M、各分量的混合權(quán)重值的估計量療2,...,斧汾}、各 分量的參數(shù)集合的估計量12,, %|1，以獲得所述廣義伽瑪混合模型的參數(shù)集合的估計i 從而完成所述廣義伽瑪混合模型的建 立。
【文檔編號】G06K9/62GK105956599SQ201610234998
【公開日】2016年9月21日
【申請日】2016年4月15日
【發(fā)明人】李恒超, 劉馳
【申請人】西南交通大學