购买
下载掌阅APP,畅读海量书库
立即打开
畅读海量书库
扫码下载掌阅APP

3.1 算法概述

众所周知,基于SAR的相干成像机理,SAR图像中不可避免地存在相干斑,相干斑是SAR图像和光学图像的主要区别。相干斑的存在使得SAR图像的特征提取难以便捷地实现,只利用数据的局部结构无法得到理想的SAR图像目标型号识别结果。考虑SAR图像中的相干斑的统计分布可以捕获SAR图像的本质特征。但是,不同于光学图像中的加性高斯噪声,SAR图像中的相干斑在本质上是乘性的,可以用Gamma分布进行建模。

在第2章中,我们将SAR图像进行了加性建模,用混合高斯分布进行噪声分量的统计建模,获得了满意的识别结果。基于SAR的相干成像机理,SAR图像在本质上是一个乘性模型。将局部保持特性和SAR图像中相干斑的统计特性相结合,从统计的角度出发进行特征提取,可以更好地实现SAR目标的型号识别。因此,采用乘性模型建模无疑将获得更好的数据描述效果。

本章算法采用乘性模型对SAR图像建模,将相干斑建模为Gamma分布,能够较好地保持数据结构的局部保持特性,并与描述SAR图像中相干斑统计特性的Gamma分布相结合,以更好地描述SAR图像的本质特征。具体来说,首先,将局部保持特性融入统计模型,以保持数据的局部结构,并对局部保持特性中的相似度矩阵进行修正,以实现数据局部特征和全局特征的联合提取;其次,采用坐标下降法(Coordinate Descent,CD)进行参数估计,将参数估计中降维矩阵的更新这个大规模优化问题,拆分成多个子问题,实现降维矩阵的求解;最后,采用最近邻分类器完成SAR图像目标的型号识别。 +N4BPFz70LTezkQpRS7SJi5j8nptPpt9+ixMBDGaKSs9vrOuM6QA1Nqdh4KXISki

点击中间区域
呼出菜单
上一章
目录
下一章
×