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。 rpl57FWJAM57SjrTxv+SqxzUPca7RrcfvP3t7P9alJ0oVijqxFEBIqVkHkQ1UsKT