SAR图像无监督分割的空间变化混合MAR模型方法

提出SAR(Synthetic Aperture Radar)图像的空间变化混合多尺度自回归(Spatially Variant Mixture Mul-tiscale Auto Regressive,SVMMAR)模型方法,该模型不仅能刻画SAR图像的空间变化性,而且利用了SAR图像多尺度序列的统计特性;采用的分类器是像素标号的极大似然估计,细化的同时简化了传统Bayes分类器;该模型无需预先抑制斑点噪声,就能获得精确分割结果;并且理论上证明了在图像粗尺度确定分类个数的合理性,在此基础上提出一种在粗尺度确定分类个数的新方法,大大减少了运算量.

基于MRF随机场的多光谱遥感影像最优化分级聚类

有限混合模型FM的分级聚类已广泛应用于不同领域,然而,由于它的计算复杂度与观测数据量平方成正比,致使在遥感影像方面应用受到了限制。另外,多光谱图像能提供空间和光谱两类信息详细的数据,但是,大多数多光谱图像聚类方法是基于像素的聚类,仅使用了其光谱信息而忽视了空间信息。本文定义一个相对混合密度函数,通过引入一个q-参数来调节各成分密度对其混合分布的贡献,提出一种广义有限混合模型GFM,设计一种新的适用于多光谱遥感影像的GFM分级聚类算法。该算法把MRF随机场和GFM模型结合在了一起,分类数通过PLIC准则自动确定。最后,利用仿真结果验证该算法的有效性,同时通过与K均值聚类、FM分级聚类以及SVMM分级聚类的比较说明本文算法的优越性。

基于广义多分辨似然比的SAR图像无监督分割方法

首先在多分辨四叉树上定义了一个广义多分辨似然比,刻画并且累积了SAR(syntheticaperture radar)图像中目标与背景在不同分辨率上的差异,从而增大了目标与背景之间的区分度。为了达到图像无监督分割目的,提出一个有效的空间变化混合多尺度自回归(spatially variantm ixture m u ltiscale autoregressive简称SVMMAR)模型方法,利用该模型分别估计出每个分辨率上广义多分辨似然比中一组密度函数的参数。为了考虑被分类象素与周围象素之间的M arkov性,减弱对噪声的敏感性,利用开窗技术来确定中心象素点的类别。实验中与通常的分割技术作了比较,也表明该方法不论从分割的精度,对噪声的敏感度,还是从边缘的光滑度都表明该方法具有较强优势。

基于有限混合Laplace模型的风功率波动特性研究

风电功率具有波动性,准确描述风电场功率波动规律对于研究风电大规模并网运行具有重要意义。首先基于风功率波动概率分布的重尾特性,提出有限混合Laplace分布(finite Laplace mixture,FLM)的概率分布模型,并求解了模型最优参数集。然后提出评价模型精确度指标体系,并基于大量风电场实测数据,用FLM模型分别与混合高斯模型及单一分布模型作对比,论述并证明了FLM模型能更精确地描述风场功率波动特性。在此基础上,分析在不同时空尺度下的风功率波动情况,总结了风功率波动在多时空尺度下的规律特征。实验结果表明,FLM模型相较于其他分布模型,具有更高的拟合精度和更普遍的适用性。

空间约束混合伽马模型的SAR影像分割算法

为了避免斑点噪声的影响并实现高效且精确的合成孔径雷达(synthetic aperture radar,SAR)影像分割,提出一种结合空间约束混合伽马模型和共轭梯度的SAR影像分割方法。根据SAR影像强度统计特性,采用混合伽马模型建模像素强度统计分布。为了降低SAR影像斑点噪声的影响,利用局部像素类属性定义组份权重,构建空间约束混合伽马模型。考虑到伽马分布自身结构,构建条件期望函数,并采用共轭梯度估计模型参数,以实现高效且精确的SAR影像分割。为了验证所提出算法的分割性能,与对比算法进行分割实验,并定量和定性地评价分割结果。实验结果表明,所提出算法可获得高精度分割结果,且具有较高的分割效率。

空间可变有限混合模型

目的有限混合模型是一种无监督学习方法,它被广泛的应用到数据分类任务中。然而,在图像分割过程中,由于有限混合模型没有引入邻域像素间的空间关系,导致了图像分割结果对噪声非常敏感。为了增强有限混合模型的抗噪性,提出一种新的空间可变有限混合模型。方法该模型通过在像素的先验分布中引入一种新的空间关系来降低噪声对图像分割结果的干扰。在构建空间关系的过程中,利用形态学膨胀原理将空间邻域内特征值出现的概率而不是特征值本身进行膨胀操作,然后通过根据具有最大概率的分类标记在高斯混合模型迭代地计算过程中进行局部像素空间平滑,从而起到抑制噪声干扰的作用。结果本文实验包含了人工合成图像和医学CT图像的图像分割实验。在人工合成图像分割实验中,对人工合成图像添加了不同程度的噪声来测试本文模型和对比模型对噪声抑制能力的高低;对医学CT图像进行图像分割实验,以是比较本文模型与对比模型之间在实际图像分割中的效果。结论实验数据显示,本文提出的模型在噪声抑制能力上,图像分割精度和计算效率上均有更优的性能。