SAR图像压缩的多尺度自回归滑动平均模型方法

本文研究在无需SAR图像先验知识条件下,基于多尺度自回归滑动平均MARMA模型的SAR图像压缩方法.该方法首先对SAR图像建立MARMA模型,依据MARMA模型对原始图像进行预测,然后对预测的残量进行数据压缩.将此方法用于实际SAR图像压缩,并将基于MARMA模型和多尺度自回归MAR模型的压缩结果与相应的JPEG结果进行比较和分析,说明基于MARMA模型的SAR图像压缩方法既能达到较高的压缩比,又能取得较好的保真度,是一种很有潜力的压缩方法.

SAR图像分割的多尺度自回归滑动平均模型方法

给出了合成孔径雷达(syntheticapertureradar简称SAR)图像多尺度自回归滑动平均(multiscaleautoregressivemovingaverage简称MARMA)模型建模的一种新方法。研究了基于MARMA模型的SAR图像多尺度随机特征提取的方法,构造了相应的分类器,将这类方法用于实际SAR图像分割,并将MARMA模型与多尺度自回归(multiscaleautoregressive简称MAR)模型的分割结果进行比较,说明SAR图像的MARMA模型分割方法优于MAR模型分割方法;最后给出了评价SAR图像分割结果的区域均匀性指标方法,实际应用结果表明该评价方法是有效的。

基于广义多分辨似然比和混合多尺度自回归预报模型的图像无监督分割

提出广义多分辨似然比(generalized multiresolution likelihood ratio,简称GMLR)的概念,给出其Bayes准则下的假设检验和判别准则。GMLR不仅能融合信号的多个特征量,增大不同信号间区分度,而且在融合时无需假定各特征量之间的相互关系,这使得它能进行比较精确而方便的判别分析。在SAR(synthetic aperture radar)图像分割应用背景中,利用混合多尺度自回归预报(mixture multiscale autoregressive prediction简称MMARP)模型估计预报图像的GMLR的原假设和备择假设参数,然后将判别准则应用到预报图像,从而对原SAR图像进行分割。实验与几种流行的SAR图像分割方法进行了比较,结果表明了该理论方法的显著性:不论从分割的精度,对噪声的敏感度,还是从边缘的光滑度考虑,都优于上述通常的分割方法。

基于多尺度随机模型的SAR图像无监督分割

根据SAR图像的成像机理,利用两种多尺度随机模型,即多尺度自回归(MultiscaleAutoregressive,MAR)模型和多尺度自回归滑动平均(Multiscale Aautoregressive Moving Average,MARMA)模型,分别来描述同一场景不同分辨率SAR图像像素间的统计相关性,并构造了相应的多分辨混合算法实现SAR图像的无监督分割。试验结果表明,提出的两种无监督分割方法是可行的,且MARMA模型比MAR模型能够更精确地捕捉SAR图像多尺度序列中不同类型地形的统计信息,使分割质量具有明显的改进。

小波域多尺度ARMA模型的纹理分割方法

纹理特征的提取是纹理分割的关键。在小波域内,对图像建立多尺度自回归滑动平均(MultiscaleAutoregressiveMovingAverage,简称MARMA)模型,并用小生境遗传算法对MARMA模型进行参数估计,将估计出的参数向量作为纹理分割的特征标准。不同纹理图像的MARMA模型的参数向量具有较好的可分性,这就保证了最终纹理分割的质量。

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.

基于小波去噪的增强多尺度多传感器数据融合

建立了基于小波去噪的增强多尺度自回归模型。增强多尺度状态可以将直接基于小波变换的多尺度自回归模型的网状结构简化为二叉树结构。基于小波去噪的多尺度模型具有非参数化特性 ,该模型适合于系统特性不知道的分布式多分辨率多传感器进行建模。最后 ,应用该算法于高精度划线切割机器人系统中多传感器的建模 ,实现了型钢划线切割过程中型钢边缘的检测。实验结果和数值仿真表明 ,多分辨率多传感器的数据融合可以消除噪声的干扰 ,提高检测系统的测量精度。

基于MAR模型的SAR图像的聚类分割

合成孔径雷达(SAR)图像中的斑点噪声是SAR图像处理困难的主要原因,如何抑制斑点噪声及图像处理一直是SAR图像研究的热点。根据SAR图像的成像机理,采用能够描述不同尺度(分辨率)下固有特性的多尺度自回归(MAR)模型,提出一种有效的多尺度抑制斑点噪声和分割方法。首先对SAR图像多分辨率序列建立MAR模型,然后依据模型对SAR图像抑制斑点噪声,重构,最后用W ard聚类分割方法对SAR图像进行分割、比较。

SAR图像的多尺度建模与分割

根据合成孔径雷达图像的成像机理,基于遗传算法,提出了SAR图像的期望最大建模方法和多尺度无监督分类方法。利用最小长度准则能够有效地确定SAR图像分类数,且集遗传算法和EM算法的优点于一身,使得算法能够取得全局最优结果。试验结果表明:该分割方法是可行的,与其它方法相比,分割质量有明显改进。

基于MARMA模型的SAR图像SVM分割

在分析SAR图像特征的基础上,提出一种新的基于多尺度自回归滑动平均(multiscale autoregressive moving average,MARMA)模型的SAR图像分割方法.首先建立多尺度序列,然后通过研究SAR纹理图像的MARMA模型,建立适合SAR图像的多尺度特征矢量,最后采用提出的广义加权支持向量机进行特征分类.实验结果表明,采用此分割方法可以获得很好的分割结果.

基于多尺度自回归图模型的SAR图像稳健滤波

基于多尺度自回归(MAR)图模型的稳健递归M估计(RME)算法,给出一种新的合成孔径雷达(SAR)图像稳健滤波方法。首先根据SAR图像不同尺度下的统计相依性,构造SAR图像的多尺度图像序列;然后对多尺度SAR图像序列构造树上MAR图模型,利用其的RME算法得到SAR图像的滤波。研究表明,该算法不仅具有有效的可计算性,而且利用不同分辨率下SAR图像信息融合,在不同情况下都能得到较好的滤波结果。实验结果表明,本文提出的方法是稳健的。

多分辨率多传感器动态数据的融合和应用

基于线性均方估计建立了 q叉树的多尺度自回归模型 .该模型应用于分布式多分辨率多传感器进行建模 ,可实现多分辨率多传感器的动态数据融合 .将该算法用于高精度划线切割机器人系统中多传感器的建模 ,实现了型钢划线切割过程中型钢边缘的动态检测 .实验结果表明 ,多分辨率多传感器数据融合可消除噪声的干扰 。

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。

基于视觉感知和MARMA-MRF模型的SAR图像分割

模拟人类视觉感知机制,提出了一种基于多尺度自回归滑动平均(MARMA,multiscale autoregressive and moving average model)模型和Markov随机场(MRF,markov random field)的合成孔径雷达(SAR)图像分割新方法。首先,分析人类视觉感知系统的工作机制和特点,利用SAR的成像机理,构建了SAR图像的金字塔结构和MARMA模型,以此模拟视觉过程中的空间尺度和朝向感知机制;然后,通过不同尺度上的MRF模型和改进的模拟退火(SA)算法实现更有效的多尺度分割策略。实验结果表明,本文提出的方法在SAR图像分割任务中有非常良好的表现。