基于纹理特征多分辨双Markov-GAR模型的SAR图像分割

为了提高SAR图像分割精度,提出在以灰度共生矩阵产生的纹理统计量为特征所生成的图像上,同时考虑SAR图像像素间空间分布特征和局部灰度均值和方差等统计量给出多分辨双Markov框架下的GAR模型,采用多分辨MPM的参数估计方法及对应的无监督分割算法,对SAR图像进行纹理分割。实验结果表明该方法用于一些高分辨SAR图像,与基于灰度图像上的多分辨双Markov-GAR模型纹理分割相比,在分割精度上能降低分割时的错分率。     

高光谱图像无监督分类的非线性特征提取器

高光谱图像的数据维数高、数据量大、数据间高度冗余等特点给图像分类带来困难,为进行有效降维、提高分类精度,提出以曲线距离分析作为非线性特征提取器、以独立分量分析的混合模型作为分类器的高光谱图像无监督分类的新方法。利用该方法对来自空载可见光/红外成像光谱仪的高光谱图像进行无监督分类,用分类精度对分类效果进行评价。实验表明,用本文提出的方法得到的分类精度高于传统分类方法得到的分类精度,说明了CDA方法在高光谱图像特征提取方面的有效性。     

有限混合Wishart模型分类多视极化SAR图像

针对多视极化SAR图像的Wishart分类器存在着先验假设分布问题,提出混合Wishart模型并进行极化SAR图像的分类.结合bootstrap方法给出了混元个数准则,采用EM算法导出了混合模型的参数估计.根据旧金山湾区域的多视极化SAR图像实例进行了分析,并由此进行分类.实验结果显示在大的匀质区域方面上采用混合Wishart模型的分类结果明显优于直接采用 Wishart方法的分类结果.     

SAR图像分割的Bootstrap广义多分辨似然比检验方法

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能融合待判别信号的多个特征量，增大不同信号的区分度，所以能更精确地对信号进行判别分析。在SAR（synthetic aperture radar）图像分割的应用背景中，首先用弃除图像冗余信息，减小计算量的Bootstrap样本得到GMLR的原假设和备择假设参数的极大似然估计，然后检测GMLR的分割阈值，最后对森林和草地组成的模拟图像和真实SAR图像分割，证明该方法是SAR图像分割的一个有效途径。     

指数信号模型中参数的稳健估计

 给出了阻尼指数信号模型中参数的M 估计和Bootstrap M 估计; 基于Prony 方法给出估计的重新定义和新算法; 并且在较弱的条件下证明了这些估计的相容性; 最后利用Huber 函数给出了两种估计的模拟结果, 结果表明这两种估计的稳健性和精度都比传统的最小二乘估计好。     

基于图论Gomory-Hu算法的SAR图像多尺度分割

由于SAR图像含有斑点噪声,很难有效的分割出精确的结果,为此提出一种新的基于图论的SAR图像分割方法,证明了算法具有最优解,分析了算法的复杂度,验证了算法具有实时性。该算法通过构造多尺度结构快速找到收缩图以及初始图的子图集合,然后对其分别应用Gomory-Hu算法得到对应的等价树,最后根据规则得到初始图的等价树,按照割值由小到大依次去边后,可得到对原图的最优划分,映射回图像则可得分割结果。实验结果说明了算法的有效性和实时性。