独立分量分析算法研究及其在SAR图像分割中的应用

合成孔径雷达(Synthetic Aperture Radar, SAR)图像在军事和民用领域中都得到了广泛应用。但是由于SAR成像的机理，使得SAR图像含有斑点噪声，这样与传统光学图像的处理相比，SAR图像的分割具有其特殊性。. 独立分量分析(Independent Component Analysis,ICA)是一种全新的信号处理和数据分析方法。经典的图像变换的基函数是确定的，与处理的图像无关；而ICA的基函数由被处理的图像来确定，更能反映该图像的特征。目前ICA在SAR图像分割方面的应用还不多，有必要进行更深入的研究和探讨。. 本项目研究构造新的独立分量分析模型；研究ICA目标函数的优化及数值计算分析问题；在此理论基础上研究SAR图像分割，为SAR图像处理提供新理论和新方法，具有非常重要的理论意义和实用价值。

合成孔径雷达(Synthetic Aperture Radar, SAR)图像在军事和民用领域中都得到了广泛应用。但是由于SAR 成像的机理，使得SAR 图像含有斑点噪声，这样与传统光学图像的处理相比，SAR 图像的分割具有其特殊性。1)提出了结合类间离散度的非局部模糊c均值聚类图像分割算法，使用自适应的非局部均值作为非局部修正惩罚项，以此平滑噪声的影响；使用类间离散度惩罚项，提高聚类结果的类间离散度；2)提出了一种基于独立分量分析(ICA)独立空间超像素合并的SAR图像分割算法，用独立空间来表示SAR图像，该空间是利用独立成分分析的方法得到的,利用超像素算法将SAR图像分割为初始区域块，在独立空间中提取各区域块的特征向量，并计算各区域之间的相似度。而后，依次构建邻近矩阵和全连通矩阵来进行区域合并从而得到最后的分割结果；3)稳健独立分量分析神经网络算法的提出和应用,其目的是当数据中存在噪声或异常值时，能够有效地降低噪声对所估计输出向量的影响。该算法在对原始数据进行了PCA预处理后，通过应用异常值拒绝法则，而将异常值或噪声去除,最后，在“干净”的数据上使用传统独立分量分析算法;4)提出基于独立成分分析和Bootstrap的最大后验概率SAR图像去噪方法,该方法首先使用独立成分分析方法估计出SAR图像的基图像，然后设计一个分类器用于划分出噪声成分。接下来Bootstrap参数化方法将对噪声成分进行估计旨在找到噪声的统计特性（方差）,此外分别针对单视强度、单视幅度、多视强度、多视幅度的SAR图像，研究了其噪声的统计模型，根据不同的模型推导出不同的MAP滤波方程。最后根据SAR图像类型选择相匹配的MAP滤波器进行滤波，从而避免了对所有类型图像的统一方法处理.