非平稳三重马尔可夫场优化结构模型的SAR图像多类分割新方法研究

Triplet Markov random field (TMF) model recently proposed is suitable for dealing with non-stationary and non-Gaussion images analysis. This fund focuses on the research of optimized structural information extraction from synthetic aperture radar (SAR) images, based on triplet Markov fields (TMF) model. According to the statistical properties of SAR images corrupted by speckles, the research objective of this fund is to construct novel theoretical frameworks based on non-stationary TMF to perform multi-class segmentation of SAR images, thus resolving the technical bottlenecks such as accurate model for the statistics of the non-stationary and complicated textural structures of SAR images, the global and local information extraction of SAR images and the statistical segmentation inference. This fund concentrates on four research streams: 1) the study and construction of multi-class segmentation methodology based on conditional TMF model, in which the field U is to be partitioned according to the non-stationary and anisotropic statistical model of SAR images. 2) the study and construction of multi-class segmentation methodology based on higher order TMF model, in which the higher order potentials are to be constructed based on sparse coding theory. 3) the study and construction of multi-class segmentation methodology based on fuzzy TMF model, in which the fuzzy objective function is to be constructed by soft decision. 4) the study and construction of multi-class segmentation fast algorithm based on hierarchical and nonlinear anisotropic diffusion TMF model. The academic research of this fund will perfect the multi-class segmentation methodology for SAR images. Consequently, this fund is of significant academic sense. Moreover it can afford novel theoretical frameworks and effective algorithms for multi-class segmentation of SAR images both in military and civilian use. And definitely this fund is of significant application future.

三重马尔可夫场(TMF)模型非常适合非平稳、非高斯图像的分析。本项目以研究TMF中优化结构模型的信息提取为重点，依据含斑SAR 图像的统计性质，建立非平稳TMF的SAR图像多类分割新理论框架，以综合分析、研究并建立基于非平稳各向异性模型U场划分的条件TMF的SAR图像多类分割的理论和方法；基于稀疏编码理论势能函数构建的高维TMF的SAR图像多类分割的理论和方法；基于软决策目标函数构建的模糊TMF的SAR图像多类分割的理论和方法；基于多尺度非线性各向异性扩散的快速TMF的SAR图像多类分割的理论和方法；突破SAR图像非平稳特性的描述、SAR图像复杂纹理的精确建模、SAR图像信息的全面捕获以及SAR图像稳健高效的多类分割等技术难点。本项目的研究将丰富和完善SAR 图像多类分割的理论和方法，具有重要的学术意义，并为军用和民用中SAR 图像多类分割提供全新理论和有效的新方法，具有重要的应用前景。

SAR是一种主动的航天、航空微波成像系统，具有良好的地面观测数据获取能力，在军事与民用领域内SAR图像解译技术已成为国内外学者的研究热点。SAR图像分割是解译的重要基础，可提高后续解译的准确率。.本项目针对SAR图像分割问题，研究并首次建立结合SAR图像非平稳空间相关描述的条件随机场模型，其中包括条件TMF模型，超像素级条件TMF模型。上述模型通过在CRF框架下引入附加标记场实现SAR图像非平稳特性的融入。此外，研究结合SAR图像特征非平稳分析的CRF模型，包括非平稳分层条件场模型以及基于非平稳划分自适应混合CRF模型。上述模型从特征分析角度引入SAR图像非平稳特性，提高异质区域的分割效果。.针对SAR图像分割问题，首次研究了结合稀疏表示理论的高维邻域TMF模型，包括基于高维邻域的稀疏TMF模型，在高维邻域内构建像素间的稀疏表示相关特性，提高SAR图像分割中的细节结构保持以及斑点噪声鲁棒性。此外，研究结合自协方差特征挖掘的高维邻域TMF模型，将高维邻域内的结构信息通过自协方差特征稀疏表示引入到势能函数构建中，提高SAR图像的分割效果。.针对SAR图像中像素受斑点噪声影响所具有的不确定性，首次研究了融入模糊处理的TMF模型，改善分割效果。其中包括基于软决策目标函数构建的模糊TMF模型，基于模糊标记信息融合TMF模型，以及基于离散模糊化标记场扩展TMF模型的研究，有效降低斑点噪声对分割结果的影响。.首次研究了针对SAR图像分割的多尺度快速TMF模型构建，包括基于NSCT域TMF模型，基于贝叶斯推论的分层TMF模型，以及基于非线性扩散的分层TMF模型，提高SAR图像分割的全局有效性。针对模型优化推导，开展了基于图割优化快速TMF模型，以及基于置信传播优化快速TMF模型的研究，实现SAR图像的快速有效分割。.同时，进行了SAR图像变化检测以及分类应用中的TMF模型扩展研究。.本项研究通过在大量实测SAR图像上与现有算法进行分析比较，验证上述算法的有效性与优越性。.本项研究达到了预期研究目标，并进行了相关扩展研究，取得一系列研究成果，具有较高的学术水平与应用价值。