混合高斯模型在极化SAR影像分类中的应用

"这篇论文探讨了利用混合高斯模型（GMM）对高分辨率极化合成孔径雷达（SAR）影像的极化特征进行建模和分类的方法。针对SAR影像中的复杂统计特性，如尖峰拖尾，文章提出了一个约束距离的混合多元高斯分布参数估计算法。该算法在贪婪期望最大（GEM）算法的基础上，通过设计约束距离函数自动确定混合分量数量和模型参数，并在贝叶斯框架下进行地物分类。实验结果表明，与传统分类算法相比，GMM分类算法的整体精度提升了7%-10%，对样本数量的依赖性较小，在城市和耕地等异质性区域能获得更高精度的分类结果。" 本文深入研究了高分辨率极化SAR影像的分析方法，特别关注其极化特征的复杂统计行为。传统的分类算法可能无法有效处理这些特征，因为它们往往呈现出尖峰拖尾等非典型的分布。为了解决这一问题，作者引入了混合高斯模型，这是一种统计建模工具，能够更好地适应多变的数据分布。 混合高斯模型（GMM）是由多个高斯分布组合而成的概率模型，能够模拟更广泛的数据分布。在SAR影像分析中，GMM可以用来捕捉不同地物类型的多样极化特性。文章提出了一种新的参数估计算法，它在贪婪期望最大（GEM）算法的框架下运行，以寻找最佳的混合分量数量和模型参数。GEM算法是一种迭代优化方法，用于估计概率模型的参数，而添加的约束距离函数进一步优化了模型选择过程。 此外，该文在贝叶斯框架下进行了地物分类，利用先验知识和观测数据来更新地物类别的概率分布。这种方法有助于提高分类的准确性，特别是在样本数量有限的情况下。 实证研究表明，基于GMM的分类算法在Radarsat-2旧金山等地的三组SAR影像数据上，相对于传统的分类方法，整体分类精度平均提高了7%-10%。这表明，GMM分类器在处理复杂地物类别和异质性区域时，表现出了更高的鲁棒性和精度。因此，这种方法对于改善SAR影像的自动分类和地物识别具有重要意义，尤其是在城市环境和农业用地等复杂场景中。 关键词：遥感、混合高斯模型、统计分布、合成孔径雷达、参数估计。