针对传统模糊聚类分割算法无法克服合成孔径雷达（synthetic aperture radar,SAR）图像中固有的斑点噪声问题,提出了一种利用可变形状参数Gamma分布和邻域相关性的模糊聚类分割算法。可变形状参数Gamma分布用于建模多视SAR强度图像的斑点噪声,并以其负对数作为特征场中像素与聚类间强度的相似性测度模型;通过马尔可夫随机场（Markov random field,MRF）建立标号场中邻域像素的类属相关性模型;在模糊聚类框架下,以上述模型为基础构建模糊目标函数;在目标函数最小化准则下,求解最优结果。实验表明,可变形状参数Gamma分布能够更加准确地拟合同质区域内像素强度的统计直方图。为有效求解包涵在Gamma函数内的形状参数,采用牛顿迭代算法估计其数值解。对合成和真实多视SAR图像分别进行分割实验,定性、定量分析的结果验证了本文算法的有效性。
针对高光谱图像应用最大后验概率(Maximum A Posteriori, MAP)超分重建后细节信息丢失严重问题,本文提出一种基于先验Huber马尔科夫随机场(Huber Markov Random Field, HMRF)模型的MAP分块超分辨率重建算法,以期提高图像超分重建质量。首先,利用主成分变换获取图像域的主要成分,在此基础上采用样条插值得到初始迭代图像;而后将初始图像域分为若干子块,在每个子块图像域上建立具有自适应阈值的HMRF模型,并结合子块图像域的保真项构建目标函数,采用梯度最快下降法求解此函数得到超分子块图像,将其重组,进而与插值后的次要成分图像相结合,最后应用主成分逆变换方法得到最终的高分辨率图像。为了验证本文算法的有效性与优越性,分别对模拟和真实图像采用本文方法和具有代表性的Tikhonov、总变分及传统HMRF模型超分重建方法进行实验对比,其中本文方法重建结果在峰值信噪比和结构相似性定量评价方面明显优于其他方法重建结果,在定性评价方面边缘结构及细节信息也更加明显,表明本文算法较为突出。
