519.2 Применение модели смеси вероятностных распределений в обработке радиолокационных изображений
Достовалова А. М. (МГТУ им.Н.Э.Баумана)
СМЕСЬ РАСПРЕДЕЛЕНИЙ, ДИСКРЕТНАЯ СМЕСЬ, ПОИСК ОБЪЕКТОВ НА РЛИ, ИДЕНТИФИЦИРУЕМОСТЬ, ЕМ-АЛГОРИТМ, НОРМАЛЬНАЯ МОДЕЛЬ, ЛОКАЛЬНАЯ ОЦЕНКА ПАРАМЕТРОВ СМЕСИ, БАЙЕСОВСКИЙ ИНФОРМАЦИОННЫЙ КРИТЕРИЙ
doi: 10.18698/2309-3684-2020-3-117130
Рассматривается задача обнаружения объектов на радиолокационном изображении (РЛИ). При ее решении предлагается использовать в качестве модели, описывающей структуру обрабатываемого изображения, смесь из нескольких вероятностных распределений. Предполагается, что каждой ее компоненте соответствует один из классов объектов, присутствующих на РЛИ, сходных по своим отражающим свойствам. Эта гипотеза позволяет осуществлять поиск объектов, решая задачу разделения смеси вероятностных распределений. Возможно применение для этого существующих методов разложения смесей — например, ЕМ–алгоритма. Однако сама структура изображения, на котором значимые классы отсчетов являются локальными неоднородностями, состоящими из малого числа пикселей в сравнении с объемом их общей совокупности, накладывает ограничения на возможность использования этих алгоритмов в чистом виде и приводит к необходимости создания их адаптаций, учитывающих эту особенность входных данных. В статье представлены результаты применения адаптированного EM–алгоритма на примере сгенерированной модели РЛИ с отсчетами, подчиняющимися нормальному закону. Проведена оценка эффективности созданного алгоритма для решения поставленной задачи в сравнении с результатами применения классической версии EM–алгоритма для этой модели. Полученные данные позволили выявить особенности метода, обусловленные как самой механикой обработки изображения, так и свойствами процедуры разделения смесей вероятностных распределений — EM–алгоритма, которые необходимо учитывать при дальнейшем использовании этого метода обработки изображений.
[1] Kayabol K., Krylov V.A., Zerubia, J. Unsupervised classification of SAR images using hierarchical agglomeration and EM. Lecture Notes in Computer Science, 2012, vol. 7252, pp. 54–65.
[2] Колфилд Г. Оптическая голография. Т.2. Москва, Мир, 1982, 736 p.
[3] Gao G. Statistical modeling of SAR images: A survey. Sensors, 2010, vol. 1, iss. 1, pp. 775–795.
[4] Купряшкин И.Ф., Лихачев В.П. Космическая радиолокационная съемка земной поверхности в условиях помех. Воронеж, Научная книга, 2014, 458 с.
[5] Королёв В.Ю. EM-алгоритм, его модификации и применение к задаче разделения смесей вероятностных распределений. Москва, Изд-во ИПИ РАН, 2007, 102 с.
[6] Teicher H. Identifiability of finite mixtures. The Annals of Mathematical Statistics, 1963, vol. 34, no. 4. pp. 1265 –1269.
[7] Prakasa Rao B.L.S. Characterizations of probability distributions through Q-independence. Theory of Probability and its Applications, 2018, vol. 62, iss. 2, pp. 335–338.
[8] Большев Л.Н., Смирнов Н.В. Таблицы математической статистики. Москва, Наука, 1965, 464 с.
[9] Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности: cправ. изд. Москва, Финансы и статистика, 1989, 606 с.
[10] Wikipedia. The Free Encyclopedia. Expectation–maximization algorithm [Электронный ресурс]. Режим доступа: https://en.wikipedia.org/wiki/Expectation_maximization_algorithm (дата обращения: 26.10.2020).
[11] Wikipedia. The Free Encyclopedia. k-means clustering [Электронный ресурс]. Режим доступа: https://en.wikipedia.org/wiki/K-means_clustering (дата обращения: 30.10.2020).
[12] Королев Ю.В., Назаров А.Л. Разделение смесей вероятностных распределений при помощи сеточных методов моментов и максимального правдоподобия. Автоматика и телемеханика, 2010, вып. 3, с. 98–116.
Достовалова А.М. Применение модели смеси вероятностных распределений в обработке радиолокационных изображений. Математическое моделирование и численные методы, 2020, № 3, с. 117–130.
Скачать статью
Количество скачиваний: 458