CN109492190B - 一种基于分部式高斯混合模型的冰下层位检测方法 - Google Patents

Abstract

本发明涉及冰下层位的检测方法，具体涉及基于分部式高斯混合模型的冰下层位检测方法。包括步骤为：对待处理探冰雷达数据，构建分部式高斯混合模型；对各分部探冰雷达数据，分别采用模糊C均值聚类处理和期望最大化算法，迭代求解各高斯分布模型中模型参数的初值和最大似然估计值；基于迭代求解结果，构建分类标签矩阵，实现冰下层位检测。本发明基于探冰雷达数据，通过构建分部式高斯混合模型，反映冰下介质属性的差异，降低冰下噪声干扰的同时，实现对冰下层位的有效检测和提取。

Description

一种基于分部式高斯混合模型的冰下层位检测方法

技术领域

本发明涉及冰下层位检测的方法，具体涉及基于分部式高斯混合模型的冰下层位检测方法。

背景技术

在冰下层位检测方面，空气和冰盖交界面、冰盖内部层、冰下冰岩交界面、冰下湖是探冰雷达探测的主要目标。由于探冰雷达在数据采集过程中会引入噪声干扰，这使得获取的冰下层位信息模糊，对于分析冰层结构和冰下地形，造成了很大的影响。同时，对于探冰雷达图像的大数据量特点，自动、高效的层位提取和分析技术显得格外重要。本发明主要涉及探冰雷达数据的冰下层位检测方法。

近年来，在对层位特征的提取和分析方面，许多图像处理的技术被用于探冰雷达数据的处理，实现了对层位的半自动或自动的检测和提取。例如，活动围道方法、隐马尔科夫模型方法，基于边缘检测算子的方法(Canny算子、Sobel算子、Roberts算子、Prewitt算子、Laplace算子等)、水平截集的方法、基于图形学的边缘检测方法和其他基于边缘轮廓的检测和分割方法等被用于检测冰-岩界面和冰盖内部层位。从检测效果来看，自动层位提取技术对雷达图像进行全局性操作，层位检测效果不够理想；半自动层位提取技术需要人工参与完成，可以得到较好的层位检测结果，但对于大数据量的探冰雷达图像数据来说，处理效率会大受影响；边缘检测算子的目标检测和提取方法需要选择合理的边缘检测模板，并涉及边缘检测模板与图像局部邻域的卷积运算，对于大数据量的探冰雷达图像存在着模板选择的不适用性和运算量增加等可能出现的问题。

因此，对于探冰雷达图像的层位检测和提取，应结合介质的不同属性，对所关注的不同层位特征进行分部检测和提取，减少人工参与，实现对层位的自动、准确、高效的检测和提取，这将为冰层结构和冰下地形地貌的探测和分析提供一个直观、有效的新途径。

发明内容

本发明的目的在于基于探冰雷达数据，通过构建分部式高斯混合模型，反映冰下介质属性的差异，降低冰下噪声干扰的同时，实现对冰下层位的有效检测和提取。

本发明是通过以下技术方案实现的，包括以下步骤：

第一步，对待处理探冰雷达数据X(r,t)，构建分部式高斯混合模型，得到K个分部探冰雷达数据X^(k)(r,t),(k＝1,2,...,K)，其分别对应一种高斯分布φ(X|θ_k),(k＝1,2,...,K)。

所述的对待处理探冰雷达数据X(r,t)，构建分部式高斯混合模型，具体是：对各道探冰雷达数据的幅度序列，采用经验平均曲线分解法对其进行信号分解；取第一个信号分解分量，作为该道数据的包络表征，检测其在特定窗口范围内的跳变点；将检测到的跳变点作为介质层位分界点，基于此构建分部式高斯混合模型如下：

其中，

K是高斯混合模型的数量，即分部数量，φ(X|θ_k)是第k个高斯分布的概率密度，θ＝(α₁...α_Kθ₁...θ_K)是待估计模型参数，α_k是每个高斯分布的权重且∑α_k＝1。

第二步，对各分部探冰雷达数据X^(k)(r,t),(k＝1,2,...,K)，分别采用模糊C均值聚类处理和期望最大化算法，迭代求解各高斯分布模型中模型参数的初值和最大似然估计值。

所述的对各分部探冰雷达数据X^(k)(r,t),(k＝1,2,...,K)，分别采用模糊C均值聚类处理和期望最大化算法，迭代求解各高斯分布模型中模型参数的初值和最大似然估计值，具体是：对各分部数据X^(k)(r,t),(k＝1,2,...,K)，将模糊C均值聚类方法得到的聚类中心作为高斯分布模型的均值初值，将每类的类内方差作为高斯分布模型的方差初值，将每类样本个数/总数作为该高斯分布的权重；进而，采用期望最大化算法，迭代求解模型参数的最大似然估计解和数据x_i属于某类的概率估计如下：

其中，t为迭代次数，i为数据序号。

第三步，基于迭代求解结果，构建分类标签矩阵L，基于此实现冰下层位检测。

所述的基于迭代求解结果，构建分类标签矩阵L，基于此实现冰下层位检测，具体是：基于迭代求解结果，分析数据x_i属于某类的最大后验概率，确定其类别如下：

设定数据x_i的类别标签为L_i＝k,对所有数据进行同样分析，构建分类标签矩阵L为：

其中，M为每道探冰雷达数据长度，N为探冰雷达数据的道数；基于分类标签矩阵L，结合步骤(1)得到的各道数据包络跳变点，分析L中每列数据的类别差异跳变点，将其作为边界跳变点，基于此实现冰下层位的检测。

与现有技术相比，本发明的有益效果是：

(1)本发明基于分部式高斯混合模型的冰下层位检测方法，特别是构建分部式高斯混合模型，可有效结合介质的不同属性，对所关注的不同层位特征进行分部检测和提取；

(2)采用第一个信号分解分量作为数据的包络表征，可在一定程度上减少噪声的干扰，有助于降低冰下噪声干扰的同时，实现对冰下层位的有效检测和提取；

(3)采用模糊C均值和期望最大化迭代求解的方法，可有效避免高斯混合模型迭代求解陷入局部极值，同时减少计算量。

附图说明

图1为本发明冰下层位检测方法的流程图。

图2为本发明实施例中待处理的极地探冰雷达数据成像图。

图3为本发明实施例中第840道探冰雷达数据幅度序列。黑线代表原始信号，红线、蓝线、紫线、黄线和绿线分别表示第1～5分解后的信号分量。

图4为本发明本实施例中第840道探冰雷达数据包络跳变点检测结果。

图5为本发明本实施例中待处理图像层位边界初步检测结果。

图6为本发明本实施例中基于分类标签矩阵的初步分割结果。

图7为对本发明实施例采用本发明方法的冰下层位检测结果。

具体实施方式：

下面结合附图对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

本发明中所使用的数据来源于中国科学院电子学研究所研制的探冰雷达，没有具体型号，没有批产。具体参数如下：工作带宽：100MHz，中心频率：150MHz，发射信号类型：线性调频信号，天线阵列：2个。

如图1所示，本发明极地探冰雷达数据噪声抑制方法实施例的流程如下：

第一步，对图2所示待处理冰雷达数据X(r,t)(图像大小为3276×24576，即M＝24576，N＝3276)构建分部式高斯混合模型。

(1)对各道探冰雷达数据的幅度序列，采用经验平均曲线分解法(EMCD，EmpiricalMean Curve Decomposition)对其进行信号分解，如图3所示，共分解得到5个信号分量；

(2)取第一个信号分解分量作为该道数据的包络表征，检测其在特定窗口范围内的跳变点，第1368道数据的检测结果如图4中红点所示；

(3)将检测到的跳变点作为介质层位初步分界点，基于此构建分部式高斯混合模型如下：

其中，

K是高斯混合模型的数量，即分部数量，本实施例中K＝6，φ(X|θ_k)是第k个高斯分布的概率密度，θ＝(α₁...α_Kθ₁...θ_K)是待估计模型参数，α_k是每个高斯分布的权重且∑α_k＝1。

第二步，对各分部探冰雷达数据X^(k)(r,t),(k＝1,2,...,K)，分别采用模糊C均值聚类处理和期望最大化算法，迭代求解各高斯分布模型中模型参数的初值和最大似然估计值。

(1)对各分部数据X^(k)(r,t),(k＝1,2,...,K)，采用模糊C均值聚类方法，求解如下最小化问题：

其中，C为分类数，p为加权指数，u_ij表示数据x_i对该类的模糊隶属度：

将模糊C均值聚类方法得到的聚类中心c_j作为高斯分布模型的均值初值μ_k ⁽⁰⁾，将每类的类内方差S_k作为高斯分布模型的方差初值

将每类样本个数/总数n_k/n作为该高斯分布的权重α_k ⁽⁰⁾；

(2)采用期望最大化算法，迭代求解模型参数的最大似然估计解和数据x_i属于某类的概率估计如下：

其中，t为迭代次数，i为数据序号。

第三步，基于迭代求解结果，构建分类标签矩阵L，基于此实现冰下层位检测。

(1)基于迭代求解结果，分析数据x_i属于某类的最大后验概率，确定其类别如下：

(2)设定数据x_i的类别标签为L_i＝k,对所有数据进行同样分析，构建分类标签矩阵L为：

基于分类标签矩阵的初步分割结果如图6所示；

(3)基于分类标签矩阵L，结合第一步得到的各道数据包络跳变点，对L中每列数据向上向下搜索，将检测到的第一个跳点作为边界跳变点，基于此实现冰下层位的检测，如图7所示。

本实施例待处理冰雷达数据第840道数据幅度序列波形如图3中黑线所示，其对应包络如图3中红线所示。本实施例冰下层位检测结果如图7所示，从图7可见，本发明方法用于极地探冰雷达数据冰下层位检测时，可以有效的反映出冰下介质层位的属性差异，检测得到的层位边界连续、准确，检测过程自动完成，无需人工参与。同时，只选择第一个信号分解分量作为数据的包络表征，可在一定程度上减少噪声的干扰，有助于降低冰下噪声干扰的同时，实现对冰下层位的有效检测和提取。

上述说明已经充分介绍了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应的，本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。

Claims (1)

1.一种基于分部式高斯混合模型的冰下层位检测方法，其特征在于，所述方法包括以下步骤：

(1)对待处理探冰雷达数据X(r,t)，构建分部式高斯混合模型，得到K个分部探冰雷达数据X^(k)(r,t),(k＝1,2,...,K)，其分别对应一种高斯分布φ(X|θ_k),(k＝1,2,...,K)；

(2)对各分部探冰雷达数据X^(k)(r,t),(k＝1,2,...,K)，分别采用模糊C均值聚类处理和期望最大化算法，迭代求解各高斯分布模型中模型参数的初值和最大似然估计值；

(3)基于迭代求解结果，构建分类标签矩阵L，基于此实现冰下层位检测；

其中，所述步骤(1)的对待处理探冰雷达数据X(r,t)，构建分部式高斯混合模型，具体是：

对各道探冰雷达数据的幅度序列，采用经验平均曲线分解法对其进行信号分解；取第一个信号分解分量，作为该道数据的包络表征，检测其在特定窗口范围内的跳变点；将检测到的跳变点作为介质层位分界点，基于此构建分部式高斯混合模型如下：

其中，

K是高斯混合模型的数量，即分部数量，φ(X|θ_k)是第k个高斯分布的概率密度，θ＝(α₁...α_Kθ₁...θ_K)是待估计模型参数，α_k是每个高斯分布的权重且∑α_k＝1；

其中，所述步骤(2)的对各分部探冰雷达数据X^(k)(r,t),(k＝1,2,...,K)，分别采用模糊C均值聚类处理和期望最大化算法，迭代求解各高斯分布模型中模型参数的初值和最大似然估计值，具体是：

对各分部数据X^(k)(r,t),(k＝1,2,...,K)，将模糊C均值聚类方法得到的聚类中心作为高斯分布模型的均值初值，将每类的类内方差作为高斯分布模型的方差初值，将每类样本个数/总数作为该高斯分布的权重；进而，采用期望最大化算法，迭代求解模型参数的最大似然估计解和数据x_i属于某类的概率估计如下：

其中，j为迭代次数，i为数据序号；

其中，所述步骤(3)的基于迭代求解结果，构建分类标签矩阵L，基于此实现冰下层位检测，具体是：基于迭代求解结果，分析数据x_i属于某类的最大后验概率，确定其类别如下：

设定数据x_i的类别标签为L_i＝k,对所有数据进行同样分析，构建分类标签矩阵L为：

其中，M为每道探冰雷达数据长度，N为探冰雷达数据的道数；基于分类标签矩阵L，结合步骤(1)得到的各道数据包络跳变点，分析L中每列数据的类别差异跳变点，将其作为边界跳变点，基于此实现冰下层位的检测。

Images