CN113466812B

CN113466812B - 逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法

Info

Publication number: CN113466812B
Application number: CN202110512883.4A
Authority: CN
Inventors: 水鹏朗; 田超; 封天
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2021-05-11
Filing date: 2021-05-11
Publication date: 2024-03-19
Anticipated expiration: 2041-05-11
Also published as: CN113466812A

Abstract

本发明公开了一种逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法，包括：获取海杂波脉冲回波数据，并生成海杂波回波脉冲的模值递增序列；获取逆高斯纹理的复高斯海杂波模型的第二累积分布函数；根据第二累积分布函数设定第一累积概率和第二累积概率；建立形状参数对照表；构建第三累积概率与形状参数的函数表达式；利用模值递增序列获得第一幅值分位点和第二幅值分位点的估计值；获得形状参数估计值；根据形状参数估计值获得尺度参数估计值。本方法通过使用三分位点估计方法，在海杂波幅度分布的大背景下，提高了存在异常值单元下逆高斯纹理的复合高斯海杂波幅度模型的估计精度，充实了海洋目标检测方法类别。

Description

逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法

技术领域

本发明属于雷达目标检测技术领域，具体涉及一种逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法。可用于海杂波条件下的目标检测。

背景技术

在海杂波目标检测发展历程之中，海杂波仿真模型与实际海杂波分布特性契合精度是海杂波仿真模型构建的重要考虑前提。海杂波的幅值分布信息能够精确描述海杂波的回波统计特性，海杂波背景下最优检测器的设计依赖于海杂波幅值模型的参数。海杂波的幅值模型对与气象条件和雷达分辨率有着密切的关系。

当雷达分辨单元较大时，雷达分辨率较低，可以用复高斯模型来描述海杂波幅值特性，这时海杂波的幅值模型通常为瑞利分布。然而，随着雷达分辨率的不断提高，传统的复高斯模型无法满足精确描述海杂波特性的需求。对于低擦地角和高分辨的雷达，相比于瑞利分布模型，海杂波的幅值分布会出现比较长的拖尾，表现出较强的非高斯性，此时需要采用非高斯模型来描述海杂波幅值分布。复合高斯模型是一种使用较为广泛的海杂波模型，其将海杂波幅值分布描述为慢变的正纹理分量和快变的复高斯散斑分量的乘积。对于复合高斯模型，在海杂波检测时间段内，其散斑分量近似常数，其统计特性主要受纹理分量的影响。当纹理分量符合逆高斯分布时，其海杂波幅值模型符合逆高斯纹理的复合高斯分布。在改进的海杂波模型之中，相比于常用的K分布模型，逆高斯纹理的复合高斯海杂波幅值模型在高分辨率、低擦地角海杂波模型拟合更为精确，其能够较好拟合海杂波幅值分布的重拖尾特性。

矩估计和最大似然估计可以实现逆高斯纹理的复合高斯海杂波幅值模型的参数估计，但估计参数特性不稳定，在估计阶数较高的情况下更为明显。文献“Low-ordermoment-based estimation of shape parameter of CGIG clutter model.”中提出了一种矩估计方法。矩估计方法利用多种阶矩的联合来进行参数的估计，提高了估计精度。文献“Iterative Maximum Likelihood and Outlier-robust Bipercentile Estimation ofParameters of Compound-Gaussian Clutter With Inverse Gaussian Texture”中提出了一种最大似然估计方法。最大似然估计方法利用理论概率密度函数的联合来进行参数估计。然而这两种方法未考虑异常样本对杂波参数估计的影响，对于真实的海杂波数据来说，样本中经常含有少量高功率的异常值，这会使得矩估计性能大打折扣，精度出现大范围下降。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法，包括：

S1：获取海杂波脉冲回波数据，并生成海杂波回波脉冲的模值递增序列；

S2：获取逆高斯纹理的复高斯海杂波模型的第二累积分布函数；

S3：根据所述第二累积分布函数设定第一累积概率和第二累积概率；

S4：根据所述第一累积概率和第二累积概率建立形状参数对照表；

S5：构建第三累积概率与形状参数的函数表达式；

S6：利用所述模值递增序列获得第一幅值分位点和第二幅值分位点的估计值；

S7：根据所述第一幅值分位点和所述第二幅值分位点的估计值，获得逆高斯纹理的复高斯海杂波模型的形状参数估计值；

S8：根据所述形状参数估计值获得逆高斯纹理的复高斯海杂波模型的尺度参数估计值。

在本发明的一个实施例中，所述S2包括：

S21：获取逆高斯纹理的复高斯海杂波模型的幅值概率密度函数f(r；μ,γ)：

其中，r表示逆高斯纹理的复高斯海杂波模型的海杂波幅值，μ表示逆高斯纹理的复高斯海杂波模型的尺度参数，γ表示逆高斯纹理的复高斯海杂波模型的形状参数；

S22：根据所述幅值概率密度函数获得所述逆高斯纹理的复高斯海杂波模型的第一累积分布函数F(r；μ,γ)：

S23：根据所述第一累积分布函数F(r；μ,γ)获得所述逆高斯纹理的复高斯海杂波模型的第二累积分布函数F(r；1,γ)：

在本发明的一个实施例中，所述S3包括：

根据所述第二累积分布函数F(r；1,γ)的表达式，获得第一累积概率α和第二累积概率β的表达式：

α＝p(r≤r_α)＝F(r_α；1,γ)

β＝p(r≤r_β)＝F(r_β；1,γ)

其中，0.1＜α+0.1＜β＜1，r_α为第一累积概率α对应的第一幅值分位点，r_β为第二累积概率β对应的第二幅值分位点。

在本发明的一个实施例中，所述S4包括：

S41：对所述第一累积概率α和所述第二累积概率β的表达式求反函数，分别得到第一幅值分位点r_α和第二幅值分位点r_β的表达式：

r_α＝F^-1(α；1,γ)

r_β＝F^-1(β；1,γ)；

S42：将所述形状参数γ设定在区间[0,40]之间，间隔0.01遍历取值，获得多个形状参数γ；

S43：将S42获得的多个形状参数γ代入分别第一幅值分位点r_α和第二幅值分位点r_β的表达式，针对每一个形状参数γ分别代入预先给定的第一累积概率α和第二累积概率β，获得对应的第二幅值分位点r_β和第一幅值分位点r_α及对应比值

S44：获得每一个形状参数γ与对应比值的一一对应关系，生成形状参数对照表。

在本发明的一个实施例中，所述S5包括：

S51：根据估计误差经验公式，将第三幅值分位点r_ζ的估计误差表示为：

其中，σ_ζ表示第三幅值分位点r_ζ的估计误差，μ为尺度参数，γ为形状参数，ζ表示第三累积概率；

S52：设定第三幅值分位点r_ζ为尺度参数的均方根的线性函数，并将第三幅值分位点r_ζ的估计误差σ_ζ表示为第三累积概率ζ和形状参数γ的函数：

其中，s_ξ表示线性关系系数；

S53：将形状参数γ设定在区间[0,40]之间，间隔0.01遍历取值，获得多个形状参数γ；

S54：将第三累积概率ζ设定在区间[0.1,0.99]之间，间隔0.01遍历取值，获得第三累积概率ζ的多个取值；

S55：根据所述S52中的公式获得不同形状参数对应的最优第三累积概率；

S56：将不同形状参数对应的最优第三累积概率进行拟合，得到第三累积概率与形状参数的函数表达式：

ζ＝0.3066exp(-0.4654γ)+0.4459exp(-0.007486γ),γ＞0

其中，γ表示形状参数，ζ表示第三累积概率。

在本发明的一个实施例中，所述S6包括：

利用步骤S1中获得的海杂波回波脉冲的模值递增序列，得到第一幅值分位点和第二幅值分位点的估计值：

其中，为第一幅值分位点r_α的估计值，/>为第二幅值分位点r_β的估计值，round(N*α)表示最接近N*α的整数，round(N*β)表示最接近N*β的整数。

在本发明的一个实施例中，所述S7包括：

S71：利用形状参数对照表，得到不同形状参数γ对应的第二幅值分位点r_β和第一幅值分位点r_α的比值

S72：计算第二分位点估计值和第一分位点估计值/>的比值/>

S73：将比值与不同形状参数γ对应的比值/>进行对比，找出与比值/>最接近的/>对应的形状参数作为所述形状参数估计值/>

在本发明的一个实施例中，所述S8包括：

S81：根据第三累积概率与形状参数的函数表达式和所述形状参数估计值计算第三累计概率值ζ；

S82：利用第三累积概率ζ和形状参数估计值的函数式，得到尺度参数μ的估计值

本发明的另一方面提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上述实施例中任一项所述逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法的步骤。

本发明的又一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述实施例中任一项所述逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法的步骤。

与现有技术相比，本发明的有益效果在于：

1、本发明逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法，利用分位点信息进行参数估计，能够有效减少原始数据中功率较大的异常数值对参数估计性能的影响，相比于已有的矩估计方法和最大似然估计方法，具有比较高的抗异常数据的能力。

2、本发明逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法，利用理论公式构建了尺度参数估计的累积概率值与形状参数的函数表达式，在形状参数已知的条件下，可以比较准确地实现尺度参数的估计。同时，相比于双分位点估计，本发明的方法引入第三幅值分位点的估计误差较小，其对尺度参数估计性能较优。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法的流程图；

图2a为使用本发明以及现有技术的三种方法进行形状参数估计的相对均方根误差比较图；

图2b为双分位点和本发明实施例的三分位点估计方法形状参数估计的相对均方根误差对比图；

图2c为使用本发明实施例以及现有技术的三种方法进行尺度参数估计的相对均方根误差比较图；

图2d为双分位点和本发明实施例的三分位点估计方法尺度参数估计的相对均方根误差对比图。

具体实施方式

为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法进行详细说明。

有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。

应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。

在实际雷达工作环境中，需要对不同海杂波背景下的雷达回波数据进行目标检测处理，而目标检测器的设计则是目标检测处理环节的关键步骤。不同海杂波背景下目标检测器的检验统计量和检测门限都与海杂波两个特性参数密切相关，即尺度参数和形状参数，海杂波这两个特性参数的精确性和稳定性是评定海洋背景下目标检测器检测性能的重要指标。换句话说，海杂波特性参数(形状参数和尺度参数)决定目标检测器检测门限的选取，检测门限的选取直接影响虚警率，进而影响目标检测精度。海杂波特性参数越接近海杂波真实特性参数，目标检测精度越高。

本发明实施例的目的是提出一种逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法，在满足逆高斯纹理的复高斯分布的海杂波下，对杂波的尺度参数和形状参数估计更精确，依据本发明实施例方法获得的尺度参数和形状参数设计的目标检测器检测门限更优，对目标检测虚警率控制更好，检测精度更高。

请参见图1，图1是本发明实施例提供的一种逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法的流程图。该方法包括：

S1：获取海杂波脉冲回波数据并进行取模值递增排序，生成海杂波回波脉冲的模值递增序列。

雷达发射机发射的电磁脉冲信号由于在海平面发生散射，其回波信号经过雷达接收机后服从逆高斯纹理的复高斯分布，通过仿真得到海杂波脉冲回波数据：

{r₁,r₂,....,r_i,....,r_N}

其中，i＝1,2,...,N，N表示海杂波脉冲回波数据的数量，r_i表示海杂波脉冲回波数据中的第i个海杂波脉冲回波数据的幅值。

随后，对海杂波脉冲回波数据进行取模值递增排序，得到所述海杂波脉冲回波数据的模值递增序列。

S2：获取逆高斯纹理的复高斯海杂波模型的第二累积分布函数。

在本实施例中，步骤S2具体包括：

其中，r表示逆高斯纹理的复高斯海杂波模型的海杂波幅值，μ表示逆高斯纹理的复高斯海杂波模型的尺度参数，γ表示逆高斯纹理的复高斯海杂波模型的形状参数。

S22：根据所述幅值概率密度函数获得所述逆高斯纹理的复高斯海杂波模型的第一累积分布函数F(r；μ,γ)。

具体地，对步骤S21中得到的幅值概率密度函数f(r；μ,γ)进行积分，得到逆高斯纹理的复高斯海杂波模型的第一累积分布函数F(r；μ,γ)：

S23：根据所述第一累积分布函数F(r；μ,γ)获得所述逆高斯纹理的复高斯海杂波模型的第二累积分布函数F(r；1,γ)。

具体地，将第一累积分布函数F(r；μ,γ)的尺度参数μ固定为1，得到所述第二累积分布函数F(r；1,γ)：

S3：根据所述第二累积分布函数设定第一累积概率和第二累积概率。

根据所述第二累积分布函数F(r；1,γ)的表达式，所述第二累积分布函数F(r；1,γ)的第一累积概率α和第二累积概率β满足：

α＝p(r≤r_α)＝F(r_α；1,γ) (4)

β＝p(r≤r_β)＝F(r_β；1,γ) (5)

其中，0.1＜α+0.1＜β＜1，r_α为第一累积概率α对应的第一幅值分位点；r_β为第二累积概率β对应的第二幅值分位点。

S4：根据所述第一累积概率和所述第二累积概率建立形状参数对照表。

具体地，步骤S4包括：

S41：对S3中的表达式(4)和(5)求反函数，分别得到第一幅值分位点r_α和第二幅值分位点r_β的表达式：

r_α＝F^-1(α；1,γ) (6)

r_β＝F^-1(β；1,γ) (7)

S42：将所述逆高斯纹理的复高斯海杂波模型的形状参数γ设定在区间[0,40]之间，间隔0.01遍历取值，从而获得多个形状参数γ。即，形状参数γ的取值依次为0、0.01、0.02、0.03……39.99、40。

S43：将S42获得的多个形状参数γ代入式(6)和(7)中，针对每一个形状参数γ分别代入预先给定的第一累积概率α和第二累积概率β，计算出第二幅值分位点r_β与第一幅值分位点r_α的比值可以理解的是，每一个形状参数γ对应一个比值，对所有的形状参数λ分别与给定的第一累积概率α和第二累积概率β带入式(6)和(7)中，获得与形状参数λ对应个数的比值，从而生成形状参数对照表，即形状参数λ与所述比值的一一对应关系表。在本实施例中，将第一累积概率和第二累积概率给定为0.21和0.80。

S5：构建第三累积概率与形状参数的函数表达式。

具体地，所述S5包括：

S51：根据估计误差经验公式可以得到，在样本数量(在本实施例中即为海杂波脉冲回波数据的数量N)给定的前提下，第三幅值分位点r_ζ的估计值服从渐进正态分布，则第三幅值分位点r_ζ的估计误差可以表示为：

其中，σ_ζ表示第三幅值分位点r_ζ的估计误差，μ为尺度参数，γ为形状参数，ζ表示第三累积概率。、

S52：设定第三幅值分位点r_ζ为尺度参数的均方根的线性函数，病将第三幅值分位点r_ζ的估计误差σ_ζ表示为第三累积概率ζ和形状参数γ的函数。

在本实施例中，令则公式(8)可以变形为：

其中，s_ξ表示线性关系系数。

S53：将形状参数γ设定在区间[0,40]之间，间隔0.01遍历取值，获得多个形状参数γ。即，形状参数γ的取值依次为0、0.01、0.02、0.03……39.99、40。

S54：将第三累积概率ζ设定在区间[0.1,0.99]之间，间隔0.01遍历取值，获得第三累积概率ζ的多个取值。即，第三累积概率ζ的取值依次为0、0.1、0.11、0.12……0.98、0.99。

S55：对于步骤S53中获得的每个形状参数γ，对第三幅值分位点r_ζ的估计误差进行计算，获得不同形状参数对应的最优第三累积概率。

具体地，对于给定的一个形状参数γ，对第三累积概率的所有取值进行遍历，记录第三幅值分位点r_ζ的估计误差σ_ζ最小情况下的形状参数值和第三累积概率值，一个形状参数值能够得到一个最优第三累积概率；接着，选取另一个形状参数，重复上述步骤，获得该形状参数的最优第三累积概率，以此类推，则一组形状参数值就能得到一组最优第三累积概率。需要说明的是，在计算过程中，将尺度参数μ固定为1。

S56：根据步骤S55中得到的结果，将不同形状参数对应的最优第三累积概率进行拟合，得到第三累积概率与形状参数的函数表达式：

ζ＝0.3066exp(-0.4654γ)+0.4459exp(-0.007486γ),γ＞0 (10)

其中，γ表示形状参数，ζ表示第三累积概率；

S6：利用所述海杂波回波脉冲的模值递增序列获得第一幅值分位点r_α和第二幅值分位点r_β的估计值。

具体地，利用步骤S1中获得的海杂波回波脉冲的模值递增序列，得到第一幅值分位点和第二幅值分位点的估计值：

S7：根据所述第一幅值分位点和所述第二幅值分位点的估计值，获得逆高斯纹理的复高斯海杂波模型的形状参数估计值

具体地，所述S7包括：

S72：计算第二分位点估计值和第一分位点估计值/>的比值/>

S73：将比值与不同形状参数γ对应的比值/>进行对比，找出与比值/>最接近的比值/>对应的形状参数作为所述形状参数估计值/>

在本实施例中，所述S8包括：

S81：根据步骤S5中获得的第三累积概率与形状参数的函数表达式以及所述形状参数估计值计算第三累计概率ζ的值。

具体地，将步骤S73中得到的形状参数估计值代入公式(10)中，得到第三累计概率ζ的值。

S82：利用累积分布函数、第三累积概率ζ和形状参数估计值获得尺度参数μ的估计值/>

具体地，所述S82包括：

S821：计算第三累积概率ζ对应的第三幅值分位点r_ζ的估计值

其中，round(N*ζ)表示最接近N*ζ的整数。

S822：根据公式(12)计算出的第三幅值分位点r_ζ的估计值对其函数形式变形，得到尺度参数μ的函数表达式。

具体地，令第三累积概率ζ，则对应的累积分布函数F(r_ζ；μ,γ)有：

对其变形可以得到：

进一步变形为：

其中，W(x)表示Lambert W函数，其表示为xe^x的反函数形式，即y＝xe^x，则x＝W(y)，

得到尺度参数μ的函数表达式：

S823：根据公式(16)的尺度参数μ的函数表达式，代入第三累积概率ζ，并且以第三幅值分位点估计值替代公式(16)中的r_ζ，以步骤S7中的形状参数估计值/>替代公式(16)中的γ，得到尺度参数估计值/>的表达式：

根据公式(17)即可求出逆高斯纹理的复高斯海杂波模型的尺度参数估计值

进一步地，在获得了逆高斯纹理的复高斯海杂波模型的尺度参数和形状参数之后，根据尺度参数和形状参数可以更加精确地选取目标检测器的检测门限，进而获得更加精确的目标检测结果。

下面结合仿真实验对本发明逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法的效果做进一步说明。

(1)仿真参数设置

使用MATLAB软件仿真产生服从逆高斯纹理的复高斯分布的杂波数据，其中样本数量(海杂波脉冲回波数据的数量)N＝10000。将形状参数取值设为区间[0.02,15]，间隔0.01，尺度参数设为1。随机加入异常样本，其中，异常样本功率与杂波功率的比值为10-100之间的随机数，异常样本比例为0-2％之间的随机数。将第一累积概率和第二累积概率选为0.21和0.80。

(2)仿真实验内容

分别采用本发明实施例的方法、2-4阶矩估计、最大似然估计和双分位点估计这4种方法对仿真产生的逆高斯纹理的复高斯海杂波模型的数据样本进行形状参数和尺度参数的估计，结果如图2a至图2d所示，其中，图2a为使用本发明实施例以及现有技术的三种方法进行形状参数估计的相对均方根误差比较图，其中，横坐标线性表示形状参数取值，纵坐标对数表示形状参数相对均方根误差；图2b为双分位点和本发明实施例的三分位点估计方法形状参数估计的相对均方根误差对比，因矩估计和最大似然估计精度较差导致分位点对比不明显，本图做分位点估计方法对比，其中，横坐标线性表示形状参数取值，纵坐标对数表示形状参数相对均方根误差；图2c为使用本发明实施例以及现有技术的三种方法进行尺度参数估计的相对均方根误差比较图，其中，横坐标线性表示形状参数取值，纵坐标对数表示尺度参数相对均方根误差；图2d为双分位点和本发明实施例的三分位点估计方法尺度参数估计的相对均方根误差对比图，因矩估计和最大似然估计精度较差导致分位点对比不明显，本图做分位点估计方法对比，其中，横坐标线性表示形状参数取值，纵坐标对数表示尺度参数相对均方根误差。

由图2a和图2b可知，当样本数量N相同，用4种方法进行形状参数估计时，2-4阶矩估计、最大似然估计和双分位点估计的性能均受异常点影响而变差，其中2-4阶矩估计和最大似然估计方法的相对均方根误差最大，双分位点估计方法对应的相对均方根误差稍大于本发明实施例的方法，而本发明实施例的方法对应的相对均方根误差最小，估计性能最好。

由图2c和图2d可知，当样本数量N相同，用4种方法进行尺度参数估计时，2-4阶矩估计、最大似然估计方法的性能明显变差，双分位点估计方法性能稍差于本发明实施例的方法。从结果可以看出，本发明实施例的三分位点估计方法对应的相对均方根误差最小，估计性能最好。

对比图2a至图2d可以看出，2-4阶矩估计和最大似然估计方法均使用样本的矩来对逆高斯纹理的复高斯海杂波幅值模型参数进行估计，所以其相对均方根误差受异常样本的影响较大。双分位点估计方法与本发明实施例的估计方法类似，但本发明实施例的方法引入估计最优的第三分位点，使得本方法抗异常数据能力最好，计算效率相对较高。在实际雷达目标检测之中，难免存在异常点，在尽可能消除异常点带来的影响的趋势下，本发明方法有其领先之处。

综上，本发明实施例逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法，利用分位点信息进行参数估计，能够有效减少原始数据中功率较大的异常数值对参数估计性能的影响，相比于已有的矩估计方法和最大似然估计方法，具有比较高的抗异常数据的能力；此外，该方法利用理论公式构建了尺度参数估计的累积概率值与形状参数的函数表达式，在形状参数已知的条件下，可以比较准确地实现尺度参数的估计。同时，相比于双分位点估计，本发明的方法引入第三幅值分位点的估计误差较小，其对尺度参数估计性能较优。

本发明的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上述实施例中所述方法的步骤。本发明的再一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上述实施例所述方法的步骤。具体地，上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims

1.一种逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法，其特征在于，包括：

S5：构建第三累积概率与形状参数的函数表达式；

S8：根据所述形状参数估计值获得逆高斯纹理的复高斯海杂波模型的尺度参数估计值，

所述S2包括：

所述S3包括：

α＝p(r≤r_α)＝F(r_α；1,γ)

β＝p(r≤r_β)＝F(r_β；1,γ)

其中，0.1<α+0.1<β<1，r_α为第一累积概率α对应的第一幅值分位点，r_β为第二累积概率β对应的第二幅值分位点，

所述S4包括：

r_α＝F^-1(α；1,γ)

r_β＝F^-1(β；1,γ)；

S44：获得每一个形状参数γ与对应比值的一一对应关系，生成形状参数对照表，

所述S5包括：

其中，s_ξ表示线性关系系数；

ζ＝0.3066exp(-0.4654γ)+0.4459exp(-0.007486γ),γ>0

其中，γ表示形状参数，ζ表示第三累积概率。

2.根据权利要求1所述的逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法，其特征在于，所述S6包括：

3.根据权利要求2所述的逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法，其特征在于，所述S7包括：

S72：计算第二分位点估计值和第一分位点估计值/>的比值/>

4.根据权利要求3所述的逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法，其特征在于，所述S8包括：

S82：利用第三累积概率ζ和形状参数估计值的函数式，得到尺度参数μ的估计值/>

5.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序用于执行权利要求1至4中任一项所述逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法的步骤。

6.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至4任一项所述逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法的步骤。