论文部分内容阅读
合成孔径声纳(Synthetic Aperture Sonar)是现代一种常用的水下探测声纳，它的基本原理是小尺寸的基阵通过匀速直线运动来模拟大孔径基阵，从而获得距离向和方位向的高分辨率。该技术最先运用于合成孔径雷达(Synthetic Aperture Radar，简称SAR)，成为对地观测的主要手段。在SAR基础上，经过国内外学者多年的研究，成功将其运用到声纳中，成为一种新型的水下观测手段，其国内外研究成果已经显示出广泛而巨大的军事及民用前景。 在SAS相关的诸多研究中，其图像统计特性的研究具有重要科研价值和现实意义。它是去除SAS图像中噪声污染，提高SAS图像成像质量，提出SAS新成像算法的基础。理想的SAS图像可以用K分布描述，可是，在实际探测过程中，由于多途等噪声污染，使其图像的统计特性有所改变，分布偏离K分布而更偏向于由直达波和噪声两部分构成的K+K混合分布，对于具有K+K分布的SAS图像数据，在数据处理中的一个重要问题是怎样从统计学的角度将直达波数据和噪声数据分离，为提高SAS图像成像质量及进一步研究SAS图像统计特性奠定基础。 基于以上分析，本文运用最小错误概率BAYES分类方法和K-MEANS聚类方法对其研究，以达到将直达波数据和噪声数据分离开，从数据的角度去除噪声的效果。 其中，将最小错误概率Bayes分类运用于混合K分布数据中，从理论上推导其在混合K+K分布数据分离中的运用，最后通过实验分析其运用的实际效果和各种不同参数对分类效果的影响并得出结论。 K-MEANS聚类算法是图像和数据聚类中的一种经典算法，其最主要的一个特点是其本身是一种无参聚类方法，将其运用于混合K分布中，可以有效解决混合K分布参数估计困难的特点，从而寻找到一条从图像和数据中直接去除K分布中由于多涂污染而产生的噪声的道路。 在SAS图像数据统计特性的研究中，怎样证明使用的数据和分类后数据服从K分布，以保证研究的有效性，是一个必要问题，本文运用KS算法解决此问题，用于保证研究的有效性和实际意义。