A Study on the Effect of Speckle Noise in Modeling Sea Clutter and a Mellin Transform-Based Method for Weibull Parameter Estimation
Notice bibliographique
Résumé
Target detection in sea clutter for satellite-based images is studied. The detection process is based on the Constant False Alarm Rate (CFAR) algorithm. To obtain the adaptive threshold, we conduct a thorough spatial statistical analysis of the sea clutter. The common issue with satellite-based Synthetic Aperture Radar (SAR) images is the contamination with speckle noise. The goal of the paper is to study the effect of the speckle noise on the statistical properties of the sea clutter. Based on the experimental data gathered from the Canadian RADARSAT-1 satellite, we demonstrate that the Weibull, Rayleigh, and K distributions are capable of modeling the statistical properties of the sea clutter in the presence of the speckle noise more precisely while Weibull, Gamma, inverse Gaussian, and Log-normal distributions describe the statistical properties of the sea clutter with higher accuracy when the speckle noise is removed. The goodness-of-fit measure is based on the Kullback-Leibler (KL) divergence metric. The speckle noise removal process is based on median filtering with the Peak Signal to Noise Ratio (PSNR) of the image as a measure for the filter parameter estimation.The presented results, indicate that the Weibull distribution is able to model the statistical properties of the sea clutter both in the presence and absence of the speckle noise with high accuracy. To estimate the parameters of the Weibull distribution, we propose a method based on the Mellin transform which compared to the existing techniques, provides a closed-form and untangled solutions for both parameters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».