A Study on the Effect of Speckle Noise in Modeling Sea Clutter and a Mellin Transform-Based Method for Weibull Parameter Estimation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle