1.一种合成孔径雷达图像建模方法，其特征在于，包括以下步骤：步骤1：对输入的SAR图像数据X，创建非零灰度值的非归一化的灰度等级直方图Y，其中，Y＝{h(r)；r＝1，2，...，L-1}，r为所述SAR图像数据X的灰度等级，L为所述灰度等级的个数，h(r)为所述SAR图像数据X中灰度等级为r的数据的个数；

步骤2：根据如下公式，将广义伽玛分布作为广义伽玛混合模型的多个分量，并将所述多个分量进行加权累加，得到所述广义伽玛混合模型：其中，

M为所述分量的个数，

πm为第m个分量的混合权重值，满足 且πm≥0，θm＝{vm，κm，σm；m＝1，2，...，M}为第m个分量的参数集合，其中，vm为幂参数，κm为形状参数，σm为尺度参数，Θ＝{M，π1，π2，...，πM，θ1，θ2，...，θM}为所述广义伽玛混合模型的参数集合，GΓD(·) 为所述广义伽玛分布的概率密度函数，满足其中，Γ(κm)是关于参数κm的伽玛函数；

步骤3：基于HECM-MML-GΓMM算法对所述广义伽玛混合模型的参数集合Θ进行估计，得到分量的个数的估计量 各分量的混合权重值的估计量 各分量的参数集合的估计量 以获得所述广义伽玛混合模型的参数集合的估计量从而完成所述广义伽玛混合模型的建立，所述HECM-MML-GΓMM算法是指针对广义伽玛混合模型GΓMM，采用基于直方图条件期望最大化HECM和最小信息长度准则MML对参数集合Θ进行估计的无监督学习算法。

2.根据权利要求1所述的方法，其特征在于，所述步骤3进一步包括：步骤3-00：将分量的个数的估计变量 以及第一、第二、第三和第四参数子集的估计变量 和 分别设置为初始值和 并将迭代次数t设置为初始值0，其中，第一参数子集 为各分量的所述混合权重值的估计变量的集合，

第二参数子集 为各分量的所述幂参数的估计变量的集合，

第三参数子集 为各分量的所述形状参数的估计变量的集合，

第四参数子集 为各分量的所述尺度参数的估计变量的集合；

步骤3-05：根据如下公式计算灰度等级为r的数据属于第m个分量的后验概率步骤3-10：对 个分量中的每个分量，根据如下公式更新所述混合权重值的估计变量：其中， 为所述广义伽玛混合模型的参数集合的估计变量，

然后根据如下公式更新所述第一参数子集步骤3-15：删除所述混合权重值的估计变量 小于或等于0的分量，并更新所述广义伽玛混合模型的参数集合的估计变量步骤3-20：对 个分量中的每个分量，根据如下公式更新所述幂参数的估计变量：其中，

然后根据如下公式更新所述第二参数子集步骤3-30：对 个分量中的每个分量，根据如下公式更新所述形状参数的估计变量的具有单调性的双伽玛函数并根据 的单调性计算

然后根据如下公式更新所述第三参数子集步骤3-40：对 个分量中的每个分量，根据如下公式更新所述尺度参数的估计变量：然后根据如下公式更新所述第四参数子集步骤3-50：更新所述迭代次数t＝t+1，记录本次迭代过程得到的所述广义伽玛混合模型的参数集合的估计变量步骤3-53：对本次迭代过程得到的所述广义伽玛混合模型的参数集合的估计变量根据如下公式计算不完全数据惩罚对数似然函数其中，

为所述SAR图像数据X中非零灰度值的像素的个数，为所述混合权重值的估计变量大于零的所有分量的总个数；

步骤3-55：判断所述不完全数据惩罚对数似然函数 是否满足收敛条件，若是则继续执行步骤3-56，若否则返回执行步骤3-05；

步骤3-56：将所述不完全数据惩罚对数似然函数 记录为有效对数似然函数

步骤3-58：删除所述混合权重值的估计变量 在 个分量中为最小值的分量，并更新所述广义伽玛混合模型的参数集合的估计变量步骤3-60：判断所述分量的个数的估计变量 是否小于预定的最小分量数Mmin，若否则返回执行步骤3-05，若是则执行步骤3-70；

步骤3-70：找出满足如下公式的 该 为所述广义伽玛混合模型的参数集合的估计量

其中，T 为所述有效对数似然函数 的个数。

3.根据权利要求2所述的方法，其特征在于，在所述步骤3-55中所述收敛条件为：其中∈为预定的极小值正数。

4.根据权利要求2所述的方法，其特征在于，所述根据 的单调性计算具体为采用标准二分法求解

5.一种合成孔径雷达图像建模装置，其特征在于，包括：第一处理模块，用于对输入的SAR图像数据X，创建非零灰度值的非归一化的灰度等级直方图Y，其中，Y＝{h(r)；r＝1，2，...，L-1}，r为所述SAR图像数据X的灰度等级，L为所述灰度等级的个数，h(r)为所述SAR图像数据X中灰度等级为r的数据的个数；

第二处理模块，用于根据如下公式，将广义伽玛分布作为广义伽玛混合模型的多个分量，并将所述多个分量进行加权累加，得到所述广义伽玛混合模型：其中，

M为所述分量的个数，

πm为第m个分量的混合权重值，满足 且πm≥0，θm＝{vm，κm，σm；m＝1，2，...，M}为第m个分量的参数集合，其中，vm为幂参数，κm为形状参数，σm为尺度参数，Θ＝{M，π1，π2，...，πM，θ1，θ2，...，θM}为所述广义伽玛混合模型的参数集合，GΓD(·) 为所述广义伽玛分布的概率密度函数，满足其中，Γ(κm)是关于参数κm的伽玛函数；

第三处理模块，用于基于HECM-MML-GΓMM算法对所述广义伽玛混合模型的参数集合Θ进行估计，得到分量的个数的估计量 各分量的混合权重值的估计量各分量的参数集合的估计量 以获得所述广义伽玛混合模型的参数集合的估计量 从而完成所述广义伽玛混合模型的建立，所述HECM-MML-GΓMM算法是指针对广义伽玛混合模型GΓMM，采用基于直方图条件期望最大化HECM和最小信息长度准则MML对参数集合Θ进行估计的无监督学习算法。