基于稀疏恢复的空时二维自适应处理技术研究现状

该文介绍了基于稀疏恢复(Sparse Recovery, SR)的空时2 维自适应处理技术(Space-Time Adaptive Processing, STAP)的研究背景、意义和具体实现方法。首先探讨了将稀疏恢复引入STAP 领域的意义和价值,揭示了在杂波非均匀环境下引入稀疏恢复的潜在优势,分析了稀疏恢复STAP 技术的数学意义。并在此基础上,系统梳理和总结了该研究方向的研究现状和已有成果,介绍了均匀线性阵列条件下稀疏恢复STAP 技术的基本框架、多观测向量问题、格点对不准问题、直接数据域稀疏恢复STAP、共型阵条件下基于稀疏恢复的STAP 方法等具体研究内容。最后,总结了基于稀疏恢复STAP 技术的框架和结构,并以此为基础对后续研究工作的方向和前景进行了探讨。      

基于压缩感知的正六边形CFA模式彩色图像去马赛克方法

针对基于四边形排列的去马赛克(Demosaicking)的 传统方法存在拉链现象和虚假色等问题,本文尝试将更加符合人眼视觉特性的六边形采 样方式应用于彩色图像成像 系统,并从图像稀疏特性角度出发,提出基于压缩感知(Compressive sensing,CS)框架的 彩色图像去马赛克方法。本文方法 充分挖掘了彩色分量间和分量内的稀疏特性,可使复原图像的纹理细节与色彩更加逼真,有 效地避免了拉链现象和虚假色现象。实验结果验证了本文方法的有效性。     

适用于彩色图像人脸识别的字典学习算法

现有的基于稀疏表示的人脸识别算法在识别前需要将彩色人脸图像转换成灰度人脸图像,这样虽然提高了运算速度,但忽视了不同色彩通道数据本身所包含的信息及它们之间的相关性。为了利用不同通道间相关性,基于标签一致的K奇异值分解（ LC-KSVD)字典学习算法,提出了一种适用于彩色图像人脸识别的字典学习算法。该算法将RGB通道数据顺序排列成列向量,并在稀疏编码的环节中,对正交匹配追踪（ OMP)算法的内积计算准则进行修正,以此提高字典原子的色彩表达能力。在彩色人脸数据库上进行实验,结果表明：所提出的字典学习算法能够有效地提高识别率。     

近似稀疏约束的多层非负矩阵分解高光谱解混

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前,主要采用L0或L1范数作为稀疏度量。L0稀疏性好,但求解困难;L1求解方便,但稀疏性差。提出一种近似稀疏模型,并将其引入到多层非负矩阵分解（AL0-MLNMF）的高光谱解混中,将观测矩阵进行多层次稀疏分解,提高非负矩阵分解高光谱解混的精度,提升算法的收敛性。仿真数据和真实数据实验表明:该算法能够避免陷入局部极值,提高非负矩阵分解高光谱解混性能,算法精度上比其他几种算法都有较大的提升效果,RMSE降低0.001~1.676 7,SAD降低0.002~0.244 3。     

结合潜在低秩分解和稀疏表示的脑部图像融合

针对低秩分解和稀疏表示(space representation,SR) 造成融合图像信息缺失的问题,提出一种结合潜在低秩分解和SR的脑部图像融合算法。首先,将源图像分解为低秩、稀疏和噪声3种成分,面对不同分解成分特性间的差异,分别构造低秩字典和稀疏字典进行描述:采用加权灰度值的方法处理低秩成分,以保持其轮廓和亮度特征;对于稀疏成分,设计一种多范数加权度量的方法对SR进行改进,以保持其高维信息,剔除噪声成分。比对当前主流的5种算法,在视觉效果和客观指标上,本文方法效果最优。     

基于正则化稀疏表示的图像超分辨率算法

为了从单幅低分辨率(LR)图像恢复出高分辨率(H R)图像,提出了一种应用正则化稀疏表示和基于机器学习 的超分辨率(SR)图像恢复算法。构造了一种基于稀疏表示的SR凸变模型,为了提高 恢复效果,针对模型 提出了两种稀疏正则化约束条件,一是将分类效果更好的图表拉普拉斯作为正则化约束条件 ,从而找到与 输入LR图像块在结构上最接近的学习样本;另一种是针对冗余的学习样本进行约 束,保证了图像边 缘的锐利。将输入的每一块LR图像应用正则化稀疏表示,经过学习得到与之对应的HR图像块 , 最终得到整幅HR图像。试验结果表明,算法恢复出的HR图像峰值信噪比(PSNR )值较双三次插值算法最高提升约2dB,主观目视清晰、边缘锐利。     

子阵分级处理与稀疏恢复联合的抗主副瓣干扰方法

传统的抗干扰方法在低信噪比条件下性能恶化,对此本文提出了子阵分级处理与稀疏恢复联合的抗干扰方法。新方法首先按照一定规则将全阵列划分为多个子阵列;然后利用自适应波束形成（ADBF）技术抑制各子阵接收信号中的副瓣干扰信号,并将各子阵ADBF后的输出数据联合,构建新的阵列数据;最后通过新构建的阵列数据构建稀疏表示,改进了多测量向量降维提升法（ReMBo）,并与交叉方向乘子法（ADMM）联合进行稀疏恢复,分离得到目标回波信号,并得到了波达角（DOA）的估计。仿真实验表明,新方法能有效对抗主副瓣干扰,与其它方法相比,具有更好的目标检测和DOA估计性能,特别是在低信噪比的条件下。      

基于稀疏表示的SAR图像属性散射中心参数估计算法

考虑目标频率-方位2维观测数据在属性散射中心模型参数空间上的稀疏性,该文提出一种基于稀疏表示的属性散射中心提取与参数估计方法。由于模型参数维数较高,构造的高维联合字典将消耗较多系统资源。该算法通过分别构建包含位置信息与方位属性参数信息的两个低维字典代替高维的联合字典实现距离特性与方位特性的解耦合,以降低资源需求,并通过正交匹配追踪(OMP)-RELAX联合算法求解l0优化问题,从而实现在频率-方位角域上位置参数与方位属性参数的联合估计。根据提取的属性散射中心可以有效地估计目标或目标重要部件的几何尺寸。基于电磁计算数据和实测数据的实验结果验证了该算法的有效性。     

基于多重核的稀疏表示分类

稀疏表示分类（SRC）及核方法在模式识别的很多问题中都得到了成功的运用.为了提高其分类精度,提出多重核稀疏表示及其分类（MKSRC）方法.提出一种快速求解稀疏系数的优化迭代方法并给出了其收敛到全局最优解的证明.对于多重核的权重给出了两种自动更新方式并进行了分析与比较.在不同的人脸图像库上的分类实验显示了所提出的多重核稀疏表示分类的优越性.     

稀疏恢复空时自适应处理技术研究综述

相较于传统空时自适应处理（STAP）技术,稀疏恢复（SR）STAP技术在小样本条件下杂波抑制性能显著提升,因此适用于现实非均匀杂波环境.本文首先阐述了SR STAP基本原理,分析了机载雷达杂波空时稀疏特性;然后总结了SR STAP发展历史与现状,并在此基础上针对其相关科学问题进行了探讨,包括：空时谱估计还是杂波抑制、单观测样本还是多观测样本、白化还是置零、重构算法参数依赖还是不依赖、非平稳杂波下是否适用及干扰条件下是否可行;最后给出了当前SR STAP技术走向实用化过程中所面临的关键问题,即网格失配和空域误差影响,并分别讨论了无网格压缩感知和字典自校正的解决途径.     

非局部联合稀疏近似的超分辨率重建算法

该文结合联合稀疏近似和非局部自相似的概念,提出非局部联合稀疏近似的超分辨率重建方法。该方法将输入图像的跨尺度高、低分辨率图像块统一进行联合稀疏编码,建立它们之间的稀疏关联,并将这种关联作为先验知识来指导图像的超分辨率重建。该文方法保证跨尺度自相似集具有相同的稀疏性模式,能更有效地利用图像的自相似性先验信息,提高算法的自适应性。通过自然图像实验,与其它几种基于学习的超分辨率算法对比,超分辨率效果有较好改善。     

基于压缩感知的二维联合超分辨ISAR成像算法

在ISAR成像中,距离和方位分辨率分别受发射信号带宽和成像积累角的限制。基于压缩感知(CS)理论,该文提出了一种2维联合超分辨ISAR成像算法。首先建立ISAR观测信号模型并构造2维超分辨字典,然后利用ISAR图像的稀疏先验信息将2维联合超分辨成像建模为最小l1范数的优化问题,最后提出一种快速算法求解该优化问题。该方法进行距离维和方位维的联合处理,有效利用了回波数据的2维耦合信息;通过共轭梯度(CG)运算,快速傅里叶变换(FFT),Hadamard乘积等操作,有效提高了算法的实现效率。仿真和实测实验验证了该算法的有效性。     

基于先验信息与密集连接网络的人脸超分辨率重建方法

图像超分辨率在医疗和安防等领域应用广泛,本文针对传统超分辨率重建(super-resolution reconstruction, SR)方法无法重建出边缘特征图像的不足,提出了一种先验信息与密集连接网络模型的重建方案,利用考虑输入统计信息的残差特征的不同组合,引入了多注意力模块,通过与主干网络结构协作,在不增加额外模块的情况下提高了网络性能。新提出的模型与现有复杂结构的技术(state-of-the-art, SOTA)模型相比,具有更好的性能。为了避免输入的身份特征会急剧漂移的问题,提出了一种基于先验信息引入注意力机制网络模块来分辨真实低分辨率(low resolution, LR)对应物的模型,这种模型在捕获运动噪声等方面具有优势。经实验验证得出,本文方法相比其他主流方法,在评价指标和主观可视化分析方面更具优势。     

基于卷积稀疏自编码的图像超分辨率重建

针对卷积稀疏编码算法中特征映射的准确性的问题,为了进一步提高图像超分辨率重建的的质量,文中提出一种基于卷积稀疏自编码的图像超分辨率重建算法。该算法首先在预训练阶段利用稀疏自编码器对输入高低分辨率图像分别进行训练,得到对应的图像稀疏特征表示;然后再由卷积神经网络根据得到的稀疏系数共同训练相应的滤波器及特征映射函数并更新到最优解;最后由高分辨率滤波器和对应的稀疏表示系数卷积求和,得到高分辨率重建图像估计。实验结果显示,改进算法的峰值信噪比（PSNR）结果较卷积稀疏编码算法提高了近0.1 dB,有效提高了重建图像的质量。     

单次曝光频域振幅编码压缩成像

超分辨率被认为是光学成像和图像处理的“圣杯”之一.有别于传统的多幅亚像素图像配准融合实现超分辨率的方法面临的配准误差以及高成本问题,得益于大多数图像普遍具有的稀疏表示特性,本文将压缩传感理论引入超分辨率成像,提出一种新的单次曝光频域振幅编码压缩成像方法.利用4-f傅里叶光学架构实现图像信息的频域0/1振幅随机调制,然后可以使用低分辨率CCD器件实现积分下采样记录对应的测量值,最后利用优化方法从少量的测量值中重建原高分辨率图像.模拟实验验证了本文提出的方法可以有效地实现二维图像信息的获取与重构.此外,本文的方法可以有效地处理大尺寸图像的压缩成像问题,具有重要的应用前景.     

自适应稀疏约束图像超分辨力重建方法

简要介绍了基于稀疏字典约束的超分辨力重建算法,提出了具有低复杂度的基于K均值聚类的自适应稀疏约束图像超分辨力重建算法。所提算法从两个方面降低其计算复杂度:分类训练字典,对图像块归类重建,降低每个图像块所用字典的大小;对图像块的特征进行分析,自适应地选择重建方法。实验结果表明,提出的快速重建方法在重建质量与原算法相当的前提下,可以较大程度地降低重建时间。     

基于稀疏正则化结合NLS的超分辨率图像重建

为了保持高光谱(HS)超分辨率重建过程中的频谱一致性和边缘锐度,提出一种基于空间谱结合非局部相似性的超分辨率重建算法。首先,使用HS图像生成模型,采用稀疏正则化解决全色(PAN)图像和HS图像重建的病态问题求逆;然后分析了从高空间分辨率到低空间分辨率数据生成的丰度系数映射;最后利用非局部相似性,设计空间谱联合正则化项。实验结果表明,本文算法重建图像在PSNR,SSIM和FSIM方面明显高于其他优秀算法,在SAM和ERGAS方面明显低于其他优秀算法,在光谱失真方面丢失最少,仅有2%-3%,低于其他算法30%左右,且重建效果更加清晰自然。     

A Mixed Non-local Prior Model for Image Super-resolution Reconstruction

Generating high-resolution image from a set of degraded low-resolution images is a challenge prob-lem in image processing. Due to the ill-posed nature of Super-resolution (SR), it is necessary to find an eff ective image prior model to make it well-posed. For this pur-pose, we propose a mixed non-local prior model by adap-tively combining the non-local total variation and non-local H1 models, and establish a multi-frame SR method based on this mixed non-local prior model. The unknown High-resolution (HR) image, motion parameters and hyper-parameters related to the new prior model and noise statis-tics are determined automatically, resulting in an unsu-pervised super-resolution method. Extensive experiments demonstrate the eff ectiveness of the proposed SR method, which can not only preserve image details better but also suppress noise better.