基于Fourier原子的基追踪方法在SAR超分辨成像中的应用

将基追踪方法的应用扩展到SAR图像的超分辨问题上来.首先在相位历史域依据SAR目标属性散射模型构造了一类具有快速算法的Fourier原子;其次利用Fourier原子的可分离特性,分别在图像的行和列的方向上构造相应的字典,降低了字典的维数和计算复杂度,并且设计了一种新的迭代算法进行快速求解基追踪优化问题;最后对得到的表示系数作IFFT变换以得到更高分辨率的SAR图像.仿真算例和MSTAR实测数据计算表明,基于Fourier原子的基追踪方法能够快速稳定实现,同时具有良好的超分辨性能.     

一种新的SAR超分辨成像方法

提出了一种新的合成孔径雷达(SAR)超分辨成像方法。首先在图像域获得散射中心特征参数的初始估计，然后在相位历史域利用非线性回归模型的参数估计方法获得散射中心特征参数的高精度估计，最后依据相位历史域SAR点散射模型，生成更大尺度的相位历史数据，对得到的相位历史数据成像即得到了更高分辨率的SAR图像。仿真计算结果表明，该方法能够快速稳定实现，同时具有良好的超分辨性能。     

基于字典稀疏表示的图像超分辨率重建

针对单字典学习的稀疏表示超分辨算法不能保证相邻图像块的兼容性而导致稀疏重建后图像质量低的问题,提出了图像块对学习的稀疏表示的改进方法。该方法使用主成份分析法处理训练样本的图像特征块;然后在输入的低分辨率图像块的稀疏表示系数中恢复出高分辨率图像块;最后将低分辨图像块的稀疏表示与高分辨图像块字典组合生成高分辨率图像块的超分辨重建算法。实验数据对于提出的算法能有效地恢复出质量更好的图像且峰值信噪比有所提高。     

SAR图像目标超分辨的变范数正则化算法

 基于正则化变分的框架,提出了SAR图像目标超分辨的变范数算法.考虑目标在成像区域中的稀疏特性,利用广义高斯分布对目标区域的幅度进行建模,在Bayes估计的框架下,推导了l_p范数约束的正则化变分模型和广义高斯分布形状参数的关系.采用迭代的方法在逐次估计真实图像的过程中,将p的取值与逐次估计结果相关联,逐步估计目标区域分布的形状参数,并修正l_p范数的具体形式,由此得到变范数的正则化模型.该方法克服了通过经验选取p值的局限,以及由观测数据估计p值的误差.仿真和实测SAR图像的处理结果表明了该方法的有效性.     

基于可区分性字典学习模型的极化SAR图像分类

极化SAR图像分类是一个高维非线性映射问题,稀疏表示(CS)对于解决此类问题具有很大潜力。字典学习在基于CS的分类中起到重要作用。本文提出了一种新的字典学习模型,用于增强字典的区分能力,使其更适合极化SAR图像分类。提出的模型根据字典中两类子字典在分类中的作用对其相应的表达系数施加不同的稀疏约束。为使共同子字典能够抓住所有类共享的特征,对其相应系数施加稀疏约束,为使类专属子字典能够抓住类内独享的局部和全局结构特征,对其相应系数同时施加稀疏和低秩约束。由于共同子字典表达所有类共享的特征,我们以测试样本在类专属子字典上的重建误差作为准则进行分类。本文在AIRSAR的Flevoland数据集上对此算法进行验证,实验结果验证了算法的有效性。      

图像稀疏表示及图像超分辨应用分析

随着科学技术的进步,图像稀疏表示以及图像超分辨在当下的图像处理中得到了较为广泛的应用,对于图像高效率表示来说,具有十分重要的影响。图像稀疏表示技术以及图像超分辨应用对于促进图像应用发展起到了较为不错的效果,其在应用过程中,主要基于图像稀疏表示模型,对稀疏分解以及字典构造问题进行了表述。文章对图像稀疏表示及图像超分辨过程中的稀疏表示及图像超分辨应用上的图像去噪、修复以及识别问题进行了总结和分析,希望能够为图像稀疏表示及图像超分辨应用提供一些参考和建议。     

基于匹配追踪的ISAR超分辨成像方法

稀疏信号表示在与信号结构匹配方面具有很大的灵活性,可以用于逆合成孔径雷达(ISAR)成像.目前常用的算法基寻踪法和FOCUSS法都是并行算法,计算量很大.而匹配追踪法是一种逐步选取基函数的算法,计算量小.因而是一种更有效的成像算法.对于仿真和真实ISAR雷达数据,匹配追踪法得到的图像分辨率大大高于传统的傅里叶变换方法.故表明匹配追踪法是一种有效的ISAR超分辨成像方法.     

基于改进CycleGAN的ISAR图像超分辨方法

图像超分辨是解决ISAR欺骗干扰中由于模型样本不完备导致难以对大带宽ISAR实现高逼真假目标模拟的重要手段。利用生成对抗网络（GAN）可通过端到端映射实现ISAR图像的超分辨,然而,当测试输入样本与训练输入样本分辨率差异较大时,超分辨图像中会出现伪散射点从而导致目标失真。考虑到循环生成对抗网络（CycleGAN）对输入样本差异适应性较好,本文提出了一种基于改进CycleGAN的ISAR欺骗干扰超分辨样本生成方法,分别从损失函数、优化过程、判别器结构三方面对CycleGAN网络结构进行改进,加快了网络的收敛速度,同时对于输入分辨率差异较大的ISAR图像泛化性能更好。利用暗室测量数据验证了所提方法的有效性,与GAN方法相比,对于训练输入样本分辨率差异较大的测试输入样本,生成的超分辨样本散射点位置与真实数据具有更好的匹配效果。     

基于混合稀疏基字典学习的微波辐射图像重构方法

目前的微波辐射测量成像系统在一次观测中所采集的数据量大,基于奈奎斯特空间采样及常规微波辐射图像重构方法难以实现高分辨率要求。该文针对微波辐射干涉测量在频域中进行,采用傅里叶最优随机抽取的超稀疏干涉测量(低于奈奎斯特采样)对微波辐射图像进行线性压缩投影,降低数据采样。考虑微波辐射图像在总体差分域和小波中都具有可压缩特性,提出总体差分和小波混合正交基的K-SVD字典学习微波辐射图像重构模型,利用Bregman和交替迭代算法求解该模型,重构线性压缩投影信息从而获得微波辐射图像。仿真实验表明,该文提出的算法在微波辐射图像重构效果、噪声稳定性上优于DLMRI算法和GradDLRec算法。     

基于lk范数的SAR复图像域正则化方法分析及改进

正则化方法通过增加先验信息约束实现合成孔径雷达(SAR)图像的超分辨和噪声抑制,为目标识别提供了更高质量的图像信息。该文通过对基于lk范数的SAR复图像域正则化方法迭代过程的分析,揭示其增强分辨率的内在机理,并针对原有方法在不同强度散射点条件下分辨率提高不一致的问题,提出采用可变的正则化参数对其进行改进。仿真数据和MSTAR实测数据的实验结果证实了改进方法的有效性。     

基于树形原子字典的匹配跟踪算法

为了降低匹配跟踪视频编码算法的运算复杂度,提出了一种原子字典的树形组织方法,并相应地提出了一种改进的树形字典搜索策略。此算法通过在树中寻找最优路径来搜索最佳原子,并在第一级搜索中引入了一种改进的全搜索策略,进一步降低了计算量。为了有效地捕捉预测误差帧中的曲线特征,冗余原子字典通过对各向异性的生成函数进行真正二维意义上的几何变换来构造,并尽可能地去除了性能不佳的原于以减小字典尺寸。实验结果表明,本文算法具有较高的搜索正确性及较快的收敛速度,而其计算量明显降低。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的 SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域 SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进 OMP 算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99％,并且在含噪比10％的情况下识别率仍达96％。     

非高斯噪声环境下基于扩展基追踪模型的信号去噪

经典基追踪模型中所考虑的噪声是加性的高斯白噪声,而实际应用中噪声的形式是多种多样的。因此,经典基追踪模型不能满足处理非高斯噪声环境下的信号去噪问题。基于不同的稀疏性度量函数和不同的拟合误差项形式,对经典基追踪模型进行了扩展,提出了新的基追踪扩展模型,并分析了扩展模型的统计意义。针对其中一类扩展模型,给出了其求解算法。在脉冲噪声环境下的信号去噪实验结果验证了该模型具有比经典基追踪模型更显著的去噪效果。     

基于2D-PWVD的SAR图像相干斑噪声抑制

合成孔径雷达(SAR)图像相干斑噪声是影响对SAR图像正确解译的主要因素之一,在二维魏格纳分布的框架内,提出了一种基于二维伪魏格纳威尔分布变换的SAR图像噪声抑制的方法。首先,根据魏格纳威尔分布的理论,阐述了图像的二维伪魏格纳威分布表示,以及分解后的多频段图谱的特性;然后,针对该特性,提出对应的计算处理方法,并将分解图像相加,形成SAR图像噪声抑制后图像;最后,利用MiniSAR实测SAR图像数据进行验证试验,并将结果与均值滤波、LEE滤波和小波软阈值滤波SAR图像噪声抑制算法进行对比分析,结果显示,文中所提算法是有效可行的。     

基于耦合特征空间下改进字典学习的图像超分辨率重建

针对目前基于字典学习的图像超分辨率重建效果欠佳或字典训练时间过长的问题,本文提出了一种耦合特征空间下改进字典学习的图像超分辨率重建算法.该算法首先利用高斯混合模型聚类算法对训练图像块进行聚类,然后使用更改字典更新方式的改进KSVD字典学习算法来快速获得高、低分辨率特征空间下字典对和映射矩阵.重建时根据测试样本与各个类别的似然概率自适应地选择最匹配的字典对和映射矩阵进行高分辨率重建.最后利用图像非局部相似性,将其与迭代反向投影算法相结合对重建后的图像进行后处理获得最佳重建效果.实验结果表明了本文方法的有效性.     

基于改进K-SVD字典学习的超分辨率图像重构

 针对已有算法中字典训练的时间消耗巨大的问题,提出了一种改进的基于字典学习的超分辨率图像重构算法.本文将K-SVD字典算法和高低分辨率联合生成的思想结合起来,形成新的字典训练方法,并将由该算法生成的高低分辨率字典应用于基于稀疏表示的超分辨率重构.重构仿真实验证明算法不仅有效降低了字典训练所消耗的时间,而且能够改善重构高分辨图像的质量.