K-L变换观测矩阵优化算法

观测矩阵的研究在压缩感知中尤为重要,其中观测矩阵的优化是观测矩阵研究中的关键问题之一。根据减小观测矩阵与稀疏矩阵之间的互相关性达到优化观测矩阵的思想,提出了K-L变换观测矩阵优化算法。该算法利用原始信号协方差矩阵的特征向量矩阵对传感矩阵进行变换,从而减小观测矩阵与稀疏矩阵之间的互相关性,进而得到优化后的观测矩阵。仿真结果表明,优化后的观测矩阵重构图像的峰值信噪比值大于未优化观测矩阵重构图像的峰值信噪比值,尤其是在观测数目较少的情况下,用该算法优化后的观测矩阵重构的图像具有较高的精度。     

自适应梯度下降观测矩阵优化算法

基于可以通过减小压缩感知中观测矩阵与稀疏矩阵之间的互相关性来提高信号的重构质量,结合无约束凸优化问题中梯度下降的思想,提出了一种自适应梯度下降算法（Adaptive Gradient Descent, AGD）。首先利用等角紧框架（Equiangular Tight Frame, ETF）收缩传感矩阵的Gram矩阵,然后通过收缩得到的Gram矩阵建立一个无约束凸优化问题,最后通过梯度下降方法求解无约束凸优化问题进而得到优化后的观测矩阵。AGD算法通过每次更新梯度下降的方向,使Gram矩阵能够在最短时间内逼近ETF。仿真实验表明,该算法不仅迭代次数少,且优化后的观测矩阵与稀疏矩阵之间的互相关性大大降低。与传统的优化算法相比,信号恢复效果更好。     

基于压缩感知和红外玫瑰线扫描的红外图像重构

红外亚成像制导技术是由点源探测技术到成像制导技术的一种过渡, 由单元探测器和光机扫描装置组成.红外玫瑰线扫描亚成像系统是亚成像制导中的一种, 红外玫瑰线扫描亚成像系统按照特定的图案采集视场中的部分数据并得到一幅含有目标位置信息的亚图像.受单像素相机的启发, 主要研究红外玫瑰线扫描亚成像系统中的压缩成像.压缩感知可以在更少的采样数据条件下重构红外图像, 其应用到红外亚成像制导系统中一个关键的问题就是观测矩阵的构造.关于随机观测矩阵的研究已经比较广泛, 但随机矩阵很难实现.本文提出了一种简单的适用于红外玫瑰线扫描亚成像系统的确定性观测矩阵.此外还提出了一种快速有效的恢复算法, 称为优化子空间追踪算法.仿真结果显示构造的观测矩阵能够压缩和重构红外图像, 且重构效果优于随机高斯观测矩阵和随机伯努利观测矩阵, 提出的恢复算法也具有较好的表现.     

时序平滑多尺度叠加动态红外云场景仿真

天基红外观测场景中云场景具有几何结构动态变化复杂、尺度变化随机、辐射动态变化不确定的特点且与天基动态探测链路耦合,对系统探测效能造成极大影响。因此,开展云场景仿真方法研究对天基红外光学卫星系统设计具有非常重要的意义。针对传统仿真方法在大尺度动态云图像仿真应用中计算效率低、占用内存大的问题,提出了一种基于时序平滑多尺度叠加方法的动态云图像仿真方法,在基于多尺度叠加算法进行云层整体位置移动仿真的基础上,利用帧间插值的方法实现动态云层形状结构变化,计算效率提高10倍以上,真实模拟云场景的整体移动与内部变化,实现大尺度动态云图像的仿真。