基于紧致字典的基追踪方法在SAR图像超分辨中的应用

基追踪方法是信号稀疏表示领域的一种新方法.它寻求从超完备的基集合(字典)中得到信号的最稀疏的表示,即用尽可能少的基尽可能精确地表示原信号,从而获得信号的内在本质特性.本文将基追踪方法的应用扩展到SAR(Synthetic Aperture Radar)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紧致字典,从而大大减小了所求解问题的维数,其次设计了一种新的迭代算法进行快速求解,得到SAR图像中各散射中心位置和幅度的高精度估计,最后依据相位历史域SAR目标属性散射模型,生成更大尺度的相位历史数据,对生成的相位历史数据成像即得到更高分辨率的SAR图像.仿真算例和MSTAR实测数据计算表明,基于紧致字典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.     

组合正交基字典稀疏分解快速匹配追踪算法

组合正交基字典稀疏分解通过正交基的级联来构造完备字典,实现稀疏分解。针对稀疏分解的常见算法计算复杂度高的问题,提出一种快速匹配追踪算法。该算法首先求出并存储正交基向量之间的内积,然后根据向量正交基展开系数为其与正交基向量内积的性质将内积运算转化为代数运算,得到一种快速匹配追踪算法。实验结果表明,基于Dirac基和DCT基构成的完备字典对信号leleccum进行稀疏分解时,与匹配追踪(MP)算法相比,该算法的计算速度提高了大约10倍。     

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.     

低信噪比下二维联合快速超分辨B-ISAR成像方法

双基地ISAR成像分辨率受限于信号带宽和方位积累时间,且成像质量受噪声影响严重.本文在充分考虑回波的二维联合稀疏特征基础上,提出二维联合字典下的矩阵复数近似消息传递超分辨快速成像算法.在构建双基地ISAR的二维联合超分辨成像模型基础上,首先通过向量化处理,将二维超分辨成像问题转换为复数基追踪去噪问题;其次通过两种策略实现复数基追踪去噪问题的快速求解,一是利用向量化与Kronecker积的关系,推导出矩阵形式复数近似消息传递算法,从而避免向量化处理带来的大矩阵运算量和大存储量问题;二是为进一步减少单次迭代的运算量,将矩阵乘法等效为二维快速傅里叶变换.最后,利用本文算法在迭代过程中对噪声阈值不断精确逼近,提高算法在低信噪比下的成像能力.仿真数据成像结果验证了本文算法的有效性.     

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％。     

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%。     

非相干子字典多原子快速匹配追踪算法

从冗余字典中得到信号的最稀疏表示是一个NP难问题,即使是次优的匹配追踪仍然相当复杂.该文提出一种多原子快速匹配追踪算法.该算法首先将冗余字典分解成M个非相干的子字典,每次迭代分别从各子字典中至多选取一个满足条件的原子组成多原子集;最后通过求信号在多原子集上的正交投影,得到信号的多原子稀疏逼近.实验采用真实音频信号进行仿真;结果表明新的算法获得与匹配追踪相当的稀疏逼近性能,同时大大提高了信号稀疏分解的速度.     

截断效应下平滑信号的稀疏分解方法

存在截断效应时,DFT基下进行平滑信号稀疏分解得到的逼近误差较大,针对此问题,提出一种有效快速的实现方法。该方法根据截断平滑信号的频谱信息确定其所处子空间的位置和个数,然后对信号子空间进行高度冗余扩展生成与之相对应的子字典,将所有子字典级联形成整个字典。构造的冗余字典自适应于待分解信号,相比DFT基和DFT框架,能够更好地反映信号的内在特征;在该字典的基础上,利用其固有的树状结构,改进传统匹配追踪算法,每次迭代中将追踪分成两个层次进行,第一层为粗略搜索,目的在于寻找与信号相对应的子字典,第二层为精确搜索,在相应子字典中寻得与信号最为匹配的原子。改进算法在获得相同精度和收敛性的同时,缩小了搜索空间,降低了计算复杂度。最后,仿真验证了理论分析的正确性和方法的优越性。      

基于压缩感知的多角度SAR特征提取

为提高目标属性散射中心参数估计的精度和鲁棒性,利用多角度SAR数据作为输入,将参数估计问题转化为稀疏向量重构问题,使用分步估计算法提高计算效率,从而实现多角度SAR特征提取.研究内容包括两方面,一是论证多角度SAR的角度和频率分集特性对字典矩阵性能的改善.另外,为提高算法效率,本文提出分步参数估计算法.首先用理想点目标模型得到初步估计的图像表示,然后通过图像分割和能量中心计算估计模型阶次、位置和散射类型,最后以初步估计为先验信息重新构造字典矩阵,得到最终估计.实验验证了算法鲁棒性以及分辨率的改善.     

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。     

基于图像块分类稀疏表示的超分辨率重构算法

 目前基于图像块稀疏表示的超分辨率重构算法对所有图像块都用同一字典表示,不能反映不同类型图像块间的差别.针对这一缺点,本文提出基于图像块分类稀疏表示的方法.该方法先利用图像局部特征将图像块分为平滑、边缘和不规则结构三种类型,其中边缘块细分为多个方向.然后利用稀疏表示方法对边缘和不规则结构块分别训练各自对应的低分辨率和高分辨率字典.重构时对平滑块利用简单双三次插值方法,边缘和不规则结构块由其对应的高、低分辨率字典通过正交匹配追踪算法重构.实验结果表明,与单字典稀疏表示算法相比,本文算法对图像边缘部分重构质量明显改善,同时重构速度显著提高.     

基于稀疏编码的鲁棒型人脸超分辨率重建

为了减少人脸超分图像的边缘伪影和图像噪点,利用基于稀疏编码的单幅图像超分辨率重建算法,在字典学习阶段,结合L1范数引入在线字典学习方法,使字典根据当前输入图像块和上次迭代生成的字典逐列更新,得到更加精确的超完备字典对,用于图像重建.实验中进行的仿真结果表明,改进算法超分结果的峰值信噪比(PSNR)和结构相似性(SSIM)比同类型的稀疏编码超分法(SCSR)和应用在线字典学习算法的超分方法(ODLSR)均有较大幅度提升,比后者平均提升0.72 dB和0.0187.同时,视觉上有效地消除了边缘伪影,且在处理含噪人脸图像时,具备更强的去噪能力和更好的鲁棒性.     

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.     

基于子空间的三阶多项式相位信号快速稀疏分解算法

针对稀疏分解冗余字典中原子数量庞大的缺点,该文提出一种三阶多项式相位信号的快速稀疏分解算法。该算法根据三阶多项式相位信号的特点,把原有信号变换成两个子空间信号,并根据这两个子空间信号构建相应的冗余字典,然后采用正交匹配追踪法来完成其稀疏分解,最后利用稀疏分解原理完成原有信号的稀疏分解。该算法把原有信号变换成两个不同子空间信号,构建了两个不同的冗余字典,对比采用一个冗余字典库,这种采用两个冗余字典的算法大大减少了原子数量,并且通过快速傅里叶变换,在一个冗余字典进行稀疏分解时,同时找到另一个冗余字典中的最匹配的原子。因此该算法通过减少原子数量和采用快速傅里叶变换大大加快了稀疏分解速度。实验结果表明,相比于采用Gabor原子构建的冗余字典,采用匹配追踪算法与遗传算法及最近提出的基于调制相关划分的快速稀疏分解,它的稀疏分解速度更快,并且具有更好的收敛性。     

多极化SAR图像联合稀疏去噪

给出了一种基于联合稀疏表示的多极化合成孔径雷达(SAR)图像滤波算法。首先,利用三个极化通道(HH、HV、VV)的部分SAR图像数据进行字典联合训练;然后,对极化SAR的三个通道图像构建联合稀疏描述模型;最后,采用正交匹配追踪算法求解联合稀疏系数,重构每个通道的图像。文中采用美国AIRSAR实测半月湾数据进行实验,并与每个通道图像单独稀疏去噪再合成的功率图像结果进行比较,结果表明:该算法不仅对图像的斑点噪声抑制效果明显,而且边缘特性和强散射点目标幅值特征保持效果良好。     

基于自适应字典稀疏表示的超分辨率算法

基于学习的超分辨率算法通过一组训练样例来学习一个字典,并从该字典中合成低分辨率图像中丢失的高频信息,最终得到相应的高分辨率图像。介绍了几种常用的基于学习的超分辨率算法,并提出了一种新的算法:基于自适应字典稀疏表示的超分辨率算法。实验结果表明,该方法在主观与客观上均具有较好的重建效果。