ISAR高分辨率成像方法综述

逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)可以实现对目标全天时、全天候、远距离和高分辨率的观测,在军事和民用领域中具有广泛的应用价值。首先,系统地总结了近年来在ISAR二维成像方面的研究进展。其次,从包络对齐与自聚焦两方面对平动补偿的研究现状进行了分析。再次,在分析传统ISAR成像方法的基础上,对4种超分辨成像方法进行归纳总结。然后,对大转角成像算法进行对比分析,给出不同算法的适用范围。同时,对多目标成像和微动目标成像的研究进展进行了综述和分析。最后,对未来ISAR成像的热点问题和发展趋势进行了展望。     

基于稀疏成份分析的逆合成孔径雷达成像技术

根据小角度条件下的逆合成孔径雷达观测模型,利用稀疏成份分析方法给出了基于FFT的二维联合超分辨算法和二维解耦超分辨成像算法.该算法能从补偿后的较低分辨率测量数据中获得更高分辨率的ISAR图像,提高图像的清晰度,凸现目标的特征结构,有利于目标识别.同时,二维解耦算法能与运动补偿过程相结合,以提高补偿精度.针对典型空间目标的成像结果表明,基于FFT的二维联合算法获得的图像较为干净,目标背景对比度高;二维解耦算法运算速度更快.算法能满足实时或准实时成像的要求.     

幅度和相位估计的ISAR超分辨成像方法

传统距离多普勒(Range Doppler, RD)成像方法分辨率取决于发射信号的带宽和信号在方位向积累的多普勒带宽。超分辨成像可以在给定带宽条件下,获得比RD方法更优的分辨率。给出一种基于幅度和相位估计(Amplitude and Phase Estimation, APES)的逆合成孔径雷达(Inverse Synthetic Aperture Radar, ISAR)超分辨成像方法,该方法根据回波数据构造自适应滤波器对目标散射点进行重建,仿真和实测ISAR数据成像结果验证了基于APES的ISAR超分辨成像算法的有效性。相比其他超分辨成像方法,该方法重建的散射点幅度更为精确,副瓣更低,图像对比度和图像信噪比增加,整体成像效果较佳。     

基于块稀疏的空间碎片群目标成像方法

针对星载雷达空间碎片群目标回波无法分离问题,该文利用回波在距离向表现出的块聚集特性,提出一种基于块稀疏的高分辨ISAR成像方法。基于块稀疏压缩感知理论,通过利用空间碎片群目标特性,抽取出各个碎片的高分辨1维距离像数据,并结合平动补偿和距离多普勒(RD)算法得到各碎片的ISAR像。在小样本条件下,该方法能够有效实现空间碎片的数据分离和高分辨ISAR成像。仿真实验表明,该方法的重构精度以及运算速度均优于非结构类的稀疏ISAR成像方法。     

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。     

基于压缩感知的稀疏孔径认知ISAR成像方法

针对运用压缩感知理论对ISAR目标成像时不同目标所需观测维数和积累时间不同的问题,提出了一种基于压缩感知的稀疏孔径认知ISAR高分辨成像方法。在对目标稀疏特性认知的基础上,构建了基于目标横向稀疏度和观测积累时间的随机观测矩阵,并给出了成像质量评估标准,实现了对有限雷达资源条件下ISAR目标的高分辨认知成像。仿真结果表明,利用该方法成像,不仅可以减少雷达成像发射脉冲数,而且可以有效减少目标成像的时间,同时还能获得高质量的目标ISAR像。     

基于稀疏步进调频信号的低信噪比逆合成孔径雷达成像

针对稀疏步进调频信号对目标径向运动敏感且低信噪比(SNR)下难以聚焦成像的问题,该文提出基于遗传算法和稀疏贝叶斯学习的平动补偿与高分辨逆合成孔径雷达(ISAR)成像方法.首先,针对稀疏步进调频信号建立回波模型和稀疏观测模型,通过构造参数化字典,将ISAR成像问题转换为目标运动参数估计与高分辨距离像(HRRP)合成的联合...     

空间自旋运动目标的ISAR成像研究

逆合成孔径雷达(ISAR)是空间目标探测的重要途径.文中对空间自旋运动目标的ISAR成像进行讨论.根据目标自旋运动规律,建立和分析了ISAR回波信号模型,重点分析自旋目标的成像机理,研究了自旋对目标ISAR成像的影响.基于ISAR成像的原理,建立了计算目标ISAR投影像的方法.仿真实验验证了ISAR投影像计算方法的有效性和自旋对ISAR成像影响分析的正确性.该投影像算法也适用于空中目标成像的讨论.     

基于RSPWVD-Hough变换的多运动目标ISAR成像

针对逆合成孔径雷达(ISAR)同一波束内多个运动目标在距离上无法分辨,传统的单目标ISAR成像方法难以有效聚焦,从而造成图像模糊的问题,提出了基于重排的平滑伪WVD(RSPWVD)-Hough变换进行各目标回波参数估计,然后利用逐次消去法进行回波分离,最终得到各目标清晰的ISAR像.该方法在保持高时频聚集性的同时有效消除交叉项的影响,降低了运算量,仿真结果证明了该方法的有效性.     

一种ISAR目标转动估计和方位定标方法

获得精确目标转角信息对于逆合成孔径雷达(ISAR)成像至关重要。通过精确的转角估计不仅可实现转动补偿提高ISAR聚焦性能,也是实现成像方位定标的必需条件。本文提出一种稳健的ISAR目标转角估计方法,该方法以目标成像的聚焦程度作为代价函数,通过交替迭代优化求解目标的有效转角速度和加速度,继而实现精确转动补偿和成像方位定标。仿真和实测数据实验验证了该方法的有效性。     

基于迁移学习的红外图像超分辨率方法研究

针对红外图像空间分辨率低、成像质量不高的问题,提出了基于迁移学习的红外图像超分辨率方法。该方法以基于卷积神经网络的自然图像超分辨率方法为基础进行改进:增加网络的层数进行更深层次的学习训练,串联多层小的卷积核使其能够利用更多的图像信息,以“相差图”为目标进行训练,减小网络训练时间,提升网络收敛速度;利用迁移学习知识,再以少量高质量红外图像为目标样本,对自然图像超分辨率的网络进行二次训练,将网络权重经过微调后迁移应用到红外图像的超分辨率上。实验结果表明:基于卷积神经网络的超分辨率方法能够有效迁移应用到红外图像的超分辨率上,且改进后的网络具有更好的自然及红外图像的超分辨率性能,验证了本文所提方法的有效性及优越性。     

基于稀疏表征的图像超分辨算法研究

超分辨率图像恢复的目的是由低分辨率图像得到高分辨率图像,通常需要多幅或者一系列连续低分辨率图像．在有限的条件下很难得到。针对单幅图像超分辨问题,结合当前比较先进的稀疏表征方法,利用训练集图像的先验信息．对单幅图像进行超分辨率恢复。结合当前先进的基于稀疏表征的超分辨算法,采用误差反投影方法,提出一种改进的算法．对超分辨率...     

Singular value decomposition based fusion for super-resolution image reconstruction

In this paper, we address a super-resolution problem of generating a high-resolution image from low-resolution images. The proposed super-resolution method consists of three steps: image registration, singular value decomposition (SVD)-based image fusion and interpolation. The contribution of this work is two-fold. First we customize an image registration approach using Scale Invariant Feature Transform (SIFT), Belief Propagation and Random Sampling Consensus (RANSAC) for super-resolution. Second, we propose SVD-based fusion to integrate the important features from the low-resolution images. The proposed image registration and fusion steps effectively maintain the important features and greatly improve the super-resolution results. Results, for a variety of image examples, show that the proposed method successfully generates high-resolution images from low-resolution images.     

基于深度学习的单像素相机超分辨率成像优化

基于压缩感知和单像素成像的基本原理,设计了一种用于图像超分辨率重建的新型深度卷积神经网络架构.这种单像素超分辨率成像算法成功地将深度学习图像超分辨率重建技术与压缩感知单像素成像技术相结合,从而发展出一种全新的深度学习单像素成像优化方法.与传统的常规压缩感知图像重构算法相比,该算法有效提升了图像超分辨率重建精度和单像素成像质量.通过图像重建的仿真实验和单像素相机的成像实验验证,结果表明这种基于深度学习的新型单像素相机成像方式具有良好的性能表现.     

基于生成对抗网络的单帧红外图像超分辨算法

高分辨率红外图像的获取受到了硬件性能的限制,利用信号处理的方法实现红外图像的超分辨率重建可以有效地提高红外图像的分辨率.将基于深度学习的超分辨方法应用于红外图像,实现了单帧红外图像的超分辨率重建,获得了更好的评价结果.通过引入对抗训练的思想,以及添加基于判别网络的损失函数分量,提高了放大倍数的同时,获得更好的高频细节恢复,图像边缘锐化,避免了超分辨率红外图像过于模糊.     

密集残差网络红外图像超分辨率重构

单幅红外图像超分辨率重构算法作为红外图像分辨率提升应用的关键技术,近年来得到了广泛的研究。为了提高红外图像的分辨力,提出了一种基于残差密集对抗式生成网络的单幅红外图像分辨力提升方法。与以往基于对抗式生成网络的分辨力提升方法不同,本文方法的新颖性主要包含两个方面。首先,在网络架构方面进行改进,以提高性能。设计密集残差网络作为对抗式生成网络的生成网络,充分利用了低分辨率图像的有效特征。在生成网络中引入了一种连续内存机制,以利用密集的剩余块。其次,将Wasserstein-GAN作为损失函数,对判别网络模型进行修正,以达到稳定训练的目的。利用红外高分辨率图像数据集进行了大量的实验,结果表明,该方法在客观评价和主观评价方面均优于目前最新的方法。     

Variational method for super-resolution optical flow

The motion fields in an image sequence observed by a car-mounted imaging system depend on the positions in the imaging plane. Since the motion displacements in the regions close to the camera centre are small, for accurate optical flow computation in this region, we are required to use super-resolution of optical flow fields. We develop an algorithm for super-resolution optical flow computation. Super-resolution of images is a technique for recovering a high-resolution image from a low-resolution image and/or image sequence. Optical flow is the appearance motion of points on the image. Therefore, super-resolution optical flow computation yields the appearance motion of each point on the high-resolution image from a sequence of low-resolution images. We combine variational super-resolution and variational optical flow computation in super-resolution optical flow computation. Our method directly computes the gradient and spatial difference of high-resolution images from those of low-resolution images, without computing any high-resolution images used as intermediate data for the computation of optical flow vectors of the high-resolution image.     

基于增量维纳滤波和空间自适应规整的超分辨率图像复原

该文提出一种新的超分辨率图像复原方案,该方案利用了空间自适应规整方法的空间分段平滑特性和增量维纳滤波的快速收敛能力,将解的先验约束结合到迭代过程中,通过多幅低分辨率降晰图像来估计一幅高分辨率图像。计算机仿真结果表明,该方法可以有效实现超分辨率图像复原,有效地提高了复原的自适应控制能力和收敛性能。     

面向图像超分辨率的紧凑型多径卷积神经网络算法研究

为改善单帧图像分辨率退化问题,减少网络参数,本文提出一种基于紧凑型多径结构卷积神经网络的图像超分辨率重构算法。本文算法采用多径结构模型充分使用低分辨率图像信息,并利用残差学习策略学习低分辨率和高分辨率图像间残差信息以重建高分辨率图像。当卷积核数量有限时,含有ReLU的网络重构性能表现不佳,因此引入最大特征图激活函数,增强网络泛化能力,使网络结构更加紧凑,以捕捉具有竞争性特征,完成图像超分辨率重构。实验结果表明,本文方法具有良好的重构能力,图像清晰度和边缘锐度明显提高,在客观评价和主观视觉效果方面优于当前主流的超分辨率重构方法。为便携式高性能超分辨率重构奠定理论基础。      

一种改进的超分辨率算法

利用多帧低分辨率图像重建一幅高分辨率图像成为迫切需要解决的难题,传统基于插值的超分辨率算法的发展受到了限制。本文基于重建方法,根据低分辨率图像帧间运动参数,提出了合理的权重分配算法。实验结果表明,图像超分辨率重建取得了良好效果。