SAR复图像域上的噪声抑制和目标特征提取

基于SAR图像的稀疏先验,提出了一种基于l_k范数的复图像域正则化方法,用于SAR复图像的噪声抑制和目标特征提取.文中通过算法设计及其收敛性的研究,保证了该方法的可行性和稳健性.同时,基于正则化方法与广义岭估计的契合之处,提出了一种新的正则化参数的选取方法.理论分析和实验结果均表明,本文方法可操作性强,具有有效的噪声抑制和目标特征稀疏表示寻优功能.     

基于稀疏贝叶斯学习的高效DOA估计方法

针对采用1l 范数优化的稀疏表示DOA估计算法正则化参数选取困难、计算复杂度高的问题,该文提出一种基于稀疏贝叶斯学习的高效算法.该算法首先利用均匀线阵的结构特性,将DOA估计联合稀疏模型的构建与求解转换到实数域进行.其次,通过优化稀疏贝叶斯学习的基消除机制,使该算法具有更快的收敛速度.仿真结果表明,与1l 范数优化类算法相比,该文方法具有更高的空间分辨率和估计精度且计算复杂度低.     

参数自适应调整的稀疏贝叶斯重构算法

稀疏表示模型中的正则化参数由未知的噪声和稀疏度共同决定,该参数的设置直接影响稀疏重构性能的好坏。然而目前稀疏表示问题优化求解算法或依靠主观、或依靠相关先验信息、或经过实验设置该参数,均无法自适应地设置调整该参数。针对这一问题,该文提出一种无需先验信息的参数自动调整的稀疏贝叶斯学习算法。首先对模型中各参数进行概率建模,然后在贝叶斯学习的框架下将参数设置及稀疏求解问题转化为一系列混合L1范数与加权L2范数之和的凸优化问题,最终通过迭代优化得到参数设置和问题求解。由理论推导和仿真实验可知,已知理想参数时,该算法与其它非自动设置参数的迭代重加权算法性能相当,甚至更优;在理想参数未知时,该算法的重构性能要明显优于其它算法。     

L2范数正则化鲁棒编码视觉跟踪

针对基于稀疏表示的视觉跟踪计算效率低和易于产生模型漂移的不足,该文提出一种基于L2范数正则化鲁棒编码的视觉跟踪方法。该方法利用L2范数正则化鲁棒编码求解候选目标的编码系数,以粒子滤波为框架,利用候选目标的加权重建误差建立似然模型跟踪目标。为了适应目标的变化并克服模型漂移问题,利用L2范数正则化鲁棒编码估计当前目标的加权矩阵用于遮挡检测,根据遮挡检测结果实现模型更新。对提出的跟踪方法进行实验的结果表明:与现有跟踪方法相比,该方法具有较优的跟踪性能。     

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。     

基于投影的稀疏表示与非局部正则化图像复原方法

提出一种基于投影的稀疏表示与非局部正则化相结合的图像去模糊、去噪图像复原方法.该方法结合了自适应构造字典的稀疏表示与非局部总变差,提出的正则化模型分解为三个投影子问题进行求解以提高求解效率.实验结果表明,本文所提出的图像复原方法能够有效地保持原图像的纹理细节信息,对于不同程度的退化图像上均有较好的复原结果,在视觉效果和客观评价指标上均优于相比较的现有方法.     

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.     

基于稀疏表示的图像超分辨率重建算法

文中提出一种基于图像块稀疏表示的单幅图像超分辨率重建方法。所提出的重建过程提供了一个更好的稀疏解决方案,即L1范数优化过程。在优化过程中,利用高效的特征提取算子保证了高分辨率图像块的准确性。最后,利用粒子群优化算法选择最佳自适应稀疏正则化参数,使全局重建过程具有鲁棒性。目前使用字典耦合的训练方式学习字典。各种图像质量评价标准证明该方法相对于现有的超分辨率重建方法有很大的优越性。     

组合字典下超宽带穿墙雷达自适应稀疏成像方法

针对现有超宽带穿墙雷达稀疏成像算法大多只采用点目标稀疏基表示模型和稀疏优化的正则化参数不能被自适应调整以及目标位置不在划分网格上带来虚假像的问题,该文提出一种基于贝叶斯证据框架的自适应稀疏成像方法。该方法首先利用组合字典独立稀疏表示场景中的点目标和扩展目标,然后在建立的偏离网格稀疏表示模型的基础上分层最大化各参数的似然函数,用第1层推理结合共轭梯度算法估计组合字典的各稀疏表示系数,用第2层推理估计正则化参数和目标的偏离网格量,最终通过迭代优化参数的设置得到问题的求解。仿真和实验结果表明,该方法不仅同时自适应增强穿墙场景中的点目标和扩展目标,还消除了偏离网格目标引起的虚假像。     

基于两步加权L1范数约束的高分辨率波达方向和功率估计

该文提出一种基于两步加权L1范数约束的波达方向(DOA)和功率联合估计新算法。该算法首先对阵列协方差矩阵元素进行求和平均运算获得统计性能更优的向量观测模型,进而在相应的过完备基下获得观测模型的稀疏表示。利用MUSIC谱函数和初始估计结果作为权值构建两步加权L1范数约束稀疏重构方法,重构获得多信源的DOA和功率估计。通过2分布函数选择了合理的正则化参数。计算机仿真结果显示,与同类其它方法相比,该文所提算法具有更高的分辨率和估计精度。     

基于非负稀疏表示的SAR图像目标识别方法

针对合成孔径雷达(SAR)图像目标识别中存在物体遮挡的情况,该文提出一种基于非负稀疏表示的分类方法。通过分析L0范数和L1范数最小化在求解非负稀疏表示问题上的区别,证明在一定条件下,L1范数最小化方法除了保持解的稀疏性还能得到与输入信号更加相似的原子集合,因此也更加适用于分类问题中。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,采用L1范数的非负稀疏表示分类方法能达到较好的识别性能,并且相对传统方法对存在遮挡情况下的识别问题更稳健。     

A Criterion for the Construction of a Regularization Function in Sparse Component Analysis

With the application of regularization, sparse component analysis (SCA) becomes an effective approximate method for finding the sparsest solution of signal decomposition in an overcomplete dictionary. In this paper, the authors present some conditions on a family of regularization functions indexed by a hyperparameter so that these functions are applicable and can be effectively optimized in SCA. For a given signal, with these conditions it is proven that there exists at least one hyperparameter such that the global minimum of the corresponding regularization function can theoretically lead to the sparsest representation of the signal. Based on these propositions, a general principle is presented for the construction of regularization functions, and several kinds of function families are recommended for the purpose of sparse signal representation. The paper gives a numerical example that indicates that, for a synthesized signal, minimizing the regularization function proposed in this paper provides the correct sparse solution, whereas the method of basis pursuit fails.     

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。     

一种机载SAR层析三维成像算法

针对机载平台难以同时满足多基线SAR层析3维成像所要求的短基线及大孔径问题,本文提出一种基于稀疏信号表示的机载SAR层析3维成像算法。首先基于高频率SAR目标的多散射中心假设,将目标在第3维成像方向上建模为稀疏分布模型,进而根据观测系统几何及信号频率特征构建了冗余字典,从而实现了成像问题到稀疏信号表示问题的转化,并最终通过求解以稀疏性度量函数为正则项的不适定方程获得成像结果。通过仿真实例的成像结果阐述了算法参数对成像的影响,并通过对SAR层析3维成像的仿真结果证明了算法的有效性。     

应用双稀疏模型和ADMM优化的图像复原

基于稀疏表示的图像复原算法大都只利用了图像整体稀疏性和局部稀疏性中的一种,未充分利用图像的先验知识,基于此,本文在稀疏表示框架下,同时引入Cosparse解析模型及平移不变小波变换两种稀疏模型,前者对每个图像块进行稀疏表示,后者对整幅图像进行稀疏表示,从而提出一种新的图像复原算法。该算法将图像复原问题归结为双稀疏正则化问题。为求解复杂的双稀疏优化问题,本文运用交替方向乘子法 (ADMM, Alternating Direction Method of Multipliers)算法将该约束优化问题分解为若干子问题,通过交替迭代求解获得复原图像。实验中对不同类型的模糊图像进行了复原,其结果表明该算法对于各类模糊图像的复原比现有复原算法效果更好,从而验证了算法的有效性。      

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

基于GTD模型的多雷达信号二维融合

多雷达信号2维融合是一种能显著提高成像分辨率和图像质量的参数化成像新方法。但是在宽带小角度观测的情况下,实际目标散射是随着频率的变化而变化,因此传统先插值后处理的融合方法就不再适用了。该文针对以上情况,提出了一种基于几何绕射模型的多雷达信号2维融合的方法,将多雷达信号2维融合问题转化为信号稀疏表示问题,并利用正则化的方法来估计散射模型参数。此方法不仅不需要2维解耦处理,而且通过信号稀疏表示方法可以准确地估计目标散射的频率依赖因子。仿真实验也表明该文方法有效性。