多视角穿墙雷达联合稀疏成像算法

多视角穿墙雷达成像系统利用多个视角的目标回波数据，可以有效提高目标成像重建结果的质量。在建立多视角穿墙雷达联合稀疏信号模型的基础上，提出了一种基于交叉验证技术的删失同时正交匹配追踪成像算法。该算法将每个观测视角雷达单元的测量数据分成重建数据和交叉验证数据两部分，通过进行多次删失同时正交匹配追踪迭代计算实现测量噪声水平估计和成像重建，既减小了各个视角雷达站间的数据通信开销，也摆脱了成像算法对测量噪声水平和场景稀疏度先验信息的依赖。仿真实验结果验证了所提成像算法的有效性和准确性。     

基于压缩感知的探地雷达成像算法研究

压缩感知理论通过从一系列非自适应线性测量中求解一个凸L_1最小化问题,从而对稀疏信号进行重构。该文基于压缩感知理论对宽带合成孔径雷达成像,利用空间目标信号成像的稀疏性,提出了一种全新的低采样率数据采集重构算法。此算法在获取雷达信号原始数据时采用压缩感知的算法,减少了原始信号数据的采样量,并且用少量的测量数据和测量孔径获得重建测量目标的信息。最后将此算法与传统的反投影成像进行了比较,其仿真试验数据表明,基于压缩感知的探地雷达成像算法比传统反向投影算法成像效果好,且所需数据量少。     

基于稀疏重构的全极化SAR联合多维重建

各极化通道独立处理和三维分步成像会忽视数据之间的关联性,造成散射中心的失配以及极化散射矩阵获取的不准确。鉴于此,该文提出一种基于稀疏重构的全极化联合多维重建方法。该方法通过设置联合稀疏约束对所有极化通道及所有维度进行联合,将全极化多维重建建模为多通道联合稀疏重构问题。通过数据插值对模型简化后,结合三维快速傅里叶变换、共轭梯度法和牛顿迭代法给出一种高效的模型求解方法,可以同时得到极化散射矩阵和目标三维信息。该文方法保证了不同极化通道、不同维度的稀疏支撑集一致,且充分利用了数据之间的关联性带来的额外信息。基于仿真数据和电磁计算数据的实验结果表明,该方法的性能不受目标类型影响,具有一定的抗噪性,能有效地获取目标的多维重建结果,得到的三维成像结果分辨率高且极化散射矩阵估计精度高。      

压缩感知理论在探地雷达三维成像中的应用

该文基于探地雷达成像目标空间的稀疏特性,提出了探地雷达中的随机孔径压缩感知3维成像方法,该方法在单道数据获取中应用压缩感知减少采集数据量的同时,在x-y测量平面上随机抽取部分孔径位置进行测量,以少量的测量孔径和测量数据获得重建目标空间的足够信息,同时该文研究了噪声以及测量矩阵对算法性能的影响。结果表明,随机孔径压缩感知成像算法比传统后向投影算法所需数据量少,成像效果好,目标旁瓣小,对噪声的鲁棒性更好。     

基于联合稀疏性的高分辨全极化雷达成像研究

针对频率步进体制高分辨全极化雷达,本文研究了基于稀疏信号表示的高分辨全极化雷达成像,并提出了一种基于极化平滑l₀范数算法的成像方法.算法中的联合稀疏性度量综合利用了目标在全极化下的散射特性,因而成像结果兼具全极化处理和稀疏优化算法的优点,不仅能以较少的观测回波获得高分辨距离像,还能全面准确反映目标全极化散射特性,有利于目标识别等进一步应用.仿真和暗室实测数据实验结果验证了本文方法的有效性.     

基于SOMP的机载无源宽角SAR成像算法

针对机载无源宽角合成孔径雷达(SAR)在探测过程目标散射特性随观测角度变化的问题,在建立机载无源宽角SAR信号模型的基础上将成像重建过程转换为求解多测量向量的联合稀疏优化问题,并在分布式贪婪稀疏重建方法框架下提出一种基于同时正交匹配追踪的机载无源宽角SAR稀疏成像算法,能够实现对地面探测目标的准确稳健成像。仿真数据处理结果验证了所提成像算法的有效性和准确性。     

压缩感知理论在频率步进探地雷达偏移成像中的应用

该文针对频率步进探地雷达的具体工作过程,利用目标成像空间的稀疏性提出了一种基于压缩感知理论的频率步进探地雷达偏移成像算法,成像过程中首先采用杂波抑制方法在频率域去除直达波,同时利用交叉验证算法来估计成像过程中的正则化参数,最后基于稀疏约束最优化方法实现对地下目标成像,仿真和实验数据表明了该算法的可行性和有效性。     

基于压缩多信号分类算法的森林区域极化SAR层析成像

该文研究了一种基于压缩多信号分类算法的森林区域极化SAR层析成像方法。其具体步骤包括:全极化的SAR接收成像区域的反射回波,利用各极化通道的信号建立多观测向量模型;应用小波基对高程向结构进行稀疏表示,采用压缩多信号分类算法对观测区域的高程向后向散射系数进行重建,实现对森林区域层析成像。最后,通过仿真实验、PolSARpro仿真数据和德宇航E-SAR的P-波段数据验证了该方法在同等测量精度的要求下可以有效减少SAR层析成像所需的航过数,同时降低了虚假目标的出现概率。     

多重测量矢量模型下的稀疏步进频率SAR成像算法

基于压缩感知(Compressed Sensing, CS)的合成孔径雷达(SAR)成像算法可以用低于Nyquist采样率的采样数据完成稀疏目标高分辨成像。然而已有的算法在重构1维距离像时采用的大都是单重测量矢量(Single Measurement Vectors, SMV)模型,存在着重构耗时长、受噪声干扰大的缺点。该文从压缩感知的多重测量矢量(Multiple Measurement Vectors, MMV)模型出发,利用多重测量矢量恢复具有相同稀疏结构的联合稀疏目标信号源,从理论与实验角度分析了基于MMV模型的SAR 1维距离像成像性能,提出了一种距离向基于MMV模型,方位向基于SMV模型的2维SAR成像算法。该算法从耗时上、重构精度上均优于SMV模型下的CS成像算法。通过对仿真数据和地基雷达实测数据的处理,验证了算法的有效性。     

基于分布式压缩感知的全极化雷达超分辨成像

基于分布式压缩感知理论,提出了一种全极化逆合成孔径雷达超分辨成像算法,联合各极化通道进行超分辨处理.首先,建立全极化信号模型及超分辨字典,利用各极化通道信号的联合稀疏性将全极化超分辨成像建模为最小L2,1范数的优化问题,运用一种快速算法求解该优化问题.由于利用联合稀疏约束,多极化通道联合成像相比于单通道成像能够获得更好的超分辨性能和噪声抑制能力,最终有效提高图像极化融合的效果.同时,采用快速傅里叶变换操作提升了算法的运算效率.基于backhoe的仿真数据实验验证了该算法的优越性.     

基于图稀疏正则化多测量向量模型的高光谱压缩感知重建

压缩感知重建是解决高光谱现有成像模式数据量大冗余度高问题的一个有效机制。针对高光谱图像的多通道特性,该文建立了高光谱压缩感知的多测量向量模型,编码端使用随机卷积算子对各通道进行快速采样,生成测量向量矩阵。解码端构建图稀疏正则化的联合重建模型,在稀疏变换域将高光谱图像分解为谱间的关联成分和差异成分,通过图结构化稀疏度量表征关联成分的空谱相关性,并约束谱间差异成分的稀疏性。进一步提出模型求解的交替方向乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。对多个实测数据集进行了对比实验,实验结果验证了该文模型与算法的有效性。     

基于单脉冲雷达和差通道多普勒估计的前视成像

单脉冲测角技术用于扫描雷达前视成像可有效提高图像的清晰度,但单个脉冲对同分辨单元多目标测角时会发生角闪烁现象,造成图像模糊.该文提出了一种基于单脉冲雷达和差通道多普勒估计的前视成像算法,利用目标和平台之间相对运动引起的多普勒梯度差异实现同分辨单元内不同方向目标的分离,然后在多普勒域采用和差比幅测角(SDAC)技术测量目...     

基于改进正交匹配追踪算法的压缩感知雷达成像方法

运算复杂度高是基于压缩感知(CS)的雷达成像方法走向实用亟待克服的难题。该文利用雷达目标散射率分布的稀疏性,研究了基于改进正交匹配追踪(OMP)算法的2维联合压缩成像方法。首先建立了步进频雷达回波的稀疏表示模型,根据稀疏字典和压缩测量的2维可分离特性,提出一种改进的OMP算法用于雷达图像形成,大大提高了计算效率,并很容易扩展到其他贪婪类算法中。从理论上对几种CS成像算法的性能及资源需求进行了分析比较,表明所提供的算法相比常规的CS算法在存储量和计算量上均具有显著的优势,仿真及暗室数据实验验证了所提成像算法的有效性。     

基于低秩稀疏约束的穿墙雷达成像算法

针对穿墙雷达(TWR)成像过程中墙杂波与成像空间分别具有低秩性和稀疏性的特点,提出了一种基于低秩稀疏约束的穿墙雷达成像算法.所提成像算法通过奇异值软阈值法和l1范数最小化技术进行迭代求解低秩稀疏约束优化问题,实现在墙体强反射波存在的探测环境中基于压缩感知框架对墙后隐蔽目标的准确成像重建.仿真和实验数据的处理结果验证了所提成像算法的有效性和准确性.     

基于联合核协同的高光谱图像异常目标检测

在目前的高光谱图像异常目标检测算法中,通常 只考虑高光谱图像的光谱特性而忽 略其空间 特性,针对这一问题,提出了基于联合核协同的稀疏差异指数的检测算法。本文算法将核协 同与稀疏差异指数表示方法相结合,分别提出了光谱核协同和空间核协同的 稀疏差异 指数表示模型,进而提出了一种联合核协同的稀疏差异指数表示模型。在模拟的 高光谱图 像数据中,讨论了双窗口设计对所提出算法的检测结果的影响;在真实的AVIRIS高光谱图像 仿真实 验中,分析了不同波段选择及主成分分析对检测结果的影响。结果表 明,所提出的算法检测精度高,虚警概 率低。     

Compressive near-field millimeter wave imaging algorithm based on Gini index and total variation mixed regularization

A compressive near-field millimeter wave (MMW) imaging algorithm is proposed. From the compressed sensing (CS) theory, the compressive near-field MMW imaging process can be considered to reconstruct an image from the under-sampled sparse data. The Gini index (GI) has been founded that it is the only sparsity measure that has all sparsity attributes that are called Robin Hood, Scaling, Rising Tide, Cloning, Bill Gates, and Babies. By combining the total variation (TV) operator, the GI-TV mixed regularization introduced compressive near-field MMW imaging model is proposed. In addition, the corresponding algorithm based on a primal-dual framework is also proposed. Experimental results demonstrate that the proposed GI-TV mixed regularization algorithm has superior convergence and stability performance compared with the widely used l₁-TV mixed regularization algorithm.