稀疏信号表示中的幅度偏差及消除方法

在稀疏信号表示的并行选取字典算法中,当频率不在栅格点上时,对应的幅度估计可能会有很大的偏差.为了消除这个偏差,本文先求得较精确的频率估计值,然后在其邻域内进行进一步寻优,得到幅度估计.将此方法用于各种信噪比下的仿真信号,都能得到较好的幅度估计性能.因此此方法是一种能有效消除稀疏信号表示中幅度偏差的方法.     

基于特征增强的被动毫米波成像方法

为了克服现有被动毫米波成像方法的缺点,将识别需求有效地融入到成像中,提出了一种特征增强的成像方法。在成像中增强识别所需要的特征可以提高成像质量,提高识别率,新方法采用了成像与识别需求相结合的方案。在被动毫米波目标识别中,点特征和区域特征是很重要的特征。通过选取成像目标函数的特征项来增强目标的点特征和区域特征。将新方法用于被动毫米波仿真数据,可以很好地恢复图像,其成像结果优于维纳滤波的成像结果。同时它还能够有效地增强目标识别所需要的点特征和区域特征。该方法是一种有效的被动毫米波成像方法。     

基于稀疏表示的被动毫米波L-R成像算法

在被动毫米波的图像恢复中,L-R算法是一种简单而有效的非线性方法。但当噪声不可忽略时,L-R算法难以获得较好的复原结果。自适应稀疏表示,作为一种新的信号处理方法,具有表达信号灵活的特点,能够在保持目标特征的同时有效地去除噪声。该文提出一种基于自适应稀疏表示的L-R算法。首先采用稀疏信号表示的方法进行去噪,然后使用L-R算法进行图像恢复。这种改进算法通过使用基于自适应稀疏表示的去噪算法有效地减少了噪声对L-R算法的影响。实验数据的成像结果表明：该文的改进算法提高了L-R算法的性能,可用于低信噪比的图像复原。     

基于自适应稀疏表示的被动毫米波图像恢复

为了克服傅立叶域和小波域正则化方法不能同时保持目标特征和有效滤除噪声的缺点,提出一种被动毫米波图像恢复的新方法。它利用稀疏表示表达信号灵活的特点,对逆滤波后的毫米波图像采用基于奇异值分解的K聚类（K-SVD）算法进行学习,自适应地得到图像恢复需要的基函数。与傅立叶域和小波域正则化方法相比,论文方法采用了自适应的处理方法,因此能够更好地保持目标特征,更有效地抑制噪声,进而更好地恢复图像。将论文方法用于被动毫米波仿真图像的恢复,得到了很好的结果。因此,它是一种有效的被动毫米波成像方法。