基于多信息字典学习及稀疏表示的SAR目标识别

为了提高合成孔径雷达（synthetic aperture radar,SAR）图像中目标变体的识别性能,在鉴别字典学习及联合动态稀疏表示模型的基础上,提出一种基于多信息字典学习及稀疏表示的SAR目标识别方法。在训练阶段,采用鉴别字典学习LC-KSVD方法分别对目标图像域幅度信息及目标频域幅度信息进行字典学习。在测试阶段,结合训练阶段学到的2种信息的字典及测试目标的2种信息,采用联合动态稀疏表示模型求解2种信息下的稀疏表示系数。最后,根据2种信息下的重构误差实现对测试目标的识别。使用MSTAR数据集对算法进行验证,结果表明,新方法相对于现有的方法能够达到更好的识别性能。     

基于聚类字典学习和稀疏表示的SAR图像抑斑方法

针对合成孔径雷达(synthetic aperture radar, SAR)图像相干斑抑制问题,提出一种基于聚类字典学习和稀疏表示的SAR图像抑斑方法。本方法以相干斑噪声的非对数加性模型为基础,通过改进相似度测度的K-means聚类和主成分分析方法进行字典学习,克服了相干斑噪声非高斯性带来的影响,形成具有结构性聚类的字典原子;在稀疏分解方面,通过引入方差稳定因子,建立了适用于抑制SAR相干斑噪声的稀疏表示模型,并通过交替迭代算法进行代价方程求解;同时算法还增加了点目标保护措施,避免了对图像点目标“过滤波”。通过卫星、无人机SAR图像的抑斑实验证明,相比经典的SAR图像抑斑方法,所提的方法在抑斑的视觉效果上和客观评价指标上都有较大的提升。     

矩量法中引入压缩感知求解三维电磁散射问题

在解决三维电磁散射问题时,随着入射波角度的变化,传统的矩量法需针对每个角度分别计算该入射波照射下散射体表面的电流系数。对于求解宽角度下的电磁散射问题,该算法需反复运用迭代求解,运算量大,效率相对较低。为此,引入压缩感知技术来求解宽角度下的三维电磁散射问题,利用稀疏转换基和观测矩阵对数据进行稀疏表示和观测,通过数次观测所得的值再采用恢复算法即可重构出所需全部入射角度下的电流系数值。利用该方法计算所得结果与传统算法得到的结果一致,在不影响计算精度的同时可减少运算时间,降低计算复杂度。     

基于Shearlet域系数处理的SAR图像降噪

结合图像在Shearlet域中系数的特点,提出了一种基于Shearlet系数稀疏表示与投影总变分(total variation, TV)相结合的合成孔径雷达(synthetic aperture radar, SAR)图像去噪算法。有效解决了稀疏表示在图像去噪时存在的边缘细节损失与TV去噪时存在的光滑区域阶梯效应。首先,利用SAR图像Shearlet系数的稀疏性,结合系数稀疏表示模型,采用分段正交匹配追踪方法求解优化解,从统计意义上实现稀疏表示后的系数均值为真实图像系数均值的无偏估计;其次,为弥补稀疏表示中丢失部分系数在图像细节上的损失,同时结合这部分系数对应的Shearlet函数有利于表征图像边缘细节的特性,针对图像在丢失系数对应的Shearlet函数空间中投影重构的结果,结合TV方法迭代去噪。实验结果表明,该方法充分利用Shearlet域系数的特性,采用稀疏去噪与投影TV相结合的方法以弥补各自缺陷,在去噪的同时能有效保持图像纹理细节,并具有更优的图像视觉效果。     

超完备稀疏表示的图像超分辨率重构方法

为改善单帧退化图像的分辨率,提出一种基于超完备字典稀疏表示的图像超分辨率重构方法。该方法的核心是构建信号自适应的超完备字典对及计算图像关于对应字典的稀疏表示。为降低在训练过程中构建超完备字典对的复杂性,采用学习低分辨率字典而数值计算高分辨率字典的方法,待超分辨图像应用正则正交匹配追踪的稀疏表示算法求解关于字典的稀疏表示,并联合高分辨率字典实现超分辨率重构。实验表明,该方法与其他类似算法相比,字典训练和超分辨测试的速度都有显著提高,实验图像的峰值信噪比改善3.3 dB,框架相似性提高0.09。本方法可应用于单帧模糊图像的高倍率的超分辨率重构,有效地提高了图像的分辨率水平。     

稀疏描述与结构特征融合的极化SAR斑点抑制算法

提出一种稀疏描述与结构特征相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像斑点抑制算法。首先利用图像的极化信息对原图像按结构特征分类,形成分类标记图;然后采用正交匹配追踪(orthogonal-matching-pursuit,OMP)算法对图像进行稀疏分解,利用K奇异值分解 (K-singular value decomposition, K-SVD)算法对过完备字典进行训练更新,得到图像相应的训练字典和稀疏系数,重构图像;最后在重构图像中按分类图增强相应的点线目标。利用美国AIRSAR系统采集的半月湾地区数据进行实验表明:该方法在实现图像去噪的同时,能够有效的保持地物的散射特性。     

基于贝叶斯模型的shearlet域SAR图像去噪方法

通过对合成孔径雷达(synthetic-aperture-radar,SAR)图像相干斑噪声的特点分析,提出一种基于贝叶斯模型的shearlet域SAR图像去噪方法。首先将变换后的SAR图像在shearlet域进行稀疏表示,得到稀疏系数的分布;其次利用贝叶斯模型进行信号和噪声检测的建模,得到最佳的阈值;然后根据稀疏系数在不同方向上相关性不同的特点,利用自适应加权收缩算法对SAR图像噪声进行平滑处理;最后利用降噪后的高频子图像和低频子图像进行逆shearlet变换,得到SAR重构图像。通过在MSTAR数据库上的实验表明,该算法在滤除相干斑噪声的效果上比其他方法更好,并且不会损失图像的边缘特性。     

基于距离像时频非负稀疏编码的SAR目标识别

提出了一种基于目标高分辨距离像时频域非负稀疏编码的合成孔径雷达(synthetic aperture radar,SAR)目标识别方法。首先,将目标的SAR复图像转换为高分辨距离像。然后,采用自适应高斯基表示方法计算每个距离像的非负时频矩阵。其次,对训练目标所有距离像的时频矩阵采用非负稀疏编码方法学习时频字典。在目标识别中,通过将每个距离像的时频矩阵投影到低维的时频字典上来提取特征矢量。最后,在提取特征矢量的基础上,通过支撑向量机目标识别决策实现目标识别。采用美国“运动和静止目标获取与识别计划”公开发布的SAR图像数据库进行算法验证实验。实验结果说明了提出方法的有效性。     

基于特征增强的非均匀采样SAR三维稀疏成像

对于非均匀采样数据, 现有三维稀疏成像方法中的数据局部插值会带来误差, 且得到的分布式目标成像结果与其连续散射的本质不符。针对这些问题, 首先将成像问题直接建模为三维空间中联合的稀疏重构问题, 并通过选取候选散射中心进行字典降维; 然后, 在降维后的模型中增加三维特征增强约束项, 建立三维空间中相邻散射中心之间的联系; 最后, 结合高斯迭代法以及优化的信号处理技巧, 提出了一种高效的模型求解算法。实验结果表明, 相比于其他成像方法, 本文方法对旁瓣的抑制能力强, 成像结果分辨率高、精度高, 且保证了分布式目标成像结果的连续性。     

全极化合成孔径雷达地势高度信息检测技术

从全极化合成孔径雷达(SAR)图像数据中,可提取方位向的地势倾斜度信息,形成极化SAR三维成像.重点研究了极化合成孔径雷达三维成像算法;提出了由Stokes矢量推导的极化椭圆方向角解模糊算法;讨论了目标极化散射特性对提取地势高度信息的影响以及处理方法;并利用真实的极化SAR图像数据得到了极化三维成像结果.     

层析合成孔径雷达成像航迹分布优化方法

层析合成孔径雷达成像(tomography synthetic aperture radar, TomoSAR)将合成孔径原理用于高程向,通过不同入射角的多幅二维合成孔径雷达图像对高程向反射功率进行重建,从而实现三维成像。TomoSAR中,航迹分布是影响高程向重建的重要因素。针对高程向分布稀疏的情形,压缩感知方法被用于TomoSAR。基于压缩感知的TomoSAR中高程向重建质量取决于观测矩阵的性质,而航迹分布与观测矩阵的重构性能紧密相关。利用一种基于相关系数的观测矩阵优化准则,对航迹分布进行参数优化,从而在航迹数目一定的情况下,实现高程向的优化重建。仿真和实验结果验证了该方法的有效性。     

基于组稀疏的极化差分SAR层析成像方法

差分合成孔径雷达(synthetic aperture radar, SAR)层析成像通过多航过数据重建观测目标的后向散射系数和视线方向形变速率。将全极化与差分SAR层析相结合,针对城市建筑成像高程向稀疏的特点以及全极化数据反演中,信号稀疏支撑集相同的特点,提出将稀疏约束与组稀疏约束相结合的求解模型,用基于层次稀疏的阈值迭代方法进行求解。通过仿真实验和基于BioSAR 2007实测数据的半仿真实验验证,实验表明全极化差分SAR层析成像方法,重构结果相较于单极化,提高了高程向和形变速率精度,且有更好的鲁棒性,在信噪比为10 dB时,相较于单极化差分SAR层析成像方法,能更好恢复高程向信息和形变速率。     

基于主元分析和稀疏表示的SAR图像目标识别

现有的合成孔径雷达图像目标识别方法通常包括图像预处理、特征提取和识别算法3部分。但是,预处理算法的自适应性很难得到保证。提出了一种基于主元分析和稀疏表示的目标识别算法。首先,阐述了稀疏表示和重构的基本理论;其次,提出了基于主元分析和稀疏表示的合成孔径雷达图像目标识别算法;最后,选取MSTAR数据库中的5类合成孔径雷达目标图像进行仿真。结果表明,在没有预处理的情况下,该算法仍能有效地识别目标,与主元分析和三阶近邻的识别算法相比,具有较高的识别率和鲁棒性。     

散射区域加权压缩感知ISAR成像

压缩感知(compressive sensing,CS)理论为少量脉冲条件下实现高分辨逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像提供了新方法。然而由于CS的噪声敏感性,其成像易受到噪声污染;另外,少量脉冲条件下很难保证噪声参数估计精度,这进一步加剧了ISAR成像污染。针对这一问题,提出一种散射区域加权CS ISAR成像算法,利用目标散射区域信息对冗余字典中的基函数进行加权,修正CS重建算法以抑制噪声散斑。为提高噪声参数估计精度,对回波采样建立子序列矩阵,提出矩阵扰动理论噪声参数估计方法。实验结果表明,所提方法能够有效抑制噪声影响,提高低信噪比和少量脉冲条件下ISAR成像质量。     

稀疏场景下SAR方位向随机丢失数据的迭代成像算法

针对合成孔径雷达(synthetic aperture radar, SAR)方位向随机丢失部分数据导致目标模糊和能量分散的问题, 提出基于稀疏优化理论的重建成像方法。该方法主要针对稀疏观测场景的SAR方位向随机缺失数据的回波信号进行成像处理, 利用SAR回波模拟算子, 避免了二维回波信号矩阵变成向量的操作, 从而减小了内存占用和计算量。所提出的基于SAR近似观测模型的迭代优化重建算法能够实现对观测目标幅度的高精度重建。和传统基于匹配滤波的SAR成像算法相比, 提出的算法能够明显地消除SAR方位向随机丢失部分数据引起的目标模糊和目标能量分散。和迭代软阈值收缩算法相比, 提出的算法重建的目标幅度误差更小。理想的点目标回波数据和真实的星载SAR稀疏观测场景的回波数据处理表明了所提算法在减少重建目标误差、提高观测目标区域的目标背景比等方面有较大的优势。