加权变分的图像去噪算法

针对经典的总变分去噪模型边缘信息对噪声敏感且易模糊的缺陷,提出了非线性与线性的加权变分模型。非线性加权变分模型是在总变分模型的正则项中引入权函数,并利用权函数引导扩散,使得新模型在消噪的同时更好地保持图像的纹理特征和边缘信息;线性加权变分模型是对含噪图利用高斯函数进行预处理,再对处理后的图像进行扩散,从而降低计算复杂度。数值实验表明,与经典的总变分模型相比,改进的方法无论是在视觉效果还是峰值信噪比上都有明显的提高。     

基于局部混合滤波的SAR图像去噪

相干斑噪声是合成孔径雷达(synthetic aperture radar, SAR)成像系统所固有的缺点,严重影响SAR图像的可用性,给后续的图像分割、特征提取和目标识别等工作带来严峻的挑战。结合非下采样方向滤波器和双树复小波变换各自的特点,提出一种新的基于非下采样方向滤波-双树复小波变换的局部混合滤波SAR图像去噪算法,具有多方向和多尺度性,保持了图像的平移不变性,改善了图像的视觉效果。与其他算法不同,本文算法采用非下采样方向滤波器级联双树复小波的方法,不仅对每次产生的高频分量进行去噪,还对变换所产生的低频分量进行滤波去噪。实验结果表明：与使用同级双树复小波-轮廓波变换加软阈值去噪相比,本文算法的峰值信噪比提高2 dB;与使用轮廓波加循环平移（cycle spinning, CS）软阈值算法去噪相比,本文算法去噪后的图像不仅峰值信噪比有所提高,而且去噪后的图像更为平滑,抑制了人造纹理产生,视觉效果得到了明显改善。     

三维欧氏重构的快速算法

提出一种分层三维欧氏重构算法。以仿射投影来逼近透视投影,采用线性迭代估计射影深度,通过测量矩阵的奇异值分解实现射影重构。然后利用场景中的平面与像平面的单应矩阵关于摄像机内参数的约束来实现摄象机的标定,最后求解一个满足欧氏重构条件的4×4非奇异矩阵,通过此矩阵将射影重构变换为欧氏重构。实验结果表明该算法是行之有效的。     

基于欧氏范数的供应商评价方法

供应链中供应商的评价是供应链管理的一项重要内容。本文从相对劣值隶属度出发，建立加权向量的概念，将备选方案与最不理想方案的几何偏差作为选优的依据，提出基于欧氏范数的供应商评价方法。     

基于线性最小均方误差估计的SAR图像降噪

针对合成孔径雷达(synthetic aperture radar, SAR)图像降噪过程中容易引起细节纹理信息损失的问题,该文结合SAR图像相干斑噪声的统计特性,提出了一种基于变换域系数线性最小均方误差(linear minimum mean-square error, LMMSE)估计的SAR图像降噪方法。首先通过SAR场景下的Kmeans聚类算法将相似图像块聚类;然后针对每一类相似图像块集合进行奇异值分解(singular value decomposition, SVD),得到同时包含图像块集合行列相关信息的含噪奇异值系数;为从含噪奇异值系数中更准确地估计出真实图像奇异值的系数,先通过加性独立信号噪声(additive signal-dependent noise, ASDN)模型将乘性噪声转化为加性噪声,再利用LMMSE准则对奇异值系数进行估计,最后将估计结果重构得到降噪后的图像块集合。实验结果表明,该方法充分利用相似图像块集合奇异值系数稀疏的特性,采用LMMSE准则估计奇异值系数,既保证了系数中噪声分量的去除又避免了图像纹理细节对应小系数的丢失,不仅去噪效果明显,同时能有效地保持图像纹理细节,具有良好的图像视觉效果。     

四阶累积量用于最小嵌入维数估计的新方法

用能反映非线性结构的四阶累积量函数代替相关函数构造矩阵,对奇异值分解法进行改进.对比分析了用四阶累积量函数构造矩阵的多种方法,得到两种较好的构造矩阵的方法.其中当四阶累积量函数的两个变量分别在矩阵的对角线方向和偏离对角线方向取值并且第三个变量取零时,得到的矩阵的分析效果最好.并用此方法分析由Henon映射、Lorenz模型生成的混沌时间序列.实验结果表明了改进后方法的有效性及稳定性,并且改进后方法适合小数据量的情况且计算效率高.     

一种非理想阵列的快速宽带信号方位估计算法

针对宽带信号方向估计算法需要进行初次估计和进行多次奇异值分解的问题,提出了在传感器阵列存在误差的情况下,基于Prony-Lanczos方法的快速宽带信号方位估计算法。方法将接收信号转换到频率域内,分离阵列流形中信号方向和阵列参数;其次,在考虑阵列互耦的情况下,采用快速奇异值分解的方法求取奇异向量,并利用奇异向量构造聚焦矩阵;最后,利用聚焦求和窄带方位估计对宽带信号进行方法估计。仿真试验表明,存在阵列误差的情况下,本算法具有较好的分辨率和较低的计算复杂度和鲁棒性。     

多光谱和全色图像融合适用的超复数主元加权方法

提出了一种适用于多光谱与全色图像融合的超复数主元加权方法.该方法首先对全色图像的每个像素值进行矢量化,然后对由RGB表示的多光谱图像和矢量化的全色图像分别用超复数矩阵进行表示,该表示方法考虑了由RGB表示多光谱图像的矢量性,从而避免了IHS和PCA融合方法由于忽视多光谱图像的矢量性而导致的色彩失真.通过对超复数矩阵表示的全色图像和多光谱图像分别进行超复数奇异值分解,分别获得了这两个超复数矩阵的超复数奇异值,并对得到的奇异值进行主元分析,提出了用最大特征值对应的特征向量作为权值进行加权图像融合的方法.分析和仿真的结果表明:提出的方法不存在人眼可见的光谱畸变.而用各种现有图像融合评估方法的评估结果也表明:提出的方法优于IHS、PCA和小波变换等融合方法.     

扩展场景的双基地SAR快速回波仿真算法

针对收发平台等速平飞的双基地合成孔径雷达条带工作模式,提出了一种用于扩展场景原始回波生成的频域快速仿真算法.为保证回波相位的准确性,频域传递函数及空变相位误差项均通过数值计算得到,由于回波信号的计算主要基于快速傅立叶变换实现,因此算法具有高的计算效率.最后利用单基地合成孔径雷达的实际图像作为扩展场景数据仿真了双基地sAR回波信号,成像结果分析验证了算法的有效性.     

基于非凸加权范数约束的SAR图像降斑

结合相似图像块具有低秩的特性提出了一种非凸加权范数约束(non-convex weighted norm constrain, NWNC)的合成孔径雷达(synthetic aperture radar, SAR)图像降斑方法。首先对每个目标块寻找相似图像块构建相似图像块集合;然后对相似图像块集合的系数矩阵进行NWNC;再利用广义阈值收缩法估计系数矩阵;最后对系数矩阵进行反变换重构出降斑图像。实验结果表明,该方法不仅有效地解决了传统低秩核范数约束不足的问题,而且通过NWNC和广义阈值收缩估计系数使得系数估计更加精确,表现在抑制斑点噪声的同时可以很好地保护图像的纹理细节。     

极化SAR图像中的弱小舰船目标检测

结合最新的子空间数据分析方法--非负矩阵分解(nonnegative matrix factorization, NMF),对极化合成孔径雷达(synthetic aperture radar, SAR)图像中的弱小舰船目标提出一种全新的有效检测方法。该方法利用极化协方差矩阵分解,得到包含极化图像能量的特征值组,组成满足NMF要求的非负矩阵;然后采用稀疏限制的NMF来提取其中的主要特征,以此将舰船目标检测出来。采用国内全极化和双极化实测海洋数据进行实验,验证了本文方法的有效性。     

抑制SAR图像相干斑的自适应红黑窗滤波算法

针对经典空域滤波算法处理SAR图像时,在同一滑动窗内完全按同质区域性质处理数据而导致图像细节信息损失的情况,提出一种新的滑动窗结构的算法。该算法选取与窗口中心像素统计特性相近的像素进行滤波处理,解决了经典空域滤波算法存在窗口内数据不满足滤波模型对同质区域要求的缺陷。同时,针对强散射点的特殊性,设计了相应的检测及处理方法。实验结果表明,该算法在获得与经典算法相当的相干斑抑制的同时,较经典算法具有更强的边缘和细节保持能力,同时获得更好的图像视觉效果。     

基于时变材料的合成孔径雷达图像二维调制方法

合成孔径雷达(synthetic aperture radar,SAR)能够通过高分辨图像中的尺寸、姿态、外形轮廓等关键信息对目标进行探测与识别,对关键军事目标造成了严重的威胁.如何有效控制目标的雷达特征,使其不易被SAR发现与分辨,已经成为干扰领域的关键问题.相较于有源干扰,无源干扰具有成本低、响应速度快、操作简单等...     

基于零空间l1范数最小化的ISAR成像方法

在目标场景散射率分布满足稀疏性假设下,压缩感知(compressive sensing, CS)成像与传统距离-多普勒成像方法相比,可以使用很少的数据获得良好的图像,图像对比度高,没有旁瓣干扰。本文提出了一种基于零空间l₁范数最小化的逆合成孔径雷达(inverse synthetic aperture radar, ISAR) CS成像方法。从解欠定方程组的角度,将待重建目标图像分解为初猜值与残余值两部分。首先使用加权最小二乘(weighted lease square, WLS)法估计初猜值,作为目标初像;然后将待重建目标场景散射率的l₁范数作为额外的一个非线性测量值引入到图像重建中,在卡尔曼滤波框架下,利用非线性“伪测量”值,最小化待重建目标场景的l₁范数来估计零空间中残余值的解。实测ISAR数据处理验证了所提算法的有效性。与正交匹配追踪算法(matching pursuit algorithm, OMP)和primal-dual l₁范数最小化方法相比,所提方法获得的成像效果更好,成像时间比primal-dual l₁范数最小化方法更短。     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩,为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中,取得了良好的效果。对于数据集较小和数据相似度较高的问题,提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化,并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明,所提方法对SAR图像具有更好的识别效果和更快的识别速度。     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。     

Weighted joint calibration for interferometric SAR

Calibration is a processing procedure for across-track interferometric synthetic aperture radar （InSAR） to achieve an accurate three-dimensional location. A calibration technique, called weighted joint calibration, for the generation of wide-area geocoded digital elevation models （DEMs） is proposed. It cali- brates multiple InSAR scenes simultaneously, and allows reducing the number of required ground control points （GCPs） by using tie points （TPs）. This approach may ensure the continuity of three- dimensional location among adjacent scenes, which is necessary for mosaic and fusion of data coming from different scenes. In addition, it introduces weights to calibration to discriminate GCPs and TPs with different coherences and locations. This paper presents the principles and methodology of this weighted joint calibration technique and illustrates its successful application in airborne In- SAR data.     

SAR image denoising based on wavelet-fractal analysis

Wavelet-fractal based SAR （synthetic aperture radar） image processing is one of the advanced technologies in image processing. The main concept of analysis is that after wavelet transformation, multifractal spectrum of the signal is different from that of noise. This difference is used to alleviate the noise produced by SAR image.The method to denoise SAR image using the process based on wavelet-fractai analysis is discussed in detail. Essentially, the present method focuses on adjusting the Hoelder exponent α of multifractal spectrum. After simulation, α should be adjusted to 1.72-1.73. The more the value of α exceeds 1.73, the less distinctive the edges of SAR image become. According to the authors denoising is optimal at α=1.72-1.73. In other words, when α =1.72-1.73, a smooth and denoised SAR image is produced.     

基于主动轮廓模型的SAR图像分割方法综述

针对合成孔径雷达(synthetic aperture radar, SAR)图像分割这一研究热点,综合论述了基于主动轮廓模型(active contour model, ACM)的SAR图像分割方法。首先,介绍了经典的ACM及其数学原理,并通过理论和实验分析了这些模型应用于SAR图像分割时存在的问题;然后,对目前基于ACM的SAR图像分割方法进行了系统的梳理和分类讨论;最后,对基于ACM的SAR图像分割方法作了总结,并对将来的研究方向进行了展望。