基于加权核范数最小化的红外弱小目标检测

提出一种基于加权核范数最小化的红外弱小目标检测方法.该方法将原始红外图像转化为新的红外块图像模式,在红外块图像上,以鲁棒主成分分析(RPCA)为基础,将图像数据矩阵分解为一个低秩矩阵和一个稀疏矩阵;针对RPCA模型对复杂背景描述能力弱的不足,引入了加权核范数来更好地描述背景的低秩特性,并给出了相应的优化求解算法;同时,给出了一种自适应阈值分割方法,准确地从稀疏目标图像中提取出弱小目标.基于天空、海洋、山地、沙漠4种不同场景进行红外弱小目标检测,并比较了该算法和已有算法的性能,结果表明:该算法能有效地降低复杂背景边缘产生的虚警,提高目标检测准确率.     

基于鲁棒主元分析的SAR图像目标分割

合成孔径雷达(SAR)图像的目标分割,是SAR图像自动目标识别的关键预处理步骤。与一般SAR图像目标区域分割方法不同,鲁棒主元分析融合了主元分析(PCA)与压缩感知(CS)理论中稀疏矩阵的先进思路,利用多帧具有相似性的SAR图像,构建一个观测矩阵D,通过求解一个凸优化问题,重建出一个低秩矩阵A和一个稀疏矩阵E。将矩阵A和E的列向量矩阵化,即可完成SAR图像目标与背景的分离。实验结果表明,鲁棒主元分析算法避免了复杂的SAR图像背景建模,针对同一目标的多帧SAR图像,所提方法对SAR图像目标和背景的分割问题具有可行性和有效性;与经典的最优阈值分割算法相比,误分率明显降低。     

基于向量稀疏和矩阵低秩的压缩感知核磁共振图像重建算法

当前基于压缩感知理论的核磁共振图像重建算法大多仅利用图像数据的稀疏性或者低秩性,并没有同时利用图像的这两个性质.本文提出了一种基于向量稀疏性和矩阵低秩性的压缩感知核磁共振图像重建方法.该方法利用核磁共振图像中图像块的非局部相似性对求解优化模型的经典非线性共轭梯度算法进行改进.主要是在共轭梯度算法的迭代过程中对每一图像块寻找其相似块,由于相似块的像素组成的矩阵具有低秩性,因此利用矩阵低秩恢复算法对每一图像块进行更新.改进后的方法同时利用了图像数据的稀疏性和低秩性.实验结果表明,该方法相对于现有的具有代表性的图像重建算法相比,提升了重建图像的质量,具有较高的信噪比.     

基于3D-OMP算法的SAR动目标成像方法

针对稀疏场景下的SAR动目标成像问题展开研究，提出一种基于三维正交匹配追踪(3D-OMP)算法的稀疏成像方法。首先对成像区域进行网格划分，然后以运动目标的二维速度作为动态参数构建三维稀疏字典矩阵，即参数化稀疏表征。在算法迭代过程中，通过计算回波数据矩阵与三维稀疏字典矩阵各层之间的相关度筛选出信号的支撑集。最后利用最小二乘准则，计算出支撑集下目标场景的稀疏表征系数。该3D-OMP算法是经典OMP算法的改进与拓展，因此继承了OMP算法计算复杂度低、信号稀疏特征增强明显的优势，同时具备了重构SAR动目标图像的能力。仿真实验结果验证了该SAR动目标成像方法的有效性。     

基于背景预测的自适应弱小目标检测算法

在红外弱小目标检测中,提出了一种改进的背景预测算法,根据小目标在图像中的非参数秩描述,构建了一种非参数秩模板,该模板更好的对背景进行预测,提高了小目标在局部区域的信噪比,经过试验验证,在低信噪比的红外弱小目标图像检测中进一步提高检测率。     

低秩表示和字典学习的红外与可见光图像融合算法

针对目前红外与可见光融合算法在保留可见光图像中的背景信息时无法同时有效地提取红外图像信息,提出了一种基于低秩表示和字典学习的红外与可见光的图像融合算法.首先,采用低秩表示对红外图像和可见光图像进行分解,分别获得源图像的低秩和稀疏成分,其中稀疏成分可以很好地表示源图像的边缘细节特征.其次,用OMP算法的字典学习方法和稀疏系数的最大范数规则,而最大范数规则在对图像背景恢复的同时能够提取目标信息.再次,对分解得到的2个分量进行融合.最后,利用融合稀疏系数和自适应字典重建融合图像.实验结果表明,本融合算法可以突出红外对象信息,同时能够保留可见光图像中的背景信息,达到良好的视觉效果.     

低秩矩阵和结构化稀疏分解的视频背景差分方法

针对基于矩阵分解的视频前景检测传统算法中忽视前景元素之间相关性会导致检测结果容易受噪声干扰和运动目标检测不完整等问题,提出了一个低秩矩阵和结构化稀疏分解的视频背景差分算法。该算法充分考虑到视频前景区域的结构化分布特征,利用结构化稀疏范数对前景进行约束;针对矩阵分解方法中参数选择的难题,采用了一种基于运动显著性判定的两步法来实现动态背景去除和正则化参数的自适应选择,即第一步利用低秩和结构化稀疏分解获得运动候选块,第二步对运动候选块进行显著性分析并利用自适应正则化参数的块稀疏分解进行前景检测。实验结果表明:与现有的基于矩阵分解的前景检测方法相比,该算法能够更加适应复杂多变的视频环境,在I2R测试库中检测出的前景有较高的精确度和召回率。     

基于潜在低秩图判别分析的高光谱分类

提出一种基于潜在低秩图判别分析（LatLGDA）算法,利用数据的自表示对数据的列表示系数矩阵和行表示系数矩阵同时施加低秩约束,得到保留数据结构的亲和矩阵,再与图嵌入模型相结合实现高光谱图像的流形降维并进行分类。与其他基于稀疏图或稀疏低秩图的高光谱特征提取算法相比,LatLGDA可利用数据的行信息弥补列信息的不足或缺失,对噪音的抗干扰能力更强;在真实数据集上的实验结果表明,LatLGDA算法具有较高的分类精度和运算效率,应用前景广阔。     

基于图像熵分块的压缩感知字典学习算法

针对传统字典学习算法预处理阶段未考虑图像内外部特征的问题,提出一种基于灰度梯度矩阵的图像熵字典学习算法.该算法通过灰度梯度矩阵计算图像块熵值,并对各图像块进行分类,每类数据组合成训练数据集,再利用基于系数矩阵的奇异值分解算法更新各类子字典.对测试图像的稀疏表示系数进行重建实验,仿真结果表明,该算法可高效训练出自适应稀疏字典,显著提高图像重建精度.      

基于参数化稀疏表征高速目标ISAR成像方法

针对高速运动目标逆合成孔径雷达(ISAR)成像问题,提出一种基于参数化稀疏表征的高速目标ISAR成像方法.首先,对高速运动目标回波信号特点进行分析,构造包含目标未知速度的参数化感知矩阵,建立回波信号稀疏模型.其次,采用自适应寻优算法,同时获得优化的感知矩阵及目标运动速度,基于压缩感知理论,在稀疏采样条件下重构目标ISAR像.相较于已有方法,所提方法可避免ISAR成像中复杂的运动补偿处理,并具有较低的运算复杂度和较好的鲁棒性.仿真实验验证了理论分析与所提成像方法的正确性和有效性.     

极化目标分解在目标分类中的应用

极化目标分解是从极化SAR数据中提取目标特征的重要方法,可以将其概括为两大类:基于S inc lair矩阵的相干目标分解和基于Mueller矩阵、相干矩阵、协方差矩阵的部分相干目标分解.利用相干目标分解中的基于Pau li矩阵分解法、Krogager分解法和Cam eron分解法,对实测极化SAR数据进行分类实验,结果表明极化目标分解对于从极化SAR数据中提取目标特征,进而对其进行分类是可行和有效的.     

定向井靶区与水平井靶窗的统一

作为定向井特例的水平井的靶窗不包含在定向井的靶区范围内,定向井的靶区与水平井的靶窗相冲突。分析定向井的靶区与水平井的靶窗的特征,认为统一靶区的基础是重新确立定向井与水平井的井眼轴线与靶区平面的关系,即靶区平面应该始终与井眼轴线垂直;平面内的靶区应该随井斜角的增加逐渐由直井的圆面变成水平井的矩形或椭圆形。分别建立椭圆形和圆角矩形靶区渐变的数学模型,编写计算软件,绘制安全椭圆锥和圆角棱锥。结果表明,靶区平面应该为与井眼轴线垂直的平面,直井靶区随井斜角过渡到水平井靶窗是解决这一冲突的有效方法。     

雷达低可观测目标探测技术

 复杂背景下稳健高效的低可观测目标探测始终是雷达信号处理领域的研究热点和难点。一方面,强杂波背景和目标复杂运动使得信号微弱,时频域难以区分;另一方面,传统雷达体制回波信号资源受限,难以实现对目标信号的精细化描述,亟需发展雷达目标探测新体制和新技术。本文归纳总结了低可观测目标探测面临的技术难点,系统回顾了常用的雷达动目标检测方法,最后从目标探测技术和手段两方面对雷达低可观测目标探测的发展进行展望。     

等离子体包覆目标的RCS计算

采用直接FDTD方法对雷达波在等离子体包覆目标附近的总场和散射场分布进行了仿真。通过远-近场变换计算了远场电场和不同等离子体分布情况下的目标雷达散射截面RCS值。仿真结果表明,采用等离子包覆的方法可以有效地降低目标的RCS值。等离子体密度和厚度对目标RCS的影响较大,等离子体碰撞频率对目标RCS有一定的影响。     

浅论企业目标成本管理

企业在竞争激烈的市场经济条件下求生存、求发展,首先要解决的一个根本性问题就是加强成本管理,降本增效。文章从传统成本管理方式的弊端分析,提出了目标成本管理法,并探讨了目标成本管理中的几个重要问题。