基于残差网络的微波关联成像目标重构方法研究

微波关联成像将量子强度关联成像的思想扩展到微波领域,不仅很好地解决了传统雷达无法进行高分辨凝视成像以及复杂的运动补偿等问题,还具有分辨率高、抗干扰能力强等特点,受到广泛关注.针对微波关联成像传统重构算法在低采样数条件下重构质量差问题,将残差网络和卷积神经网络应用于微波关联成像重构中,提出一种基于残差网络的微波关联成像方法,以雷达接收机回波数据作为网络的输入,依次通过训练好的特征提取网络和图像增强网络,进行高质量图像反演,并将文中算法与伪逆算法和压缩感知算法进行仿真对比分析.仿真结果表明:在相同采样率下,文中算法成像质量均高于其他算法.同时,在不牺牲图像质量的条件下,单张图像重构执行程序所耗时间约为0.06s,提高了图像重建的速度,对工程应用有重要意义.     

改进型离线迭代在线重构算法的电容层析成像技术研究

针对电容层析成像技术的逆问题中图像重构精度与速度的矛盾性,以12电极电容层析成像系统为对象,提出了一个改进型离线迭代在线重构(OIOR)算法。改进型OIOR算法是针对OIOR算法成像精度不高的问题加入了迭代滤波过程,既保证了成像速度,同时也提高了成像精度。以仿真电容值和实测电容值进行了图像重构的实验验证,从成像效果、相对误差、相关系数以及重构时间这4个方面对此算法进行了分析评估。仿真及实验结果表明:改进型OIOR算法通过迭代滤波100次即可在20ms内有效提高传统OIOR算法重构图像的精度,使其相对误差降低约20%;与传统迭代法相比,在获得相同精度图像的条件下,其重构时间约为传统迭代算法的1/10。     

基于低秩增强的图像压缩感知重构算法

基于非局部自相似性的自然图像压缩感知重构算法在低采样率条件下初始重构质量有限,导致相似块分组效果不理想,影响最终重构质量.针对此问题,文中在组稀疏重构算法(GSR算法)的基础上提出一种低秩增强图像重构算法.首先在初始重构中引入三维块匹配去噪方法,提出混合滤波重构算法,为相似块分组提供更高质量的初始重构图像;然后在相似块正式分组前进行低秩增强预处理,使得相似块分组过程更加关注图像块的关键特征,提高分组的正确度.仿真实验结果表明,文中所提算法和GSR算法相比,在低采样率条件下具有更好的重构性能.     

CVS中基于残差结构特征的块分类重构算法

现有最好的视频压缩感知重构算法大都采用"预测-残差重构"策略,可有效利用帧内和帧间的相关性获得较好的性能,但是残差重构均直接采用SPL算法,忽略了残差信号自身的结构特征,限制了性能的进一步提升.针对该问题,文中提出了一种基于预测残差结构特征的块分类重构算法,首先利用残差块观测值的平均能量对残差块进行分类,然后对不同类的残差块采用不同的重构算法.仿真实验表明,用于运动较快的视频序列时,文中方案与SPL算法相比可以获得更好的重构质量.     

一种基于Resnet的非稳态数据关联方法

设计了一种基于残差网络的非稳态数据关联方法.利用残差网络对多层次和异构特征的提取能力求解数据关联问题中的最优决策函数.首先将全局关联问题分解为固定问题空间大小的基本关联问题,然后设计深度网络提取非稳态数据中的不变特征,找到基本关联问题解的分类模型,可在误差分布变化和参数无法准确估计的情况下,提高关联鲁棒性和准确性.仿真试验结果表明:当误差分布参数在一定范围内变化和未知条件下,本算法优于联合概率数据关联(JPDA)算法和K近邻(KNN)算法.     

稀疏步进频合成孔径雷达成像算法

提出了一种适用于稀疏步进频信号的成像算法,以较少的时间和频谱资源完成了雷达目标成像。该算法将稀疏步进频回波数据等效为均匀步进频回波数据的观测值,利用压缩感知重构算法实现目标区域的距离向重构,然后经过距离徙动校正与方位向脉压完成对目标场景成像。仿真结果表明:该算法在发射频点高度稀疏条件下仍能实现高分辨成像。采用地基雷达实测数据验证了算法的有效性。     

模式耦合稀疏贝叶斯MIMO雷达成像

通过压缩感知稀疏恢复理论可利用少量MIMO雷达收发阵元实现对目标的高分辨成像。利用MIMO雷达目标图像的块稀疏特性,将模式耦合稀疏贝叶斯学习算法应用于MIMO雷达成像,首先建立MIMO面阵回波信号模型,引入模式耦合稀疏贝叶斯分层模型,将相邻系数通过共用超参数的方法耦合起来。通过贝叶斯推理得到雷达信号的估计式,再通过EM算法实现对超参数的迭代估计,进而实现对雷达信号的估计,直到信号满足误差允许范围,最后重构信号实现MIMO阵列高分辨成像。仿真实验表明,该方法的成像效果在图像的聚焦性能上优于传统的傅里叶、稀疏贝叶斯算法,在散射点重构上优于OMP算法。     

压缩感知在ECT分相含率检测中的应用

该文研究了压缩感知(CS)理论在电容层析成像(ECT)问题中的应用,有效解决了图像重构中的欠定性问题,从而通过图像计算两相流中的截面分相含率。首先,采用时域基作为图像向量的稀疏基,并采用高斯随机对灵敏度矩阵进行重新排序,设计其观测矩阵;然后,将不动点迭代算法FPC应用于凸优化问题的求解,得到重构图像;最后,利用最优阈值算法对重构图像进行灰度处理,由灰度图像进行分相含率的计算。在仿真实验阶段建立ECT传感器模型,对3种典型两相流流型进行重构,并与经典的LBP,Landweber算法综合3种重构效果评价指标进行比较。仿真结果表明:基于CS的ECT重构算法在只有少量测量数据的情况下也能精确地重构图像,且成像质量远高于LBP算法,并优于Landweber迭代算法,成像速度也大幅提升,有效提高了分相含率检测的准确性。     

合成孔径雷达海面流场特征的成像仿真

根据合成孔径雷达海面流场特征的成像原理,将波流相互作用和随机多尺度微波散射模型结合相结合,建立了海面流场成像模型。并使用该模型对不同雷达频率条件下的弱海表流场进行了成像仿真。与M4S软件在相同条件下的仿真结果进行比较,证明了本文仿真结果的合理性。     

基于径向基网络和小波变换的电容层析图像重构算法

针对电容层析成像系统重构图像问题的非线性、病态性等特点,提出了基于径向基神经网络的图像重构算法以达到流型辨识的要求,并针对神经网络成像精度低的问题,重点分析研究了适用于图像特征增强的空频分析方法——基于径向基网络的自适应小波滤波重构算法.图像经过多级小波分解后,依据邻域特性来判断各个子带图像上的边缘点;依据统计特性来估计噪声在空频域中的分布,并构造具有自适应性的边缘增强增益;最后用调整后的小波系数重建图像.仿真结果表明,该算法有效地增强了图像的边缘,减小了图像的噪声影响,很大程度上改善了重构图像的成像质量,明显减轻了失真度,使图像特点更加清晰.     

利用不规则曲线测量数据实现雷达目标三维成像

由于平台任务要求或环境影响,雷达数据采样路径可能是不规则曲线。利用通常舍弃的不规则曲线测量数据实现雷达目标三维成像,而且在稀疏测量情形下的成像分辨率甚至超过密集采样时传统成像算法的分辨率。不规则曲线测量数据的空间采样具有稀疏性和非均匀性,不能用传统成像算法得到高分辨率图像。基于压缩感知的雷达目标成像,突破了传统分辨率的瑞利准则限制,且可应用于非均匀采样数据。目标高频散射的稀疏性为压缩感知在雷达成像中的应用奠定了基础。更重要地研究证明,不规则曲线测量矩阵具有良好的互不相干性,因此基于压缩感知的三维成像能够满足重构精度和稳定性要求。考虑到三维成像中测量矩阵的高维性,用分段正交匹配追踪算法实现目标信号的稀疏重构。实验结果表明,算法不仅能够精确实现超分辨三维成像,而且成像算法具有很好的鲁棒性。     

稀疏微波成像信号处理方法研究

主要围绕该研究关键科学问题"稀疏微波成像非模糊重建"展开研究,结合稀疏微波成像体制,研究多维度稀疏信号特征信息挖掘方法,提出稀疏微波成像距离多普勒二维解耦成像重建算子,建立稀疏微波成像重构算法,实现微波成像大数据量的快速求解。主要研究内容包括:基于稀疏优化的空时频域先验信息挖掘方法、稀疏微波成像非模糊重建理论和方法、非理想运动平台稀疏微波成像处理和稀疏微波成像快速算法研究。主要工作进展包括:(1)基于目标在空间的稀疏表征,揭示观测对象在空间维度的先验信息调制机理,实现短孔径下的方位高分辨成像。(2)进行了稀疏步进频率雷达成像体制设计和高分辨成像算法研究,有效降低步进频率雷达的回波数据量和外界干扰的概率。(3)基于稀疏孔径数据,揭示观测对象在方位时间维度的先验信息调制机理,展开了方位孔径稀疏采样的雷达体制设计和高分辨成像算法研究。(4)提出了一种基于稀疏表征的自聚焦算法,研究了存在运动误差下的稀疏微波成像非模糊重建算法,完善了可嵌入运动补偿的稀疏微波成像处理框架。(5)展开了宽幅海洋多舰船目标高分辨成像的体制设计和算法研究,提出了一种单天线体制下的Fast-Scan SAR海洋多舰船成像算法,并完善了稀疏微波成像非模糊重建理论框架和方法体系。(6)展开了稀疏采样体制下的运动目标检测和成像算法研究。通过方位稀疏采样方式优化设计,基于运动目标先验信息挖掘技术研究,利用稀疏信号处理算法实现运动目标的高分辨非模糊重建。     

基于量子算法的逆合成孔径雷达稀疏成像方法

经典稀疏重构算法的计算复杂度较高，易导致雷达系统面对较大规模雷达回波数据时实时成像处理能力不足。针对这一问题，将量子算法应用于逆合成孔径雷达成像的稀疏信号处理中，为雷达稀疏成像带来量子计算短时间内处理大规模数据的优势。首先，根据逆合成孔径雷达稀疏成像的经典算法，分析匹配滤波、稀疏重构等经典算法的量子化方法，建立经典算法与量子算法之间的映射关系；其次，在确定相应量子算法及步骤关系的基础上，构建能够实现稀疏成像经典算法功能的量子线路，提出基于量子算法的逆合成孔径雷达稀疏成像方法；最后，根据构建的量子线路，结合雷达回波信号，制备相应的量子态，输入到量子线路中获得成像结果。仿真实验表明：相较于经典稀疏成像算法，基于量子算法的稀疏成像方法能够在保证成像质量的同时，大幅降低雷达成像处理数据的计算复杂度。     

基于残差密集网络的智能超表面信道估计算法

信道估计是通信系统中一项关键的技术,涉及评估信号在传输过程中经历的信道特性,以便接收端能够有效地对接收到的信号进行处理和恢复。为提高视距信道遮挡通信下的通信系统质量,使用智能超表面来辅助现有通信系统。智能超表面辅助的无线通信系统中,除了基站和用户之间的视距信道外,同时包含基站到智能超表面和智能超表面到用户之间的级联信道。当前信道估计方法基本上利用传统算法进行估计,为了解决智能超表面辅助多用户系统中复杂统计分布的级联信道估计精度低和计算复杂度高的问题,文中提出了一种基于传统算法和深度学习算法相结合的信道估计算法。利用传统算法的可解释性和深度学习算法的高性能特性,在卷积网络基础上,提出了一种基于残差密集网络（RDN）的去噪方法。首先按照系统参数模拟生成真实环境的数据集,使用传统最小二乘法（LS）进行信道粗估计,并将信道看作二维含噪图像;其次采用密集块（RDB）充分提取噪声数据局部特征,并使用多路卷积和残差网络对数据进行特征融合;最后通过已训练模型对数据进行在线估计,并得到去噪信道。文中从信道的估计精度对所提算法进行验证,在Rician信道模型上进行理论公式推导和系统仿真分析。仿真结果表明,...     

显著边缘直接引导的动态模糊图像盲复原方法

针对主动视觉中运动载体和云台抖动导致图像模糊的问题,提出一种显著边缘直接引导的动态模糊图像盲复原方法。为了克服经典 Canny 算子只能对边缘进行标注的缺陷,设计了图像边缘搜索-增强算法,并基于此提出了仅依据图像中显著边缘邻域完成点扩散函数优化估计的方法;为解决传统残差图像方法不能适应预测图像错位的问题,提出图像解模糊的递归残差修正算法来抑制复原图像波动;设计了图像复原的分层迭代处理流程,保证模糊图像复原的可靠性和精度。理想光照条件下的仿真表明,算法能准确恢复模糊图像的边缘,同时抑制复原图像中的波动。非理想光照条件下的仿真也验证了算法对环境有良好的适应性,具有较高的实际应用价值。     

基于运动对齐预测模型的分布式视频压缩感知重构

为了提高分布式视频压缩感知（Distributed Video Compressive Sensing,DVCS）的率失真性能,文中提出根据视频非关键帧图像的时间相关性将帧内各块分为静止块与运动块两类,并对它们设定不同的测量率以提高压缩感知（Compressive Sensing,CS）捕获信息的效率.在重构过程中,提出运动对齐多假设预测模型进行重构,该预测模型在测量域内实现运动估计,并根据运动信息在参考帧内寻找到待重构块的若干候选匹配块,利用它们的线性加权和残差重构得到非关键帧图像的重构结果.仿真实验结果表明,文中所提出的DVCS重构算法能有效提升系统的率失真性能,与现有方法相比,在重构时间基本不变的情况下,获得更好的主客观视频重构质量.     

基于参考图像的膝关节MR I超分辨率重建算法研究

针对在膝关节MR I图像重建中,传统超分辨算法存在重建图像纹理不清晰、参考图像难以与低分辨率图像纹理严格对齐等问题,提出了一种基于参考图像的膝关节MR I超分辨率成像算法.该算法利用纹理相似性,将参考图像的迁移纹理与低分辨率图像纹理自适应地对齐,丰富低分辨率图像的细节,实现膝关节MR I超分辨率成像.纹理迁移利用残差网...     

基于即插即用2D-FISTA的高分辨ISAR成像方法

基于即插即用框架,将二维快速迭代收缩阈值算法与深度去噪网络DnCNN相结合,提出对不同信噪比回波稳健的逆合成孔径雷达高分辨成像方法PnP 2D-FISTA。首先建立二维ISAR成像的信号模型与稀疏观测模型,给出2D-FISTA成像的迭代公式,然后用DnCNN作为去噪器代替软阈值收缩函数,获得良好的图像重构与去噪性能。仿真与实测数据实验结果表明,PnP 2D-FISTA能在不同信噪比条件下实现高效成像,并具有较好的重构性能与噪声鲁棒性。     

一种基于深度学习的图像超分辨率重构方法

近年来,基于卷积神经网络(CNN)的单幅图像超分辨率重构得到了广泛应用﹒然而,随着网络不断加深,也同时出现了参数过多、计算代价过大和难以训练等问题﹒为解决上述问题,提出一种新的深度残差密集网络(DRDN)框架并应用于单幅图像超分辨率重建﹒首先,网络通过密集连接充分利用了低分辨率图像从浅层到深层的各层特征,为超分辨率重构提供更多的低分辨率图像信息;其次,为了充分融合全局特征信息,通过残差学习的方式进行融合重构,同时为了缓解深层网络带来的训练困难等问题,网络采用多路跳步连接,使误差更加快速地传到各层网络;最后,将该方法与深度递归残差网络(DRRN)方法在公共数据集上进行了实验比较,结果表明DRDN在网络稳定性、时间效率、收敛速度和重建效果等方面都优于DRRN﹒     

级联模型展开与残差学习的压缩感知重构

基于传统优化模型展开的深度网络由于集成了深度学习与传统优化方法的优点,具有良好的可解释性,在当前图像处理与计算机视觉领域得到广泛关注.提出了一种级联模型展开与残差学习的图像压缩感知重构深度网络框架,以实现重构图像质量的进一步改善.第一级的基于模型展开的深度网络根据输入的压缩测量值得到初始的重构图像,第二级的深度残差网络对初始重构图像进行去噪处理,最终得到高质量的重构结果.该两级级联网络的训练分别独立完成,训练过程简单易实现,将ADMM-Net与Res Net级联实现对磁共振图像重构,将ISTA-Net+与Res Net级联实现对自然图像重构.大量实验结果比较验证了所提出方法的有效性.