CN102254054A - 一种稀疏微波成像处理的模型构建方法 - Google Patents
一种稀疏微波成像处理的模型构建方法 Download PDFInfo
- Publication number
- CN102254054A CN102254054A CN 201010183431 CN201010183431A CN102254054A CN 102254054 A CN102254054 A CN 102254054A CN 201010183431 CN201010183431 CN 201010183431 CN 201010183431 A CN201010183431 A CN 201010183431A CN 102254054 A CN102254054 A CN 102254054A
- Authority
- CN
- China
- Prior art keywords
- sparse
- sampling
- microwave
- data
- microwave imaging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种稀疏微波成像处理的模型构建方法,首先利用微波成像的线性算子特性并根据雷达系统参数以及雷达与场景的几何关系建立了微波成像的线性回归模型;然后,通过稀疏观测矩阵和稀疏变换矩阵的构建,建立了稀疏微波成像的线性回归模型;最后,应用稀疏信号处理中的稀疏信号重建理论建立了稀疏微波成像的重建模型。本发明所提出的稀疏微波成像处理的模型构建方法将为稀疏微波成像提供理论基础。
Description
技术领域
本发明涉及微波成像技术领域,是稀疏微波成像处理的模型构建方法。
背景技术
与光学成像技术相比,微波成像不受日照和天气条件限制,具有全天时、全天候对目标或场景观测的能力,已发展成为资源勘察、环境监测和灾害评估等遥感应用的重要手段。
高精度测绘与资源调查、自然灾害与环境监测、侦察监视与预警等应用需求使高分辨、宽测绘、多维度成为微波成像技术的发展方向,而现有的微波成像体制基于奈奎斯特采样定理和经典数字信号处理理论,存在系统实现困难、成像处理方法复杂、海量数据传输难以实现、信息冗余但特征提取困难等瓶颈问题。
为了解决以上问题,一种新的微波成像体制:稀疏微波成像被提出,该体制将稀疏信号处理理论引入微波成像,利用观测区域的稀疏特性通过有目的地稀疏采样实现数据量的减少,以降低微波成像对器件和系统要求、降低采样率、降低数据率、减少存储量、提高处理效率,为实现高分辨率和宽测绘带等提供可能。
稀疏信号的概念最早由Santosa和Symes明确提出,即在给定基表示下只有少量非零系数的信号。稀疏信号处理的基本模型是线性回归模型,适当选择稀疏观测矩阵Φ,其模型可描述为:
y=Φx+n
其中y为观测采样数据,x为待估计向量,n为噪声。稀疏信号处理的前提是待估计向量x本身或其在某个稀疏基下是稀疏的,即x=Ψα,其中Ψ为由稀疏基构成的稀疏矩阵,α为稀疏系数。通常y的维度远小于x的维度,因此上述的线性回归模型是欠定方程,一般情况下有无穷多个解,根据剃刀原理,最稀疏的解最接近真实解,即:
min||x||0s.t||y-Φx||2≤ε
其中0范数||x||0表示x的非零元个数,表征其稀疏特性。范数0的求解是一个组合问题,直接用范数0进行优化求解将面临组合危机,早期通常采用低阶范数l∈(0,2)代替0范数对上式进行求解。
2006年,稀疏信号处理取得了突破性进展,Donoho系统阐述了l1优化和稀疏性之间的关联,并首次使用压缩感知(Compressed Sensing-CS)描述整个稀疏信号处理过程。同年,Candes和Tao给出了l1与l0优化问题等价的充分条件(RIP条件),阐明了l1优化以及稀疏信号重建之间的关系(参见Near optimal signal recovery from random projections:Universal Encoding Strategies.IEEE Trans.on Information Theory,2006,52(12):5406-5425.)。
近年来,国际上陆续有学者开始注意到微波成像过程的线性算子特性和观测对象信息的冗余性,尝试有目的地进行稀疏采样,并直接利用稀疏采样数据(无需缺省采样恢复)进行成像处理或信息提取。其中,CS在雷达信号处理中的应用就是典型示例之一,主要研究进展包括;Baraniuk开展基于压缩感知理论的雷达成像点目标仿真研究(参见Compressiveradar imaging.IEEE Radar Conference,Waltham,Massachusetts,April2007);McClellan和Waymond等讨论了基于随机测量方式、Hough稀疏变换的压缩感知理论在探地雷达中目标分类和特征信息提取中的应用(参见Compressive sensing for GPR imaging.Asilomar Conf.,2007.);Willsky等研究了稀疏信号处理在宽角度、聚束模式合成孔径雷达对于单个或若干个孤立各向异性目标成像中的应用(参见Sparse representaion instructured dictionaries with application to synthetic apertureradar.IEEE Trans.on Signal Processing,2008,56(8):3548-3561.);Potter等从统计角度研究了稀疏Bayesian成像算法在稀疏采样圆周SAR中的应用(参见Sparse reconstruction for RADAR,SPIE Algorithms forSynthet ic Aperture Radar Imagery XV.2008.);Herman等从理论上研究了基于Alltop序列发射脉冲的高分辨率运动目标成像分辨率与数据采样量的关系;Blumensath和Davies等讨论了压缩感知应用于合成孔径雷达原始数据压缩的可能性,由于只选择了常用的小波基,恢复效果不理想(参见Fast encoding of synthetic aperture radar raw data usingcompressed sensing,IEEE Workshop on Statistical Signal Processing,Madison,Wisconsin,August 2007.);Suksmono从实验角度研究了压缩感知在步进频率探地雷达中的应用(参见Sparse representation instructured dictionaries with application to synthetic apertureradar.IEEE Trans.on Signal Processing,2008,56(8):3548-3561.)。
目前,稀疏信号处理理论在微波成像中的应用尚处在起步阶段,鉴于微波成像的特殊性,还有很多关键问题有待解决,第一,需要将微波数据获取过程抽象为线性回归模型,并建立稀疏微波成像处理的模型构建方法。第二,微波图像通常是复图像,在较多应用中需保留其相位信息,因此还需要寻找对微波复图像进行稀疏性分析和表征的方法。第三,微波成像的稀疏观测矩阵不能任意选择,它受雷达参数和成像几何制约,因此需要合理设计可行的观测矩阵和数据获取方式。第四,为了满足高分辨率宽测绘带微波成像对地观测的要求,即使稀疏采样后的数据量也将可能达到几到十几GB,现有的数值优化求解算法尚难以处理如此巨大的数据量,并存在效率低的问题,因此需要实现重建优化算法的鲁棒性和快速性。而解决以上关键问题的前提和基础是建立稀疏微波成像处理的模型构建方法。
发明内容
本发明的目的是公开一种稀疏微波成像处理的模型构建方法,为稀疏微波成像提供理论基础,这里的微波成像包括各种雷达成像模式,如聚束SAR,条带SAR,滑动聚束SAR,Scan SAR,双站SAR,阵列天线。
为达到上述目的,本发明的技术解决方案是:
一种稀疏微波成像处理的模型构建方法,其包括步骤如下:
步骤1:利用微波成像的线性算子特性建立微波成像的线性回归模型:
Y=H·X+N
其中,Y为回波采集数据,X为微波观测对象,H为微波成像雷达观测矩阵,N为噪声;
步骤2:根据稀疏采样的类型、稀疏采样的方式,以及微波观测对象的稀疏特性,建立稀疏微波成像的线性回归模型:
Ys=Φ·X+N=Θ·H·Ψ·α+N
其中,Ys为稀疏采样回波,下标s表示稀疏,Φ为稀疏成像雷达观测矩阵(简称:稀疏观测矩阵),Θ为稀疏矩阵,Ψ为稀疏变换矩阵,α为稀疏系数向量;
步骤2中包括以下两个步骤:
步骤S21:构建稀疏观测矩阵Φ=Θ·H;
步骤S22:构建稀疏变换矩阵Ψ;
步骤3:构建稀疏微波成像的重建模型为:
或
所述的稀疏微波成像处理的模型构建方法,其所述回波采集数据Y,是时间域数据、频率域数据或空间域数据;所述微波观测对象X,是观测场景的不同观测数据集:微波成像原始数据、经部分成像处理的数据或场景区的散射系数图。
所述的稀疏微波成像处理的模型构建方法,其当回波采集数据Y为时间域数据,且所述微波观测对象X为场景区的散射系数图时,假设为雷达的位置向量,t为快时间,则所述回波采集数据Y表示为时间域回波信号的离散形式sr1∈CM×N一维向量化后的信号:
Y=sr1(:)
X=σ(:)
所述的稀疏微波成像处理的模型构建方法,其当回波采集数据Y为频率域数据时,即是方位频率域数据、距离频率域数据或二维频率域数据,其线性回归模型构建方法是一致的;当回波采集数据Y为距离频率域数据,且微波观测对象X为场景区的散射系数图时,假设f为快时间频率,则所述回波采集数据Y表示为频率域回波信号的离散形式sr2∈CM×N一维向量化后的信号:
Y=sr2(:)
X=σ(:)
微波成像雷达观测矩阵H的第i行,第j列的元素为:
其中,P(f)=DFT[p(t)]为雷达发射信号p(t)的频域信号。
所述的稀疏微波成像处理的模型构建方法,其当回波采集数据Y为空间域数据,且微波观测对象X为场景区的散射系数图时,每个阵元天线aij的回波采集数据是时间域数据或频率域数据,每个阵元的线性回归模型为:
Yij=Hij·X+Nij
其中Yij为阵元的回波采集数据,Hij为阵元的微波成像雷达观测矩阵,Nij为阵元的噪声;则所述的回波采集数据Y、微波成像雷达观测矩阵H,噪声N分别由各阵元的Yij、Hij和Nij按列排列而成:
Y=[Yij]
H=[Hij]
N=[Nij]
所述的稀疏微波成像处理的模型构建方法,其所述稀疏采样的类型,包括空间稀疏采样、时间稀疏采样、频率稀疏采样以及联合多维度稀疏采样,其中,空间稀疏采样、时间稀疏采样、频率稀疏采样是分别指在空间、时间、频率域进行稀疏采样,获取被观测对象的稀疏采样回波,联合多维度稀疏采样是指在空间、时间、频率其中两种或者两种以上的域进行稀疏采样,获取被观测对象的稀疏采样回波。
所述的稀疏微波成像处理的模型构建方法,其所述稀疏采样的方式,包括:a)时间域和频率域数据,采用二维随机采样或二维调制和降采样,或其中一维采用随机采样,另一维采用调制和降采样;b)空间域信号,随机抽取若干阵元,各阵元回波的采样方法与时间域和频率域数据的采样方法相同;
当采用二维随机采样时,则所述稀疏采样回波Ys由随机从回波采样数据Y中抽取的J(J<<MN)个采样值构成,则所述随机矩阵Θ尺寸为J×MN,每行有且只有一个1,每列最多只有一个1,且位置随机,其余为0;则所述稀疏观测矩阵Φ表达为:
Φ=ΘH。
所述的稀疏微波成像处理的模型构建方法,其若微波观测对象X本身是稀疏的,则所述稀疏变换矩阵Ψ为单位矩阵;若X在某个稀疏域是稀疏的,该域称为X的稀疏域(泛指能稀疏化X的域,可以是小波域、DCT域或Fourier域等),则所述稀疏变换矩阵Ψ由稀疏基Ψ1,ψ2,...ψK构成:
Ψ=[ψ1,ψ2,...ψK]
则X的稀疏表征为:
X=Ψ·α
其中α为所述稀疏系数向量。
本发明的一种稀疏微波成像处理的模型构建方法,适用于各种微波成像体制,并可对微波成像在空间、时间、频谱或者联合多维度的稀疏数据获取进行模型构建,将为稀疏微波成像提供理论基础。
附图说明
图1(a)是回波信号的时间域满采样/过采样示意图;
图1(b)是本发明的一种稀疏微波成像处理的模型构建方法中时间稀疏采样示意图;
图2(a)是回波信号的真实频谱示意图;
图2(b)是本发明的一种稀疏微波成像处理的模型构建方法中频率稀疏采样示意图;
图3是本发明的一种稀疏微波成像处理的模型构建方法中空间稀疏采样示意图;
图4是本发明的一种稀疏微波成像处理的模型构建方法的操作步骤流程图。
具体实施方式
下面将结合附图对本发明加以详细说明,应指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
如图4所示,本发明提出的一种稀疏微波成像处理的模型构建方法的操作步骤包括:
步骤1:利用微波成像的线性算子特性建立微波成像的线性回归模型:
Y=H·X+N (1)
其中,Y为回波采集数据,X为微波观测对象,H为微波成像雷达观测矩阵,N为噪声。
回波采集数据Y可以是时间域数据、频率域数据或空间域数据,微波观测对象X可以是观测场景的不同观测数据集,如:微波成像原始数据、经部分成像处理的数据、图像等。为描述方便,以下假设微波观测对象X为场景区的散射系数图。
下面分别具体介绍时间域数据、频率域数据和空间域数据的线性回归模型构建方法。
假设雷达发射信号为p(t),则时间域的回波信号表达式为,
当雷达回波信号为时间域数据,且微波观测对象X为场景区的散射系数图时,回波采集数据Y表示为sr1(xa,t)的离散形式sr1∈CM×N一维向量化后的信号,其中M为满采样/过采样条件下方位向的采样数,N为距离向的采样数;微波观测对象X表示为的离散形式σ∈CL一维向量化后的信号,其中L为散射系数图的总象素个数。
Y=s r1(:) (3)
X=σ(:) (4)
频率域数据可以是方位频率域数据、距离频率域数据或二维频率域数据,其线性回归模型构建方法是一致的,这里只以距离频率域数据为例,表达式为式(2)对快时间的傅里叶变换:
其中f为发射信号频率。
当微波观测对象X为场景区的散射系数图时,Y为sr2(xa,t)的离散形式sr2∈CM×N一维向量化后的信号;X为的离散形式σ∈CL一维向量化后的信号。
Y=sr2(:) (7)
X=σ(:) (8)
微波成像雷达观测矩阵H由构造,其尺寸为MN×L,H第i行,第j列的元素为:
空间域信号指由阵列天线获得的信号,每个阵元天线aij的回波信号可以是时间域数据或频率域数据,表达式如式(2)或式(6),则每个阵元的线性回归模型为:
Yij=Hij·X+Nij (10)
其中Yij为阵元的回波采集数据,Hij为阵元的微波成像雷达观测矩阵,Nij为阵元的噪声。
则回波采集数据Y、微波成像雷达观测矩阵H,噪声N分别由各阵元的Yij、Hij和Nij按列排列而成,
Y=[Yij] (11)
H=[Hij] (12)
N=[Nij] (13)
步骤2:根据稀疏采样的类型、稀疏采样的方式,以及微波观测对象的稀疏特性,建立稀疏微波成像的线性回归模型:
Y=Φ·X+N=Θ·H·Ψ·α+N (14)
其中,Ys为稀疏采样回波,下标s表示稀疏,Φ为稀疏成像雷达观测矩阵(简称:稀疏观测矩阵),Θ为稀疏矩阵,Ψ为稀疏变换矩阵,α为稀疏系数向量。
稀疏采样的类型包括空间稀疏采样、时间稀疏采样、频率稀疏采样以及联合多维度稀疏采样,其中,空间稀疏采样、时间稀疏采样、频率稀疏采样是分别指在空间、时间、频率域进行稀疏采样,获取被观测对象的稀疏微波信号,联合多维度稀疏采样则是指在空间、时间、频率等两种或者两种以上的域进行稀疏采样,获取被观测对象的稀疏微波信号。
时间稀疏采样如图1所示,虚线为连续回波信号,实竖线代表采样点,其中,图1(a)为全采样/满采样的示意图,为均匀采样,且采样间隔满足奈圭斯特采样定理,图1(b)为时间域随机稀疏采样结果,采样点无需满足奈圭斯特采样定理,采样点可以是非均匀的。
频率稀疏采样如图2所示,其中,图2(a)为回波信号的真实频谱图,图2(b)为稀疏微波成像时随机选取的频段。
空间稀疏采样如图3所示,矩形块代表天线阵元,在传统微波成像中,阵元的排列是等间隔的,图中阴影显示的阵元为稀疏微波成像时随机选取的阵元。
步骤2包括以下两个步骤:
步骤S21:构建稀疏观测矩阵Φ。
稀疏采样的方式包括:对时间域和频率域数据,可采用二维随机采样或二维调制和降采样,或其中一维采用随机采样,另一维采用调制和降采样。对空间域信号,可随机抽取若干阵元,各阵元回波的采样方法同时间域和频率域信号的采样方法。假设采用二维随机采样,即等价于随机从回波采样数据Y中抽取J(J<<MN)个采样值构成稀疏采样回波Ys,则随机矩阵Θ尺寸为J×MN,每行有且只有一个1,每列最多只有一个1,且位置随机,其余为0,例如:
则稀疏观测矩阵Φ可表达为:
Φ=ΘH (16)
步骤S22:构建稀疏变换矩阵Ψ。
若微波观测对象X本身是稀疏的,则稀疏变换矩阵Ψ为单位矩阵。
若X在某个域是稀疏的,该域称为X的稀疏域(泛指能稀疏化X的域,可以是小波域、DCT域或Fourier域等),则,
其中,ψi为稀疏基,αi为稀疏系数,由稀疏基构成的稀疏变换矩阵为,
Ψ=[ψ1,ψ2,...ψK] (18)
由稀疏系数构成的稀疏向量为,
α=[α1,α2,...αK] (19)
步骤3:构建稀疏微波成像的重建模型,根据稀疏信号重建理论,重建模型为:
本发明所提出的稀疏微波成像处理的模型构建方法适用于各种微波成像体制,并可对微波成像在空间、时间、频谱或者联合多维度的稀疏数据获取进行模型构建,将为稀疏微波成像提供理论基础。
实际的稀疏微波成像处理中各模型的建立需结合具体应用进行考虑。
以上所述,仅为本发明中的具体实施方式,本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖本发明的包含范围之内,因此本发明的保护范围应该以权利要求书的保护范围为准。
Claims (8)
1.一种稀疏微波成像处理的模型构建方法,其特征在于,包括步骤如下:
步骤1:利用微波成像的线性算子特性建立微波成像的线性回归模型:
Y=H·X+N
其中,Y为回波采集数据,X为微波观测对象,H为微波成像雷达观测矩阵,N为噪声;
步骤2:根据稀疏采样的类型、稀疏采样的方式,以及微波观测对象的稀疏特性,建立稀疏微波成像的线性回归模型:
Ys=Φ·X+N=Θ·H·Ψ·α+N
其中,Ys为稀疏采样回波,下标s表示稀疏,Φ为稀疏成像雷达观测矩阵,Θ为稀疏矩阵,Ψ为稀疏变换矩阵,α为稀疏系数向量;
步骤2中包括以下两个步骤:
步骤S21:构建稀疏观测矩阵Φ=Θ·H;
步骤S22:构建稀疏变换矩阵Ψ;
步骤3:构建稀疏微波成像的重建模型为:
或
2.根据权利要求1所述的稀疏微波成像处理的模型构建方法,其特征在于,所述回波采集数据Y,是时间域数据、频率域数据或空间域数据;所述微波观测对象X,是观测场景的不同观测数据集:微波成像原始数据、经部分成像处理的数据或场景区的散射系数图。
3.根据权利要求1所述的稀疏微波成像处理的模型构建方法,其特征在于,当回波采集数据Y为时间域数据,且所述微波观测对象X为场景区的散射系数图时,假设为雷达的位置向量,t为快时间,则所述回波采集数据Y表示为时间域回波信号的离散形式sr1∈CM×N一维向量化后的信号:
Y=sr1(:)
X=σ(:)
此时,微波成像雷达观测矩阵H的第i行,第j列的元素为:
5.根据权利要求1所述的稀疏微波成像处理的模型构建方法,其特征在于,当回波采集数据Y为空间域数据,且微波观测对象X为场景区的散射系数图时,每个阵元天线aij的回波采集数据是时间域数据或频率域数据,每个阵元的线性回归模型为:
Yij=Hij·X+Nij
其中Yij为阵元的回波采集数据,Hij为阵元的微波成像雷达观测矩阵,Nij为阵元的噪声;则所述的回波采集数据Y、微波成像雷达观测矩阵H,噪声N分别由各阵元的Yij、Hij和Nij按列排列而成:
Y=[Yij]
H=[Hij]
N=[Nij]
6.根据权利要求1所述的稀疏微波成像处理的模型构建方法,其特征在于,所述稀疏采样的类型,包括空间稀疏采样、时间稀疏采样、频率稀疏采样以及联合多维度稀疏采样,其中,空间稀疏采样、时间稀疏采样、频率稀疏采样是分别指在空间、时间、频率域进行稀疏采样,获取被观测对象的稀疏采样回波,联合多维度稀疏采样是指在空间、时间、频率其中两种或者两种以上的域进行稀疏采样,获取被观测对象的稀疏采样回波。
7.根据权利要求1所述的稀疏微波成像处理的模型构建方法,其特征在于,所述稀疏采样的方式,包括:a)时间域和频率域数据,采用二维随机采样或二维调制和降采样,或其中一维采用随机采样,另一维采用调制和降采样;b)空间域信号,随机抽取若干阵元,各阵元回波的采样方法与时间域和频率域数据的采样方法相同;
当采用二维随机采样时,则所述稀疏采样回波Ys由随机从回波采样数据Y中抽取的J(J<<MN)个采样值构成,则所述随机矩阵Θ尺寸为J×MN,每行有且只有一个1,每列最多只有一个1,且位置随机,其余为0;则所述稀疏观测矩阵Φ表达为:
Φ=ΘH。
8.根据权利要求1所述的稀疏微波成像处理的方法,其特征在于,若微波观测对象X本身是稀疏的,则所述稀疏变换矩阵Ψ为单位矩阵;若X在某个域是稀疏的,该域称为X的稀疏域,则所述稀疏变换矩阵Ψ由稀疏基ψ1,ψ2,...ψK构成:
Ψ=[ψ1,ψ2,...ψK]
则X的稀疏表征为:
X=Ψ·α
其中α为所述稀疏系数向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010183431 CN102254054A (zh) | 2010-05-19 | 2010-05-19 | 一种稀疏微波成像处理的模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010183431 CN102254054A (zh) | 2010-05-19 | 2010-05-19 | 一种稀疏微波成像处理的模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102254054A true CN102254054A (zh) | 2011-11-23 |
Family
ID=44981318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010183431 Pending CN102254054A (zh) | 2010-05-19 | 2010-05-19 | 一种稀疏微波成像处理的模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102254054A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102739361A (zh) * | 2012-06-13 | 2012-10-17 | 华为技术有限公司 | 一种稀疏度估计的方法及装置 |
CN102854505A (zh) * | 2012-09-10 | 2013-01-02 | 电子科技大学 | 一种加权稀疏驱动自聚焦sar成像方法 |
CN103412974A (zh) * | 2013-07-11 | 2013-11-27 | 武汉大学 | 一种计算稀疏微波成像雷达系统信道容量的方法 |
CN103630893A (zh) * | 2013-02-21 | 2014-03-12 | 中国科学院电子学研究所 | 稀疏微波成像观测数据成像的方法 |
CN103698755A (zh) * | 2014-01-16 | 2014-04-02 | 中国科学院电子学研究所 | 一种获取稀疏微波成像雷达信噪比和采样比的方法 |
CN103729485A (zh) * | 2012-10-15 | 2014-04-16 | 中国航天科工集团第二研究院二〇七所 | 一种基于dem数据的宽带雷达相干杂波仿真方法 |
CN103983960A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院电子学研究所 | 获得稀疏微波成像相变图的方法 |
CN104251991A (zh) * | 2014-09-25 | 2014-12-31 | 中国科学院电子学研究所 | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 |
CN105388473A (zh) * | 2015-11-17 | 2016-03-09 | 西北工业大学 | 一种基于高分辨成像的近场rcs快速测量方法 |
CN105842699A (zh) * | 2016-06-02 | 2016-08-10 | 中国科学院电子学研究所 | 合成孔径雷达稀疏成像方法 |
CN106093944A (zh) * | 2016-08-12 | 2016-11-09 | 中国科学院电子学研究所 | 一种适用于恒虚警率检测的稀疏微波成像方法 |
CN106093875A (zh) * | 2016-06-23 | 2016-11-09 | 中国科学院电子学研究所 | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 |
CN106199524A (zh) * | 2016-06-23 | 2016-12-07 | 中国科学院电子学研究所 | 基于基追踪去噪的远场宽带rcs数据采集与压缩方法 |
CN106383348A (zh) * | 2016-11-24 | 2017-02-08 | 桂林电子科技大学 | 一种超宽带探地雷达的压缩感知采集数据获取方法 |
CN106872951A (zh) * | 2017-01-03 | 2017-06-20 | 北京环境特性研究所 | 一种基于压缩感知的暗室宽带rcs测量方法 |
CN108152819A (zh) * | 2017-12-13 | 2018-06-12 | 中国科学院电子学研究所 | 基于广义最小最大凹惩罚的sar成像方法 |
CN109975805A (zh) * | 2019-03-04 | 2019-07-05 | 广东工业大学 | 基于稀疏和全变差联合正则化的多平台星座sar成像方法 |
CN113508308A (zh) * | 2019-03-07 | 2021-10-15 | 三菱电机株式会社 | 通过融合天线集合的测量的雷达成像 |
CN114647006A (zh) * | 2022-05-18 | 2022-06-21 | 东营市京川石油技术有限公司 | 一种基于多重压缩感知的地震弱信号增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101078769A (zh) * | 2006-05-25 | 2007-11-28 | 中国科学院中国遥感卫星地面站 | 单次全极化合成孔径雷达图像反演数字高程模型的方法 |
CN101216553A (zh) * | 2007-12-27 | 2008-07-09 | 南京航空航天大学 | 一种基于变尺度原理的合成孔径雷达极坐标格式成像算法 |
-
2010
- 2010-05-19 CN CN 201010183431 patent/CN102254054A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101078769A (zh) * | 2006-05-25 | 2007-11-28 | 中国科学院中国遥感卫星地面站 | 单次全极化合成孔径雷达图像反演数字高程模型的方法 |
CN101216553A (zh) * | 2007-12-27 | 2008-07-09 | 南京航空航天大学 | 一种基于变尺度原理的合成孔径雷达极坐标格式成像算法 |
Non-Patent Citations (3)
Title |
---|
《数字视频》 20081231 喻玲娟、谢晓春 压缩感知理论简介 第17页左栏第3段 8 第32卷, 第12期 * |
《自然科学进展》 20091031 侯颖妮、李道京、洪文 基于稀疏阵列和压缩感知理论的艇载雷达运动目标成像研究 第1112页左栏倒数第2段-右栏第18行 1-8 第19卷, 第10期 * |
《雷达成像技术》 20050430 保铮、郉孟道、王彤 雷达成像技术 电子工业出版社 第22页第2段-3段 3,4 , * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102739361A (zh) * | 2012-06-13 | 2012-10-17 | 华为技术有限公司 | 一种稀疏度估计的方法及装置 |
CN102739361B (zh) * | 2012-06-13 | 2015-09-09 | 华为技术有限公司 | 一种稀疏度估计的方法及装置 |
CN102854505A (zh) * | 2012-09-10 | 2013-01-02 | 电子科技大学 | 一种加权稀疏驱动自聚焦sar成像方法 |
CN103729485A (zh) * | 2012-10-15 | 2014-04-16 | 中国航天科工集团第二研究院二〇七所 | 一种基于dem数据的宽带雷达相干杂波仿真方法 |
CN103729485B (zh) * | 2012-10-15 | 2016-12-07 | 中国航天科工集团第二研究院二〇七所 | 一种基于dem数据的宽带雷达相干杂波仿真方法 |
CN103630893A (zh) * | 2013-02-21 | 2014-03-12 | 中国科学院电子学研究所 | 稀疏微波成像观测数据成像的方法 |
CN103412974A (zh) * | 2013-07-11 | 2013-11-27 | 武汉大学 | 一种计算稀疏微波成像雷达系统信道容量的方法 |
CN103698755A (zh) * | 2014-01-16 | 2014-04-02 | 中国科学院电子学研究所 | 一种获取稀疏微波成像雷达信噪比和采样比的方法 |
CN103698755B (zh) * | 2014-01-16 | 2016-03-09 | 中国科学院电子学研究所 | 一种获取稀疏微波成像雷达信噪比和采样比的方法 |
CN103983960A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院电子学研究所 | 获得稀疏微波成像相变图的方法 |
CN103983960B (zh) * | 2014-05-26 | 2015-05-06 | 中国科学院电子学研究所 | 获得稀疏微波成像相变图的方法 |
CN104251991A (zh) * | 2014-09-25 | 2014-12-31 | 中国科学院电子学研究所 | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 |
CN104251991B (zh) * | 2014-09-25 | 2016-11-23 | 中国科学院电子学研究所 | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 |
CN105388473A (zh) * | 2015-11-17 | 2016-03-09 | 西北工业大学 | 一种基于高分辨成像的近场rcs快速测量方法 |
CN105388473B (zh) * | 2015-11-17 | 2017-08-04 | 西北工业大学 | 一种基于高分辨成像的近场rcs快速测量方法 |
CN105842699A (zh) * | 2016-06-02 | 2016-08-10 | 中国科学院电子学研究所 | 合成孔径雷达稀疏成像方法 |
CN105842699B (zh) * | 2016-06-02 | 2019-04-23 | 中国科学院电子学研究所 | 合成孔径雷达稀疏成像方法 |
CN106093875A (zh) * | 2016-06-23 | 2016-11-09 | 中国科学院电子学研究所 | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 |
CN106199524A (zh) * | 2016-06-23 | 2016-12-07 | 中国科学院电子学研究所 | 基于基追踪去噪的远场宽带rcs数据采集与压缩方法 |
CN106093944A (zh) * | 2016-08-12 | 2016-11-09 | 中国科学院电子学研究所 | 一种适用于恒虚警率检测的稀疏微波成像方法 |
CN106383348A (zh) * | 2016-11-24 | 2017-02-08 | 桂林电子科技大学 | 一种超宽带探地雷达的压缩感知采集数据获取方法 |
CN106872951A (zh) * | 2017-01-03 | 2017-06-20 | 北京环境特性研究所 | 一种基于压缩感知的暗室宽带rcs测量方法 |
CN106872951B (zh) * | 2017-01-03 | 2019-07-12 | 北京环境特性研究所 | 一种基于压缩感知的暗室宽带rcs测量方法 |
CN108152819A (zh) * | 2017-12-13 | 2018-06-12 | 中国科学院电子学研究所 | 基于广义最小最大凹惩罚的sar成像方法 |
CN109975805A (zh) * | 2019-03-04 | 2019-07-05 | 广东工业大学 | 基于稀疏和全变差联合正则化的多平台星座sar成像方法 |
CN113508308A (zh) * | 2019-03-07 | 2021-10-15 | 三菱电机株式会社 | 通过融合天线集合的测量的雷达成像 |
CN114647006A (zh) * | 2022-05-18 | 2022-06-21 | 东营市京川石油技术有限公司 | 一种基于多重压缩感知的地震弱信号增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102254054A (zh) | 一种稀疏微波成像处理的模型构建方法 | |
CN102879782B (zh) | 基于分数阶傅里叶变换的压缩感知sar成像方法 | |
US8824544B2 (en) | Method and system for recovery of missing spectral information in wideband signal | |
CN103149561B (zh) | 一种基于场景块稀疏的稀疏微波成像方法 | |
CN102221696A (zh) | 稀疏微波成像方法 | |
CN109212528B (zh) | 一种多维层析sar古迹遗址形变监测方法 | |
CN104111458A (zh) | 基于双重稀疏约束的压缩感知合成孔径雷达成像方法 | |
Ghaffarian et al. | Towards post-disaster debris identification for precise damage and recovery assessments from UAV and satellite images | |
Sharma et al. | Land use and land cover classification of multispectral LANDSAT-8 satellite imagery using discrete wavelet transform | |
Han et al. | Insulator detection and damage identification based on improved lightweight YOLOv4 network | |
CN102750714A (zh) | 基于快速搜寻最优核配置的张量分解截断遥感高光谱图象压缩方法 | |
US11271587B2 (en) | Compressed sensing apparatus, system and method for processing signals in set function | |
CN106911893B (zh) | 一种单像素计算成像方法 | |
CN104391040A (zh) | 一种相控阵结构健康监测Lamb波压缩及重构方法 | |
Kawami et al. | 2-Dimensional high-quality reconstruction of compressive measurements of phased array weather radar | |
Price et al. | Pre-screener for automatic detection of road damage in SAR imagery via advanced image processing techniques | |
Paul et al. | Target detection using dlr earth sensing imaging spectrometer (desis) data | |
Shi et al. | Small target detection in infrared image via sparse representation | |
Zhou et al. | Power transmission tower CFAR detection algorithm based on integrated superpixel window and adaptive statistical model | |
Sun et al. | Applications of CS based spectrum recovery in hyperspectral images | |
Li et al. | Construction of sparse basis by dictionary training for compressive sensing hyperspectral imaging | |
Huang et al. | Urban area analysis in single-polarized SAR images based on unsupervised deep learning | |
Zhong et al. | Particle swarm optimization for nonlinear spectral unmixing: a case study of generalized bilinear model | |
Dabbiru et al. | Comparison of L-band and X-band polarimetric SAR data classification for screening earthen levees | |
Shi et al. | Scattering Characteristics of Ultra-High-Voltage Power Lines in Spaceborne SAR Images. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111123 |