CN106530253A - 一种sar图像压缩感知重建样本的构建方法 - Google Patents
一种sar图像压缩感知重建样本的构建方法 Download PDFInfo
- Publication number
- CN106530253A CN106530253A CN201610983867.2A CN201610983867A CN106530253A CN 106530253 A CN106530253 A CN 106530253A CN 201610983867 A CN201610983867 A CN 201610983867A CN 106530253 A CN106530253 A CN 106530253A
- Authority
- CN
- China
- Prior art keywords
- reconstruction
- pixel
- individual
- sar image
- pixel groups
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims description 4
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种SAR图像压缩感知（CS）重建样本构建新方法。首先将原始含噪SAR图像分成P个非重叠的像素组，每个像素组中的像素来自原始含噪SAR图像中的预定位置；然后将其中任意Q个像素组（Q值的选择应使每个CS重建样本中的像素个数大于原始图像像素个数的50%）组合成一个向量，即可构建不同的CS重建样本。与现有技术相比，本发明的有益效果是：（1）利用本发明方法，使用一幅原始含噪SAR图像即可产生多幅CS重建样本图像，解决了SAR图像CS重建与去噪等实际应用中可资利用的实测图像数量较少而无法进行的问题；（2）利用本发明构建的重建样本对含噪SAR图像进行CS重建与去噪，获得的结果图像细节和锐利边缘轮廓清晰，去噪效果良好。
Description
技术领域
本发明涉及一种构建SAR图像压缩感知重建样本的新方法。
背景技术
压缩感知（Compressive Sensing，CS）作为一种将压缩与采样同时进行处理的新的信息采集与处理理论，它只需使用少量线性、非自适应的实测图像，就能采用非线性优化方法，对具有稀疏性或可压缩性的图像进行精确重建。但实际CS重建中能够获得同一场景的实测图像数量一般较少，与CS理论所要求的测量数量相比，通常要少很多。因此，当实测图像数量较少时，如何获得足够数量且质量较好的重建样本图像，以获得较好的CS重建图像质量，是CS图像重建中一个值得研究的问题。本发明针对这个问题，提出了一种构建SAR图像CS重建样本的新方法。
发明内容
设S是某原始SAR图像的矩阵表示，如果S是一个m×n的矩阵，则其像素个数N=m×n，将S分成P个非重叠的像素组，则每个像素组中有L=N/P个像素。P个像素组中的像素选自原始SAR图像中的预定位置，说明书附图1给出了当像素组个数P=8时各像素组中像素所在位置的示意图，其中各像素组的像素分别采用不同的符号表示。显然，这些像素组中的像素互不重叠，每个像素组中包含的像素各不相同。设第k个像素组为u k ，k=1，2，…，P，则第k个像素组选择的像素为：
其中α=1，2；β=1，2，3，4；k=β+4(α−1)，其取值范围为1~P。将其中任意Q个像素组u k 组合成一个向量，则可构建个不同的像素子集，即SAR图像CS重建样本。显然，每个CS重建样本中的像素个数为QL。Q值的选择应使每个CS重建样本中的像素个数大于N/2（即原始图像像素个数的50%），各CS重建样本之间可以有一定数量的像素重叠，但应保证各CS重建样本中至少有20%的像素与其它CS重建样本不同。CS重建样本中的像素个数越多，则能构建的CS重建样本的总个数越少，利用这些CS重建样本重建出的图像个数也越少，但重建图像锐利边缘的质量越好。
对于从P个像素组中选出Q个像素组构成的第t个CS重建样本，将其像素按如下方式排列成矩阵y t ：
其中c 1，c 2，…，c q 为1~P之间的整数，表示矩阵的转置。与y t 对应的、大小为M×N（M=QL）的压缩采样矩阵A t 可通过向量y t 中与该像素位置对应的行取（1是元素全为1的列向量，表示转置）产生。从而CS重建样本的采样公式为：
其中为正交变换基矩阵（稀疏表示矩阵），为测量矩阵，是稀疏域如小波域中S t 对应的系数构成的一个向量。对于每一个y t ，可以采用梯度投影稀疏重建算法对下列方程进行求解：
然后采用逆小波变换即可获得第t幅压缩感知重建图像S t 。
每个CS重建样本都可产生一幅与原始含噪SAR图像对应的CS重建图像，则对于个CS重建样本，可以得到幅CS重建图像。对这幅CS重建图像利用逐像素平均方法进行融合处理，即可获得所需要的去噪图像。实验表明，利用本发明构建的重建样本对含噪SAR图像进行压缩感知重建与去噪，获得的去噪图像细节和锐利边缘轮廓清晰，去噪效果良好。
与现有技术相比，本发明的有益效果是：（1）利用本发明方法，使用一幅原始含噪SAR图像即可产生多幅CS重建样本图像，解决了SAR图像压缩感知重建与去噪等实际应用中可资利用的实测图像数量较少而无法进行的问题；（2）利用本发明构建的重建样本对含噪SAR图像进行压缩感知重建与去噪，获得的结果图像细节和锐利边缘轮廓清晰，去噪效果良好。
附图说明
图1为将SAR图像分成8个非重叠的像素组时，各像素组像素所在位置示意图。
具体实施方式
为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效易于明白了解，下面结合说明书附图1对本发明进一步说明。
本发明所提出的SAR图像压缩感知重建样本构建方法的实现步骤如下：
（1）设原始SAR图像S是一个m×n的矩阵，则其像素个数N=m×n，将S分成P个非重叠的像素组，每个像素组中有L = N/P个像素，P个像素组中的像素选自原始SAR图像中的预定位置，各像素组中像素所在位置如说明书附图1所示。设第k个像素组为u k ，k=1，2，…，P，则第k个像素组选择的像素为：
其中α=1，2；β=1，2，3，4；k=β+4(α−1)，其取值范围为1~P。
（2）将P个像素组中的任意Q个像素组u k 组合成一个向量，可构建个不同的像素子集，即SAR图像CS重建样本。显然，每个CS重建样本中的像素个数为QL。注意Q值的选择应使每个CS重建样本中的像素个数大于原始图像像素个数的50%，各CS重建样本之间可以有一定数量的像素重叠，但应保证各CS重建样本中至少有20%的像素与其它CS重建样本不同。
（3）对于从P个像素组中选出Q个像素组构成的第t个CS重建样本，将其像素按如下方式排列成矩阵y t ：
其中c 1，c 2，…，c q 为1~P之间的整数，表示矩阵的转置。与y t 对应的、大小为M×N（M=QL）的压缩采样矩阵A t 可通过向量y t 中与该像素位置对应的行取产生。从而CS重建样本的采样公式为：
其中为稀疏表示矩阵，为测量矩阵，是稀疏域如小波域中S t 对应的系数构成的一个向量。对于每一个y t ，可以采用梯度投影稀疏重建算法对下列方程进行求解：
然后采用逆小波变换即可获得第t幅压缩感知重建图像S t 。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.本发明所提出的SAR图像压缩感知重建样本构建方法的实现步骤如下：
设原始SAR图像S是一个m×n的矩阵，则其像素个数N=m×n，将S分成P个非重叠的像素组，每个像素组中有L = N/P个像素，P个像素组中的像素选自原始SAR图像中的预定位置，各像素组中像素所在位置如说明书附图1所示；设第k个像素组为u k ，k=1，2，…，P，则第k个像素组选择的像素为：
其中α=1，2；β=1，2，3，4；k=β+4(α−1)，其取值范围为1~P。
2.将P个像素组中的任意Q个像素组u k 组合成一个向量，可构建个不同的像素子集，即SAR图像CS重建样本；注意Q值的选择应使每个CS重建样本中的像素个数大于原始图像像素个数的50%，各CS重建样本之间可以有一定数量的像素重叠，但应保证各CS重建样本中至少有20%的像素与其它CS重建样本不同。
3.对于从P个像素组中选出Q个像素组构成的第t个CS重建样本，将其像素按如下方式排列成矩阵y t ：
其中c 1，c 2，…，c q 为1~P之间的整数，表示矩阵的转置；与y t 对应的、大小为M×N（M=QL）的压缩采样矩阵A t 可通过向量y t 中与该像素位置对应的行取产生；从而CS重建样本的采样公式为：
其中为稀疏表示矩阵，为测量矩阵，是稀疏域如小波域中S t 对应的系数构成的一个向量；对于每一个y t ，可以采用梯度投影稀疏重建算法对下列方程进行求解：
然后采用逆小波变换即可获得第t幅压缩感知重建图像S t 。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610983867.2A CN106530253B (zh) | 2016-11-09 | 2016-11-09 | 一种sar图像压缩感知重建样本的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610983867.2A CN106530253B (zh) | 2016-11-09 | 2016-11-09 | 一种sar图像压缩感知重建样本的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106530253A true CN106530253A (zh) | 2017-03-22 |
| CN106530253B CN106530253B (zh) | 2019-05-03 |
Family
ID=58350153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610983867.2A Expired - Fee Related CN106530253B (zh) | 2016-11-09 | 2016-11-09 | 一种sar图像压缩感知重建样本的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106530253B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451980A (zh) * | 2017-08-14 | 2017-12-08 | 厦门大学 | 一种基于压缩感知的太赫兹图像去噪方法 |
| CN110827223A (zh) * | 2019-11-05 | 2020-02-21 | 郑州轻工业学院 | 结合分数阶全变差的cs高噪声天文图像去噪重建方法 |
| CN112285695A (zh) * | 2020-10-21 | 2021-01-29 | 浙江大学 | 一种基于压缩感知的交互定位系统和方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473797A (zh) * | 2013-09-16 | 2013-12-25 | 电子科技大学 | 基于压缩感知采样数据修正的空域可缩小图像重构方法 |
| CN106056638A (zh) * | 2016-05-18 | 2016-10-26 | 信阳师范学院 | 一种自适应纹理对比度的低复杂度压缩感知图像编码方法 |
| US9857463B2 (en) * | 2012-11-12 | 2018-01-02 | Sony Corporation | Radar apparatus and method |
| US9864054B2 (en) * | 2014-03-10 | 2018-01-09 | Mitsubishi Electric Research Laboratories, Inc. | System and method for 3D SAR imaging using compressive sensing with multi-platform, multi-baseline and multi-PRF data |
-
2016
- 2016-11-09 CN CN201610983867.2A patent/CN106530253B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9857463B2 (en) * | 2012-11-12 | 2018-01-02 | Sony Corporation | Radar apparatus and method |
| CN103473797A (zh) * | 2013-09-16 | 2013-12-25 | 电子科技大学 | 基于压缩感知采样数据修正的空域可缩小图像重构方法 |
| US9864054B2 (en) * | 2014-03-10 | 2018-01-09 | Mitsubishi Electric Research Laboratories, Inc. | System and method for 3D SAR imaging using compressive sensing with multi-platform, multi-baseline and multi-PRF data |
| CN106056638A (zh) * | 2016-05-18 | 2016-10-26 | 信阳师范学院 | 一种自适应纹理对比度的低复杂度压缩感知图像编码方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐虎 等: "基于第二代Bandelet基的SAR图像压缩感知及其重建", 《赣南师范学院学报》 * |
| 朱正为 等: "基于MMSE-T的合成孔径雷达图像超分辨率重建", 《浙江大学学报（工学版）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451980A (zh) * | 2017-08-14 | 2017-12-08 | 厦门大学 | 一种基于压缩感知的太赫兹图像去噪方法 |
| CN107451980B (zh) * | 2017-08-14 | 2020-02-28 | 厦门大学 | 一种基于压缩感知的太赫兹图像去噪方法 |
| CN110827223A (zh) * | 2019-11-05 | 2020-02-21 | 郑州轻工业学院 | 结合分数阶全变差的cs高噪声天文图像去噪重建方法 |
| CN112285695A (zh) * | 2020-10-21 | 2021-01-29 | 浙江大学 | 一种基于压缩感知的交互定位系统和方法 |
| CN112285695B (zh) * | 2020-10-21 | 2024-01-12 | 浙江大学 | 一种基于压缩感知的交互定位系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106530253B (zh) | 2019-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dai et al. | Jointly optimized regressors for image super‐resolution | |
| CN102708576B (zh) | 基于结构字典的分块图像压缩感知重建方法 | |
| CN103854267B (zh) | 一种基于变分与分数阶微分的图像融合与超分辨率实现方法 | |
| CN104050653B (zh) | 基于非负结构稀疏的高光谱图像超分辨率方法 | |
| Kim et al. | Deep residual network with enhanced upscaling module for super-resolution | |
| CN105631807A (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
| CN102333233A (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
| CN106530253A (zh) | 一种sar图像压缩感知重建样本的构建方法 | |
| CN101794440A (zh) | 图像序列的加权自适应超分辨率重建方法 | |
| CN105046672A (zh) | 一种图像超分辨率重建方法 | |
| CN105118053B (zh) | 一种基于压缩感知的全参考图像质量客观评价方法 | |
| CN105118078A (zh) | 欠采样的ct图像重建方法 | |
| CN102722875A (zh) | 一种基于视觉注意和质量可变的图像超分辨率重建方法 | |
| CN102547368A (zh) | 一种立体图像质量客观评价方法 | |
| CN106529549B (zh) | 基于自适应特征和离散余弦变换的视觉显著性检测方法 | |
| DE102020133244A1 (de) | Kantenbewusste Aufwärtsskalierung für verbesserte Bildschirminhaltsqualität | |
| CN107203969A (zh) | 一种中间尺度约束的高倍率图像超分辨率重建方法 | |
| CN104299193B (zh) | 一种基于高频和中频信息的图像超分辨率重建方法 | |
| JP2013250891A (ja) | 超解像方法及び装置 | |
| CN108335264B (zh) | 一种基于混合分辨率稀疏字典学习的图像超分辨率方法 | |
| CN107392855A (zh) | 基于稀疏自编码网络与极速学习的图像超分辨重建方法 | |
| Zhang et al. | Pan-sharpening of multi-spectral images using a new variational model | |
| CN104091364A (zh) | 单幅图像超分辨重建方法 | |
| CN104574294A (zh) | 基于Shannon-Nuttall小波多尺度表达的图像修复方法及装置 | |
| DE102011012920A1 (de) | System, Verfahren und Computerprogrammartikel zur Bildgrössenänderung |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190503 |