CN110133651A - 一种稀疏sar成像自适应稀疏度估计方法、装置 - Google Patents
一种稀疏sar成像自适应稀疏度估计方法、装置 Download PDFInfo
- Publication number
- CN110133651A CN110133651A CN201910439082.2A CN201910439082A CN110133651A CN 110133651 A CN110133651 A CN 110133651A CN 201910439082 A CN201910439082 A CN 201910439082A CN 110133651 A CN110133651 A CN 110133651A
- Authority
- CN
- China
- Prior art keywords
- degree
- rarefication
- adaptive
- sparse
- iteration
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出了一种稀疏SAR成像自适应稀疏度估计方法,该方法包括:首先利用匹配滤波方法对欠采样的SAR原始数据进行成像,得到复图像,然后采用基于复图像的稀疏SAR成像方法,在复图像域中自适应迭代,得到预估的稀疏度,然后根据预估的稀疏度,更新稀疏度的迭代范围,最后引入方位‑距离解耦算子,并在更新后的稀疏度的迭代范围上,基于原始数据自适应估计稀疏度的最优值。相比于传统的基于观测矩阵的自适应稀疏度估计方法,本发明提出的方法能够在获得相近的稀疏恢复性能的同时降低计算复杂度。
Description
技术领域
本发明涉及稀疏微波成像技术领域,尤其涉及一种稀疏SAR成像自适应稀疏度估计方法、装置。
背景技术
合成孔径雷达(SAR,Synthetic Aperture Radar)是一种主动微波遥感手段,与光学遥感相比,信号穿透力强,具有全天时全天候的对地观测能力,是对地观测的重要手段之一,近几年,稀疏信号处理理论已经被引入到SAR成像中。与匹配滤波方法相比,稀疏SAR成像方法能够提升雷达图像的质量,有效地抑制噪声和旁瓣。
稀疏度的估计对于稀疏SAR成像十分关键,但是场景真实的稀疏度是不知道的。利用一些自动估计正则化参数的方法,如Stein无偏风险估计(SURE,Stein’s unbiased riskestimation),广义交叉验证(GCV,Generalized Cross-Validation),L-curve等可以实现稀疏SAR成像的自适应稀疏度估计。但是,上述自适应参数估计方法是基于观测矩阵推导出来的,会导致庞大的计算量和内存占用,所以将上述自适应稀疏度估计方法应用于大规模的场景存在困难与挑战。
发明内容
本发明的主要目的在于提供一种场景稀疏度计算方法稀疏SAR成像自适应稀疏度估计方法、装置,可有效地减少计算量和内存占用,降低计算复杂度。
为实现上述目的,本发明实施例第一方面提供一种稀疏SAR成像自适应稀疏度估计方法,包括:
利用匹配滤波方法对欠采样的SAR的原始数据进行成像,得到复图像;
采用基于复图像的稀疏SAR成像方法,在所述复图像域中自适应迭代,得到预估的稀疏度;
根据所述预估的稀疏度,更新所述稀疏度的迭代范围;
引入方位-距离解耦算子,并在更新后的稀疏度的迭代范围上,基于所述原始数据自适应估计稀疏度的最优值。
进一步地,所述采用基于复图像的稀疏SAR成像方法,在所述复图像域中自适应迭代,得到预估的稀疏度包括:
根据SAR的几何关系,构建基于所述复图像的稀疏SAR成像模型,并推导出基于所述复图像的正则化参数损失函数;
根据场景的先验稀疏度,设置稀疏度的迭代范围;
将所述稀疏度作为所述复图像幅度的阈值,得到所述复图像幅度的阈值与成像模型中正则化参数的对应关系以及所述正则化参数的迭代范围;
在所述正则化参数的迭代范围上,通过最小化所述基于复图像的正则化参数损失函数,确定所述正则化参数的自适应结果;
根据稀疏度与正则化参数的对应关系,得到所述稀疏度的自适应结果;
进一步地,所述引入方位-距离解耦算子,并在更新后的所述稀疏度的迭代范围上,基于所述原始数据自适应估计稀疏度的最优值包括:
根据SAR的几何关系,构建基于所述原始数据的稀疏SAR成像模型,并推导出基于所述原始数据的正则化参数损失函数;
根据更新后的稀疏度的迭代范围,确定新的正则化参数的迭代范围;
在所述新的正则化参数的迭代范围上,通过最小化所述基于原始数据的正则化参数损失函数,确定所述新的正则化参数的自适应结果;
根据稀疏度与正则化参数的对应关系,得到所述更新后的稀疏度的自适应结果。
进一步地,所述根据SAR的几何关系,构建基于所述复图像的稀疏SAR成像模型包括:
令XMF为所述复图像,X为后向散射系数矩阵,N为噪声矩阵,则:
XMF=X+N;
所述根据SAR的几何关系,构建基于所述原始数据的稀疏SAR成像模型包括:
令Y为所述原始数据,Φ为根据SAR观测几何构建的观测矩阵,则:
Y=ΦX+N。
进一步地,所述基于复图像的正则化参数损失函数为:
其中,所述正则化参数为λ,XMF为所述复图像,N=Na×Nr,Na和Nr分别为所述场景方位向和距离向的采样点数,β为一个小的正常数,为基于所述XMF的L1优化问题的解,
进一步地,所述基于原始数据的正则化参数损失函数为:
其中,Y为所述原始数据,为回波模拟算子,为基于所述Y的L1优化问题的解,
进一步地,根据所述预估的稀疏度,更新所述稀疏度的迭代范围包括:
令所述稀疏度为K,所述K的迭代范围为[Kmin,Kmax],所述K的自适应结果为Kmid,则将所述K的迭代范围由[Kmin,Kmax]更新为[Kmin,Kmid]。
本发明实施例第二方面提供一种稀疏SAR成像自适应稀疏度估计装置,包括:
成像模块,用于利用匹配滤波方法对欠采样的SAR的原始数据进行成像,得到复图像;
迭代模块,用于采用基于复图像的稀疏SAR成像方法,在所述复图像域中自适应迭代,得到预估的稀疏度;
更新模块,用于根据所述预估的稀疏度,更新所述稀疏度的迭代范围;
计算模块,用于引入方位-距离解耦算子,并在更新后的稀疏度的迭代范围上,基于所述原始数据自适应估计稀疏度的最优值。
从上述本发明实施例可知,本发明利用了基于复图像的稀疏SAR成像及其等效性。相比于基于原始数据的稀疏SAR成像,基于复图像的稀疏SAR成像有着更低的计算复杂度。即使二者在原始数据为欠采样的情况下不等效,但是基于复图像的自适应估计值仍然可以作为稀疏度的预估值,并将它用在基于原始数据的自适应稀疏度估计中。相比于传统的基于观测矩阵的自适应稀疏度估计方法,本发明提出的方法能够在获得相近的稀疏恢复性能的同时降低计算复杂度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的稀疏SAR成像自适应稀疏度估计方法的流程示意图;
图2为本发明又一实施例提供的稀疏SAR成像自适应稀疏度估计装置的结构示意图;
图3为本发明一实施例提供的方法与原方法的性能对比图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中,首先利用匹配滤波方法对欠采样的SAR的原始数据进行成像,得到复图像,然后采用基于复图像的稀疏SAR成像方法,在复图像域中自适应迭代,得到预估的稀疏度,然后根据预估的稀疏度,更新稀疏度的迭代范围,最后引入方位-距离解耦算子,并在更新后的稀疏度的迭代范围上,基于原始数据自适应估计稀疏度的最优值。相比基于观测矩阵的自适应参数估计方法,本发明提出的方法能够在获得相近的稀疏恢复性能的同时降低计算复杂度。
请参阅图1,图1为本发明一实施例提供的稀疏SAR成像自适应稀疏度估计方法的流程示意图,该方法主要包括以下步骤:
S101、利用匹配滤波方法对SAR原始数据进行成像,得到复图像;
匹配滤波方法是指当输入信号具有某一特殊波形时,使其输出信噪比达到最大。
S102、采用基于复图像的稀疏SAR成像方法,在复图像域中自适应迭代,得到预估的稀疏度;
首先,根据SAR的几何关系,构建基于该复图像的稀疏SAR成像模型。其中,令XMF为该复图像,X为后向散射系数矩阵,N为噪声矩阵,则基于该复图像的稀疏SAR成像模型:
XMF=X+N
然后,根据场景的先验稀疏度,设置稀疏度的迭代范围,利用先验稀疏度确定稀疏度的迭代范围,可保证自适应结果的准确性。在本发明实施例中,令稀疏度为K,根据场景的先验稀疏度,稀疏度的迭代范围为[Kmin,Kmax]。
然后,将稀疏度K作为该复图像幅度的阈值,得到该复图像幅度的阈值与正则化参数的对应关系以及正则化参数的迭代范围。在本发明实施例中,令正则化参数为λ,正则化参数λ的迭代范围为[λmin,λmax]。
然后,在正则化参数λ的迭代范围[λmin,λmax]上,通过最小化基于该复图像的正则化参数损失函数,确定正则化参数λ的自适应结果。其中,基于复图像的损失函数根据广义交叉验证方法推导,基于该复图像的损失函数为:
其中,正则化参数为λ,XMF为复图像,N=Na×Nr,Na和Nr分别为该场景方位向和距离向的采样点数,β为一个小的正常数,为基于XMF的L1优化问题的解,argmin是最小化计算公式。
最后,根据稀疏度与正则化参数的对应关系,得到稀疏度K的自适应结果。在本发明实施例中,求得稀疏度K的自适应结果为Kmid。
S103、根据该预估的稀疏度,更新该稀疏度的迭代范围;
在原始数据为欠采样的条件下,基于复图像的稀疏SAR成像方法与基于基于该原始数据自适应估计稀疏度的最优值的稀疏SAR成像方法是不等效的。由于欠采样导致的模糊与能量分散,Kmid会大于真实值。所以,在本步骤中,将稀疏度的迭代范围[Kmin,Kmax]更新为[Kmin,Kmid]。
S104、引入方位-距离解耦算子,并在更新后的稀疏度的迭代范围上,基于该原始数据自适应估计稀疏度的最优值。
首先,根据SAR的几何关系,构建基于该原始数据的稀疏SAR成像模型。在本发明实施例中,令Y为该原始数据,Φ为根据SAR观测几何构建的观测矩阵,N为噪声矩阵,则基于该原始数据的稀疏SAR成像模型为:
Y=ΦX+N
然后,根据更新后的稀疏度的迭代范围[Kmin,Kmid],确定新的正则化参数的迭代范围。在本发明实施例中,令新的正则化参数的迭代范围为[λmin′,λmax′]。
然后,在新的正则化参数的迭代范围[λmin′,λmax′]上,通过最小化基于该原始数据的正则化参数损失函数,确定新的正则化参数的自适应结果。在本发明实施例中,令新的正则化参数的自适应结果为λopt,该新的正则化参数的自适应结果λopt即为最优自适应结果。其中,基于该原始数据的损失函数为:
其中,Y为该原始数据,为回波模拟算子,用来代替观测矩阵Φ,为基于Y的L1优化问题的解,argmin是最小化计算公式。求解方法可基于方位-距离解耦的近似观测,求解得出λopt。
最后,根据稀疏度与正则化参数的对应关系,得到更新后的稀疏度的自适应结果,即为最优自适应结果。在本发明实施例中,得到的更新后的稀疏度的自适应结果为Kopt,并输出重构后的复图像。
其中,选择迭代软阈值(IST)算法作为基于方位-距离解耦的稀疏SAR成像方法,是成像算子,ηλ,μ,l(·)是阈值函数。基于chirp scaling算法的成像算子可表示为
Fr和Fa分别表示距离向和方位向傅里叶变换,Fr -1和Fa -1分别表示距离向和方位向傅里叶逆变换,Θsc、Θrc和Θac分别表示chirp scaling算法的三个相位。回波模拟算子是成像算子的共轭转置,基于chirp scaling算法的回波模拟算子可表示为:
以下对基于原始数据自适应估计稀疏度的最优值的具体执行过程进行说明:
输入:SAR原始数据Y,参数α,β,ε,μ,[Kmin,Kmid]
初始化:i=0,[λmin′,λmax′]←[Kmin,Kmid]
while logλmax′-logλmin′>εand i<Iter
2)for j=0 to jmado
end for
3)根据计算和
5)i=i+1
end
6)Kopt←λopt
输出:重构后的复图像和稀疏度的最优自适应结果Kopt。
在本发明实施例中,提出了一种稀疏SAR成像自适应稀疏度估计方法。该方法利用基于复图像的稀疏SAR成像及其等效性,首先在复图像域中预估稀疏度的值。然后引入方位-距离解耦算子,结合预估的稀疏度,在原始数据域中自适应估计稀疏度的值。相比于传统的基于观测矩阵的自适应稀疏度估计方法,本发明提出的方法能够在获得相近的稀疏恢复性能的同时降低计算复杂度。令I表示IST准确恢复所需的迭代步数;令J1和J2分别表示稀疏度的自适应迭代范围为[Kmin,Kmax]和[Kmin,Kmid]时迭代收敛所需的迭代步数。显然J2小于J1。传统的基于观测矩阵的自适应稀疏度估计方法的计算复杂度为本发明提出的方法的计算复杂度为实现了计算复杂度的降低。
请参阅图2,图2是本发明又一实施例提供的稀疏SAR成像自适应稀疏度估计装置的结构示意图,该装置主要包括:
成像模块201、迭代模块202、更新模块203和计算模块204。
成像模块201,用于利用匹配滤波方法对欠采样SAR的原始数据进行成像,得到复图像。
迭代模块202,用于采用基于复图像的稀疏SAR成像方法,在所述复图像域中自适应迭代,得到预估的稀疏度。
更新模块203,用于根据所述预估的稀疏度,更新该稀疏度的迭代范围;
计算模块204,用于引入方位-距离解耦算子,并在更新后的稀疏度的迭代范围上,基于所述原始数据自适应估计稀疏度的最优值。
请参见图3,图3示出了本发明一实施例提供的方法与原方法的性能对比图。其中,(a)为降采样率为80%时匹配滤波方法、基于观测矩阵的方法与本发明提供的方法的结果对比;(b)为不同信噪比与降采样率条件下的相对均方误差曲线对比图。从图3中可以看出本发明提供的方法可以获得与基于观测矩阵的方法相近的稀疏恢复性能。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的稀疏SAR成像自适应稀疏度估计方法、装置的描述,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种稀疏SAR成像自适应稀疏度估计方法,其特征在于,包括:
利用匹配滤波方法对欠采样的SAR原始数据进行成像,得到复图像;
采用基于复图像的稀疏SAR成像方法,在所述复图像域中自适应迭代,得到预估的稀疏度;
根据所述预估的稀疏度,更新所述稀疏度的迭代范围;
引入方位-距离解耦算子,并在更新后的稀疏度的迭代范围上,基于所述原始数据自适应估计稀疏度的最优值。
2.根据权利要求1所述的自适应稀疏度估计方法,其特征在于,所述采用基于复图像的稀疏SAR成像方法,在所述复图像域中自适应迭代,得到预估的稀疏度包括:
根据SAR的几何关系,构建基于所述复图像的稀疏SAR成像模型,并推导出基于所述复图像的正则化参数损失函数;
根据场景的先验稀疏度,设置稀疏度的迭代范围;
将所述稀疏度作为所述复图像幅度的阈值,得到所述复图像幅度的阈值与成像模型中正则化参数的对应关系以及所述正则化参数的迭代范围;
在所述正则化参数的迭代范围上,通过最小化所述基于复图像的正则化参数损失函数,确定所述正则化参数的自适应结果;
根据稀疏度与正则化参数的对应关系,得到所述稀疏度的自适应结果。
3.根据权利要求1所述的自适应稀疏度估计方法,其特征在于,所述引入方位-距离解耦算子,并在更新后的所述稀疏度的迭代范围上,基于所述原始数据自适应估计稀疏度的最优值包括:
根据SAR的几何关系,构建基于所述原始数据的稀疏SAR成像模型,并推导出基于所述原始数据的正则化参数损失函数;
根据更新后的稀疏度的迭代范围,确定新的正则化参数的迭代范围;
在所述新的正则化参数的迭代范围上,通过最小化所述基于原始数据的正则化参数损失函数,确定所述新的正则化参数的自适应结果;
根据稀疏度与正则化参数的对应关系,得到所述更新后的稀疏度的自适应结果。
4.根据权利要求1所述的自适应稀疏度估计方法,其特征在于,所述根据SAR的几何关系,构建基于所述复图像的稀疏SAR成像模型包括:
令XMF为所述复图像,X为后向散射系数矩阵,N为噪声矩阵,则:
XMF=X+N;
所述根据SAR的几何关系,构建基于所述原始数据的稀疏SAR成像模型包括:
令Y为所述原始数据,Φ为根据SAR观测几何构建的观测矩阵,则:
Y=ΦX+N。
5.根据权利要求3所述的自适应稀疏度估计方法,其特征在于,所述基于复图像的正则化参数损失函数为:
其中,所述正则化参数为λ,XMF为所述复图像,N=Na×Nr,Na和Nr分别为所述场景方位向和距离向的采样点数,β为一个小的正常数,为基于所述XMF的L1优化问题的解,
6.根据权利要求3所述的自适应稀疏度估计方法,其特征在于,所述基于原始数据的正则化参数损失函数为:
其中,Y为所述原始数据,为回波模拟算子,用来代替观测矩阵Φ,为基于所述Y的L1优化问题的解,
7.根据权利要求3所述的自适应稀疏度估计方法,其特征在于,根据所述预估的稀疏度,更新所述稀疏度的迭代范围包括:
令所述稀疏度为K,所述在复图像域中自适应迭代的K的迭代范围为[Kmin,Kmax],所述K的自适应结果为Kmid,则将所述K的迭代范围由[Kmin,Kmax]更新为[Kmin,Kmid]。
8.一种稀疏SAR成像自适应稀疏度估计装置,其特征在于,包括:
成像模块,用于利用匹配滤波方法对欠采样的SAR原始数据进行成像,得到复图像;
迭代模块,用于采用基于复图像的稀疏SAR成像方法,在复图像域中自适应迭代,得到预估的稀疏度;
更新模块,用于根据预估的稀疏度,更新稀疏度的迭代范围;
计算模块,用于引入方位-距离解耦算子,并在更新后的稀疏度的迭代范围上,基于所述原始数据自适应估计稀疏度的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439082.2A CN110133651B (zh) | 2019-05-24 | 2019-05-24 | 一种稀疏sar成像自适应稀疏度估计方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439082.2A CN110133651B (zh) | 2019-05-24 | 2019-05-24 | 一种稀疏sar成像自适应稀疏度估计方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110133651A true CN110133651A (zh) | 2019-08-16 |
CN110133651B CN110133651B (zh) | 2021-04-06 |
Family
ID=67573008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910439082.2A Active CN110133651B (zh) | 2019-05-24 | 2019-05-24 | 一种稀疏sar成像自适应稀疏度估计方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110133651B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788977A (zh) * | 2011-05-19 | 2012-11-21 | 中国科学院电子学研究所 | 基于l1/2正则化的合成孔径雷达成像方法 |
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 |
CN103760559A (zh) * | 2014-01-24 | 2014-04-30 | 中国科学院电子学研究所 | 一种基于在线观测的稀疏微波成像方法 |
CN103869316A (zh) * | 2014-03-27 | 2014-06-18 | 西安电子科技大学 | 基于稀疏表征的前视阵列sar超分辨成像方法 |
CN104199032A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院电子学研究所 | 一种基于相关系数的层析sar成像的航迹分布优化方法 |
CN104316923A (zh) * | 2014-10-14 | 2015-01-28 | 南京航空航天大学 | 针对合成孔径雷达bp成像的自聚焦方法 |
US9363024B2 (en) * | 2012-03-09 | 2016-06-07 | The United States Of America As Represented By The Secretary Of The Army | Method and system for estimation and extraction of interference noise from signals |
CN105741333A (zh) * | 2016-02-02 | 2016-07-06 | 中国空间技术研究院 | 一种Video-SAR图像实时压缩重构方法 |
CN105929397A (zh) * | 2016-04-01 | 2016-09-07 | 中国科学院电子学研究所 | 基于lq 正则化的偏置相位中心天线成像方法 |
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 |
CN106199600A (zh) * | 2016-06-30 | 2016-12-07 | 西安电子科技大学 | 基于多普勒估计的方位多通道合成孔径雷达成像方法 |
US9880277B2 (en) * | 2014-05-01 | 2018-01-30 | Utah State University Research Foundation | Synthetic aperture radar processing |
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 |
CN108171273A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于k-svd和深度堆栈网络的极化sar图像分类方法 |
CN108872988A (zh) * | 2018-07-12 | 2018-11-23 | 南京航空航天大学 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
CN109061642A (zh) * | 2018-07-13 | 2018-12-21 | 电子科技大学 | 一种贝叶斯迭代重加权稀疏自聚焦阵列sar成像方法 |
CN109242889A (zh) * | 2018-08-27 | 2019-01-18 | 大连理工大学 | 基于上下文显著性检测与sae的sar图像变化检测方法 |
CN109683161A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种基于深度admm网络的逆合成孔径雷达成像的方法 |
-
2019
- 2019-05-24 CN CN201910439082.2A patent/CN110133651B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788977A (zh) * | 2011-05-19 | 2012-11-21 | 中国科学院电子学研究所 | 基于l1/2正则化的合成孔径雷达成像方法 |
US9363024B2 (en) * | 2012-03-09 | 2016-06-07 | The United States Of America As Represented By The Secretary Of The Army | Method and system for estimation and extraction of interference noise from signals |
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 |
CN103760559A (zh) * | 2014-01-24 | 2014-04-30 | 中国科学院电子学研究所 | 一种基于在线观测的稀疏微波成像方法 |
CN103869316A (zh) * | 2014-03-27 | 2014-06-18 | 西安电子科技大学 | 基于稀疏表征的前视阵列sar超分辨成像方法 |
US9880277B2 (en) * | 2014-05-01 | 2018-01-30 | Utah State University Research Foundation | Synthetic aperture radar processing |
CN104199032A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院电子学研究所 | 一种基于相关系数的层析sar成像的航迹分布优化方法 |
CN104316923A (zh) * | 2014-10-14 | 2015-01-28 | 南京航空航天大学 | 针对合成孔径雷达bp成像的自聚焦方法 |
CN105741333A (zh) * | 2016-02-02 | 2016-07-06 | 中国空间技术研究院 | 一种Video-SAR图像实时压缩重构方法 |
CN105929397A (zh) * | 2016-04-01 | 2016-09-07 | 中国科学院电子学研究所 | 基于lq 正则化的偏置相位中心天线成像方法 |
CN106199600A (zh) * | 2016-06-30 | 2016-12-07 | 西安电子科技大学 | 基于多普勒估计的方位多通道合成孔径雷达成像方法 |
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 |
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 |
CN108171273A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于k-svd和深度堆栈网络的极化sar图像分类方法 |
CN108872988A (zh) * | 2018-07-12 | 2018-11-23 | 南京航空航天大学 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
CN109061642A (zh) * | 2018-07-13 | 2018-12-21 | 电子科技大学 | 一种贝叶斯迭代重加权稀疏自聚焦阵列sar成像方法 |
CN109242889A (zh) * | 2018-08-27 | 2019-01-18 | 大连理工大学 | 基于上下文显著性检测与sae的sar图像变化检测方法 |
CN109683161A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种基于深度admm网络的逆合成孔径雷达成像的方法 |
Non-Patent Citations (6)
Title |
---|
HUI BI: "Complex-Image-Based Sparse SAR Imaging and Its Equivalence", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
SHUANGHUI ZHANG: "Autofocusing for Sparse Aperture ISAR Imaging Based on Joint Constraint of Sparsity and Minimum Entropy", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
ZHILIN XU: "Comparison of Raw Data-Based and Complex Image-Based Sparse SAR Imaging Methods", 《SENSORS》 * |
巩朋成: "频控阵MIMO雷达中基于稀疏迭代的多维信息联合估计方法", 《雷达学报》 * |
杨牡丹: "基于组稀疏的极化差分SAR层析成像方法", 《系统工程与电子技术》 * |
邹汪平: "稀疏度未知压缩信号快速重构方案", 《控制工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110133651B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Candes et al. | Enhancing sparsity by reweighted ℓ 1 minimization | |
JP6057881B2 (ja) | ノイズを含む画素からなる入力画像のノイズを除去する方法 | |
CN106646344B (zh) | 一种利用互质阵的波达方向估计方法 | |
CN109859147A (zh) | 一种基于生成对抗网络噪声建模的真实图像去噪方法 | |
WO2023045431A1 (zh) | 逆合成孔径雷达成像方法、装置、电子设备及存储介质 | |
CN107947881B (zh) | 一种混合高斯噪声稀疏贝叶斯频谱感知方法 | |
CN106161326A (zh) | 一种水声块结构稀疏信道的快速估计方法 | |
CN110208796B (zh) | 基于奇异值逆滤波的扫描雷达超分辨成像方法 | |
Hlinka et al. | Likelihood consensus: Principles and application to distributed particle filtering | |
CN109471095A (zh) | 基于快速迭代插值的fmcw雷达距离估计算法 | |
CN114418883A (zh) | 一种基于深度先验的盲图像去模糊方法 | |
CN109388778A (zh) | 一种迭代容积点无迹卡尔曼滤波方法 | |
Cozzolino et al. | Nonlocal SAR image despeckling by convolutional neural networks | |
Shilong et al. | Particle filtering based single-channel blind separation of co-frequency MPSK signals | |
CN110109107A (zh) | 一种合成孔径雷达频域bp算法的运动误差补偿方法 | |
CN110286375B (zh) | 面向近实时isar成像的ls高阶快速运动补偿方法及系统 | |
CN110133651A (zh) | 一种稀疏sar成像自适应稀疏度估计方法、装置 | |
CN113111505A (zh) | 基于非线性Hammerstein系统的变遗忘因子递推最小二乘方法及系统 | |
WO2015087107A1 (en) | Phase retrieval algorithm for generation of constant time envelope with prescribed fourier transform magnitude signal | |
CN106707283B (zh) | 基于无味信息滤波的相位展开算法 | |
CN110133628A (zh) | 一种短时强干扰下lfm信号的恢复方法 | |
CN106991659A (zh) | 一种适应大气湍流变化的多帧自适应光学图像恢复方法 | |
CN109975805A (zh) | 基于稀疏和全变差联合正则化的多平台星座sar成像方法 | |
CN104077744B (zh) | 图像增强方法和装置 | |
CN110736958B (zh) | 一种基于多策略矩阵重构的自适应信源数估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |