CN110426704B - 一种用于稀疏阵列的全变差快速成像算法 - Google Patents
一种用于稀疏阵列的全变差快速成像算法 Download PDFInfo
- Publication number
- CN110426704B CN110426704B CN201910769628.0A CN201910769628A CN110426704B CN 110426704 B CN110426704 B CN 110426704B CN 201910769628 A CN201910769628 A CN 201910769628A CN 110426704 B CN110426704 B CN 110426704B
- Authority
- CN
- China
- Prior art keywords
- solving
- array
- algorithm
- cgstab
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种用于稀疏阵列的全变差快速成像算法,属于压缩感知成像技术领域。本发明提出一种单步Bi‑CGSTAB改进分割Bregman方法。分裂Bregman方法是一种基于交替方向乘法器ADMM的方法,用于解决TV正规化问题非常有效。首先,本发明改进了分裂Bregman方法的求解顺序,使得求解更高效;另一方面,引入Bi‑CGSTAB算法求解最优条件子问题,使算法快速收敛,并且在任何条件下,单步的Bi‑CGSTAB足以保证成像效果。分裂Bregman方法能够在几十次迭代之内以10‑3的容差收敛到最终解。该方法可用于单输入多输出SIMO稀疏阵列系统的图像重建,也可不失一般性地扩展到MIMO阵列中。
Description
技术领域
本发明属于压缩感知成像技术领域,涉及一种用于稀疏阵列的全变差快速成像算法。
背景技术
毫米波成像广泛应用于人体安检系统中。从空间采样方面上,系统可分为单站扫描、线性阵列和多站(也称为多输入多输出,MIMO)三种模式。目前商用毫米波成像仪大多采用线性阵列扫描方式,在实时性和系统成本之间取得了较好的平衡。采用实孔径(RA)技术沿线性阵列排布方向获得分辨率,并将合成孔径(SA)技术应用于机械扫描方向。
为了进一步降低成像阵列的系统成本和复杂度,通常采用稀疏阵列技术来抑制阵元数目。这种技术的思想是在保证成像栅瓣和背景噪声水平可接受的前提下,尽量提高阵列稀疏度。即使如此,稀疏阵列仍然容易受到噪声影响而至今难以直接应用于成像系统中。目前比较常用的成像方法基于匹配滤波器原理,即获得自由空间中格林函数的伴随算子,如RA。该方法不需要迭代求解或矩阵求逆,因此即使不适用快速傅里叶变换(FFT)加速也能快速求解。
另一种成像质量更高但效率较低的方法是求解正则化逆散射问题,从压缩感知角度讲,范数能够很好地利用目标的点状特征。另外,全变差(TV)正则化是图像处理最常用和最成功的方法之一。该方法具有边缘恢复特点,对成片(二维)或成块(三维)目标的图像重建具有实用价值,并能够有效地抑制光栅瓣和背景噪声。然而,由于不可微性,该方法的计算量很大。目前提出的TV求解算法存在收敛速度慢,计算量大,内存占用率高的问题,因此很难应用于实时成像系统中。
发明内容
有鉴于此,本发明的目的在于提供一种用于稀疏阵列的全变差快速成像算法。
为达到上述目的,本发明提供如下技术方案:
一种用于稀疏阵列的全变差快速成像算法,首先,对分裂Bregman方法的求解顺序进行改进;其次,引入Bi-CGSTAB算法求解最优条件子问题,使算法快速收敛,并且在任何条件下,单步Bi-CGSTAB改进分割Bregman成像方法足以保证成像效果;最后,分裂Bregman方法在几十次迭代之内以10-3的容差收敛到最终解;
在单输入多输出SIMO线性阵列中,接收回波表示为
S(xr;k)=∫∫σ(x,y)×exp[-jk(Rt+Rr)]dxdy (1)
其中,σ(x,y)是目标的反射率函数,k是波数;
设SIMO线性阵列沿X轴方向排布,散射场S(xr;k)是接收阵元在(xr,0)处接收的回波,S(xr;k)视为关于xr和k的二维矩阵;Rt和Rr分别是发射阵元和接收阵元与散射点(x,y)的单程距离;
Au=f (4)
为提高图像质量,将TV正则化引入公式(4)的求解,即
根据Bregman方法,求解公式(5)等效于求解如下问题:
将图像重建问题转化为求解公式(6)的最小化问题。
可选的,所述单步Bi-CGSTAB改进分割Bregman成像方法,具体包括如下步骤:
S1:SIMO稀疏阵列数据采样;
在SIMO稀疏阵列中,发射阵元位于线性阵列的中心位置,接收阵元以任意方式排布于线性维度上;即在笛卡尔坐标系中,天线阵列与X轴重合;发射阵元将探测信号辐射到空间中,被目标体反射,由接收阵元接收回波数据,建立方程(1)并给出初始化条件;
S2:求解如下子问题
其中,i=x和y;上角标(k)表示第k次迭代结果;
该子问题用收缩算子有效地求解,这是一个闭型解;
S3:进一步,采用单步Bi-CGSTAB算法求解如下子问题
S4:采用如下方程迭代更新变量
S5:将S2-S4构成迭代,直至达到收敛要求,即满足达到最大迭代次数或容差小于设定值。
可选的,所述S1的步骤为:
在SIMO阵列中,线性阵列沿X轴方向排布,散射场S(xr;k)是接收阵元在(xr,0)处接收的回波,k表示波数,并表示为
其中,f是采样信号的频率分量,c是信号在空间中的传播速度;
其中,上角标(0)表示初始化阶段;
所述S2的步骤为:
利用收缩算子求解最小化子问题(7),得到
其中,i=x和y;
所述S3的步骤为:
最小化公式(8)等效于求解如下最佳条件子问题
Ku(k+1)=rhs(k) (11)
利用单步Bi-CGSTAB算法求解(11)。
本发明的有益效果在于:
1、将分裂Bregman方法改进为一种更合理的求解步骤,能够有效加快算法的收敛速度;
2、引入Bi-CGSTAB算法作为内部迭代求解最优条件子问题。Bi-CGSTAB算法具有收敛性速度快的特点,因此一步迭代Bi-CGSTAB足以达到分裂Bregman方法的收敛要求。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1是SIMO阵列成像原理图;
图2是SIMO稀疏阵列采用RA的仿真成像结果;
图3是SIMO稀疏阵列采用本发明提出方法的仿真成像结果;
图4是SIMO稀疏阵列实验装置;
图5是SIMO稀疏阵列采用RA的实验成像结果;
图6是SIMO稀疏阵列采用本发明提出方法的实验成像结果;
图7是实验中容差与迭代次数的关系曲线。
图中:1、SIMO阵列的发射天线阵元,2、SIMO阵列的接收天线阵元,3、待成像目标,4、实验中的发射天线阵元,5、沿箭头方向的接收天线阵列,6、金属球目标。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
针对TV正则化问题求解计算量大的技术缺陷,本发明提出一种单步Bi-CGSTAB改进分割Bregman方法。分裂Bregman方法是一种基于交替方向乘法器(ADMM)的方法,用于解决TV正规化问题非常有效。首先,本发明改进了分裂Bregman方法的求解顺序,使得求解更高效;另一方面,引入Bi-CGSTAB算法求解最优条件子问题,使算法快速收敛,并且在任何条件下,单步的Bi-CGSTAB足以保证成像效果。分裂Bregman方法能够在几十次迭代之内以10-3的容差收敛到最终解。该方法可用于单输入多输出(SIMO)稀疏阵列系统的图像重建,也可不失一般性地扩展到MIMO阵列中。
在SIMO阵列中,接收回波的可以表示为
S(xr;k)=∫∫σ(x,y)×exp[-jk(Rt+Rr)]dxdy (1)
其中,σ(x,y)是目标的反射率函数,k是波数;假设SIMO线性阵列沿X轴方向排布,散射场S(xr;k)是接收阵元在(xr,0)处接收的回波,因此S(xr;k)可以视为关于xr和k的二维矩阵。Rt和Rr分别是发射阵元和接收阵元与散射点(x,y)的单程距离。
Au=f (4)
为了提高图像质量,将TV正则化引入公式(4)的求解,即
根据Bregman方法,求解公式(5)等效于求解如下问题:
因此,我们将图像重建问题转化为求解公式(6)的最小化问题。
本发明的目的就是为了解决上述问题,提供:
单步Bi-CGSTAB改进分割Bregman成像方法,包括如下步骤:
步骤(1):SIMO稀疏阵列数据采样:在SIMO稀疏阵列中,发射阵元位于线性阵列的中心位置,接收阵元以任意方式排布于线性维度上。即在笛卡尔坐标系中,天线阵列与X轴重合。发射阵元将探测信号辐射到空间中,被目标体反射,由接收阵元接收回波数据,建立方程(1)并给出初始化条件;
步骤(2):求解如下子问题
其中,i=x和y。上角标(k)表示第k次迭代结果。该问题可以用收缩算子有效地求解,这是一个闭型解。
步骤(3):进一步,采用单步Bi-CGSTAB算法求解如下子问题
步骤(4):采用如下方程迭代更新变量
步骤(5):将步骤(2)——步骤(4)构成迭代,直至达到收敛要求,即满足达到最大迭代次数或容差小于设定值。
所述步骤(1)的步骤为:
在SIMO阵列中,线性阵列沿X轴方向排布,散射场S(xr;k)是接收阵元在(xr,0)处接收的回波,k表示波数,并可表示为
其中,f是采样信号的频率分量,c是信号在空间中的传播速度。初始化条件为
其中,上角标(0)表示初始化阶段。
所述步骤(2)的步骤为:
利用收缩算子求解最小化子问题(7),得到
所述步骤(3)的步骤为:
最小化问题(8)等效于求解如下最佳条件子问题
Ku(k+1)=rhs(k) (11)
这一步在算法中占有主要计算量,因此有必要采用一种高效方法求解(11)。利用矩阵求逆或伪逆求解(11)是最直接的方法。然而,矩阵求逆计算量非常大,有时算子A作为隐函数是无法显式表达,或者表达成矩阵后占用内存过大,特别是在三维情况下。更合理的解决方案是使用迭代求解方法。本发明提出了单步Bi-CGSTAB算法来求解(11),因此这种方法不需要迭代收敛性检查,在任何情况下,一步迭代就足够了。原因是,一方面是由于Bi-CGSTAB具有超快收敛速度;另一方面,分裂Bregman方法收敛于最终解,不需要严格求解步骤(3)中的子问题。因此,可以有效地解决TV正则化问题。
SIMO稀疏阵列成像系统原理图如图1所示。发射天线阵元(1)位于原点,向自由空间辐射探测信号与待成像目标(3)相互作用,反射信号由接收天线阵元(2)接收并记录,本实施例假设线性阵列与X轴重合。阵列中共包含82个接收天线,阵元间距为6mm,系统的工作频段为26–40GHz。系统的工作方式如下:82个接收天线中,随机选择阵元总数约1/3的接收阵元工作,即27个接收阵元工作,其他阵元不工作。这样就获得了在该频段的SIMO稀疏阵列。
实施例一:电磁仿真成像
该实施例通过电磁仿真验证本发明提出的成像算法的成像性能。电磁仿真采用矩量法,源采用理想电偶极子,在工作的接收阵元位置上计算目标的散射场。成像目标是直径为5cm的金属球。分别采用传统的RA和改进的单步Bi-CGSTAB分割Bregman方法(即本发明提出的方法)对图像进行重建,结果如图2和图3所示。图2具有明显的旁瓣和栅瓣和较高的背景噪声,这是由于采用了稀疏阵列引起的。而图3的图像重建质量明显更高,这是由于该方法具有更高的精度,而且TV正则化具有较强的压制基底噪声能力。
实施例二:成像实验结果
实验采用了与实施例一相同的稀疏阵列几何结构。将直径为5cm的金属球作为目标(6)位于距离阵列0.5m左右的位置,如图4所示。图4中,发射阵元(4)位于阵列中心,即坐标原点。接收阵列(5)沿箭头方向排布。分别采用传统的RA和单步Bi-CGSTAB改进分割Bregman方法(即本发明提出的方法)对图像进行重建,结果如图5和图6所示。由实验结果可见,本发明提出的成像方法在抑制栅瓣和背景噪声方面明显优于RA,与仿真结果吻合较好。在本实验中,容差与迭代次数的关系曲线如图7所示,只需要16次迭代就能够达到10-3的相对容差。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种用于稀疏阵列的全变差快速成像算法,其特征在于:首先,对分裂Bregman方法的求解顺序进行改进;其次,引入Bi-CGSTAB算法求解最优条件子问题,使算法快速收敛,并且在任何条件下,单步Bi-CGSTAB改进分割Bregman成像方法足以保证成像效果;最后,分裂Bregman方法在几十次迭代之内以10-3的容差收敛到最终解;
在单输入多输出SIMO线性阵列中,接收回波表示为
S(xr;k)=∫∫σ(x,y)×exp[-jk(Rt+Rr)]dxdy (1)
其中,σ(x,y)是目标的反射率函数,k是波数;
设SIMO线性阵列沿X轴方向排布,散射场S(xr;k)是接收阵元在(xr,0)处接收的回波,S(xr;k)视为关于xr和k的二维矩阵;Rt和Rr分别是发射阵元和接收阵元与散射点(x,y)的单程距离;
Au=f (4)
为提高图像质量,将TV正则化引入公式(4)的求解,即
根据Bregman方法,求解公式(5)等效于求解如下问题:
将图像重建问题转化为求解公式(6)的最小化问题;
所述单步Bi-CGSTAB改进分割Bregman成像方法,具体包括如下步骤:
S1:SIMO稀疏阵列数据采样;
在SIMO稀疏阵列中,发射阵元位于线性阵列的中心位置,接收阵元以任意方式排布于线性维度上;即在笛卡尔坐标系中,天线阵列与X轴重合;发射阵元将探测信号辐射到空间中,被目标体反射,由接收阵元接收回波数据,建立方程(1)并给出初始化条件;
S2:求解如下子问题
其中,i=x和y;上角标(k)表示第k次迭代结果;
该子问题用收缩算子有效地求解,这是一个闭型解;
S3:进一步,采用单步Bi-CGSTAB算法求解如下子问题
S4:采用如下方程迭代更新变量
S5:将S2-S4构成迭代,直至达到收敛要求,即满足达到最大迭代次数或容差小于设定值。
2.根据权利要求1所述的一种用于稀疏阵列的全变差快速成像算法,其特征在于:所述S1的步骤为:
在SIMO阵列中,线性阵列沿X轴方向排布,散射场S(xr;k)是接收阵元在(xr,0)处接收的回波,k表示波数,并表示为
其中,f’是采样信号的频率分量,c是信号在空间中的传播速度;
其中,上角标(0)表示初始化阶段;
所述S2的步骤为:
利用收缩算子求解最小化子问题(7),得到
其中,i=x和y;
所述S3的步骤为:
最小化公式(8)等效于求解如下最佳条件子问题
Ku(k+1)=rhs(k) (11)
利用单步Bi-CGSTAB算法求解(11)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769628.0A CN110426704B (zh) | 2019-08-20 | 2019-08-20 | 一种用于稀疏阵列的全变差快速成像算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769628.0A CN110426704B (zh) | 2019-08-20 | 2019-08-20 | 一种用于稀疏阵列的全变差快速成像算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110426704A CN110426704A (zh) | 2019-11-08 |
CN110426704B true CN110426704B (zh) | 2023-03-24 |
Family
ID=68417108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910769628.0A Active CN110426704B (zh) | 2019-08-20 | 2019-08-20 | 一种用于稀疏阵列的全变差快速成像算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110426704B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968762A (zh) * | 2012-10-24 | 2013-03-13 | 浙江理工大学 | 一种基于稀疏化和泊松模型的pet重建方法 |
CN103278848A (zh) * | 2013-04-22 | 2013-09-04 | 中山大学 | 基于mpi并行预条件迭代的地震成像正演方法 |
CN103505206A (zh) * | 2012-06-18 | 2014-01-15 | 山东大学威海分校 | 一种基于压缩感知理论的快速并行动态磁共振成像方法 |
CN103505207A (zh) * | 2012-06-18 | 2014-01-15 | 山东大学威海分校 | 一种基于压缩感知技术的快速有效的动态磁共振成像方法 |
CN104574458A (zh) * | 2014-12-31 | 2015-04-29 | 中国人民解放军信息工程大学 | 基于非标准快速Fourier变换和交替方向法的平行束CT稀疏角度重建方法 |
CN104931931A (zh) * | 2015-05-18 | 2015-09-23 | 哈尔滨工程大学 | 互耦条件下基于张量实值子空间的双基地mimo雷达角度估计方法 |
CN105527243A (zh) * | 2015-11-30 | 2016-04-27 | 中国科学院重庆绿色智能技术研究院 | 一种基于太赫兹光谱技术测量石墨烯薄膜电导的方法 |
CN106023124A (zh) * | 2016-05-09 | 2016-10-12 | 上海交通大学 | 一种基于先验图像约束的磁共振稀疏重建图像方法 |
EP3132742A1 (en) * | 2014-04-30 | 2017-02-22 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging device and method for generating magnetic resonance image |
CN106501865A (zh) * | 2016-10-11 | 2017-03-15 | 重庆邮电大学 | 一种边缘嵌套加权的稀疏成像方法 |
CN106646414A (zh) * | 2016-11-15 | 2017-05-10 | 南京信息工程大学 | 基于Bi‑CGSTAB和SL0算法的MIMO雷达目标参数估计方法 |
CN106772370A (zh) * | 2016-12-19 | 2017-05-31 | 上海理工大学 | 基于多发多收阵列的太赫兹近场稀疏成像方法 |
CN107015222A (zh) * | 2017-05-27 | 2017-08-04 | 吉林大学 | 周期型双阵列通道式毫米波主动三维运动成像系统及方法 |
AU2016321150A1 (en) * | 2015-09-07 | 2018-03-08 | The Regents Of The University Of California | Ultra-dense electrode-based brain imaging system |
CN108333587A (zh) * | 2018-02-12 | 2018-07-27 | 电子科技大学 | 基于分裂Bregman的前视扫描雷达超分辨成像方法 |
CN108416723A (zh) * | 2018-02-07 | 2018-08-17 | 南京理工大学 | 基于全变分正则化和变量分裂的无透镜成像快速重构方法 |
CN108508498A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于加权全变差和参考先验的毫米波稀疏成像算法 |
CN109031292A (zh) * | 2018-07-13 | 2018-12-18 | 山东大学 | 一种sar与介电反演结合的成像方法 |
CN109471053A (zh) * | 2018-10-18 | 2019-03-15 | 电子科技大学 | 一种基于双约束的介电特性迭代成像方法 |
CN109829946A (zh) * | 2019-01-18 | 2019-05-31 | 北京理工大学 | 基于快速混合迭代的map-tv高光谱亚像元定位方法 |
CN110109097A (zh) * | 2019-06-06 | 2019-08-09 | 电子科技大学 | 一种扫描雷达前视成像方位超分辨方法 |
CN110118967A (zh) * | 2019-06-03 | 2019-08-13 | 电子科技大学 | 一种基于全变差的扫描雷达方位向超分辨成像方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2091049B1 (en) * | 2008-02-18 | 2012-08-15 | Areva NP | A computer implemented method for modelizing a nuclear-reactor core and a corresponding computer program product |
US20110317063A1 (en) * | 2010-06-28 | 2011-12-29 | Elmo Company Limited | Exposure control apparatus and exposure control method |
EP3011287A4 (en) * | 2013-06-18 | 2017-03-01 | Ramot at Tel-Aviv University Ltd. | Apparatus and method for snapshot spectral imaging |
-
2019
- 2019-08-20 CN CN201910769628.0A patent/CN110426704B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103505206A (zh) * | 2012-06-18 | 2014-01-15 | 山东大学威海分校 | 一种基于压缩感知理论的快速并行动态磁共振成像方法 |
CN103505207A (zh) * | 2012-06-18 | 2014-01-15 | 山东大学威海分校 | 一种基于压缩感知技术的快速有效的动态磁共振成像方法 |
CN102968762A (zh) * | 2012-10-24 | 2013-03-13 | 浙江理工大学 | 一种基于稀疏化和泊松模型的pet重建方法 |
CN103278848A (zh) * | 2013-04-22 | 2013-09-04 | 中山大学 | 基于mpi并行预条件迭代的地震成像正演方法 |
EP3132742A1 (en) * | 2014-04-30 | 2017-02-22 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging device and method for generating magnetic resonance image |
CN104574458A (zh) * | 2014-12-31 | 2015-04-29 | 中国人民解放军信息工程大学 | 基于非标准快速Fourier变换和交替方向法的平行束CT稀疏角度重建方法 |
CN104931931A (zh) * | 2015-05-18 | 2015-09-23 | 哈尔滨工程大学 | 互耦条件下基于张量实值子空间的双基地mimo雷达角度估计方法 |
AU2016321150A1 (en) * | 2015-09-07 | 2018-03-08 | The Regents Of The University Of California | Ultra-dense electrode-based brain imaging system |
CN105527243A (zh) * | 2015-11-30 | 2016-04-27 | 中国科学院重庆绿色智能技术研究院 | 一种基于太赫兹光谱技术测量石墨烯薄膜电导的方法 |
CN106023124A (zh) * | 2016-05-09 | 2016-10-12 | 上海交通大学 | 一种基于先验图像约束的磁共振稀疏重建图像方法 |
CN106501865A (zh) * | 2016-10-11 | 2017-03-15 | 重庆邮电大学 | 一种边缘嵌套加权的稀疏成像方法 |
CN106646414A (zh) * | 2016-11-15 | 2017-05-10 | 南京信息工程大学 | 基于Bi‑CGSTAB和SL0算法的MIMO雷达目标参数估计方法 |
CN106772370A (zh) * | 2016-12-19 | 2017-05-31 | 上海理工大学 | 基于多发多收阵列的太赫兹近场稀疏成像方法 |
CN107015222A (zh) * | 2017-05-27 | 2017-08-04 | 吉林大学 | 周期型双阵列通道式毫米波主动三维运动成像系统及方法 |
CN108416723A (zh) * | 2018-02-07 | 2018-08-17 | 南京理工大学 | 基于全变分正则化和变量分裂的无透镜成像快速重构方法 |
CN108333587A (zh) * | 2018-02-12 | 2018-07-27 | 电子科技大学 | 基于分裂Bregman的前视扫描雷达超分辨成像方法 |
CN108508498A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于加权全变差和参考先验的毫米波稀疏成像算法 |
CN109031292A (zh) * | 2018-07-13 | 2018-12-18 | 山东大学 | 一种sar与介电反演结合的成像方法 |
CN109471053A (zh) * | 2018-10-18 | 2019-03-15 | 电子科技大学 | 一种基于双约束的介电特性迭代成像方法 |
CN109829946A (zh) * | 2019-01-18 | 2019-05-31 | 北京理工大学 | 基于快速混合迭代的map-tv高光谱亚像元定位方法 |
CN110118967A (zh) * | 2019-06-03 | 2019-08-13 | 电子科技大学 | 一种基于全变差的扫描雷达方位向超分辨成像方法 |
CN110109097A (zh) * | 2019-06-06 | 2019-08-09 | 电子科技大学 | 一种扫描雷达前视成像方位超分辨方法 |
Non-Patent Citations (9)
Title |
---|
基于L1与TV正则化的改进图像重建算法;徐敏达;《计算机科学》;20181215;210-216 * |
基于分块存储格式的稀疏线性系统求解优化;程凯;《计算机应用研究》;20180811;3352-3356 * |
基于分裂Bregman方法的加权频差电阻抗成像算法;成民民;《国外电子测量技术》;20190215;30-35 * |
基于快速分裂Bregman迭代的全变差正则化SENSE磁共振图像重建;吴春俐;《东北大学学报(自然科学版)》;20140115;24-28 * |
基于非负稀疏图的半监督学习;沈泽凡;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141015;I140-41 * |
稀疏干涉测量的综合孔径微波辐射成像方法研究;陈素华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151115;I138-61 * |
稀疏角度CT图像重建的一类自适应临近点算法;朱赟;《电子科技大学学报》;20190330;228-232 * |
近场合成孔径雷达(SAR)成像系统中压缩感知应用研究全部;毕东杰;《万方数据库》;20160901;1-155 * |
采用复合三角函数实现MIMO雷达单快拍成像的平滑l0范数改进算法;童宁宁;《电子与信息学报》;20171227;2803-2810 * |
Also Published As
Publication number | Publication date |
---|---|
CN110426704A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | Through fog high-resolution imaging using millimeter wave radar | |
CN106680815B (zh) | 基于张量稀疏表示的mimo雷达成像方法 | |
CN107390215B (zh) | 一种高速超分辨率mimo阵列成像方法 | |
US20150198713A1 (en) | Method and System for Through-the-Wall Imaging using Compressive Sensing and MIMO Antenna Arrays | |
CN110161499A (zh) | 改进的稀疏贝叶斯学习isar成像散射系数估计方法 | |
CN109765562A (zh) | 一种三维前视声像声纳系统和方法 | |
JP5950835B2 (ja) | シーン内の反射物を再構成するシステム | |
CN112505692B (zh) | 多输入多输出逆合成孔径雷达成像方法、系统和存储介质 | |
Mohsin Riaz et al. | Through-wall image enhancement based on singular value decomposition | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
Lu et al. | High-resolution imaging of multi-channel forward-looking synthetic aperture radar under curve trajectory | |
CN110426704B (zh) | 一种用于稀疏阵列的全变差快速成像算法 | |
CN112800497B (zh) | 基于稀疏谱恢复的机载三维异构阵杂波抑制方法 | |
CN111896929B (zh) | 非均匀mimo雷达的dod/doa估计算法 | |
Zhang et al. | Target imaging based on generative adversarial nets in through-wall radar imaging | |
Qu et al. | Group sparse basis pursuit denoising reconstruction algorithm for polarimetric through-the-wall radar imaging | |
CN106842212B (zh) | 基于特征空间分解的多重变迹快速自适应波束合成方法 | |
CN113640793B (zh) | 基于mrf的实孔径扫描雷达超分辨成像方法 | |
CN111781596B (zh) | 基于无网格压缩感知的isar目标散射中心参数估计方法 | |
Mao et al. | Super-resolution imaging for real aperture radar by two-dimensional inverse filtering | |
CN113671485A (zh) | 基于admm的米波面阵雷达二维doa估计方法 | |
Yun et al. | Accurate Three-Dimensional Scattering Center Extraction for ISAR Image Using the Matched Filter-Based CLEAN Algorithm | |
CN111965616A (zh) | 基于cpu和gpu的时分mimo雷达信号处理方法 | |
Park et al. | Simulation and analysis of 3-d polarimetric interferometric isar imaging | |
Bivalkar et al. | An adaptive approach for the detection of contrast targets for the through-wall imaging |
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 |