本文選題：合成孔徑雷達 + 相干斑抑制��； 參考：《系統(tǒng)工程與電子技術》2017年08期

【摘要】：針對合成孔徑雷達(synthetic aperture radar,SAR)圖像相干斑抑制問題,提出一種基于聚類字典學習和稀疏表示的SAR圖像抑斑方法。本方法以相干斑噪聲的非對數(shù)加性模型為基礎,通過改進相似度測度的K-means聚類和主成分分析方法進行字典學習,克服了相干斑噪聲非高斯性帶來的影響,形成具有結(jié)構(gòu)性聚類的字典原子;在稀疏分解方面,通過引入方差穩(wěn)定因子,建立了適用于抑制SAR相干斑噪聲的稀疏表示模型,并通過交替迭代算法進行代價方程求解;同時算法還增加了點目標保護措施,避免了對圖像點目標"過濾波"。通過衛(wèi)星、無人機SAR圖像的抑斑實驗證明,相比經(jīng)典的SAR圖像抑斑方法,所提的方法在抑斑的視覺效果上和客觀評價指標上都有較大的提升。
[Abstract]:Aiming at the problem of speckle suppression in synthetic aperture radar (SAR) images, a speckle suppression method based on clustering dictionary learning and sparse representation is proposed. This method is based on the non-logarithmic additive model of speckle noise. By using K-means clustering and principal component analysis (PCA), the influence of speckle noise non-Gao Si is overcome. In the aspect of sparse decomposition, a sparse representation model suitable for suppressing SAR speckle noise is established by introducing variance stability factor, and the cost equation is solved by alternating iterative algorithm. At the same time, the algorithm also adds the point target protection measures to avoid the image point target "filter wave". The experiments on SAR images of satellite and UAV show that compared with the classical SAR image suppression method, the proposed method can improve the visual effect of speckle suppression and the objective evaluation index.
【作者單位】： 北京航空航天大學無人系統(tǒng)研究院;北京航空航天大學虛擬現(xiàn)實技術與系統(tǒng)國家重點實驗室;
【基金】：國家自然科學基金創(chuàng)新研究群體科學基金(61521091);國家自然科學基金(61272348,61572054)資助課題
【分類號】：TN957.52

【參考文獻】

相關期刊論文 前1條

1 鳳宏曉;焦李成;侯彪;;基于局部平移瑞利分布模型的SAR圖像相干斑抑制[J];電子與信息學報;2010年04期

【共引文獻】

相關期刊論文 前3條

1 劉春輝;齊越;丁文銳;;基于聚類字典學習和稀疏表示的SAR圖像抑斑方法[J];系統(tǒng)工程與電子技術;2017年08期

2 朱磊;水鵬朗;程冬;;基于混合迭代濾波的SAR圖像相干斑抑制[J];電子與信息學報;2012年05期

3 張小華;陳佳偉;孟紅云;焦李成;孫翔;;基于非下采樣Shearlet和方向權值鄰域窗的非局部均值SAR圖像相干斑抑制[J];紅外與毫米波學報;2012年02期

【二級參考文獻】

相關期刊論文 前2條

1 盧曉光;韓萍;吳仁彪;劉瑞華;;基于二維小波變換和獨立分量分析的SAR圖像去噪方法[J];電子與信息學報;2008年05期

2 郭旭靜;王祖林;;SAR圖像的非下采樣Contourlet噪聲抑制算法[J];北京航空航天大學學報;2007年08期

【相似文獻】

相關期刊論文 前10條

1 耿耀君;張軍英;袁細國;;一種基于稀疏表示系數(shù)的特征相關性測度[J];模式識別與人工智能;2013年01期

2 欒悉道;王衛(wèi)威;謝毓湘;張芯;李琛;;非線性稀疏表示理論及其應用[J];計算機科學;2014年08期

3 鄭軼;蔡體健;;稀疏表示的人臉識別及其優(yōu)化算法[J];華東交通大學學報;2012年01期

4 尹學忠;樊甫華;;基于字典學習的超寬帶信號稀疏表示與降噪方法[J];計算機應用研究;2014年06期

5 李洋;李雙田;;壓縮感知下的稀疏表示語聲恢復模型與算法[J];信號處理;2014年08期

6 么煒;劉博;滕桂法;;稀疏表示及其算法分析[J];河北農(nóng)業(yè)大學學報;2014年02期

7 查長軍;韋穗;楊海蓉;丁大為;;基于稀疏表示的多類融合樣本中特定目標識別[J];吉林大學學報(工學版);2014年03期

8 鄒建成;車冬娟;;信號稀疏表示方法研究進展綜述[J];北方工業(yè)大學學報;2013年01期

9 劉傳山;;基于參數(shù)設計字典的稀疏表示方法[J];西南大學學報(自然科學版);2014年07期

10 史加榮;魏宗田;龐永鋒;;高階張量信號的稀疏表示[J];計算機工程與設計;2011年12期

相關會議論文 前1條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學術年會論文集（上冊）[C];2013年

相關博士學位論文 前7條

1 解虎;高維小樣本陣列自適應信號處理方法研究[D];西安電子科技大學;2015年

2 丁丹;格中短向量的y-稀疏表示和最短向量問題的算法研究[D];清華大學;2015年

3 王中寶;船載高頻地波雷達海洋表面流遙感方法研究[D];哈爾濱工業(yè)大學;2015年

4 羅曉宇;基于信號稀疏表示的陣列測向算法研究[D];電子科技大學;2016年

5 余愷;低成本無線聲陣列網(wǎng)絡的實時高效DOA估計研究[D];浙江大學;2016年

6 鮑光照;基于稀疏表示和字典學習的語音增強算法研究[D];中國科學技術大學;2015年

7 余南南;基于稀疏表示的圖像融合與去噪算法研究[D];大連理工大學;2012年

相關碩士學位論文 前10條

1 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學;2015年

2 趙春雷;基于壓縮感知的DOA估計算法研究[D];哈爾濱工業(yè)大學;2015年

3 趙苑s，

本文編號：2004681