本文關(guān)鍵詞：基于字典學(xué)習(xí)與稀疏模型的SAR圖像壓縮技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：合成孔徑雷達(SAR)是遙感成像系統(tǒng)的一種。與光學(xué)成像系統(tǒng)不同的是,SAR主動發(fā)射微波并接收,通過一定的信號處理方式進行成像。在一個典型的SAR數(shù)據(jù)處理及應(yīng)用系統(tǒng)中,有多處涉及到數(shù)據(jù)傳輸與數(shù)據(jù)存儲。SAR圖像作為一種遙感圖像,隨著分辨率、成像方式等技術(shù)的進步,數(shù)據(jù)量也在急劇膨脹,給數(shù)據(jù)傳輸與存儲帶來極大的壓力,因此數(shù)據(jù)壓縮成為SAR應(yīng)用系統(tǒng)非常重要的數(shù)據(jù)處理任務(wù)之一,也是當(dāng)前急需研究解決的問題。 本文針對SAR圖像的統(tǒng)計特性以及信號表示的發(fā)展趨勢,以字典學(xué)習(xí)與稀疏表示為基礎(chǔ)模型,針對不同應(yīng)用場景下的壓縮任務(wù),分別研究探討了基于熵限制字典學(xué)習(xí)的SAR圖像高效壓縮方法、基于多尺度字典學(xué)習(xí)的目標(biāo)保真SAR圖像壓縮方法、基于雙稀疏字典學(xué)習(xí)模型的SAR圖像嵌入式壓縮方法、基于在線字典學(xué)習(xí)的自適應(yīng)SAR圖像壓縮方法,主要工作包括： (1)基于熵限制字典學(xué)習(xí)的SAR圖像高效壓縮方法研究,主要用于提高壓縮效率。稀疏表示模型的起始關(guān)注點在于“稀疏”,并不直接針對“壓縮”。根據(jù)香農(nóng)定理,最終的編碼比特總數(shù)等于熵(比特／樣本)乘以樣本總數(shù),僅僅只考慮“稀疏”,即樣本總數(shù),并不能最大程度地減少總編碼比特數(shù)。基于此問題,我們設(shè)計出新的“熵限制字典學(xué)習(xí)算法”,通過將影響壓縮性能的關(guān)鍵性指標(biāo)——熵,考慮在字典學(xué)習(xí)與稀疏編碼過程中,進而從信號表示的根源提高SAR圖像壓縮效率。 (2)基于多尺度字典學(xué)習(xí)的目標(biāo)保真SAR圖像壓縮方法研究,在提高壓縮效率的同時提高小目標(biāo)保持性能。SAR圖像的成像對象是地球地物,所以其圖像內(nèi)容既表現(xiàn)出大量的勻質(zhì)區(qū)域,也含有非常細小的細節(jié)目標(biāo)。小目標(biāo)在SAR圖像中往往具有十分重要的含義,在目標(biāo)識別等任務(wù)中扮演著重要角色�；诖藛栴},我們設(shè)計出基于SAR圖像內(nèi)容的“多尺度字典學(xué)習(xí)算法”,通過紋理測度對SAR圖像訓(xùn)練不同尺度的字典,配合四叉樹分解和合理的比特分配,使壓縮后的SAR圖像盡可能的保留原始目標(biāo)信息。 (3)基于雙稀疏字典學(xué)習(xí)模型的SAR圖像嵌入式壓縮方法研究,引入了原子分析方法及嵌入式編碼特性。嵌入式編碼方法是指壓縮碼流形成的先后順序按照其所包含信息量的重要程度排列,這種特點使其在解壓縮端可以漸進式的解壓。由于SAR圖像常被用于敏感任務(wù)(比如軍事任務(wù)),傳輸信道極易成為入侵方的破壞目標(biāo),因此嵌入式編碼特性對SAR圖像壓縮非常重要。基于此問題,我們設(shè)計出“雙稀疏字典學(xué)習(xí)算法”,通過雙稀疏模型將基于學(xué)習(xí)的“字典”和基于規(guī)則的“變換”聯(lián)系起來,進而引入原子分析方法,并依據(jù)字典結(jié)構(gòu)研究SAR圖像嵌入式編碼方法。 (4)基于在線字典學(xué)習(xí)的自適應(yīng)SAR圖像壓縮方法研究,引入在線學(xué)習(xí)方法,使壓縮算法具有更強的適應(yīng)性和實時計算效率。前三個研究內(nèi)容采用的都是離線訓(xùn)練的方式來得到壓縮使用的字典。離線訓(xùn)練對一批有“共性”的SAR圖像效果是顯著的,但是也有缺點,那就是缺乏泛化能力�；诖藛栴},我們設(shè)計出“在線字典學(xué)習(xí)”策略,使其用于SAR圖像壓縮時不僅更有自適應(yīng)性,而且可實時實現(xiàn)。 綜上所述,本文在字典學(xué)習(xí)與稀疏表示這一核心基礎(chǔ)模型上,研究了如何進一步開發(fā)出更適合SAR圖像的壓縮算法,分別提出了可以改善率失真性能、目標(biāo)保持性能、嵌入式編碼性能和實時適應(yīng)性的具體壓縮方案。實驗結(jié)果表明,各壓縮方法均能有效解決相應(yīng)應(yīng)用場景下的SAR圖像壓縮問題,可有效降低SAR圖像傳輸與存儲的數(shù)據(jù)量。
【關(guān)鍵詞】：合成孔徑雷達 圖像壓縮 字典學(xué)習(xí) 稀疏表示
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TN957.52
【目錄】：

• 摘要5-7
• ABSTRACT7-9
• 目錄9-12
• 圖目錄12-14
• 表目錄14-15
• 第1章 緒論15-31
• 1.1 課題背景15-22
• 1.1.1 SAR技術(shù)簡介15-19
• 1.1.2 SAR圖像壓縮研究意義19-22
• 1.2 SAR圖像壓縮技術(shù)發(fā)展概述22-25
• 1.2.1 基于矢量量化的SAR圖像壓縮算法22
• 1.2.2 基于小波變換的SAR圖像壓縮算法22-23
• 1.2.3 基于方向小波變換的SAR圖像壓縮算法23-24
• 1.2.4 SAR圖像壓縮發(fā)展趨勢24-25
• 1.3 論文研究內(nèi)容與結(jié)構(gòu)安排25-31
• 1.3.1 論文的主要研究內(nèi)容25-28
• 1.3.2 論文結(jié)構(gòu)及創(chuàng)新性說明28-31
• 第2章 稀疏表示模型31-43
• 2.1 引言31
• 2.2 稀疏表示理論31-34
• 2.3 稀疏編碼方法34-39
• 2.3.1 基追蹤算法35-36
• 2.3.2 迭代權(quán)值最小二乘算法36-37
• 2.3.3 匹配追蹤算法37-38
• 2.3.4 正交匹配追蹤算法38-39
• 2.4 字典學(xué)習(xí)方法39-42
• 2.4.1 最優(yōu)方向算法39-40
• 2.4.2 K-奇異值分解算法40-42
• 2.5 本章小結(jié)42-43
• 第3章 基于熵限制字典學(xué)習(xí)的SAR圖像高效壓縮方法43-57
• 3.1 引言43
• 3.2 基于字典學(xué)習(xí)的基本壓縮框架43-46
• 3.3 熵限制字典學(xué)習(xí)與稀疏表示46-50
• 3.3.1 熵限制字典學(xué)習(xí)算法46-49
• 3.3.2 熵限制正交匹配追蹤算法49-50
• 3.4 基于熵限制字典學(xué)習(xí)的SAR圖像壓縮50-54
• 3.4.1 壓縮框架描述50-51
• 3.4.2 實驗結(jié)果及分析51-54
• 3.5 本章小結(jié)54-57
• 第4章 基于多尺度字典學(xué)習(xí)的目標(biāo)保真SAR圖像壓縮方法57-73
• 4.1 引言57-58
• 4.2 SAR圖像多尺度分析技術(shù)58-63
• 4.2.1 圖像四叉樹分解方法58-59
• 4.2.2 基于斑點噪聲的SAR圖像分解方法59-63
• 4.3 多尺度字典學(xué)習(xí)與稀疏表示63-66
• 4.3.1 SAR圖像多尺度字典學(xué)習(xí)算法63-65
• 4.3.2 SAR圖像多尺度稀疏分解算法65-66
• 4.4 基于多尺度字典學(xué)習(xí)的目標(biāo)保真SAR圖像壓縮66-70
• 4.4.1 壓縮框架描述66-67
• 4.4.2 實驗結(jié)果及分析67-70
• 4.5 本章小結(jié)70-73
• 第5章 基于雙稀疏字典學(xué)習(xí)的SAR圖像嵌入式壓縮方法73-89
• 5.1 引言73
• 5.2 圖像嵌入式編碼方法73-75
• 5.2.1 嵌入式編碼概述73-74
• 5.2.2 基于小波變換的嵌入式編碼74-75
• 5.3 雙稀疏字典學(xué)習(xí)與稀疏表示75-82
• 5.3.1 雙稀疏字典學(xué)習(xí)算法75-78
• 5.3.2 雙稀疏字典原子結(jié)構(gòu)分析78-82
• 5.4 基于雙稀疏字典學(xué)習(xí)的SAR圖像嵌入式編碼82-87
• 5.4.1 編碼方法描述82-85
• 5.4.2 實驗結(jié)果及分析85-87
• 5.5 本章小結(jié)87-89
• 第6章 基于在線字典學(xué)習(xí)的自適應(yīng)SAR圖像壓縮方法89-101
• 6.1 引言89
• 6.2 在線字典學(xué)習(xí)的必要性89-90
• 6.3 迭代最小二乘在線字典學(xué)習(xí)算法90-92
• 6.4 基于在線字典學(xué)習(xí)的自適應(yīng)SAR圖像壓縮92-98
• 6.4.1 壓縮框架描述93-96
• 6.4.2 實驗結(jié)果及分析96-98
• 6.5 本章小結(jié)98-101
• 第7章 總結(jié)與展望101-105
• 7.1 研究工作總結(jié)101-102
• 7.2 研究內(nèi)容展望102-105
• 參考文獻105-115
• 致謝115-117
• 攻讀學(xué)位期間研究成果117-119
• 參加的科研項目與獲獎情況119

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 紀(jì)建;田錚;徐海霞;;SAR圖像壓縮的多尺度自回歸滑動平均模型方法[J];電子學(xué)報;2005年12期

2 陳原;張榮;尹東;;基于Tetrolet Packet變換的SAR圖像稀疏表示[J];電子與信息學(xué)報;2012年02期

3 朱寶明;星載合成孔徑雷達的技術(shù)應(yīng)用現(xiàn)狀[J];航天電子對抗;1997年04期

4 白靜;吳家驥;王磊;焦李成;;基于提升方向波變換域的SAR圖像壓縮[J];紅外與毫米波學(xué)報;2009年04期

5 楊樹麗;郭雷;常微微;;SAR圖像小波包子帶編碼[J];激光與紅外;2008年03期

6 李衛(wèi)斌;何明一;解爭龍;焦李成;;基于CLi多小波的SAR圖像壓縮去噪混合方法[J];計算機科學(xué);2007年08期

7 宋瑩華,宋建社,薛文通,袁禮海;SAR圖像壓縮技術(shù)的發(fā)展與現(xiàn)狀[J];計算機應(yīng)用研究;2005年04期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 鄧承志;圖像稀疏表示理論及其應(yīng)用研究[D];華中科技大學(xué);2008年

  本文關(guān)鍵詞：基于字典學(xué)習(xí)與稀疏模型的SAR圖像壓縮技術(shù)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：364293