大连大学通信与网络重点实验室, 辽宁 大连 116622
主动声呐目标回波受海洋环境噪声干扰严重, 远距离探测回波信号弱, 目标方位估计准确度低, 并且传统基阵空间谱估计方法需要满足奈奎斯特采样率, 采集数据量大。利用信号的空域稀疏性, 以回波信号亮点模型为基础, 研究了基于压缩感知的空间虚拟阵列目标方位估计技术。在接收基阵物理孔径有限的情况下, 利用线性预测(LP)虚拟阵列方法提高阵列孔径尺度, 采用压缩感知(CS)算法对目标回波信号进行重构与恢复, 通过数据仿真分析表明该算法提高了基阵空间谱估计的分辨力, 有效地抑制了噪声干扰。
水下目标探测 空间谱估计 稀疏信号 虚拟阵元 压缩感知 underwater target detection spatial spectrum estimation sparse signal virtual array element compressed sensing
1 中国科学院光电技术研究所, 成都 610209
2 电子科技大学 光电科学与工程学院, 成都 610054
3 中国科学院光束控制重点实验室, 成都 610209
4 中国科学院大学, 北京 100049)
基于压缩感知图像重构和单像素相机成像的基本原理,对单像素成像系统中的图像重建算法进行了改进优化。基于最小范数类优化算法,结合凸优化算法和非凸优化算法各自的优点,设计了一种逼近L0范数的数学模型,从而实现了从凸优化向非凸优化算法的迭代逼近,即逼近光滑L0范数算法。该新型算法以更高的效率和更大的概率逼近原始信号全局最优且尽可能稀疏的解。相较于传统压缩感知图像重建的贪婪类算法和最小范数类算法,该算法使压缩感知重建图像的质量和单像素相机的成像效果均得到了有效提升,并通过实验仿真和实际场景的成像实验验证了该优化算法的可行性。
单像素相机 压缩感知 稀疏信号 全局最优 图像重构 single-pixel camera compressed sensing sparse signal global optimum image reconstruction
提出了一种基于空时联合稀疏重构的红外小弱运动目标检测算法。通过学习序列图像内容而构建的空时联合字典能同时刻画目标或背景的形态特征和运动信息;利用多元高斯运动模式从空时联合字典中提取出目标空时字典和背景空时字典,目标空时过完备字典描述移动的目标,背景空时过完备字典表征背景噪声。将连续多帧图像在空时联合字典上进行稀疏分解,然后分别利用目标空时字典和背景空时字典中的最大稀疏系数及其空时原子重构信号,获取重构残余能量差异来区分目标和背景。试验结果表明,由同源的空时字典重构的残余能量小,而由异构的空时字典恢复的残余能量大,该方法不仅能提高序列信号表示的稀疏度,还能有效提高小运动目标的探测能力。
小弱目标检测 空时联合字典 信号稀疏复原 信号残差 dim target detection joint spatio-temporal over-complete dictionary sparse signal recovery signal residual difference 强激光与粒子束
2015, 27(9): 091004
1 天津大学 精密仪器与光电子工程学院,光电信息技术教育部重点实验室,天津 300072
2 北京华科创智健康科技股份有限公司,北京 100195
本文针对频域光学相干层析成像技术(FDOCT)受到复共轭镜像影响严重的问题,提出一种K 域抽取的色散编码稀疏重构算法(DEFR)。通过在系统的参考臂和样品臂引入一定的色散量,利用数值色散补偿算法精确提取色散因子,采用稀疏重构算法对纵向扫描信号进行迭代提取峰值点及其镜像的频域光谱,减少了迭代中傅里叶变换的次数,实现了对复共轭镜像的压缩。实验结果表明,该算法在有效抑制镜像的同时运算效率提高了46.1%。
光学相干层析 色散补偿 稀疏重构 消除镜像 图像重建 optical coherence tomography dispersion compensation sparse signal reconstruction remove mirror term image reconstruction
武汉科技大学信息科学与工程学院, 湖北 武汉 430081
传统的基于 DWT的压缩感知图像融合方法针对的是整个稀疏系数,由于小波系数的低频部分为非稀疏的,导致其压缩重构质量差。针对该问题,提出了一种基于 DWT高频系数压缩测量的融合方法,该压缩模式可以提高重构信号的质量,进而提高融合图像的效果。首先,对图像作小波稀疏变换,得到低频和高频系数,并对高频系数压缩测量得到测量值;然后,在小波域和压缩域分别进行融合,并对融合后的测量值进行重构得到融合后的高频系数;最后,经小波逆变换得到融合后的图像。实验结果表明,本压缩感知模式较传统的压缩感知模式在减少压缩数据量的同时提高了图像的融合效果。
图像融合 小波变换 压缩感知 稀疏信号 image fusion wavelet transform compressed sensing sparse signal