基于块稀疏贝叶斯模型的鬼成像重构算法

传统的相机系统使用物体透射或从物体反向散射的光在胶片或焦平面探测器阵列上形成图像,鬼成像系统则使用分离的光场之间的空间相关性来获得图像而且无需记录图像本身,在遥感、医学和显微成像方面具有巨大的应用潜力。然而传统的鬼成像系统存在大尺寸图像重构存储要求高难以实现的问题。针对此问题,本文提出了一种基于块稀疏贝叶斯模型的鬼成像重构算法。该算法首先将一个大尺寸的目标图像等分成若干个小尺寸图像块,然后再利用贝叶斯学习模型对每一个小图像块进行压缩感知重构求解,最后通过合并每一个小图像块的重构结果,得到最终的大目标重构图像。仿真实验结果显示,基于块稀疏贝叶斯的鬼成像重构算法可以明显提升图像重构速度及重构质量,并且在日常条件下也可以快速有效地重构大尺寸目标图像。

基于块稀疏贝叶斯模型的ISAR成像方法

传统ISAR稀疏成像主要针对独立散射点散射系数的重构问题,然而实际情况下目标散射点之间并不是独立存在的,而是以区域或块的形式存在,在该情形下利用常用的稀疏重构算法并不能完全地刻画块状目标的真实结构,因此该文考虑采用块稀疏重构算法进行目标散射系数重建。基于块稀疏贝叶斯模型和变分推理的重构方法(VBGS),包含了稀疏贝叶斯学习(SBL)方法中参数学习的优点,其利用分层的先验分布来表征未知信号的稀疏块状信息,因而相对于现有的恢复算法能够更好地重建块稀疏信号。该方法基于变分贝叶斯推理原理,根据观测量能自动地估计信号未知参数,而无需人工参数设置。针对稀疏块状目标,该文结合压缩感知(CS)理论将VBGS方法用于ISAR成像,仿真实验成像结果表明该方法优于传统的成像结果,适合于具有块状结构的ISAR目标成像。