针对传统稀疏特征增强的方式仅能完成对目标场景中特显点的增强,对复杂的目标结构特征无能为力的问题,考虑目标细节特征的复杂性,提出方向性结构全变分(directional total structure variation, DTSV)正则子进行结构先验表征,实现对成...针对传统稀疏特征增强的方式仅能完成对目标场景中特显点的增强,对复杂的目标结构特征无能为力的问题,考虑目标细节特征的复杂性,提出方向性结构全变分(directional total structure variation, DTSV)正则子进行结构先验表征,实现对成像目标复杂结构特征任意梯度变化的拟合,进而实现对结构特征的高精度正则优化处理。首先,在交替方向多乘子方法(alternating direction method of multipliers, ADMM)的协同优化框架下实现DTSV正则优化求解(DTSV-ADMM),利用该框架提供的对偶上升思想可有效提升迭代优化算法的收敛性能。其次,基于ADMM框架提供的多变量"分解-调和"机理,通过建立分裂变量组可以实现多个正则项的协同优化增强。然后,进一步引入?;范数对成像目标稀疏特征进行表征,并在协同优化框架下实现对方向性结构特征和稀疏特征的稳健计算,有效减小多特征优化存在的"误差传播"问题。最后,通过近端算子对特征进行解析计算,获得对应特征的闭合解析解,进一步提升算法运算稳健性和计算效率。实验证明了所提算法相比传统方法的优越性。展开更多
文摘针对传统稀疏特征增强的方式仅能完成对目标场景中特显点的增强,对复杂的目标结构特征无能为力的问题,考虑目标细节特征的复杂性,提出方向性结构全变分(directional total structure variation, DTSV)正则子进行结构先验表征,实现对成像目标复杂结构特征任意梯度变化的拟合,进而实现对结构特征的高精度正则优化处理。首先,在交替方向多乘子方法(alternating direction method of multipliers, ADMM)的协同优化框架下实现DTSV正则优化求解(DTSV-ADMM),利用该框架提供的对偶上升思想可有效提升迭代优化算法的收敛性能。其次,基于ADMM框架提供的多变量"分解-调和"机理,通过建立分裂变量组可以实现多个正则项的协同优化增强。然后,进一步引入?;范数对成像目标稀疏特征进行表征,并在协同优化框架下实现对方向性结构特征和稀疏特征的稳健计算,有效减小多特征优化存在的"误差传播"问题。最后,通过近端算子对特征进行解析计算,获得对应特征的闭合解析解,进一步提升算法运算稳健性和计算效率。实验证明了所提算法相比传统方法的优越性。
