基于迭代加权L2/L1范数块稀疏信号重构的ISAR成像算法

为实现快速、高分辨率逆合成孔径雷达(ISAR)成像,利用目标的内在块稀疏结构信息,提出一种迭代加权L2/L1范数块稀疏重构ISAR成像算法。构建ISAR稀疏成像模型,将ISAR成像问题转化为稀疏信号重构问题后,在每次迭代中求解用于下次迭代的权值向量解,从而实现高分辨率ISAR成像。实验结果表明,相比BP、OMP、SBL算法,该算法可以改善成像质量,提高重构效率。

自适应加权混合L1/L2范数匹配相减多次波压制方法

基于波动方程的自由表面多次波和层间多次波压制时,自适应匹配相减方法的选取是关键的环节。L2范数自适应匹配相减方法适用于多次波强而有效波弱的情况,L1范数自适应匹配相减方法则适用于多次波弱而有效波强的情况,L2范数自适应匹配相减方法的运算速度明显较L1范数自适应匹配相减方法更快。自适应加权混合L1/L2范数匹配相减方法需要构建联合L1范数和L2范数的目标函数,再根据地震数据中有效波与多次波的能量比自适应地调整目标函数中L1范数和L2范数所占权值。该方法充分利用了L1范数和L2范数压制多次波时对地震数据不同的要求,既不需要L2范数自适应匹配相减方法的有效信号与噪声正交的假设,又克服了L1范数自适应匹配相减方法运算效率较低的缺点,在保证压制效果的同时提高了计算效率。多层水平层状模型及SEG/EAGE Pluto模型的测试结果表明,相较于常规方法,该方法明显提升了多次波的压制效果。

基于混合L1/L2范数的多次波自适应减方法

基于自由表面相关多次波压制(SRME)方法的重要步骤之一是将匹配后的多次波从原始数据中减去。L2范数多次波自适应减方法适用于有效波能量较小的情况,而L1范数多次波自适应减方法可适应有效波能量较强的情况。为获取更理想的自适应减方法,通过加权组合的方式建立使L2范数和L1范数多次波自适应减方法相结合的数学模型,并提出权系数的确定方法,然后结合模型数据和实际数据进行单道多次波压制处理,将处理结果与单独使用L2范数和L1范数自适应减方法所得结果进行对比,结果显示使两种范数加权组合的方法不仅能相对更好地压制多次波的能量,有效波的能量也保持较好。

基于L_1范数的多次波自适应减方法及应用分析

多次波问题在地震勘探中普遍存在。自由表面相关多次波压制(SRME)方法是目前多次波压制方法的主流,使用该方法的重要步骤之一是将由反馈迭代法预测得到的地震多次波经匹配后从原始数据中减去。基于L2范数的多次波自适应减方法有其适用范围,仅在某些情况下才有好的处理结果。这里基于迭代重加权最小二乘法(IRLS算法)的混合L1/L2范数来近似L1范数解,同时结合模型数据和实际数据进行多次波压制处理,并与基于L2范数的自适应减方法进行对比分析。结果显示,本方法不仅有效压制了多次波,而且还相对更好地保持了有效波的能量,这表明本方法可以在不同情况下实现更为普遍的多次波压制。

基于l_1/l_2的高低阶全变差运动模糊图像盲复原方法

为了实现运动模糊图像的盲复原,提出了一种基于l_1/l_2的高低阶全变差图像盲复原方法。利用具有更强稀疏表达能力的l_1/l_2范式正则化先验项,加入高低阶混合全变差正则化模型。高阶全变差正则化模型可以抑制图像非边缘部分可能出现的阶梯及振铃效应,低阶全变差正则化模型可以保护自然图像的边缘稀疏特性。分别给出了清晰图像和模糊核的求解算法,两者的求解过程采用分裂Bregman迭代算法将目标函数分裂成多个子问题进行优化求解。实验结果表明,提出的方法能够很好地抑制振铃效应并保护图像的边缘细节,通过与其他盲复原方法进行比较,在视觉质量与客观质量评价上均说明本文算法具有更好的稳健性。

一种联合阴影和目标区域图像的SAR目标识别方法

地面目标的SAR图像中除了包含目标散射回波形成的区域,还包括由目标遮挡地面形成的阴影区域。但是由于这两种区域中的图像特性不相同,所以传统的SAR图像自动目标识别主要利用目标区域信息进行目标识别,或者单独使用阴影区域进行识别。该文提出一种阴影区域与目标区域图像联合的稀疏表示模型。通过使用l1\l2范数最小化方法求解该模型得到联合的稀疏表示,然后根据联合重构误差最小准则进行SAR图像目标识别。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,通过联合稀疏表示模型可以有效地将目标区域与阴影区域信息进行融合,相对于采用单独区域图像的稀疏表示识别方法性能更好。

基于改进稀疏线性预测的时延估计算法

针对噪声与混响环境下,基于稀疏线性预测的时延估计算法性能下降的问题,提出一种改进的线性预测模型。为了获得麦克风信号的有效预滤波,将语音幅度谱的稀疏性和线性预测向量的稀疏性同时引入最小二乘准则,以此构建凸约束线性预测模型;运用Split-Bregman迭代方法对模型进行求解;使用预测误差信号建立基于改进L2/L1范数稀疏线性预测预白化的时延估计器。实验结果表明:与GCC-PHAT和L2/L1范数稀疏线性预测算法相比,所提算法具有更好的时延估计性能。