一种高光谱图像的双压缩感知模型

高光谱图像因其海量数据性,给存储、传输及后续分析处理带来了挑战。压缩感知理论提供了一种全新的信号采集框架。针对高光谱数据的三维特性,提出一种双压缩感知的采样与重构模型。该模型在采样阶段兼顾高光谱数据的空间和谱间稀疏特性,构造了能同时实现空间和谱间压缩采样的感知矩阵;重构阶段不同于传统的压缩感知重构方法直接重构高光谱数据,而是将高光谱数据分离成端元和丰度分别进行重构,然后利用重构的端元和丰度信息合成高光谱数据。实验结果表明,所提双压缩感知在低采样率下重构精度较三维压缩采样提高了10 dB以上,更为显著的是运算速度提升了3个数量级,同时该方法还便于获得端元和丰度信息。     

基于滤波器结构的压缩感知雷达感知矩阵优化

 压缩感知雷达的目标场景恢复性能要求不同目标的反射回波在压缩空间上的互相关性尽可能小。基于该思想,提出了压缩感知雷达感知矩阵优化模型,根据系统参数和任务信息,以降低感知矩阵互相关性为目标,自适应地构造发射波形和测量矩阵,提升系统性能。分别给出了基于滤波器结构的压缩感知雷达发射波形优化、测量矩阵优化以及波形-测量矩阵联合优化算法。仿真结果表明:本文提出的压缩感知雷达感知矩阵优化模型和算法能够有效地提高场景恢复精度。     

基于压缩感知的高频响流场重构方法及其应用

粒子图像测速（PIV）方法具有高空间分辨率的优势,但是往往受到采样频率的限制（一般在15 Hz以下）,难以完成高频响测量。压缩感知（CS）能够基于稀疏采样数据获得高频信息,但如果直接应用于所有的数据点则计算量过大。基于亚采样（sub-Nyquist）PIV数据,本文提出了基于压缩感知和本征正交分解（POD）的高频响流场重构方法。首先采用POD对数据降维,同时获取空间模态和相应的亚采样时间系数,将亚采样时间系数作为观测值,选取适当的稀疏基,通过求解基追踪问题来计算高频响的模态系数。结合空间模态和所得到的时间分辨模态系数,可以重构高频响的非定常流场。利用该方法分别对周期性的振荡器流场和非周期性的不同直径圆柱流场进行重构,检测该方法的适应性。结果表明,压缩感知方法无需侵入式的辅助测量,可以为周期性流场提供准确的重构,重构误差低于3%,而对于非周期性复杂流场,则出现较大的高频噪声。因此,本文所提出的方法可以应用到周期性流场中以提高测量数据的时间分辨率。     

基于稀疏随机阵列配置的CS-MIMO雷达感知矩阵构造

压缩感知(CS)理论中的感知矩阵在观测数据获取和信号重建过程中起关键性作用。目前,大部分研究通过引入高斯随机矩阵作为测量矩阵实现压缩观测,这类测量矩阵对硬件要求很高,工程实现困难。提出了一种基于稀疏随机阵列配置的压缩感知-多输入多输出(CS-MIMO)雷达中的感知矩阵构造方法,当MIMO雷达阵元配置为满足某种概率分布的稀疏随机阵列时,发射与接收导引矢量的Kronecker积能够起到压缩测量的作用。从理论上分析了所构造的感知矩阵的归一化互相关系数、Gram矩阵以及阵列方向图之间的内在联系,并证明了当随机阵元位置满足均匀分布时所构造的感知矩阵满足压缩感知重构条件。在这种稀疏随机阵列配置方式下,既可以避免额外引入随机测量矩阵,又能减少所需的阵元个数,从而大大降低CS-MIMO雷达系统复杂度。仿真实验表明,该方法具有较低的感知矩阵归一化互相关系数,与满阵CS-MIMO雷达相比能够在减少阵元个数的同时获得良好的重构性能,且使重构所需运算量大大降低。     

多尺度自适应直接信息采样与重构

现有的直接信息采样(Analog-to-Information Conversion,AIC)方法在压缩感知框架下,将采集和压缩过程融合,但并未充分考虑不同稀疏成分在信号重构当中的地位。针对该不足之处,提出一种多尺度自适应直接信息采样与重构算法。该算法充分考虑小波变换后的高频信号和低频信号在重构中的不同地位,实现速率自适应的直接信息采样。同时,给出变速率采样下的信号重构策略,以解决常规重构算法在速率自适应采样时失效的问题。仿真结果表明,多尺度自适应AIC系统可以获得比传统AIC系统更好的AFSNR性能。     

基于任意传感器排布的叶尖定时信号压缩感知辨识方法

基于叶片振动和叶尖计时系统的特点,推导了任意传感器角度分布下叶片振动响应的分布规律,并基于叶尖定时信号频域的稀疏性,探究了压缩感知方法在叶尖定时信号的重构和倍频辨识上的应用。通过同步信号和非同步信号的大量数值实验,分析了包括信号重构误差、传感器数量、旋转周期数、频率分辨率和信噪比等因素对辨识效果的影响,提出了压缩感知重构叶尖定时信号的基本方法和步骤。进一步将压缩感知方法应用于某型号涡扇发动机钛合金宽弦风扇叶片有限元仿真获得的振动响应数据重构,验证了该方法的有效性。结果表明:在加入了叶尖测点位置误差和30 dB随机噪声的前提下,在80%、90%和100%三种转速工况下均清晰辨识出幅值较大的激励倍频。基于任意传感器角度分布的压缩感知方法对叶尖定时信号辨识效果较好。     

一种基于预测和变换混合设计的超光谱图像压缩方法

提出了一种新的超光谱图像压缩方法。该方法针对三维小波压缩编码方法对专有数据的特殊属性利用效率较低的缺陷,设计了一种应用于超光谱图像的预测编码和变换编码相混合的实现方案。首先,由超光谱图像的高谱间相关性,推导出图像各波段间的一般表达式。然后,根据这一表达式建立了超光谱图像的波段预测方式。该预测方式以波段为单位,参考波段采用小波变换编码技术进行压缩。为了提高预测的精度,参考波段选择器和波段预测器分别基于超光谱图像的数学统计规律和各波段直方图形状相似的特性进行设计。最后,将预测偏差值通过三维小波编码技术进行压缩。实验结果表明,本文设计的方法与目前先进的超光谱压缩技术相比能够提供具有竞争力的性能提升,且具有良好的兼容性、灵活性和渐进传输能力。     

风扇/压气机周向模态识别中传感器角度偏差的影响

基于任意角度压缩感知(CS)方法分析了传感器安装角度偏差对风扇/压气机周向模态识别重构的影响,设计了一套自适应角度优化程序修正重构误差。利用数值试验探究了传感器角度偏差和数量对周向模态重构结果的影响,研究表明:当角度偏差等级为2.5%时,平均重构误差达到10%以上,若保证重构误差基本不变,将传感器数量从7个增加至25个,仅可以将角度偏差等级放宽至4%。而采用小生境微种群遗传算法进行自适应角度优化,在20 dB信噪比下,通过自适应角度优化可将角度偏差等级从2.5%放宽至10%,降低了传感器安装的精度要求。成功优化了一款冷却风扇在前三阶叶片通过频率下的主要周向声模态重构幅值。自适应角度优化算法有效提升了基于压缩感知的风扇/压气机周向模态重构可靠性。     

基于卡尔曼滤波的翼型表面压力实时重构方法

为实现基于稀疏数据的翼型表面压力实时重构，提出了一种基于压缩感知与卡尔曼滤波器的数据融合方法，该方法主要包括线下建立数据库和线上实时感知两部分。首先，在线下通过粒子图像测速技术、压敏漆、计算流体力学等方法对翼型表面压力进行全场采样，并采用本征正交分解对所测得的全场压力数据进行降维，建立含有主导相干流动结构的模态数据库以及各模态时间系数之间的状态转换关系。其次，在线上基于压缩感知，利用离散压力传感器所测量数据与压力场主导模态，通过求解L₁范数下的最优化问题，对各主导模态的时间系数进行初步求解。最后，将线下所得各模态时间系数之间的状态转换关系放入卡尔曼滤波器，作为其系统模型进行预测；将线上所求得各模态时间系数放入卡尔曼滤波器，作为其观测值进行校正。以CFD模拟翼型压力作为验证数据，对该方法的性能进行评估，结果显示：该方法与仅采用压缩感知进行重构对比，升力重构误差从18.15%减小至6.39%。     

基于RIPless理论的层析SAR成像航迹分布优化方法

层析合成孔径雷达成像(TomoSAR)是通过同一观测区域不同入射角的多幅二维合成孔径雷达(SAR)图像在高程向进行孔径合成,从而实现三维成像。近年来,压缩感知(CS)被用于高程向稀疏场景的重建,高程向重建质量取决于观测矩阵的性质,而航迹分布是影响观测矩阵重构性能的重要因素。相比于度量观测矩阵重构性能的其他约束条件,RIPless理论具有有效、直观和计算简单等优点。提出了一种基于RIPless理论的压缩感知层析SAR成像航迹分布优化准则,从而在航迹数目一定的情况下,获取最优分布以实现高程向优化重建。最后,通过仿真和实验验证了所提优化准则的有效性。     

一种针对高光谱图象识别与分类的二进编码方法

针对高光谱遥感图像中地物识别与分类问题,在对传统二进编码方法的优缺点进行分析的基础上,给出了一种新的二进编码策略,并给出了相应的快速匹配算法。该算法原理简单,易于实现,能够提高不同地物的可分性,试验结果表明,算法可以得到较好的分类效果。     

Automatic spectral target recognition in hyperspectral imagery

Automatic target recognition (ATR) in hyperspectral imagery is a challenging problem due to recent advances of remote sensing instruments which have significantly improved sensor's spectral resolution. As a result, small and subtle targets can be uncovered and extracted from image scenes, which may not be identified by prior knowledge. In particular, when target size is smaller than pixel resolution, target recognition must be carried out at subpixel level. Under such circumstance, traditional spatial-based image processing techniques are generally not applicable and may not perform well if they are applied. The work presented here investigates this issue and develops spectral-based algorithms for automatic spectral target recognition (ASTR) in hyperspectral imagery with no required a priori knowledge, specifically, in reconnaissance and surveillance applications. The proposed ASTR consists of two stage processes, automatic target generation process (ATGP) followed by target classification process (TCP). The ATGP generates a set of targets from image data in an unsupervised manner which will subsequently be classified by the TCP. Depending upon how an initial target is selected in ATGP, two versions of the ASTR can be implemented, referred to as desired target detection and classification algorithm (DTDCA) and automatic target detection and classification algorithm (ATDCA). The former can be used to search for a specific target in unknown scenes while the latter can be used to detect anomalies in blind environments. In order to evaluate their performance, a comparative and quantitative study using real hyperspectral images is conducted for analysis.     

Spectral-spatial target detection based on data field modeling for hyperspectral data

Target detection is always an important application in hyperspectral image processing field. In this paper, a spectral-spatial target detection algorithm for hyperspectral data is proposed. The spatial feature and spectral feature were unified based on the data filed theory and extracted by weighted manifold embedding. The novelties of the proposed method lie in two aspects. One is the way in which the spatial features and spectral features were fused as a new feature based on the data field theory, and the other is that local information was introduced to describe the decision boundary and explore the discriminative features for target detection. The extracted features based on data field modeling and manifold embedding techniques were considered for a target detection task. Three standard hyperspectral datasets were considered in the analysis. The effectiveness of the proposed target detection algorithm based on data field theory was proved by the higher detection rates with lower False Alarm Rates (FARs) with respect to those achieved by conventional hyperspectral target detectors.     

基于ICA的遥感图像的色彩分类方法

根据独立成分分析（ICA）方法和多频谱卫星遥感图像的特点,提出了一种基于ICA的遥感图像色彩分类法。方法使用FastICA算法提取遥感图像的色彩独立成分,是RGB反转的结合,具有互补的分布,不受照明的影响。使用最大相似度分类算法对像素进行色彩分类,实验结果表明,方法的色彩分类效果较好,对多频谱遥感图像进行色彩分类十分有效。     

基于平面模板自由拍摄的双目立体测量系统的现场标定

 摄像机标定是基于光学摄像的立体测量技术中的一个十分重要的步骤，标定精度直接影响系统测量的精度和稳定性。本文提出并实现了一种简便易行的双目立体测量系统现场标定方法：利用一块特殊设计的具有不同大小圆形特征点的平面标定板，在无需控制任何运动参数的情况下，双目测量系统只需对标定板在不同角度自由拍摄一组图像即可方便地实现系统标定。该方法在已有单摄像机标定算法的基础上，加入对双摄像机相对位置和姿态的优化，同时考虑了镜头的非线性畸变，达到了较好的标定结果。另外，提出的图像点与其空间点的对应算法具有良好的稳定性，即使由于环境或摄像机摆放位置等因素的影响，一些标定板上的特征点不能被摄像机拍摄到，或者不能被正确识别时，仍然能进行标定工作。标定实验和系统标定后的三维重建结果验证了该方法的有效性。     

一种步进频率信号认知雷达波形优化设计方法

认知雷达常用于完成探测、跟踪、成像及识别等多重任务,为提高其综合性能,需兼顾多方面因素研究其波形优化设计问题。基于此,提出一种基于压缩感知（CS）RIPless准则的步进频率信号认知雷达波形优化设计方法。首先,建立了目标回波信号稀疏模型,分析了其与发射信号模糊函数之间的关系。其次,根据模型中观测矩阵的构造,基于RIPless准则,将波形设计问题转化为概率分布的互相干参数及其协方差矩阵的条件数的优化问题,从而通过自适应寻优算法,获得优化的步进频率信号脉冲重复时间间隔序列和子脉冲频率序列。相较于传统方法,所提方法在信号发射与接收之间形成了信息实时反馈和信号优化重构的闭环,在高概率准确重构目标径向一维距离像的同时,也实现了发射信号模糊函数的优化。最后,仿真计算验证了所提方法的有效性。     

基于边缘特征和方向相关性的图像融合方法

不同传感器获得的多幅图像对同一场景的描述具有信息的冗余性和互补性,在小波图像融合的基础上提出了一种基于边缘和方向相关性的图像融合算法。对参加融合的两幅图像进行小波多尺度分解,对高低频子带系数分别采取不同的融合方法;根据高频分量不同的小波方向特性,采用基于方向相关系数的融合规则,而对低频分量采用能量和边缘特征相结合的融合方法;通过小波重构得到融合图像。实验结果表明,融合图像的视觉效果较好,客观评价指标均有提高。