基于lk范数正则化方法的SAR图像超分辨

提高合成孔径雷达（SAR）图像的分辨率对自动目标识别等具有重要意义。为此改进了一种基于lk范数正则化方法，并用于SAR图像超分辨。该方法通过合理开发利用符合SAR成像工程背景的先验知识，构造附加约束，把图像超分辨问题规划为形式简单的带约束优化问题。仿真和实测数据计算结果证实了该方法的有效性。     

基于Cauchy稀疏分布的SAR图像超分辨算法

分析了SAR图像稀疏性的成因,利用具有稀疏特性的Ｃａｕｃｈｙ分布作为SAＲ图像相位历史域数据的先验分布,建立了基于Cauchy稀疏分布的SAR图像超分辨模型,通过减少每次迭代中矩阵求逆的次数,给出了模型的快速迭代求解算法。利用SAR图像的稀疏性先验,将SAR图像超分辨问题转化为形式简单的约束极值问题,避免了基于ｌｋ范数正则化超分辨方法的模型定阶问题。最后,利用MSTAR实测数据,在相位历史域的实验结果证实了该方法有效的超分辨能力和快速求解能力。     

基于基追踪的SAR图像超分辨处理

研究SAR图像的超分辨处理方法对于提高图像质量具有重要意义。结合雷达成像的目标属性散射模型，利用信号原子分解办法得到了SAR成像的最优信号原子，提出了利用基追踪方法估计模型参数的SAR图像超分辨处理方法。该方法利用了稀疏性先验信息，理论上比传统的匹配追踪方法具有更优越的性能。仿真算例和MSTAR实测数据的处理结果表明，这种处理方法具有良好的超分辨性能。     

基于匹配追踪算法的SAR超分辨成像

提出了一种新的SAR超分辨成像方法。在SAR图像相位历史域点散射模型的基础上，利用SAR图像目标稀疏的性质，构造子像素级的紧致字典，并设计了一种改进的匹配追踪迭代算法来估计模型参数，从而生成更大尺度的相位历史数据，对得到的相位历史域数据成像即得到了更高分辨率的SAR图像。实验结果表明该算法具有良好的超分辨性能，同时所需时问比基追踪方法缩短40％以上。     

基于纹理特征多分辨双Markov-GAR模型的SAR图像分割

为了提高SAR图像分割精度,提出在以灰度共生矩阵产生的纹理统计量为特征所生成的图像上,同时考虑SAR图像像素间空间分布特征和局部灰度均值和方差等统计量给出多分辨双Markov框架下的GAR模型,采用多分辨MPM的参数估计方法及对应的无监督分割算法,对SAR图像进行纹理分割。实验结果表明该方法用于一些高分辨SAR图像,与基于灰度图像上的多分辨双Markov-GAR模型纹理分割相比,在分割精度上能降低分割时的错分率。     

基于CS的SAR图像自动目标分割算法

图像目标分割是SAR图像目标超分辨处理和自动目标识别的重要步骤。针对图像固有的稀疏结构,提出了一种SAR图像自动目标分割算法。通过构造变换字典将SAR图像数据投影到高维空间,实现了图像局部特征的稀疏表示,然后利用随机矩阵获得稀疏域局部特征的压缩采样,并对多组采样数据运用Mean-shift 算法并行处理,最后通过符号检验法,实现了对目标像素与背景像素的分类。试验表明,该算法对硬目标具有较好的目标分割性能。     

基于属性散射中心模型的SAR超分辨成像算法

基于属性散射中心模型,提出一种稳健而快速的SAR超分辨成像算法,在超分辨的同时能够考虑到目标的整体结构。首先利用改进的正交匹配追踪算法（OMP）对简化的属性散射中心模型进行参数估计,然后基于估计的模型参数在信号重构时进行二维频谱外推实现SAR超分辨成像。该算法具有较高的运算效率,相对于传统基于点散射模型超分辨算法,能够有效解决部件不连续的问题,并且初始指向角的利用可以取得良好的聚焦效果。仿真实验验证了该算法的优越性。     

基于深度学习的SAR图像质量提升方法研究

提升合成孔径雷达(SAR)图像质量以增强其可判读性,一直是SAR图像处理中的关键问题。近年来,深度学习在光学图像处理中取得显著的成功,并逐步应用到SAR图像质量提升领域。对深度学习在SAR图像质量提升中的关键应用进行综述,对深度学习在SAR图像质量提升中采用的典型网络进行了介绍,并从SAR图像旁瓣抑制、超分辨(SR)处理和图像融合3个方面对深度学习的应用进行阐述。最后,分析与探讨了基于深度学习的SAR图像质量提升中的关键问题及进一步研究方向。     

基于单像素成像的遥感图像分辨率增强模型

目前对地遥感的最主要途径之一便是通过遥感相机获得目标物信息,然而遥感相机的分辨率直接影响成像质量。结合遥感相机的推扫式成像技术,文章提出了一种基于单像素成像的超分辨增强技术模型,该模型能够简化重建过程,其设计目标是基于单像素超分辨的技术手段将航天遥感相机的图像分辨率增强4倍。为了验证该设计思想及其重建效果,文章设置了超分辨增强仿真试验,最终仿真试验结果表明,基于单像素的超分辨模型可以将图像的信噪比提高1.1倍,且重建的图像具有明显的抑制噪声的效果,起到了良好的降噪功能,相较于其他传统图像分辨率增强方法（如双三次内插、超深超分辨神经网络）具有更高的优越性。该方法可为地理遥感探测、土地资源探查与管理、气象观测与预测、目标毁伤情况实时评估等诸多领域的图像处理和应用提供有力支持。     

超模式斜采样遥感图像超分辨复原方法

超模式斜采样成像技术通过将两排探测器阵列倾斜成像提高相机空间分辨率。由于不满足香农采样定理．图像中出现混叠。为了降低混叠对遥感图像超分辨复原的影响,文章提出了一种结合最佳倒易晶胞的超分辨复原方法。该方法根据超模式斜采样频域对偶网格建立相应的混叠模型．通过权重函数衡量噪声和混叠在频谱中的分布,得到噪声、混叠最小最佳倒易晶胞;并基于Huber—MRF（Markov Random Field）图像先验模型建立了耦合最佳倒易晶胞的MAP（Maximuma Posterior）超分辨复原模型。实验表明,该方法降低了超模式斜采样成像中混叠对复原的影响,获得了良好的超分辨复原效果。