基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法技术

本发明专利技术公开了一种基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法：输入观测SAR图像g，给出观测模型；初始化原始SAR图像f和点扩散函数h为f0和h0，给出先验模型；初始化模型的超参数，设定置信值，给出先验模型；将先验模型中的掩模、h和h0零延拓并循环移位为ces、hes和,与图像一同变换至频域；将f和hes的循环协方差矩阵的谱构建成谱矩阵并初始化；优化随机分布来迭代估计超参数、频域hes及频域f；将频域结果变换至空域并移位去零，输出盲解卷积的最终结果。本发明专利技术省去向量、矩阵化过程以规避高开销的超大矩阵运算；用频域表示向量和矩阵，用矩阵的谱构建谱矩阵，实现低运算开销的解卷积，有效提高了SAR图像盲解卷积的运算效率。

【技术实现步骤摘要】

本专利技术涉及一种基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法，属于遥 感图像处理

技术介绍
合成孔径雷达（Synthetic Aperture Radar，SAR)图像解卷积是一种经济、可行且 有效的SAR图像分辨率提升技术。由其演化出的多层贝叶斯盲解卷积，是在设定原始SAR图 像先验模型、点扩散函数(PSF)先验模型、噪声先验模型和模型参数先验模型的基础上，根 据观测图像对原始SAR图像、点扩散函数和模型参数进行联合估计的方法。此方法无需事先 获得PSF和模型参数，摆脱了传统SAR图像解卷积的必要条件限制。然而，图像多层贝叶斯盲 解卷积通常是通过矩阵运算实现，运算前要将图像向量化、将算子矩阵化，运算后再将向量 转回图像，这无疑增加了图像处理时间。更为甚者，SAR图像观测尺度很大，其数据量比普通 图像要高，高数据量会形成超大型矩阵(例如对于一个1000X1000大小的SAR图像，其算子 矩阵的维数会高达1000000X1000000)，如果仍采用矩阵运算方法，存储量和运算量会成指 数增加，计算机的存储能力和运算时间将极大消耗，从而降低SAR图像盲解卷积的效率。
技术实现思路
为解决现有技术的不足，本专利技术的目的在于提供一种基于频域及谱矩阵的SAR图 像多层贝叶斯盲解卷积方法，省去了向量、矩阵化过程，在频域表示向量和矩阵，利用矩阵 的谱构建谱矩阵，以此来实现低运算开销的解卷积，以规避高开销的超大型矩阵运算。 为了实现上述目标，本专利技术采用如下的技术方案： -种基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法，其特征是，包括如下 步骤： 1)输入单帧观测SAR图像g，并给出其观测模型为高斯分式中，f表示原始SAR图像，h表示点扩散函数，超参数β表示高斯分布观测模型的方差，N = P XQ表示f的行数P和列数Q之积，II · II2表示2-范数运算符，*表示2维卷积运算符； 2)对原始SAR图像f进行初始化为fzg，并给出f的先验模型为高斯分布>，式中，超参数aim表示f的高斯分布先验模型的方 3)对点扩散函数h进行初始化为h%其三维图形为一椭圆抛物面，并给出h的先验，式中，超参数ah表示h的高斯分布 先验模型的方差，M=U X V表示h的行数U和列数V之积； 4)将β初始化为妒，其置信参数设为γ fi;将aim初始化为(64:，其置信参数设为？"& ;将 ah初始化为 <，其置信参数设为U将上述3个超参数的先验模型均设为伽马分布式中，ω >〇表示任一超参数，< > 0、€ > 0分别表示形 5)将先验模型中的c零延拓并循环移位为ces，而后变换至频域表示为Ces; 6)对g、f和f*3进行不带系数的傅里叶变换，在频域分别表示为G、F和F* 3,并将f的N行 N列循环协方差矩阵c〇V(f)的谱构建成PXQ的谱矩阵cov(F)，并对谱矩阵初始化为covYF) =〇； 7)采用步骤5)的方法，将h及h°零延拓并循环移位为hes和<，而后变换至频域表示 为 Hes 和//二； 8)采用步骤6)的方法，将hes的N行N列循环循环协方差矩阵C0V(h es)的谱构建成P XQ的谱矩阵cov(Hes)，并对谱矩阵初始化为〇〇/(!^)=0; 9)采用基于变分优化随机分布的迭代估计方法对超参数、Hes及F进行迭代估计，得 到估计值#、4"、4、及#; 10)对^及户进行傅里叶反变换，得到空域值4及/ ;采用步骤5)的逆过程对las 进行循环移位使t左上角中心化并去零，得到幻输出盲解卷积的最终结果#、成"、表、I 及 前述的基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法，其特征是，所述步数为Q;对零延拓的拉普拉斯掩模进行循环移位，使其中心点移至左上角，得到:对Ces进行不带系数的傅里叶变换，在频域表示为 ces，求两个ces的阿达马积cHes，即c_ = ?。仏，其中Γ表示共辄复数运算符，0表示阿达马 积运算符。 前述的基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法，其特征是，所述步 骤6)中循环协方差矩阵到谱矩阵的构建步骤为：i)截取Ν行Ν列循环协方差矩阵的首列，并 对其进行傅里叶变换，得到含N个元素的频谱（即循环协方差矩阵的N个谱）；ii)将N个谱按 先行后列的顺序，逐行排列成P X Q的矩阵，得到谱矩阵。 前述的基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法，其特征是，所述步 骤9)中用基于变分优化随机分布的迭代估计方法得到估计值#、&、<、及声，具体 步骤如下： a)初始化迭代序数k = 0，并给出终止迭代阈值Q; 前述的基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法，其特征是，步骤中 的傅里叶变换均为不带系数的傅里叶变换。 本专利技术所达到的有益效果:本方法摆脱了传统SAR图像解卷积的必要条件限制，而 且通过省去向量、矩阵化过程，通过在频域表示向量和矩阵以及利用矩阵的谱构建谱矩阵， 来实现低运算开销的解卷积，以规避高开销的超大型矩阵运算，有效加快了 SAR图像盲解卷 积的运算速度，提高了 SAR图像处理效率。【附图说明】图1是本专利技术方法的流程图； 图2是零延拓并循环移位示意图； 图3是谱矩阵的构建过程示意图； 图4是基于变分优化随机分布的迭代估计流程图。【具体实施方式】 下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术 的技术方案，而不能以此来限制本专利技术的保护范围。 如图1所示，本专利技术提供一种基于频域及谱矩阵的SAR图像快速多层贝叶斯盲解卷 积方法，具体步骤如下： 1)输入单帧观测SAR图像g;设g的观测模型为高斯分其中，f表示原始(高分辨率)SAR图像，h表示点扩散(模糊)函数，超参数β表示高斯分布观测 模型的方差(亦为观测噪声的方差），N=PXQ表示f的行数Ρ和列数Q之积，|| · ||2表示2-范数 运算符，*表示2维卷积运算符。 2)将f初始化为Pig;设f的先验模型为高斯分布 中，超参数a i m表示f的高斯分布先验模型的方差，c为3 X 3的拉普拉斯掩模 3 )将h初始化为h ^，其三维图形为一椭圆抛物面；设h的先验模型为高斯分布其中，超参数ah表示h的高斯分布先验模型的方差， M=U X V表示h的行数U和列数V之积。 4)将β初始化为妒，其置信参数设为γρ;将始化为，其置信参数设为 将Μ初始化为私°，其詈信参数设为心；将上述3个超参数的先验模型均设为伽马分布，式中，ω >〇表示任一超参数，< >当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法，其特征是，包括如下步骤：1)输入单帧观测SAR图像g，并给出其观测模型为高斯分布p(g|f,h,β)=(12πβ)N/2exp{-12β||g-h*f||22},]]>式中，f表示原始SAR图像，h表示点扩散函数，超参数β表示高斯分布观测模型的方差，N＝P×Q表示f的行数P和列数Q之积，||·||2表示2‑范数运算符，*表示2维卷积运算符；2)对原始SAR图像f进行初始化为f0＝g，并给出f的先验模型为高斯分布p(f|αim)=(12παim)N/2exp{-12αim||c*f||22},]]>式中，超参数αim表示f的高斯分布先验模型的方差，c表示3×3的拉普拉斯掩模0-0.250-0.251-0.250-0.250;]]>3)对点扩散函数h进行初始化为h0，其三维图形为一椭圆抛物面，并给出h的先验模型为高斯分布式中，超参数αh表示h的高斯分布先验模型的方差，M＝U×V表示h的行数U和列数V之积；4)将β初始化为β0，其置信参数设为γβ；将αim初始化为其置信参数设为将αh初始化为其置信参数设为将上述3个超参数的先验模型均设为伽马分布Γ(ω|aω0,bω0)=(bω0)aω0Γ(aω0)ωaω0-1exp[-bω0ω],]]>式中，ω＞0表示任一超参数，aω0>0,bω0>0]]>分别表示形状和尺度参数，且记5)将先验模型中的c零延拓并循环移位为ces，而后变换至频域表示为Ces；6)对g、f和f0进行不带系数的傅里叶变换，在频域分别表示为G、F和F0，并将f的N行N列循环协方差矩阵cov(f)的谱构建成P×Q的谱矩阵cov(F)，并对谱矩阵初始化为cov0(F)＝0；7)采用步骤5)的方法，将h及h0零延拓并循环移位为hes和而后变换至频域表示为Hes和8)采用步骤6)的方法，将hes的N行N列循环循环协方差矩阵cov(hes)的谱构建成P×Q的谱矩阵cov(Hes)，并对谱矩阵初始化为cov0(Hes)＝0；9)采用基于变分优化随机分布的迭代估计方法对超参数、Hes及F进行迭代估计，得到估计值及10)对及进行傅里叶反变换，得到空域值及采用步骤5)的逆过程对进行循环移位使左上角中心化并去零，得到输出盲解卷积的最终结果及...

【技术特征摘要】

【专利技术属性】
技术研发人员：徐枫，王鑫，黄凤辰，高建强，徐立中，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32