无源毫米波雷达图像的迭代重加权盲反卷积方法技术

本发明专利技术属于雷达图像处理技术领域，公开了一种无源毫米波雷达图像的迭代重加权盲反卷积方法，包括：(1)整合基于残差误差构造的自适应权进入数据项；(2)整合图像在双边总变分算子作用下系数的空间自适应权进入图像正则化项；(3)对无源毫米波成像系统点扩展函数施加拉普拉斯算子作用下的光滑性约束；(4)图像和点扩展函数的联合迭代盲反卷积在多尺度由粗到细的框架下实现；(5)推导出了模型正则化参数的自适应估计公式；本发明专利技术提供的重加权盲反卷积方法解决现有技术在无源毫米波图像盲反卷积时敏感于强噪声和混合噪声，不能恢复图像边缘和细节信息的问题。

【技术实现步骤摘要】

本专利技术属于雷达图像处理
，尤其涉及一种无源毫米波雷达图像的迭代重加权盲反卷积方法。
技术介绍
无源毫米波能穿透雾、云和雨，并且能够全天时全天候成像，因此在导航、制导和监控中有着广泛的应用。与可见光和红外图像相比，无源毫米波图像有着相对较长的波长。为了提高空间分辨率，需增大成像天线孔径。然而，由于平台约束和许多实际应用需求，大的天线孔径在实际应用中受到很多限制。因此，获取的观测图像普遍高度模糊且空间分辨率低下。此外，观测图像不可避免地遭受系统噪声和自然杂波异常值的退化。近年来，经济而有效的盲反卷积方法已被用于改善模糊有噪的退化无源毫米波图像质量。无源毫米波图像含有强模糊和强噪声，传统的盲反卷积方法易敏感于强噪声和观测数据中的异常值，导致噪声在迭代过程中不断放大，最终的恢复图像可能无法辨识，这限制了无源毫米波图像在进一步应用。另一方面，强噪声的存在对点扩展函数的估计有着很大的影响，而无源毫米波实际成像退化点扩展函数的估计也直接影响高分辨率图像的准确重建。因此，需要引入一种不敏感于强噪声和观测数据异常值的盲反卷积方法，以便获得唯一稳定的解。因为无源毫米波成像系统的点扩展函数是光滑的，所以，也需要引入合理的关于点扩展函数的光滑性约束，以便约束解空间。图像和点扩展函数的联合迭代估计是一个非凸问题，该问题最小化求得的解易陷入局部最小解。因此，需要融合一种策略阻止迭代解陷入局部最小解，使得获得的解尽可能逼近唯一最优解。
技术实现思路
针对上述问题，本专利技术提供一种无源毫米波雷达图像的迭代重加权盲反卷积方法，解决现有技术在无源毫米波图像盲反卷积时敏感于强噪声和混合噪声，不能恢复图像边缘和细节信息的问题；能够从含强模糊和强噪声的退化无源毫米波图像中恢复出原始高分辨率图像，为后续的目标检测和跟踪提供高质量图像。本专利技术实现的技术思路为：将一种自适应权引入到数据项中，该自适应权可区分异常值和正常值，使得提出的模型稳定性更好。同时引入一种空间自适应加权图像正则化项，可以更好地保存边缘和细节信息。又因为无源毫米波图像成像系统的点扩展函数具有一定的光滑性，因此，对点扩展函数施加在拉普拉斯算子下系数的l2范数约束，可较好地约束点扩展函数的解空间。为达到上述目的，本专利技术采用如下技术方案：一种无源毫米波雷达图像的迭代重加权盲反卷积方法，所述方法包括如下步骤：步骤1，获取无源毫米波雷达的观测图像，所述观测图像包含高斯噪声、椒盐噪声、泊松噪声中的至少一种；步骤2，对所述观测图像进行建模，得到观测图像y＝Hx+n＝Xh+n；其中，y表示观测图像，h表示点扩展函数，h∈RN×1，H表示点扩展函数的块循环矩阵，H∈RN×N，x表示待恢复的高分辨率图像，X表示待恢复的高分辨率图像的块循环矩阵，X∈RN×N，Hx表示H和x相乘，n表示噪声；∈表示属于，RN×1表示N×1维的实数集合，RN×N表示N×N维的实数集合，N表示无源毫米波雷达图像的采样点数；步骤3，构造加权数据忠诚项为:其中，WF∈RN×N表示数据项权，||·||2表示2范数，表示数据项权WF的算术平方根；步骤4，构造图像正则化项为：R(x)＝||WRTx||1；以及构造点扩展函数的正则化项为：其中，WR表示图像正则化项权，T表示线性变换，||·||1表示1范数操作，Γ表示拉普拉斯核对应的离散矩阵，且Γ＝[0-10；-14-1；0-10]；步骤5，初始化第0次迭代中的点扩展函数h(0)为高斯函数，初始化第0次迭代中的待恢复的高分辨率图像x(0)＝y，设置迭代次数k的最大值maxIter，k的初值为1；并对所述观测图像y以采样频率fs进行采样，得到初始采样图像ys；设置第0次迭代中的数据项权WF(0)为单位矩阵，第0次迭代中的图像正则化项权WR(0)为单位矩阵；步骤6，估计在第k次迭代过程中的数据项权WF(k)和图像正则化项权WR(k)；步骤7，根据所述加权数据忠诚项、所述图像正则化项、所述点扩展函数正则化项，构造第k次迭代过程中的迭代重加权盲反卷积优化模型为：其中，λ(k)表示第k次迭代过程中的图像正则化参数，γ(k)表示第k次迭代过程中的点扩展函数正则化参数，表示迭代重加权盲反卷积优化模型取得最小值时待恢复的高分辨率图像的值和点扩展函数的值；步骤8，求解所述迭代重加权盲反卷积优化模型，得到第k次迭代后的待恢复的高分辨率图像x(k)和第k次迭代之后的点扩展函数h(k)；步骤9，判断第k次迭代后的待恢复的高分辨率图像x(k)是否满足||x(k)-x(k-1)||2/||x(k)||2<tol，或者k≥maxIter；若满足，则将第k次迭代后的待恢复的高分辨率图像x(k)作为所述初始采样图像ys最终的待恢复的高分辨率图像；其中，tol为预先设置的误差常系数；否则，令迭代次数k加1，并依次重复执行步骤(6)至步骤(8)；步骤10，将所述初始采样图像ys最终的待恢复的高分辨率图像作为新的观测图像，并对所述新的观测图像以采样频率2b×fs进行采样，得到新的采样图像，并将所述新的采样图像作为初始采样图像ys；其中b为采样尺度，且b的初值为1，b的最大值为预先设置的数值B；步骤11，令迭代次数k＝1，并依次重复执行步骤(6)至步骤(10)，直到b＞B，并将此时得到的待恢复的高分辨率图像作为观测图像y待恢复的高分辨率图像。本专利技术技术方案的特点和进一步的改进为：(1)步骤4中，所述构造图像正则化项具体包括如下子步骤：(4a)设定联合总变分和双边滤波构造的双边总变分RBTV(x)为：其中，l+m≥0，P≥1，且P为预先设定的值，表示在水平方向上平移l个像素的平移操作矩阵，表示在垂直方向上平移m个像素的平移操作矩阵，c0(0<c0<1)是加权常数，||·||1表示1范数操作；(4b)将所述双边总变分RBTV(x)由线性变换T＝[S-P,-PS-P+1,-P…SP,P]T转化为：RBTV(x)＝||Tx||1；其中，[·]表示矩阵的转置操作；(4c)从而构造图像正则化项R(x)＝||WRTx||1；其中WR表示图像正则化项权。(2)步骤6具体包括如下子步骤：(6a)数据项权WF(k)对角线上的元素记为中间量w(k)＝[w1(k),...,wi(k),...,wN(k)]T，wi是数据项权WF(k)对角线上的元素，i＝1,2,...,N，其中，其中，残差r(k)＝H(k-1)x(k-1)-ys＝[r1(k),...,ri(k),...,rN(k)]，c表示预设的常数，σ1表示噪声标准差，且噪声标准差median(r(k)|w(k-1))表示残差r(k)在中间量w(k-1)下的加权平均，exp(·)表示指数函数；(6b)图像正则化项权WR(k)对角线上的元素记为权向量u(k)＝[u1(k),...ui(k),...,uN'(k)]T，N'＝(2P+1)2N，ui(k)是图像正则化项权WR(k)对角线上的元素，i＝1,2,...,N'，其中，其中，σ2表示自适应参数，且自适应参数median(Tx(k-1)|u(k-1))表示在权向量u(k-1)下Tx(k-1)的元素的加权平均。(3)步骤8具体包括如下子步骤：(8a)估计图像正则化参数λ(k)和点扩展函数正则化参数γ(k)：其中，c1本文档来自技高网...

【技术保护点】
一种无源毫米波雷达图像的迭代重加权盲反卷积方法，其特征在于，所述方法包括如下步骤：步骤1，获取无源毫米波雷达的观测图像，所述观测图像包含高斯噪声、椒盐噪声、泊松噪声中的至少一种；步骤2，对所述观测图像进行建模，得到观测图像y＝Hx+n＝Xh+n；其中，y表示观测图像，h表示点扩展函数，h∈RN×1，H表示点扩展函数的块循环矩阵，H∈RN×N，x表示待恢复的高分辨率图像，X表示待恢复的高分辨率图像的块循环矩阵，X∈RN×N，Hx表示H和x相乘，n表示噪声；∈表示属于，RN×1表示N×1维的实数集合，RN×N表示N×N维的实数集合，N表示无源毫米波雷达图像的采样点数；步骤3，构造加权数据忠诚项为:其中，WF∈RN×N表示数据项权，||·||2表示2范数，表示数据项权WF的算术平方根；步骤4，构造图像正则化项为：R(x)＝||WRTx||1；以及构造点扩展函数的正则化项为：其中，WR表示图像正则化项权，T表示线性变换，||·||1表示1范数操作，Γ表示拉普拉斯核对应的离散矩阵，且Γ＝[0‑10；‑14‑1；0‑10]；步骤5，初始化第0次迭代中的点扩展函数h(0)为高斯函数，初始化第0次迭代中的待恢复的高分辨率图像x(0)＝y，设置迭代次数k的最大值maxIter，k的初值为1；并对所述观测图像y以采样频率fs进行采样，得到初始采样图像ys；设置第0次迭代中的数据项权WF(0)为单位矩阵，第0次迭代中的图像正则化项权WR(0)为单位矩阵；步骤6，估计在第k次迭代过程中的数据项权WF(k)和图像正则化项权WR(k)；步骤7，根据所述加权数据忠诚项、所述图像正则化项、所述点扩展函数正则化项，构造第k次迭代过程中的迭代重加权盲反卷积优化模型为：minx(k),h(k)12||WF(k)(1/2)(H(k-1)x(k-1)-ys)||22+λ(k)||WR(k)Tx(k-1)||1+12γ(k)||Γh(k-1)||22]]>其中，λ(k)表示第k次迭代过程中的图像正则化参数，γ(k)表示第k次迭代过程中的点扩展函数正则化参数，表示迭代重加权盲反卷积优化模型取得最小值时待恢复的高分辨率图像的值和点扩展函数的值；步骤8，求解所述迭代重加权盲反卷积优化模型，得到第k次迭代后的待恢复的高分辨率图像x(k)和第k次迭代之后的点扩展函数h(k)；步骤9，判断第k次迭代后的待恢复的高分辨率图像x(k)是否满足||x(k)‑x(k‑1)||2/||x(k)||2<tol，或者k≥maxIter；若满足，则将第k次迭代后的待恢复的高分辨率图像x(k)作为所述初始采样图像ys最终的待恢复的高分辨率图像；其中，tol为预先设置的误差常系数；否则，令迭代次数k加1，并依次重复执行步骤(6)至步骤(8)；步骤10，将所述初始采样图像ys最终的待恢复的高分辨率图像作为新的观测图像，并对所述新的观测图像以采样频率2b×fs进行采样，得到新的采样图像，并将所述新的采样图像作为初始采样图像ys；其中b为采样尺度，且b的初值为1，b的最大值为预先设置的数值B；步骤11，令迭代次数k＝1，并依次重复执行步骤(6)至步骤(10)，直到b＞B，并将此时得到的待恢复的高分辨率图像作为观测图像y待恢复的高分辨率图像。...

【技术特征摘要】
1.一种无源毫米波雷达图像的迭代重加权盲反卷积方法，其特征在于，所述方法包括如下步骤：步骤1，获取无源毫米波雷达的观测图像，所述观测图像包含高斯噪声、椒盐噪声、泊松噪声中的至少一种；步骤2，对所述观测图像进行建模，得到观测图像y＝Hx+n＝Xh+n；其中，y表示观测图像，h表示点扩展函数，h∈RN×1，H表示点扩展函数的块循环矩阵，H∈RN×N，x表示待恢复的高分辨率图像，X表示待恢复的高分辨率图像的块循环矩阵，X∈RN×N，Hx表示H和x相乘，n表示噪声；∈表示属于，RN×1表示N×1维的实数集合，RN×N表示N×N维的实数集合，N表示无源毫米波雷达图像的采样点数；步骤3，构造加权数据忠诚项为:其中，WF∈RN×N表示数据项权，||·||2表示2范数，表示数据项权WF的算术平方根；步骤4，构造图像正则化项为：R(x)＝||WRTx||1；以及构造点扩展函数的正则化项为：其中，WR表示图像正则化项权，T表示线性变换，||·||1表示1范数操作，Γ表示拉普拉斯核对应的离散矩阵，且Γ＝[0-10；-14-1；0-10]；步骤5，初始化第0次迭代中的点扩展函数h(0)为高斯函数，初始化第0次迭代中的待恢复的高分辨率图像x(0)＝y，设置迭代次数k的最大值maxIter，k的初值为1；并对所述观测图像y以采样频率fs进行采样，得到初始采样图像ys；设置第0次迭代中的数据项权WF(0)为单位矩阵，第0次迭代中的图像正则化项权WR(0)为单位矩阵；步骤6，估计在第k次迭代过程中的数据项权WF(k)和图像正则化项权WR(k)；步骤7，根据所述加权数据忠诚项、所述图像正则化项、所述点扩展函数正则化项，构造第k次迭代过程中的迭代重加权盲反卷积优化模型为：minx(k),h(k)12||WF(k)(1/2)(H(k-1)x(k-1)-ys)||22+λ(k)||WR(k)Tx(k-1)||1+12γ(k)||Γh(k-1)||22]]>其中，λ(k)表示第k次迭代过程中的图像正则化参数，γ(k)表示第k次迭代过程中的点扩展函数正则化参数，表示迭代重加权盲反卷积优化模型取得最小值时待恢复的高分辨率图像的值和点扩展函数的值；步骤8，求解所述迭代重加权盲反卷积优化模型，得到第k次迭代后的待恢复的高分辨率图像x(k)和第k次迭代之后的点扩展函数h(k)；步骤9，判断第k次迭代后的待恢复的高分辨率图像x(k)是否满足||x(k)-x(k-1)||2/||x(k)||2<tol，或者k≥maxIter；若满足，则将第k次迭代后的待恢复的高分辨率图像x(k)作为所述初始采样图像ys最终的待恢复的高分辨率图像；其中，tol为预先设置的误差常系数；否则，令迭代次数k加1，并依次重复执行步骤(6)至步骤(8)；步骤10，将所述初始采样图像ys最终的待恢复的高分辨率图像作为新的观测图像，并对所述新的观测图像以采样频率2b×fs进行采样，得到新的采样图像，并将所述新的采样图像作为初始采样图像ys；其中b为采样尺度，且b的初值为1，b的最大值为预先设置的数值B；步骤11，令迭代次数k＝1，并依次重复执行步骤(6)至步骤(10)，直到b＞B，并将此时得到的待恢复的高分辨率图像作为观测图像y待恢复的高分辨率图像。2.根据权利要求1所述的一种无源毫米波雷达图像的迭代重加权盲反卷积方法，其特征在于，步骤4中，所述构造图像正则化项具体包括如下子步骤：(4a)设定联合总变分和双边滤波构造的双边总变分RBTV(x)为：RBTV(x)=Σl=-PPΣm=0Pc0|m|+|l|||x-ShlSvmx||1]]>其中...

【专利技术属性】
技术研发人员：方厚章，刘宏伟，许述文，潘东辉，时愈，刘立，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61