[发明专利]无源毫米波雷达图像的迭代重加权盲反卷积方法

摘要

本发明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。

主权项

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。