基于字典学习与稀疏模型的SAR图像压缩技术研究

发布时间：2017-05-14 05:03

  本文关键词：基于字典学习与稀疏模型的SAR图像压缩技术研究，由笔耕文化传播整理发布。

【摘要】：合成孔径雷达(SAR)是遥感成像系统的一种。与光学成像系统不同的是,SAR主动发射微波并接收,通过一定的信号处理方式进行成像。在一个典型的SAR数据处理及应用系统中,有多处涉及到数据传输与数据存储。SAR图像作为一种遥感图像,随着分辨率、成像方式等技术的进步,数据量也在急剧膨胀,给数据传输与存储带来极大的压力,因此数据压缩成为SAR应用系统非常重要的数据处理任务之一,也是当前急需研究解决的问题。 本文针对SAR图像的统计特性以及信号表示的发展趋势,以字典学习与稀疏表示为基础模型,针对不同应用场景下的压缩任务,分别研究探讨了基于熵限制字典学习的SAR图像高效压缩方法、基于多尺度字典学习的目标保真SAR图像压缩方法、基于双稀疏字典学习模型的SAR图像嵌入式压缩方法、基于在线字典学习的自适应SAR图像压缩方法,主要工作包括： (1)基于熵限制字典学习的SAR图像高效压缩方法研究,主要用于提高压缩效率。稀疏表示模型的起始关注点在于“稀疏”,并不直接针对“压缩”。根据香农定理,最终的编码比特总数等于熵(比特／样本)乘以样本总数,仅仅只考虑“稀疏”,即样本总数,并不能最大程度地减少总编码比特数。基于此问题,我们设计出新的“熵限制字典学习算法”,通过将影响压缩性能的关键性指标——熵,考虑在字典学习与稀疏编码过程中,进而从信号表示的根源提高SAR图像压缩效率。 (2)基于多尺度字典学习的目标保真SAR图像压缩方法研究,在提高压缩效率的同时提高小目标保持性能。SAR图像的成像对象是地球地物,所以其图像内容既表现出大量的匀质区域,也含有非常细小的细节目标。小目标在SAR图像中往往具有十分重要的含义,在目标识别等任务中扮演着重要角色。基于此问题,我们设计出基于SAR图像内容的“多尺度字典学习算法”,通过纹理测度对SAR图像训练不同尺度的字典,配合四叉树分解和合理的比特分配,使压缩后的SAR图像尽可能的保留原始目标信息。 (3)基于双稀疏字典学习模型的SAR图像嵌入式压缩方法研究,引入了原子分析方法及嵌入式编码特性。嵌入式编码方法是指压缩码流形成的先后顺序按照其所包含信息量的重要程度排列,这种特点使其在解压缩端可以渐进式的解压。由于SAR图像常被用于敏感任务(比如军事任务),传输信道极易成为入侵方的破坏目标,因此嵌入式编码特性对SAR图像压缩非常重要。基于此问题,我们设计出“双稀疏字典学习算法”,通过双稀疏模型将基于学习的“字典”和基于规则的“变换”联系起来,进而引入原子分析方法,并依据字典结构研究SAR图像嵌入式编码方法。 (4)基于在线字典学习的自适应SAR图像压缩方法研究,引入在线学习方法,使压缩算法具有更强的适应性和实时计算效率。前三个研究内容采用的都是离线训练的方式来得到压缩使用的字典。离线训练对一批有“共性”的SAR图像效果是显著的,但是也有缺点,那就是缺乏泛化能力。基于此问题,我们设计出“在线字典学习”策略,使其用于SAR图像压缩时不仅更有自适应性,而且可实时实现。 综上所述,本文在字典学习与稀疏表示这一核心基础模型上,研究了如何进一步开发出更适合SAR图像的压缩算法,分别提出了可以改善率失真性能、目标保持性能、嵌入式编码性能和实时适应性的具体压缩方案。实验结果表明,各压缩方法均能有效解决相应应用场景下的SAR图像压缩问题,可有效降低SAR图像传输与存储的数据量。
【关键词】：合成孔径雷达 图像压缩 字典学习 稀疏表示
【学位授予单位】：中国科学技术大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN957.52
【目录】：

• 摘要5-7
• ABSTRACT7-9
• 目录9-12
• 图目录12-14
• 表目录14-15
• 第1章 绪论15-31
• 1.1 课题背景15-22
• 1.1.1 SAR技术简介15-19
• 1.1.2 SAR图像压缩研究意义19-22
• 1.2 SAR图像压缩技术发展概述22-25
• 1.2.1 基于矢量量化的SAR图像压缩算法22
• 1.2.2 基于小波变换的SAR图像压缩算法22-23
• 1.2.3 基于方向小波变换的SAR图像压缩算法23-24
• 1.2.4 SAR图像压缩发展趋势24-25
• 1.3 论文研究内容与结构安排25-31
• 1.3.1 论文的主要研究内容25-28
• 1.3.2 论文结构及创新性说明28-31
• 第2章 稀疏表示模型31-43
• 2.1 引言31
• 2.2 稀疏表示理论31-34
• 2.3 稀疏编码方法34-39
• 2.3.1 基追踪算法35-36
• 2.3.2 迭代权值最小二乘算法36-37
• 2.3.3 匹配追踪算法37-38
• 2.3.4 正交匹配追踪算法38-39
• 2.4 字典学习方法39-42
• 2.4.1 最优方向算法39-40
• 2.4.2 K-奇异值分解算法40-42
• 2.5 本章小结42-43
• 第3章 基于熵限制字典学习的SAR图像高效压缩方法43-57
• 3.1 引言43
• 3.2 基于字典学习的基本压缩框架43-46
• 3.3 熵限制字典学习与稀疏表示46-50
• 3.3.1 熵限制字典学习算法46-49
• 3.3.2 熵限制正交匹配追踪算法49-50
• 3.4 基于熵限制字典学习的SAR图像压缩50-54
• 3.4.1 压缩框架描述50-51
• 3.4.2 实验结果及分析51-54
• 3.5 本章小结54-57
• 第4章 基于多尺度字典学习的目标保真SAR图像压缩方法57-73
• 4.1 引言57-58
• 4.2 SAR图像多尺度分析技术58-63
• 4.2.1 图像四叉树分解方法58-59
• 4.2.2 基于斑点噪声的SAR图像分解方法59-63
• 4.3 多尺度字典学习与稀疏表示63-66
• 4.3.1 SAR图像多尺度字典学习算法63-65
• 4.3.2 SAR图像多尺度稀疏分解算法65-66
• 4.4 基于多尺度字典学习的目标保真SAR图像压缩66-70
• 4.4.1 压缩框架描述66-67
• 4.4.2 实验结果及分析67-70
• 4.5 本章小结70-73
• 第5章 基于双稀疏字典学习的SAR图像嵌入式压缩方法73-89
• 5.1 引言73
• 5.2 图像嵌入式编码方法73-75
• 5.2.1 嵌入式编码概述73-74
• 5.2.2 基于小波变换的嵌入式编码74-75
• 5.3 双稀疏字典学习与稀疏表示75-82
• 5.3.1 双稀疏字典学习算法75-78
• 5.3.2 双稀疏字典原子结构分析78-82
• 5.4 基于双稀疏字典学习的SAR图像嵌入式编码82-87
• 5.4.1 编码方法描述82-85
• 5.4.2 实验结果及分析85-87
• 5.5 本章小结87-89
• 第6章 基于在线字典学习的自适应SAR图像压缩方法89-101
• 6.1 引言89
• 6.2 在线字典学习的必要性89-90
• 6.3 迭代最小二乘在线字典学习算法90-92
• 6.4 基于在线字典学习的自适应SAR图像压缩92-98
• 6.4.1 压缩框架描述93-96
• 6.4.2 实验结果及分析96-98
• 6.5 本章小结98-101
• 第7章 总结与展望101-105
• 7.1 研究工作总结101-102
• 7.2 研究内容展望102-105
• 参考文献105-115
• 致谢115-117
• 攻读学位期间研究成果117-119
• 参加的科研项目与获奖情况119

【参考文献】

中国期刊全文数据库 前7条

1 纪建;田铮;徐海霞;;SAR图像压缩的多尺度自回归滑动平均模型方法[J];电子学报;2005年12期

2 陈原;张荣;尹东;;基于Tetrolet Packet变换的SAR图像稀疏表示[J];电子与信息学报;2012年02期

3 朱宝明;星载合成孔径雷达的技术应用现状[J];航天电子对抗;1997年04期

4 白静;吴家骥;王磊;焦李成;;基于提升方向波变换域的SAR图像压缩[J];红外与毫米波学报;2009年04期

5 杨树丽;郭雷;常微微;;SAR图像小波包子带编码[J];激光与红外;2008年03期

6 李卫斌;何明一;解争龙;焦李成;;基于CLi多小波的SAR图像压缩去噪混合方法[J];计算机科学;2007年08期

7 宋莹华,宋建社,薛文通,袁礼海;SAR图像压缩技术的发展与现状[J];计算机应用研究;2005年04期

中国博士学位论文全文数据库 前1条

1 邓承志;图像稀疏表示理论及其应用研究[D];华中科技大学;2008年

  本文关键词：基于字典学习与稀疏模型的SAR图像压缩技术研究，由笔耕文化传播整理发布。

，

本文编号：364293