.png){kind=icon}
返回
An Improved Structured-Dictionary-Learning-Based Sparse SAR Imaging Algorithm
.png){kind=icon}
OA
AI
DOI：10.3390/rs18193377.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有基于结构化字典学习（SDL）的稀疏合成孔径雷达（SAR）成像方法在低采样率条件下进行精细成像时存在伪影抑制不足、参数适应性有限以及结构保持不充分等问题。为解决这些局限性，提出了一种改进的基于SDL的稀疏SAR成像方法，该方法集成了迭代重加权ℓ1-范数（IRL1）约束与全变分（TV）正则化安全机制。在结构化字典学习、子字典区分和精细成像的框架下，该方法专注于优化精细成像过程。具体而言，引入IRL1稀疏约束以增强对主导散射分量的表示；采用正则化参数连续策略以提高早期优化稳定性和后期细节恢复；设计了一种由测量残差与字典残差比值驱动的自适应参数更新机制，以提升重建适应性；并融入具有目标函数回溯保护的TV正则化安全机制，以抑制背景伪影和局部噪声同时保持目标结构边缘。针对结构化仿真场景和真实的运动与静止目标获取与识别（MSTAR）SAR目标数据集的实验表明，与K-奇异值分解（K-SVD）方法和原始SDL方法相比，所提方法在不同采样率下均实现了更优的成像重建性能，并展现出更强的结构保持和伪影抑制能力。这些结果验证了所提方法在低采样率SAR目标成像中的有效性。
Keyword:
synthetic aperture radar
structured dictionary learning
sparse imaging
IRL<sub>1</sub> reweighting
TV regularization safety mechanism
期刊
IF:
4.1
论文数:
7.4K
被引数:
15.1W
机构
引用论文
.png){kind=icon}
分享收藏Sparse Representation Based Fisher Discrimination Dictionary Learning for Image Classification基于稀疏表示的Fisher判别字典学习图像分类
PREAI
分享收藏分享收藏Radar Forward-Looking Imaging for Complex Targets Based on Sparse Representation With Dictionary Learning基于稀疏表示和字典学习的复杂目标雷达前视成像
PREAI
分享收藏Inverse Synthetic Aperture Radar Sparse Imaging Exploiting the Group Dictionary Learning基于组字典学习的逆合成孔径雷达稀疏成像
OAAI
OAAI分享收藏
查看更多内容