基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105551007A(43)申请公布日2016.05.04(21)申请号201510908228.5(22)申请日2015.12.10(71)申请人河海大学地址210098江苏省南京市江宁区佛城西路8号(72)发明人徐枫王鑫黄凤辰高建强徐立中(74)专利代理机构南京纵横知识产权代理有限公司32224代理人董建林(51)Int.Cl.G06T5/10(2006.01)G06T3/40(2006.01)权利要求书3页说明书6页附图3页(54)发明名称基于频域及谱矩阵的SAR图像多层贝叶斯盲解卷积方法(57)摘要本发明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0型中的掩模、h和h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。CN105551007ACN105551007A权利要求书1/3页1.一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；04)将β初始化为β，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式中，ω＞0表示任一超参数，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；07)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0谱矩阵cov(Hes)，并对谱矩阵初始化为cov(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2CN105551007A权利要求书2/3页2.根据权利要求1所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5)中的具体内容为：将c零延拓为其行数为P，列数为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，即其中，-表示共轭复数运算符，о表示阿达马积运算符。3.根据权利要求1所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N行N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×Q的矩阵，得到谱矩阵。4.根据权利要求1所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；b)更新β为：其中，其中，||·||1表示1-范数运算符；c)更新αim为：d)更新αh为：3CN105551007A权利要求书3/3页e)更新Hes为：其中，f)更新F为：其中，g)计算若q＞Q，则k＝k+1，返回步骤b)继续迭代；否则，及退出