[发明专利]一种Video-SAR图像实时压缩重构方法

摘要

一种Video‑SAR图像实时压缩重构方法，利用Robust‑PCA有效抑制Video‑SAR图像中的相干斑噪声，同时很好地保留了细节纹理特征。通过训练学习最优Wavelet包基字典，实现了对Video‑SAR图像很好的稀疏表征，从而减少了测量数，提高了重构精度，存储不同类型场景的稀疏基，进行稀释表征时直接调用，减少运算量。通过对Video‑SAR图像的关键帧和非关键帧帧差以不同的采样率进行低复杂度压缩编码，采用分布式压缩感知重构，可以满足实时传输的要求。使用Canny算子进行边缘检测，实现了对非关键帧进行Bregman迭代细解码，能够重构出细节丰富的高分辨率SAR图像。

主权项

1.一种Video‑SAR图像实时压缩重构方法，其特征在于包括如下步骤：(1)对Video‑SAR图像的每一帧进行对数变换，然后将变换后Video‑SAR图像的每一帧xi展开成一维数组Mi，由一维数组Mi合并得到矩阵M，构建Video‑SAR图像相干斑抑制模型对所述矩阵M进行鲁棒主成分分析，得到相干斑噪声抑制后的矩阵M′，i＝1,2,3......K，K为帧数，每一帧图像的大小为m×n，K,m,n均为正整数；所述Video‑SAR图像相干斑抑制模型为基于鲁棒主成分分析的模型(L,S)：式中，L和S是待估计的低秩矩阵和稀疏矩阵，其中数据矩阵M由一维数组M_i合并得到，argmin是极小化计算式，μ是抑制中的正则化参数，||L||_*为矩阵L的核范数，等于矩阵L所有奇异值之和，||S||₁为矩阵S的l1范数，等于矩阵S所有非零元素的绝对值之和，||·||_F为矩阵的Frobenius范数，等于矩阵所有非零元素的绝对值平方和的平方根；数据矩阵M′＝L+mean(S)，mean(S)表示矩阵S的均值；(2)针对数据矩阵M′，利用小波分解，计算出小波包库中的最优Wavelet包基；(3)利用数据矩阵M′，将步骤(2)获得的最优Wavelet包基作为初始字典，基于K奇异值分解训练学习得到稀疏字典D；(4)将数据矩阵M′按陆地、海洋场景不同分为L组，选取第l组中的任意一帧作为关键帧Key_l，1≤l≤L，每组的其他帧作为非关键帧2≤j≤K/L；然后对Key_l实现CS压缩编码，得到编码结果对和Key_l之间的帧差以低于Key_l采样的采样率实现CS压缩编码，得到编码结果(5)对每组的关键帧采用步骤(3)训练的稀疏字典D和压缩感知算法直接进行重构，对每组的非关键帧的帧差采用步骤(3)训练的稀疏字典D和分布式压缩感知算法进行重构，由此得到Video‑SAR图像的粗解码结果；(6)利用步骤(5)重构获得的关键帧Key_l，通过边缘检测得到边缘指示函数并根据步骤(5)重构获得的非关键帧作为初始值，采用Bregman迭代再次对重构获得的非关键帧进行细解码；(7)利用步骤(5)重构得到的关键帧和步骤(6)获取的细解码非关键帧，最终生成重构后的Video‑SAR图像。