Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hình ảnh Radar Aperture Tổng Hợp Sử Dụng Phương Pháp Nén Có Lựa Chọn Cơ Sở
Tóm tắt
Một phương pháp nén cảm biến với việc chọn cơ sở được áp dụng cho hệ thống hình ảnh radar tổng hợp (SAR) ở tần số sóng milimét. Với một tập hợp lớn các cơ sở để lựa chọn và không có bất kỳ kiến thức a priori nào về cơ sở phù hợp, phương pháp được đề xuất sẽ chọn cơ sở thưa trong những vòng lặp đầu tiên của tối ưu hóa L1 dựa trên thông tin từ các phép đo chưa đầy đủ và độ tương thích giữa ma trận đo và ma trận thưa. Nhiều chỉ số quyết định có thể được sử dụng để chọn cơ sở, bao gồm tính bùng nổ và chỉ số Gini của hình ảnh hiện có ở vòng lặp hiện tại. Phương pháp được đề xuất đã được kiểm tra trên hai ví dụ: một hình ảnh mô phỏng và phép đo SAR của nó, và một phép đo thực nghiệm thu được ở tần số 150 GHz thông qua quét lưới. Kết quả từ mô phỏng và thực nghiệm chỉ ra rằng thuật toán được đề xuất có thể luôn tìm thấy một cơ sở rất tốt từ tập hợp hơn 270 cơ sở trong hai đến năm vòng lặp đầu tiên của tối ưu hóa L1.
Từ khóa
Tài liệu tham khảo
M. Aharon, M. Elad, A. Bruckstein, K-SVD: an algorithm for designing overcomplete dictionaries for sparse representation. IEEE Trans. Signal Proc. 54, 4311–4322 (2006). doi:10.1109/TSP.2006.881199
C.M. Akujuobi, O.O. Odejide, A. Annamalai, G.L. Fudge, Sparseness measures of signals for compressive sampling, in IEEE International Symposium on Signal Processing and Information Technology (2007), pp. 1042–1047. doi:10.1109/ISSPIT.2007.4458145
C.D. Austin, E. Ertin, R.L. Moses, Sparse signal methods for 3-D radar imaging. IEEE J. Sel. Top. Signal Process. 5, 408–423 (2011). doi:10.1109/JSTSP.2010.2090128
E.J. Candes, J. Romberg, T. Tao, Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information. IEEE Trans. Inf. Theory 52, 489–509 (2006). doi:10.1109/TIT.2005.862083
E.J. Candes, M.B. Wakin, An introduction to compressive sampling. IEEE Signal Process. Mag. 25, 21–30 (2008). doi:10.1109/MSP.2007.914731
J.T. Case, S. Kharkovsky, R. Zoughi, G. Steffes, F.L. Hepburn, Millimeter wave holographical inspection of honeycomb composites. 975, 970–975 (2008). doi:10.1063/1.2902771
H.W. Chen, L.W. Kang, C.S. Lu, Dictionary learning-based distributed compressive video sensing, in Picture Coding Symposium (PCS) (2010), pp. 210–213. doi:10.1109/PCS.2010.5702466
I. Daubechies, Ten Lectures on Wavelets (SIAM, PA, 1992). doi:10.1137/1.9781611970104
D.L. Donoho, Compressed sensing. IEEE Trans. Inf. Theory 52, 1289–1306 (2006). doi:10.1109/TIT.2006.871582
J.M. Duarte-Carvajalino, G. Sapiro, Learning to sense sparse signals: simultaneous sensing matrix and sparsifying dictionary optimization. IEEE Trans. Image Process. 18, 1395–1408 (2009). doi:10.1109/TIP.2009.2022459
H. Kajbaf, J.T. Case, Y.R. Zheng, S. Kharkovsky, R. Zoughi, Quantitative and qualitative comparison of SAR images from incomplete measurements using compressed sensing and nonuniform FFT, in IEEE Radar Conference (Radar’11) (2011), pp. 592–596
H. Kajbaf, Compressed sensing for 3D microwave imaging system. Ph. D. dissertation, Missouri University of Science and Technology, Chapter 3 (2012). doi:10.1109/RADAR.2011.5960606
H. Kajbaf, J.T. Case, Z. Yang, Y.R. Zheng, Compressed sensing for SAR-based wideband 3D microwave imaging system using nonuniform FFT. IET Radar Sonar Navig. (2013). doi:10.1049/iet-rsn.2012.0149
S. Kharkovsky, R. Zoughi, Microwave and millimeter wave nondestructive testing and evaluation: overview and recent advances. IEEE Instrum. Meas. Mag. 10, 26–38 (2007). doi:10.1109/MIM.2007.364985
T. Goldstein, S. Osher, The split Bregman algorithm for L1 regularized problems. UCLA CAM Report (2008), pp. 08–29. doi:10.1137/080725891
N. Hurley, S. Rickard, Comparing measures of sparsity, in IEEE Workshop on Machine Learning for Signal Processing (2008), pp. 4723–4741. doi:10.1109/MLSP.2008.4685455
M. Lustig, D.L. Donoho, J.M. Pauly, Sparse MRI: the application of compressed sensing for rapid MR imaging. Magn. Reson. Med. 58, 1182–1195 (2007). doi:10.1002/mrm.21391
G. Peyré, Best basis compressed sensing. IEEE Trans. Signal Process. 58, 2613–2622 (2010). doi:10.1109/TSP.2010.2042490
L.C. Potter, E. Ertin, J.T. Parker, M. Cetin, Sparsity and compressed sensing in radar imaging. Proc. IEEE 98, 1006–1020 (2010). doi:10.1109/JPROC.2009.2037526
P. Purkait, B. Chanda, Super resolution image reconstruction through Bregman iteration using morphologic regularization. IEEE Trans. Image Process. 21, 4029–4039 (2012). doi:10.1109/TIP.2012.2201492
S. Ravishankar, Y. Bresler, MR image reconstruction from highly undersampled k-space data by dictionary learning. IEEE Trans. Med. Imaging 30, 1028–1041 (2011). doi:10.1109/TMI.2010.2090538
T.A. Schonhoff, A.A. Giordano, Detection and Estimation Theory and Its Applications (Prentice Hall, Englewood Cliffs, 2006)
A. Soni, J. Haupt, Efficient adaptive compressive sensing using sparse hierarchical learned dictionaries, in 2011 Conference Record of the Forty Fifth Asilomar Conference on Signals, Systems and Computers (ASILOMAR) (2011), pp. 1250–1254. doi:10.1109/ACSSC.2011.6190216
M. Soumekh, Bistatic synthetic aperture radar inversion with application in dynamic object imaging. IEEE Trans. Signal Process. 39, 2044–2055 (1991). doi:10.1109/78.134436
Stanford University, WaveLab 850. http://statweb.stanford.edu/~wavelab/. Retrived Feb. 2014
J.J. Thiagarajan, K.N. Ramamurthy, A. Spanias, Multilevel dictionary learning for sparse representation of images, in Digital Signal Processing Workshop and IEEE Signal Processing Education Workshop (DSP/SPE) (2011), pp. 271–276. doi:10.1109/DSP-SPE.2011.5739224
Z. Wang, A.C. Bovik, H.R. Sheikh, E.P. Simoncelli, Image quality assessment: from error visibility to structural similarity. IEEE Trans. Image Process. 13, 600–612 (2004). doi:10.1109/TIP.2003.819861
J. Yang, Y. Zhang, Alternating Algorithms for \(\ell _1\)-Problems in Compressive Sensing. Rice University CAAM. http://www.caam.rice.edu/~zhang/reports/tr0937 (2010). doi:10.1137/090777761
Z. Yang, Y.R. Zheng, Near-field 3-D synthetic aperture radar imaging via compressed sensing. IEEE ICASSP 25–30, 2513–2516 (2012). doi:10.1109/ICASSP.2012.6288427
Z. Yang, Y.R. Zheng, A comparative study of compressed sensing approaches for 3-D synthetic aperture radar image reconstruction. Digit. Signal Process. 32, 24–33 (2014). doi:10.1016/j.dsp.2014.05.016
D. Zonoobi, A.A. Kassim, Y.V. Venkatesh, Gini index as sparsity measure for signal reconstruction from compressive samples. IEEE J. Sel. Top. Signal Process. 5, 927–932 (2011). doi:10.1109/JSTSP.2011.2160711