基于稀疏表示的超高分辨率SAR图像变形目标识别的K-SVD方法研究

提高SAR图像的分辨率已成为SAR技术研究的主要方向，但变形目标的识别一直是其瓶颈问题。本课题以超高分辨率SAR图像变形目标识别为研究背景，依托先进的稀疏表示技术，针对K-SVD算法模型中所存在的主要问题：1）算法耗时性问题；2）算法一维性问题，开展相关技术研究。主要研究的关键问题包括：具有鉴别特性的新型K-SVD算法模型的建立；不同算法模型条件下冗余字典的选取方法、稀疏表示的求解技术以及冗余字典的更新策略；超高分辨率SAR图像变形目标的识别技术与仿真验证等。本课题的特色和意义在于：1、改善现有K-SVD算法的局限性，建立新型的K-SVD算法模型，为稀疏表示理论的完善和丰富奠定基础；2、研究超高分辨率SAR图像变形目标的识别问题，为SAR图像的正确解译提供理论依据。

本项目以超高分辨率SAR图像识别为应用背景，借鉴稀疏表示理论，从模型建立、稀疏求解、字典更新和识别算法四大方面入手开展相关技术研究。.首先，研究SAR图像分辨率提高技术，给出了提高SAR图像分辨率的有效方法，为研究过程中的数据获取问题提供解决思路。.其次，分析K-SVD和双稀疏K-SVD方法的局限性，构建一种具有鉴别特性的双稀疏结构模型，设置初始参数，给出多参数优化求解方法，设计模型中基字典的选取策略。仿真实验验证该模型可降低运行时间、提高识别性能，并能实现变形目标的识别。.然后，提出基于局部约束编码的稀疏保持投影降维识别方法。利用稀疏表示分类模型构建了图边权矩阵，引入局部约束因子设计了降维投影模型，推导降维求解过程，分析了本文方法与SPP和SLPP方法之间的共性和区别，并给出了识别算法流程。仿真实验表明由于考虑了数据间的邻近性，该方法较传统方法可获得更好的识别性能。.接着，针对样本对偶类别信息已知的前提下，提出一种基于对偶鉴别特性的局部约束的稀疏编码表示方法，构建目标函数，给出稀疏编码的求解方法和字典更新策略。仿真实验验证了算法的有效性。.最后，针对K-SVD算法的一维性问题，提出了一种二维松弛稀疏表示方法。构建局部约束二维稀疏表示目标函数，给出求解过程，并利用ＡＬＳ方法解决求解过程中引入Kroneck内积造成的 “维数灾难”问题。仿真实验验证了算法的有效性。