基于字典學(xué)習(xí)與稀疏模型的SAR圖像壓縮技術(shù)研究.pdf

1、合成孔徑雷達(dá)(SAR)是遙感成像系統(tǒng)的一種。與光學(xué)成像系統(tǒng)不同的是，SAR主動(dòng)發(fā)射微波并接收，通過一定的信號(hào)處理方式進(jìn)行成像。在一個(gè)典型的SAR數(shù)據(jù)處理及應(yīng)用系統(tǒng)中，有多處涉及到數(shù)據(jù)傳輸與數(shù)據(jù)存儲(chǔ)。SAR圖像作為一種遙感圖像，隨著分辨率、成像方式等技術(shù)的進(jìn)步，數(shù)據(jù)量也在急劇膨脹，給數(shù)據(jù)傳輸與存儲(chǔ)帶來極大的壓力，因此數(shù)據(jù)壓縮成為SAR應(yīng)用系統(tǒng)非常重要的數(shù)據(jù)處理任務(wù)之一，也是當(dāng)前急需研究解決的問題。
　　本文針對(duì)SAR圖像的統(tǒng)計(jì)特性以

2、及信號(hào)表示的發(fā)展趨勢(shì)，以字典學(xué)習(xí)與稀疏表示為基礎(chǔ)模型，針對(duì)不同應(yīng)用場(chǎng)景下的壓縮任務(wù)，分別研究探討了基于熵限制字典學(xué)習(xí)的SAR圖像高效壓縮方法、基于多尺度字典學(xué)習(xí)的目標(biāo)保真SAR圖像壓縮方法、基于雙稀疏字典學(xué)習(xí)模型的SAR圖像嵌入式壓縮方法、基于在線字典學(xué)習(xí)的自適應(yīng)SAR圖像壓縮方法，主要工作包括:
　　(1)基于熵限制字典學(xué)習(xí)的SAR圖像高效壓縮方法研究，主要用于提高壓縮效率。稀疏表示模型的起始關(guān)注點(diǎn)在于“稀疏”，并不直接針對(duì)“壓

3、縮”。根據(jù)香農(nóng)定理，最終的編碼比特總數(shù)等于熵（比特/樣本）乘以樣本總數(shù)，僅僅只考慮“稀疏”，即樣本總數(shù)，并不能最大程度地減少總編碼比特?cái)?shù)?；诖藛栴}，我們?cè)O(shè)計(jì)出新的“熵限制字典學(xué)習(xí)算法”，通過將影響壓縮性能的關(guān)鍵性指標(biāo)——熵，考慮在字典學(xué)習(xí)與稀疏編碼過程中，進(jìn)而從信號(hào)表示的根源提高SAR圖像壓縮效率。
　　(2)基于多尺度字典學(xué)習(xí)的目標(biāo)保真SAR圖像壓縮方法研究，在提高壓縮效率的同時(shí)提高小目標(biāo)保持性能。SAR圖像的成像對(duì)象是地球地

4、物，所以其圖像內(nèi)容既表現(xiàn)出大量的勻質(zhì)區(qū)域，也含有非常細(xì)小的細(xì)節(jié)目標(biāo)。小目標(biāo)在SAR圖像中往往具有十分重要的含義，在目標(biāo)識(shí)別等任務(wù)中扮演著重要角色?；诖藛栴}，我們?cè)O(shè)計(jì)出基于SAR圖像內(nèi)容的“多尺度字典學(xué)習(xí)算法”，通過紋理測(cè)度對(duì)SAR圖像訓(xùn)練不同尺度的字典，配合四叉樹分解和合理的比特分配，使壓縮后的SAR圖像盡可能的保留原始目標(biāo)信息。
　　(3)基于雙稀疏字典學(xué)習(xí)模型的SAR圖像嵌入式壓縮方法研究，引入了原子分析方法及嵌入式編碼特性

5、。嵌入式編碼方法是指壓縮碼流形成的先后順序按照其所包含信息量的重要程度排列，這種特點(diǎn)使其在解壓縮端可以漸進(jìn)式的解壓。由于SAR圖像常被用于敏感任務(wù)（比如軍事任務(wù)），傳輸信道極易成為入侵方的破壞目標(biāo)，因此嵌入式編碼特性對(duì)SAR圖像壓縮非常重要?；诖藛栴}，我們?cè)O(shè)計(jì)出“雙稀疏字典學(xué)習(xí)算法”，通過雙稀疏模型將基于學(xué)習(xí)的“字典”和基于規(guī)則的“變換”聯(lián)系起來，進(jìn)而引入原子分析方法，并依據(jù)字典結(jié)構(gòu)研究SAR圖像嵌入式編碼方法。
　　(4)基于

6、在線字典學(xué)習(xí)的自適應(yīng)SAR圖像壓縮方法研究，引入在線學(xué)習(xí)方法，使壓縮算法具有更強(qiáng)的適應(yīng)性和實(shí)時(shí)計(jì)算效率。前三個(gè)研究?jī)?nèi)容采用的都是離線訓(xùn)練的方式來得到壓縮使用的字典。離線訓(xùn)練對(duì)一批有“共性”的SAR圖像效果是顯著的，但是也有缺點(diǎn)，那就是缺乏泛化能力?；诖藛栴}，我們?cè)O(shè)計(jì)出“在線字典學(xué)習(xí)”策略，使其用于SAR圖像壓縮時(shí)不僅更有自適應(yīng)性，而且可實(shí)時(shí)實(shí)現(xiàn)。
　　綜上所述，本文在字典學(xué)習(xí)與稀疏表示這一核心基礎(chǔ)模型上，研究了如何進(jìn)一步開發(fā)出更