主权项 |
1.一种基于压缩感知的背景杂波量化方法,包括如下步骤:(1)将二维的目标图像列向量化,得到目标向量x;(2)将背景图像分成N个大小相等的小单元,每个背景小单元水平和垂直方向的大小均与目标相应尺寸的大小相等;(3)将每个二维的背景小单元列向量化,并组合成背景矩阵Ψ;(4)借助主成分分析PCA对目标向量x和背景矩阵Ψ降维,分别得到目标特征向量<img file="FDA0000077603750000011.GIF" wi="28" he="39" />和背景特征矩阵Φ;(5)构造改进的高斯随机矩阵φ,并用改进的高斯随机矩阵φ左乘目标特征向量<img file="FDA0000077603750000012.GIF" wi="28" he="39" />和背景特征矩阵Φ,随机组合目标特征和背景特征,分别得到目标测量向量<img file="FDA0000077603750000013.GIF" wi="25" he="40" />和传感矩阵Ω:<maths num="0001"><![CDATA[<math><mrow><mover><mi>x</mi><mo>^</mo></mover><mo>=</mo><mi>φ</mi><mover><mi>x</mi><mo>~</mo></mover><mo>,</mo></mrow></math>]]></maths>Ω=φΦ;(6)对目标测量向量<img file="FDA0000077603750000015.GIF" wi="25" he="39" />进行归一化处理,得到归一化目标测量向量ν:<maths num="0002"><![CDATA[<math><mrow><mi>ν</mi><mo>=</mo><mover><mi>x</mi><mo>^</mo></mover><mo>/</mo><msub><mrow><mo>|</mo><mo>|</mo><mover><mi>x</mi><mo>^</mo></mover><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msub><mo>,</mo></mrow></math>]]></maths>其中‖·‖<sub>2</sub>表示向量的l<sup>2</sup>范数;(7)将传感矩阵Ω中每个列向量进行归一化处理得到的结果Θ<sub>i</sub>,按下标序号从小到大的顺序,构成归一化传感矩阵Θ,Θ<sub>i</sub>=Ω<sub>i</sub>/‖Ω<sub>i</sub>‖<sub>2</sub>,i=1,2,…,N,其中,Ω<sub>i</sub>和Θ<sub>i</sub>分别为传感矩阵Ω和归一化传感矩阵Θ的第i个列向量;(8)借助压缩感知理论,由归一化目标测量向量ν和归一化传感矩阵Θ重构稀疏信号,获得相似向量<img file="FDA0000077603750000021.GIF" wi="46" he="41" />是由求最小l<sup>0</sup>范数解实现:<maths num="0003"><![CDATA[<math><mrow><mover><mi>s</mi><mo>^</mo></mover><mo>=</mo><mi>arg</mi><mi></mi><mi>min</mi><msub><mrow><mo>|</mo><mo>|</mo><mi>s</mi><mo>|</mo><mo>|</mo></mrow><mn>0</mn></msub></mrow></math>]]></maths>其中,s表示所有满足等式:ν=Θs的N×1维列向量,argf(y)表示取满足函数f(y)的变量y的值,min‖s‖<sub>0</sub>表示s的最小l<sup>0</sup>范数;(9)取相似向量<img file="FDA0000077603750000023.GIF" wi="22" he="39" />中所有元素绝对值的总和,作为背景杂波量化尺度:<maths num="0004"><![CDATA[<math><mrow><mi>CSC</mi><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mo>|</mo><msub><mover><mi>s</mi><mo>^</mo></mover><mi>i</mi></msub><mo>|</mo><mo>.</mo></mrow></math>]]></maths> |