本發(fā)明涉及雷達成像領域，特別涉及毫米波安檢成像
技術(shù)領域：
。
背景技術(shù)：
：毫米波成像因其穿透性、非電離的性質(zhì)而廣泛應用于機場、海關、火車站等安檢場所。傳統(tǒng)安檢成像要檢測得到一張圖需要滿足Nyquist采樣定律，舉例而言主動式系統(tǒng)，人體成像時間一般在8s左右，這極大的限制了其應用，尤其是在快速安檢需求下。加速安檢成像的技術(shù)正蓬勃發(fā)展，先前已有相關文獻應用于安檢成像中。其中在2011年，北京無線電計量測試研究所完成了“毫米波主動式三維人體安檢系統(tǒng)”的樣機研制，該系統(tǒng)多項性能指標均達到很高的水平，但是其對硬件的要求較高。盡管在2013年提出一個改進的陣列式毫米波安檢成像系統(tǒng)的方案，但是該方案只是相對單點式主動式毫米波成像系統(tǒng)提高了人體表面掃描的時間，并沒有減少采樣所需的硬件成本。而壓縮感知是可以在不丟失原始信息的條件下，以最少的觀測次數(shù)來采樣信號，即降維處理。并以較大的概率重構(gòu)出原始信號。利用基于稀疏天線陣列和稀疏頻率的二維和三維成像算法，可將CS成像技術(shù)的系統(tǒng)硬件復雜度轉(zhuǎn)化為重構(gòu)算法的復雜度。文獻“W.GuoandW.Yin,Edgeguidedreconstructionforcompressiveimaging,SIAMJ.onImagingSci.vol.5,no.3,pp.809-834,2012.”提出利用邊緣稀疏和邊緣檢測重構(gòu)二維圖像，還未考慮三維的情況。并且目前相關文獻都是基于單頻圖像的一種線性約束，而忽略了多頻圖像之間的相關性，包括共同的稀疏支撐、共同的邊緣形態(tài)學信息，而這些信息耦合在采樣數(shù)據(jù)當中，在具體圖像中可以加以提取用于重建。但是傳統(tǒng)的邊緣檢測(i.e.Canny)僅很少的檢測到大部分的不連續(xù)邊緣，而且現(xiàn)在是要在噪聲較多的安檢圖像中運用邊緣檢測，很可能會把噪聲誤檢測為邊緣從而影響圖像恢復。技術(shù)實現(xiàn)要素：本發(fā)明旨在解決以上現(xiàn)有技術(shù)的問題。提出了一種減小硬件成本，并能保證安檢質(zhì)量、檢測更加準確、更近似還原原始圖像的邊緣嵌套加權(quán)的稀疏成像方法。本發(fā)明的技術(shù)方案如下：一種邊緣嵌套加權(quán)的稀疏成像方法，其包括以下步驟：1)獲取安檢過程中待測物體的3D后向散射數(shù)據(jù)；2)將被測對象的3D后向散射數(shù)據(jù)進行純隨機采樣；3)根據(jù)純隨機采樣得到的數(shù)據(jù)，建立對包括三維毫米波安檢圖像Fi和空間頻域分布Yi的矩陣擬合重構(gòu)模型，根據(jù)邊緣位置的檢測和邊緣位置的支撐權(quán)重學習來判定是否為邊緣，即對檢測到不為邊緣的部分做加權(quán)全變差重建，有邊緣的部分做擬合重建；4)對經(jīng)過步驟3)重建后的數(shù)據(jù)進行最優(yōu)化求解，最終得到三維安檢重構(gòu)圖像Fi。進一步的，所述步驟1)獲取安檢過程中被測對象的3D后向散射數(shù)據(jù)通過主動式雷達成像系統(tǒng)獲取。所述主動式雷達成像系統(tǒng)采用步進頻雷達掃描方式，通過對被檢物體發(fā)射毫米波，再探測被檢物體反射回來的后向散射數(shù)據(jù)進行成像。進一步的，步驟2)將被測對象的3D后向散射數(shù)據(jù)進行純隨機采樣包括：根據(jù)壓縮感知理論得到，Yi＝Mi·*HFi其中：Yi是欠采樣模型，i＝1、2、3…..n，n表示第n張圖也即在多頻中的第n段頻率對應的成像圖，相當于多個單頻的疊加，Mi是M×N的采樣矩陣，M表示采樣矩陣的行數(shù)，N表示采樣矩陣的列數(shù)，S＝HFi是全采樣模型，而H是距離徙動RM算子：其中：R0為目標與掃描平臺間的距離，波數(shù)域。FT2D表示二維的快速傅里葉變換，conj表示取共軛。進一步的，所述步驟3)根據(jù)純隨機采樣得到的數(shù)據(jù)，建立包括三維毫米波安檢圖像Fi和空間頻域分布Yi的矩陣擬合重構(gòu)模型包括步驟：首先用能夠表示差分域圖像稀疏性的全變差進行稀疏表示，其中：分別代表沿水平方向、豎直坐標方向和頻率域方向上的前向有限差分算子，F(xiàn)i+1,j,k表示在三維圖像中水平方向\方位維度上第i+1個圖，F(xiàn)i表示三維毫米波安檢的重構(gòu)圖像；根據(jù)3D-TV是壓縮感知中信號稀疏變換方式，先恢復出三維毫米波安檢圖像Fi，再利用Edge-CS從恢復出來的三維毫米波安檢圖像Fi中提取邊緣信息；結(jié)合邊緣位置的支撐權(quán)重學習。進一步的，所述利用Edge-CS從恢復出來的三維毫米波安檢圖像Fi中提取邊緣信息包括步驟：0首先建立全變差正則化約束的3DEdge-CS成像模型：其中：λ表示正則化參數(shù)，用來平衡模型數(shù)據(jù)擬合以及邊緣方向約束的強度，Wedge＝[WxWyWz]為對角加權(quán)矩陣，Wx、Wy、Wz分別表示從參考圖像中通過跳變檢測迭代學習到的權(quán)重值，；結(jié)合邊緣位置的支撐權(quán)重W0＝[Wx1Wy1Wz1]其中：[.]i表示第i個元素的向量，沿水平方向、豎直坐標方向和頻率域方向上的稀疏支撐元素，i＝1,2……n，是對參考圖像做全變差求得；引入輔助變量W＝Wedge·*W0,即W＝[Wx.*Wx1Wy.*Wy1Wz.*Wz1],將成像模型轉(zhuǎn)變成如下形式：進一步的，根據(jù)參考圖像與原始圖像的全變差求得采用以下公式：補充，對參考圖像做全變差公式其中fi,j,k表示通過非線性共軛梯度算法求解得到重構(gòu)圖作為參考圖像。進一步的，步驟4)中最優(yōu)化求解步驟3)，利用拉格朗日定理將上式轉(zhuǎn)化為：采用標準的非線性共軛梯度算法求解最優(yōu)解。進一步的，所述步驟3)中對有邊緣的部分做擬合重建采用的擬合項的求解用的是L2范數(shù)。本發(fā)明的優(yōu)點及有益效果如下：本發(fā)明的目的在于提出了一種基于邊緣嵌套加權(quán)的稀疏成像方法，該方法通過對邊緣位置的檢測以及邊緣位置的支撐權(quán)重學習，即對檢測到不為邊緣的部分做加權(quán)TV(totalvariation,全變差)重建,有邊緣的部分做擬合重建。邊緣檢測結(jié)合邊緣的支撐權(quán)重學習，通過這樣的加權(quán)處理，可以平衡各個系數(shù)對最優(yōu)解的影響，可以更加近似的恢復出原始圖像。附圖說明圖1是本發(fā)明提供優(yōu)選實施例近場3D成像幾何圖；圖2(a)原始重構(gòu)圖像；(b)純隨機采樣圖；(c)基于Edge-CS的安檢成像圖；(d)基于CS-TV的安檢成像圖；(e)基于邊緣嵌套加權(quán)的稀疏成像仿真圖；圖3為本發(fā)明優(yōu)選實施例基于邊緣嵌套加權(quán)的稀疏成像方法的流程圖。具體實施方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、詳細地描述。所描述的實施例僅僅是本發(fā)明的一部分實施例。目前安檢成像大多都采用多頻，而多頻圖像之間的共同的稀疏支撐、共同的邊緣形態(tài)學信息等都耦合在采樣數(shù)據(jù)當中。即采用在壓縮感知理論的框架下，從多頻圖像中提取這些信息用以重建。本發(fā)明的技術(shù)方案如下：一種基于邊緣嵌套加權(quán)的稀疏成像方法,包括以下步驟：(1)通過主動式雷達成像技術(shù)，獲取3D后向散射數(shù)據(jù)；(2)將所述的3D后向散射數(shù)據(jù)進行純隨機采樣；(3)在關于重構(gòu)的三維毫米波安檢圖像Fi和空間頻域分布Yi的矩陣擬合模型中，根據(jù)邊緣位置的檢測和邊緣位置的支撐權(quán)重學習來判定是否為邊緣，即加入關于三維重構(gòu)圖像Fi的全變差TV3D(Fi)；(4)進行最優(yōu)化求解，最終得到三維安檢重構(gòu)圖像Fi。優(yōu)選地，所述的步驟(1)中采用步進頻雷達掃描方式，主動式成像系統(tǒng)是通過對被檢物體發(fā)射毫米波，再探測被檢物體反射回來的后向散射數(shù)據(jù)。優(yōu)選地，所述的步驟(2)中根據(jù)壓縮感知的理論框架，對步驟(1)中所得數(shù)據(jù)進行純隨機采樣得到：Yi＝Mi·*HFi其中：Y是欠采樣模型(i＝1、2、3…..n)，M是M×N的采樣矩陣，S＝HFi是全采樣模型，而H是距離徙動(RM)算子：其中：R0為目標與掃描平臺間的距離，波數(shù)域。優(yōu)選地，所述的步驟(3)中首先考慮重構(gòu)圖像具有梯度稀疏性，在差分域中其稀疏性能夠用全變差(TotalVariation)進行稀疏表示。其中：分別代表沿水平方向、豎直坐標方向和頻率域方向上的前向有限差分算子。根據(jù)3D-TV先恢復出圖像，再利用Edge-CS從中提取邊緣信息。但考慮到在結(jié)構(gòu)梯度成像中，域值在每個梯度方向的Canny邊緣檢測對噪聲非常敏感，即而估計的邊緣信息不精確。于是我們結(jié)合邊緣位置的支撐權(quán)重學習，使得邊緣檢測的更加精確，誤差達到最小。首先建立的全變差正則化約束的3DEdge-CS成像模型：其中：λ表示正則化參數(shù)，用來平衡模型數(shù)據(jù)擬合以及邊緣方向約束的強度。Wedge＝[WxWyWz]為對角加權(quán)矩陣，Wx、Wy、Wz分別表示從參考圖像中通過跳變檢測迭代學習到的權(quán)重值，其主要作用在于使得目標圖像和參考圖像的信號強度分布保持一致。結(jié)合邊緣位置的支撐權(quán)重W0＝[Wx1Wy1Wz1]其中：[.]i表示第i個元素的向量(i＝1,2……n)，沿水平方向、豎直坐標方向和頻率域方向上的稀疏支撐元素是根據(jù)參考圖像與原始圖像的全變差(TV)求得。引入輔助變量W＝Wedge·*W0,即W＝[Wx.*Wx1Wy.*Wy1Wz.*Wz1],將成像模型轉(zhuǎn)變成如下形式：優(yōu)選地，所述的步驟(4)中最優(yōu)化求解步驟(3)，利用拉格朗日定理將上式轉(zhuǎn)化為：采用標準的非線性共軛梯度算法(NonlinearConjugateGradientAlgorithm,NLCG)求解最優(yōu)解。如圖1所示，為近場3D成像幾何圖，采用主動式線性陣列的掃描方式，掃描被檢物體獲取3D后向散射數(shù)據(jù)。圖2(a)基于距離徙動算法(RMA)全采樣獲得的原始重構(gòu)圖；(b)純隨機采樣獲取得3D后向散射數(shù)據(jù)；(c)一種基于Edge-CS的三維成像方法，主要是聯(lián)合三個方向間的稀疏關系進行圖像邊緣稀疏與邊緣檢測；(d)一種基于CS-TV的三維稀疏成像方法，即是基于全變差的壓縮感知重建方法；(e)一種基于邊緣嵌套加權(quán)的稀疏成像方法。本發(fā)明方法通過實測數(shù)據(jù)的實驗證明了其實用性和可靠性。①仿真條件本實驗采用主頻為2.53GHz因特爾雙核CPU、內(nèi)存8GB的PC機，并在MATALB2015a軟件環(huán)境下進行仿真。②評價指標圖像重構(gòu)質(zhì)量評價用各算法重構(gòu)圖像與原始圖像的誤差比error、重構(gòu)圖像的信噪比snr和峰值信噪比psnr來衡量。③仿真對比本發(fā)明方法與基于Edge-CS的三維成像方法、基于CS-TV的三維稀疏成像方法重構(gòu)成像效果作對比。④本次仿真實驗的主要參數(shù)如表1：表1：主要實驗參數(shù)參數(shù)數(shù)值載波頻率150GHZ帶寬20GHZ采樣間隔:△xa0.001m天線單元的數(shù)量40000采樣間隔:△za0.001m沿y方向的采樣點數(shù)(Nf)201參考距離(R0)0.33m在隨機采樣率SR＝50％條件下，根據(jù)表2可以看出：嵌套加權(quán)的相對誤差達到4.92％，其中SNR＝28.879dB,PSNR＝45.104該方法具有很好的重構(gòu)效果。表2：各個算法的性能對比以上這些實施例應理解為僅用于說明本發(fā)明而不用于限制本發(fā)明的保護范圍。在閱讀了本發(fā)明的記載的內(nèi)容之后，技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等效變化和修飾同樣落入本發(fā)明權(quán)利要求所限定的范圍。當前第1頁1 2 3