買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜電子科技大學(xué)申請(qǐng)的專(zhuān)利一種基于多分量分解視頻SAR陰影增強(qiáng)方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115480249B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-16發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202211080972.7，技術(shù)領(lǐng)域涉及：G01S13/90；該發(fā)明授權(quán)一種基于多分量分解視頻SAR陰影增強(qiáng)方法是由張曉玲;詹旭;張文思;楊振宇;師君;韋順軍;曾天嬌設(shè)計(jì)研發(fā)完成，并于2022-09-05向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種基于多分量分解視頻SAR陰影增強(qiáng)方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于多分量分解視頻SAR陰影增強(qiáng)方法。它是通過(guò)迭代求解的方式實(shí)現(xiàn)對(duì)輸入視頻SAR數(shù)據(jù)中的陰影、背景和噪聲分量分解，在每次迭代中，首先更新陰影分量矩陣；然后，更新背景分量矩陣；其次，通過(guò)求解基于噪聲分量的斐波拉契范數(shù)正則化的去噪方程，更新噪聲分量矩陣；最后，根據(jù)本次迭代更新的陰影分量與上次迭代更新的陰影分量?jī)烧叩南鄬?duì)變化量判斷是否停止迭代，輸出最新更新的陰影分量為視頻SAR陰影增強(qiáng)結(jié)果。與基于直方圖均衡化陰影增強(qiáng)方法相比，本發(fā)明方法具有陰影增強(qiáng)結(jié)果的陰影?背景對(duì)比度高、陰影的輪廓特征完整，陰影增強(qiáng)效果好的特點(diǎn)。

本發(fā)明授權(quán)一種基于多分量分解視頻SAR陰影增強(qiáng)方法在權(quán)利要求書(shū)中公布了：1.一種基于多分量分解視頻SAR陰影增強(qiáng)方法，其特征是它包括以下步驟：步驟1.初始化相關(guān)參數(shù)視頻SAR數(shù)據(jù)單幀二維成像結(jié)果方位向像素?cái)?shù)，記為Na；視頻SAR數(shù)據(jù)單幀二維成像結(jié)果距離向像素?cái)?shù)，記為Nr，視頻SAR數(shù)據(jù)幀數(shù)，記為Nt；待陰影增強(qiáng)的視頻SAR數(shù)據(jù)，記為陰影分量初始化矩陣，記為S0；背景分量初始化矩陣，記為B0；噪聲分量初始化矩陣，記為N0；拉格朗日乘子初始化矩陣，記為Y0；背景分解權(quán)重系數(shù)，記為ξ；噪聲分解權(quán)重系數(shù)，記為γ；迭代收斂閾值，記為ε；步驟2.時(shí)間幀重排列將步驟1初始化得到的視頻SAR數(shù)據(jù)中的每一幀采用傳統(tǒng)矩陣向量化算子方法重新排列成一列向量，記為di，向量的維度為Na×Nr×1，i＝1，2，…，Nt，Nt為視頻SAR數(shù)據(jù)幀數(shù)，然后將每一幀對(duì)應(yīng)的列向量，按幀順序從左至右排列，形成視頻SAR矩陣步驟3.建立陰影、背景和噪聲三分量分解方程根據(jù)步驟2中初始化得到的待陰影增強(qiáng)的視頻SAR數(shù)據(jù)背景分解權(quán)重系數(shù)ξ和噪聲分解權(quán)重系數(shù)γ，建立陰影、背景和噪聲三分量分解方程； 其中argminB,S,N,Y表示使取最小值的B、S、N和Y，B、S、N和Y分別為背景分量、目標(biāo)分量、噪聲分量和拉格朗日乘子矩陣；‖·‖1表示矩陣L1范數(shù)，‖·‖*表示矩陣核范數(shù)，表示矩陣斐波拉契范數(shù)的平方，Tr·表示矩陣求跡，·H表示矩陣轉(zhuǎn)置共軛；步驟4.陰影、背景和噪聲三分量迭代分解根據(jù)步驟1中初始化得到的噪聲分解權(quán)重系數(shù)γ、背景分解權(quán)重系數(shù)ξ和迭代收斂閾值ε，通過(guò)迭代方式求解步驟3中建立的陰影、背景和噪聲三分量分解方程，實(shí)現(xiàn)陰影、背景和噪聲三分量迭代分解，在第k次迭代中執(zhí)行以下步驟：步驟4.1.建立基于陰影分量L1范數(shù)正則化去噪方程： O＝D-Bk-1-Nk-1+Yk-1其中argminS表示使取最小值的S，S為陰影分量，O為含噪的陰影分量；‖·‖1表示矩陣L1范數(shù)，表示矩陣斐波拉契范數(shù)的平方；D、Bk-1、Nk-1和Yk-1分別為步驟2中初始化得到的待陰影增強(qiáng)的視頻SAR數(shù)據(jù)、第k-1次迭代中得到的背景分量矩陣、噪聲分量矩陣和拉格朗日乘子矩陣；步驟4.2陰影分量分解：根據(jù)步驟4.1中建立的基于陰影分量L1范數(shù)正則化去噪方程，采用如下公式實(shí)現(xiàn)陰影分量分解； O＝D-Bk-1-Nk-1+Yk-1其中sign·為按元素取符號(hào)算子，thr·為按元素硬閾值算子，⊙表示矩陣哈達(dá)瑪達(dá)積；表示維度為Na×Nr×Nt的元素全為1的矩陣；O為含噪的陰影分量，D、Bk-1、Nk-1和Yk-1分別為步驟2中初始化得到的待陰影增強(qiáng)的視頻SAR數(shù)據(jù)、第k-1次迭代中得到的背景分量矩陣、噪聲分量矩陣和拉格朗日乘子矩陣；Sk為第k次迭代中更新所求的陰影分量矩陣；步驟4.3.建立基于背景分量核范數(shù)正則化去噪方程： P＝D-Nk-1-Sk+Yk-1其中argminB表示使取最小值的B，B為背景分量，P為含噪的背景分量；‖·‖*表示矩陣核范數(shù)，表示矩陣斐波拉契范數(shù)的平方；D、Nk-1、Yk-1分別為步驟2中初始化得到的待陰影增強(qiáng)的視頻SAR數(shù)據(jù)、第k-1次迭代中得到的噪聲分量矩陣和拉格朗日乘子矩陣,Sk為步驟4.2中得到的更新后陰影分量矩陣，ξ為背景分解權(quán)重系數(shù)；步驟4.4背景分量分解：根據(jù)步驟4.3中建立的基于背景分量核范數(shù)正則化去噪方程，采用如下公式實(shí)現(xiàn)背景分量分解；Bk＝U·M·VH Y＝diagσPP＝D-Nk-1-Sk+Yk-1其中，P為含噪的背景分量，U和V分別是對(duì)P按傳統(tǒng)矩陣奇異值分解方法得到的左奇異矩陣和右奇異矩陣；VH表示V的共軛轉(zhuǎn)置；Y為P的奇異值矩陣，σP為P的奇異值向量，ξ為背景分解權(quán)重系數(shù)，表示維度為Na×Nr×Nt的元素全為1的矩陣，sign·為按元素取符號(hào)算子，thr·為按元素硬閾值算子，diag·為向量矩陣化對(duì)角算子,⊙表示矩陣哈達(dá)瑪達(dá)積，M為去噪后的奇異值矩陣，ξ為背景分解權(quán)重系數(shù)；D、Nk-1、Yk-1分別為步驟2中初始化得到的待陰影增強(qiáng)的視頻SAR數(shù)據(jù)、第k-1次迭代中得到的噪聲分量矩陣和拉格朗日乘子矩陣,Sk為步驟4.2中得到的更新后陰影分量矩陣；Bk為第k次迭代中更新所求的背景分量矩陣；步驟4.5.建立基于噪聲分量斐波拉契范數(shù)正則化去噪方程： Q＝D-Bk-Sk+Yk-1其中argminN表示使取最小值的N，N為噪聲分量，Q為含誤差的噪聲分量；表示矩陣斐波拉契范數(shù)的平方；D為步驟2中初始化得到的待陰影增強(qiáng)的視頻SAR數(shù)據(jù)，Yk-1為第k-1次迭代中得到的拉格朗日乘子矩陣，Bk和Sk分別為步驟4.2和步驟4.4中得到的第k次迭代中更新的背景分量矩陣和陰影分量矩陣，γ為噪聲分解權(quán)重系數(shù)；步驟4.6噪聲分量分解：根據(jù)步驟4.5中建立基于噪聲分量斐波拉契范數(shù)正則化去噪方程，采用如下公式實(shí)現(xiàn)噪聲分量分解；Nk＝1+2γ-1QQ＝D-Bk-Sk+Yk-1其中γ為噪聲分解權(quán)重系數(shù)；Q為含誤差的噪聲分量，D為步驟2中初始化得到的待陰影增強(qiáng)的視頻SAR數(shù)據(jù)，Yk-1為第k-1次迭代中得到的拉格朗日乘子矩陣，Bk和Sk分別為步驟4.2和步驟4.4中得到的第k次迭代中更新的背景分量矩陣和陰影分量矩陣；Nk為第k次迭代中更新所求的噪聲分量矩陣；步驟4.7.采用如下公式實(shí)現(xiàn)拉格朗日乘子矩陣更新：Yk＝Y(jié)l-1+D-Bk-Sk-NkYk為第k次迭代中更新所求的拉格朗日乘子矩陣；Yk-1為第k-1次迭代中更新的拉格朗日乘子矩陣；D為步驟2中初始化得到的待陰影增強(qiáng)的視頻SAR數(shù)據(jù)，Bk、Sk和Nk分別為步驟4.2、步驟4.4和步驟4.6中得到的第k次迭代中更新的背景分量矩陣、陰影分量矩陣和噪聲分量矩陣；步驟4.8.迭代停止判斷：采用公式dk＝‖Sk-Sk-1Sk-1‖F(xiàn)，計(jì)算得到陰影分量相對(duì)變化率dk，其中Sk和Sk-1分為第k次和第k-1次迭代中更新的陰影分量矩陣，‖·‖F(xiàn)表示矩陣斐波拉契范數(shù)；若dk≥ε則重復(fù)執(zhí)行步驟，繼續(xù)下一次迭代；否則停止迭代，此時(shí)Sk為最終視頻SAR陰影增強(qiáng)結(jié)果，其中ε為迭代收斂閾值。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人電子科技大學(xué)，其通訊地址為：610000 四川省成都市高新區(qū)(西區(qū))西源大道2006號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話(huà)0551-65771310或微信搜索“龍圖騰網(wǎng)”。