买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜电子科技大学申请的专利一种基于多分量分解视频SAR阴影增强方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115480249B 。

龙图腾网通过国家知识产权局官网在2025-05-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211080972.7，技术领域涉及：G01S13/90；该发明授权一种基于多分量分解视频SAR阴影增强方法是由张晓玲;詹旭;张文思;杨振宇;师君;韦顺军;曾天娇设计研发完成，并于2022-09-05向国家知识产权局提交的专利申请。

本一种基于多分量分解视频SAR阴影增强方法在说明书摘要公布了：本发明公开了一种基于多分量分解视频SAR阴影增强方法。它是通过迭代求解的方式实现对输入视频SAR数据中的阴影、背景和噪声分量分解，在每次迭代中，首先更新阴影分量矩阵；然后，更新背景分量矩阵；其次，通过求解基于噪声分量的斐波拉契范数正则化的去噪方程，更新噪声分量矩阵；最后，根据本次迭代更新的阴影分量与上次迭代更新的阴影分量两者的相对变化量判断是否停止迭代，输出最新更新的阴影分量为视频SAR阴影增强结果。与基于直方图均衡化阴影增强方法相比，本发明方法具有阴影增强结果的阴影‑背景对比度高、阴影的轮廓特征完整，阴影增强效果好的特点。

本发明授权一种基于多分量分解视频SAR阴影增强方法在权利要求书中公布了：1.一种基于多分量分解视频SAR阴影增强方法，其特征是它包括以下步骤：步骤1.初始化相关参数视频SAR数据单帧二维成像结果方位向像素数，记为Na；视频SAR数据单帧二维成像结果距离向像素数，记为Nr，视频SAR数据帧数，记为Nt；待阴影增强的视频SAR数据，记为阴影分量初始化矩阵，记为S0；背景分量初始化矩阵，记为B0；噪声分量初始化矩阵，记为N0；拉格朗日乘子初始化矩阵，记为Y0；背景分解权重系数，记为ξ；噪声分解权重系数，记为γ；迭代收敛阈值，记为ε；步骤2.时间帧重排列将步骤1初始化得到的视频SAR数据中的每一帧采用传统矩阵向量化算子方法重新排列成一列向量，记为di，向量的维度为Na×Nr×1，i＝1，2，…，Nt，Nt为视频SAR数据帧数，然后将每一帧对应的列向量，按帧顺序从左至右排列，形成视频SAR矩阵步骤3.建立阴影、背景和噪声三分量分解方程根据步骤2中初始化得到的待阴影增强的视频SAR数据背景分解权重系数ξ和噪声分解权重系数γ，建立阴影、背景和噪声三分量分解方程； 其中argminB,S,N,Y表示使取最小值的B、S、N和Y，B、S、N和Y分别为背景分量、目标分量、噪声分量和拉格朗日乘子矩阵；‖·‖1表示矩阵L1范数，‖·‖*表示矩阵核范数，表示矩阵斐波拉契范数的平方，Tr·表示矩阵求迹，·H表示矩阵转置共轭；步骤4.阴影、背景和噪声三分量迭代分解根据步骤1中初始化得到的噪声分解权重系数γ、背景分解权重系数ξ和迭代收敛阈值ε，通过迭代方式求解步骤3中建立的阴影、背景和噪声三分量分解方程，实现阴影、背景和噪声三分量迭代分解，在第k次迭代中执行以下步骤：步骤4.1.建立基于阴影分量L1范数正则化去噪方程： O＝D-Bk-1-Nk-1+Yk-1其中argminS表示使取最小值的S，S为阴影分量，O为含噪的阴影分量；‖·‖1表示矩阵L1范数，表示矩阵斐波拉契范数的平方；D、Bk-1、Nk-1和Yk-1分别为步骤2中初始化得到的待阴影增强的视频SAR数据、第k-1次迭代中得到的背景分量矩阵、噪声分量矩阵和拉格朗日乘子矩阵；步骤4.2阴影分量分解：根据步骤4.1中建立的基于阴影分量L1范数正则化去噪方程，采用如下公式实现阴影分量分解； O＝D-Bk-1-Nk-1+Yk-1其中sign·为按元素取符号算子，thr·为按元素硬阈值算子，⊙表示矩阵哈达玛达积；表示维度为Na×Nr×Nt的元素全为1的矩阵；O为含噪的阴影分量，D、Bk-1、Nk-1和Yk-1分别为步骤2中初始化得到的待阴影增强的视频SAR数据、第k-1次迭代中得到的背景分量矩阵、噪声分量矩阵和拉格朗日乘子矩阵；Sk为第k次迭代中更新所求的阴影分量矩阵；步骤4.3.建立基于背景分量核范数正则化去噪方程： P＝D-Nk-1-Sk+Yk-1其中argminB表示使取最小值的B，B为背景分量，P为含噪的背景分量；‖·‖*表示矩阵核范数，表示矩阵斐波拉契范数的平方；D、Nk-1、Yk-1分别为步骤2中初始化得到的待阴影增强的视频SAR数据、第k-1次迭代中得到的噪声分量矩阵和拉格朗日乘子矩阵,Sk为步骤4.2中得到的更新后阴影分量矩阵，ξ为背景分解权重系数；步骤4.4背景分量分解：根据步骤4.3中建立的基于背景分量核范数正则化去噪方程，采用如下公式实现背景分量分解；Bk＝U·M·VH Y＝diagσPP＝D-Nk-1-Sk+Yk-1其中，P为含噪的背景分量，U和V分别是对P按传统矩阵奇异值分解方法得到的左奇异矩阵和右奇异矩阵；VH表示V的共轭转置；Y为P的奇异值矩阵，σP为P的奇异值向量，ξ为背景分解权重系数，表示维度为Na×Nr×Nt的元素全为1的矩阵，sign·为按元素取符号算子，thr·为按元素硬阈值算子，diag·为向量矩阵化对角算子,⊙表示矩阵哈达玛达积，M为去噪后的奇异值矩阵，ξ为背景分解权重系数；D、Nk-1、Yk-1分别为步骤2中初始化得到的待阴影增强的视频SAR数据、第k-1次迭代中得到的噪声分量矩阵和拉格朗日乘子矩阵,Sk为步骤4.2中得到的更新后阴影分量矩阵；Bk为第k次迭代中更新所求的背景分量矩阵；步骤4.5.建立基于噪声分量斐波拉契范数正则化去噪方程： Q＝D-Bk-Sk+Yk-1其中argminN表示使取最小值的N，N为噪声分量，Q为含误差的噪声分量；表示矩阵斐波拉契范数的平方；D为步骤2中初始化得到的待阴影增强的视频SAR数据，Yk-1为第k-1次迭代中得到的拉格朗日乘子矩阵，Bk和Sk分别为步骤4.2和步骤4.4中得到的第k次迭代中更新的背景分量矩阵和阴影分量矩阵，γ为噪声分解权重系数；步骤4.6噪声分量分解：根据步骤4.5中建立基于噪声分量斐波拉契范数正则化去噪方程，采用如下公式实现噪声分量分解；Nk＝1+2γ-1QQ＝D-Bk-Sk+Yk-1其中γ为噪声分解权重系数；Q为含误差的噪声分量，D为步骤2中初始化得到的待阴影增强的视频SAR数据，Yk-1为第k-1次迭代中得到的拉格朗日乘子矩阵，Bk和Sk分别为步骤4.2和步骤4.4中得到的第k次迭代中更新的背景分量矩阵和阴影分量矩阵；Nk为第k次迭代中更新所求的噪声分量矩阵；步骤4.7.采用如下公式实现拉格朗日乘子矩阵更新：Yk＝Yl-1+D-Bk-Sk-NkYk为第k次迭代中更新所求的拉格朗日乘子矩阵；Yk-1为第k-1次迭代中更新的拉格朗日乘子矩阵；D为步骤2中初始化得到的待阴影增强的视频SAR数据，Bk、Sk和Nk分别为步骤4.2、步骤4.4和步骤4.6中得到的第k次迭代中更新的背景分量矩阵、阴影分量矩阵和噪声分量矩阵；步骤4.8.迭代停止判断：采用公式dk＝‖Sk-Sk-1Sk-1‖F，计算得到阴影分量相对变化率dk，其中Sk和Sk-1分为第k次和第k-1次迭代中更新的阴影分量矩阵，‖·‖F表示矩阵斐波拉契范数；若dk≥ε则重复执行步骤，继续下一次迭代；否则停止迭代，此时Sk为最终视频SAR阴影增强结果，其中ε为迭代收敛阈值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：610000 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。