CN102854505B - 一种加权稀疏驱动自聚焦sar成像方法 - Google Patents
一种加权稀疏驱动自聚焦sar成像方法 Download PDFInfo
- Publication number
- CN102854505B CN102854505B CN 201210331222 CN201210331222A CN102854505B CN 102854505 B CN102854505 B CN 102854505B CN 201210331222 CN201210331222 CN 201210331222 CN 201210331222 A CN201210331222 A CN 201210331222A CN 102854505 B CN102854505 B CN 102854505B
- Authority
- CN
- China
- Prior art keywords
- iteration
- sub
- value
- vector
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种加权稀疏驱动自聚焦SAR成像方法,它是通过建立回波数据与观测场景的线性观测模型,构造最优化目标函数,使用加权的L1范数,然后使用一种L1范数近似方式对目标函数中L1范数进行近似,然后迭代求解最优化目标函数,估计线性观测模型的相位误差并对线性观测模型进行修正得到一个更准确的观测模型,从而实现合成孔径雷达(SAR)图像的聚焦。本发明方法获得的合成孔径雷达图像比传统的聚焦方法(如PGA)以及稀疏驱动自聚焦(SDA)方法重构所得的合成孔径雷达(SAR)图像旁瓣更低、聚焦效果更好。
Description
技术领域
本发明属于雷达成像技术领域,它特别涉及了合成孔径雷达(SAR)成像技术领域。
背景技术
合成孔径雷达(SAR)是一种高分辨率的微波成像系统,它依靠雷达和目标之间的相对运动来形成合成阵列来获得横向高分辨率,利用大带宽信号实现纵向高分辨率。合成孔径雷达(SAR)成像依赖于观测过程的观测模型,由于运动误差引入的模型误差,会导致回波数据存在一定的相位误差,进而使重构所得图像散焦。图像散焦后将严重影响重构的质量,将会出现虚假目标和高的旁瓣。为了解决图像散焦问题产生了自聚焦方法。目前比较著名的一种自聚焦方法是相位梯度自聚焦(PGA)方法(详见参考文献“D.E.Wahl,P.H.Eichel,D.C.Ghiglia,and C.V.Jakowatz,Jr.,‘Phase Gradient Autofocus–A robust tool forhigh resolution SAR phase correction,’IEEE Trans.Aerosp.Electron.Syst.,Vol.30,No.7,827–835,1994.”),是一种传统的自聚焦方法。
稀疏驱动自聚焦(SDA)是近年来出现的一种自聚焦方法(详见参考文献“Onhon N.Ozben,Müjdat.‘A Sparsity-driven Approach for JointSAR Imaging and Phase Error Correction’.IEEE Transactions on ImageProcessing,v21,n4,p2075-2088,April2012”)。稀疏驱动自聚焦(SDA)采用最优化方法解决相位误差估计和图像重构。稀疏驱动自聚焦(SDA)是一种迭代求解方法,首先根据观测模型和最优化问题的约束条件获得一个目标场景的散射系数的估计值,然后根据这个估计值获得观测模型的相位误差,然后根据这个相位误差修正观测模型,再次对目标场景的散射系数进行估计,循环往复,直到当前目标场景的散射系数的估计值与前次估计值的差小于预设门限后终止循环。在场景稀疏的情况下,稀疏驱动自聚焦(SDA)方法能更好的对合成孔径雷达(SAR)图像进行重构,比传统的自聚焦方法(如:相位梯度自聚焦(PGA)方法)聚焦效果要好且旁瓣更低,且稀疏驱动自聚焦(SDA)能获得具有增强特征的高分辨图像。由于稀疏驱动自聚焦(SDA)采用的是L1范数约束以及其采用L1范数的近似方式不够精确,在数据量一定的条件下,其不能更好的对目标场景进行图像重构,在此情况下其获得的图像的聚焦效果和旁瓣抑制效果还可以进一步提高。
发明内容
本发明的目的是为了进一步提高在稀疏场景的条件下合成孔径雷达(SAR)图像的聚焦效果以及降低合成孔径雷达(SAR)图像的旁瓣。本发明提出了一种加权稀疏驱动自聚焦SAR成像方法,采用本发明方法获得的合成孔径雷达(SAR)图像比传统的聚焦方法(如PGA)以及稀疏驱动自聚焦(SDA)方法重构所得的合成孔径雷达(SAR)图像旁瓣更低、聚焦效果更好。
为了方便描述本发明的内容,首先做以下术语定义:
定义1、稀疏驱动自聚焦(SDA)方法
稀疏驱动自聚焦方法在稀疏场景的条件下,首先建立理想情况下回波数据与观测场景的线性模型,从而获得线性测量矩阵,再构造最优化目标函数,对目标函数中的L1范数进行光滑近似,然后使用最速下降法求解这个最优化目标函数,根据得到的解向量估计相位误差,并用这个相位误差修正线性测量矩阵,再将这个修正后的线性测量矩阵代入最优化目标函数中再次求解最优化目标函数,重复上述过程,直至相邻两次迭代求解得到的解向量之间的误差小于预先设定的误差门限时方终止循环。详细方法可参见参考文献“Onhon N.Ozben,Müjdat.‘A Sparsity-driven Approach for Joint SAR Imaging and Phase ErrorCorrection’.IEEE Transactions on Image Processing,v21,n4,p2075-2088,April2012。”
定义2、正侧视条带模式合成孔径雷达
正侧视条带模式合成孔径雷达是将单阵元固定于运动平台上,利用平台飞行速度合成一维阵列,可以对测绘区域进行二维成像的一种合成孔径雷达系统。
定义3、正侧视条带模式合成孔径雷达理论分辨率
正侧视条带模式合成孔径雷达理论分辨率是指根据正侧视条带模式合成孔径雷达系统参数,包括发射信号带宽,合成孔径长度以及天线长度决定的正侧视条带模式合成孔径雷达所能达到的最大分辨率,包括方位维分辨率与距离维分辨率。
定义4、正侧视条带模式合成孔径雷达观测场景
正侧视条带模式合成孔径雷达观测场景是指现实空间中所有待观测的场景目标点的集合,是一个与正侧视条带模式合成孔径雷达运动轨迹平行的二维条带。在不同空间坐标系下有不同的表示,但一旦坐标系确立以后其表示是唯一的。一般情况下为了方便成像取地面坐标系。
定义5、正侧视条带模式合成孔径雷达数据空间
正侧视条带模式合成孔径雷达数据空间是指正侧视条带模式合成孔径雷达回波数据所构成的回波信号空间。
定义6、正侧视条带模式合成孔径雷达成像空间
正侧视条带模式合成孔径雷达成像空间是指运用成像方法由正侧视条带模式合成孔径雷达数据空间所得到的二维合成孔径雷达的图像空间。
定义7、正侧视条带模式合成孔径雷达成像场景参考点
正侧视条带模式合成孔径雷达场景参考点是指正侧视条带模式合成孔径雷达成像空间中的某个散射点,作为分析和处理场景中其他散射点的参照。
定义8、飞行孔径
飞行孔径是指对于测绘场景中的一个散射点从收发波束共同照射到开始到发射波束或接收波束任意一个照射不到结束收发波束中心所走过的距离。
定义9、慢时间与快时间
慢时间是指收发平台飞过一个飞行孔径所需要的时间,由于雷达以一定的重复周期Tr发射接收脉冲,在慢时刻n可以表示为一个离散化的时间变量ts(n)=nTr,n=1,2,…,Na,Na表示为一个合成孔径内慢时间的离散个数。
定义10、延迟时间
定义11、合成孔径雷达发射机
合成孔径雷达发射机是指目前合成孔径雷达采用的向观测区域发射电磁信号的系统,主要包括信号发生器、混频器、放大器等模块。
定义12、合成孔径雷达接收机
合成孔径雷达接收机是指目前合成孔径雷达采用的接收观测区域回波的系统,主要包括混频器、放大器、模/数转换器、存储设备等。
定义13、Matlab
Matlab是矩阵实验室(Matrix Laboratory)的简称,美国MathWorks公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境。具体用法详见文献“MATLAB5手册”,EvaPart-Enander等编著,机械工业出版社出版。
定义14、范数
设X是数域C上线性空间,称||·||为X上的范数(norm),若它满足:1.正定性:||X||≥0,且||X||=0<=>X=0;2.齐次性:||aX||=|a|||X||;3.次可加性(三角不等式):||X+Y||≤||X||+||Y||。若为N0×1维离散信号,向量X LP范数为L1范数为L2范数为其中N0为正整数,(·)T为矩阵转置。
定义15、矩形函数与指数函数
设x是复数域C上的复数exp(x)=ex,其中e为自然对数的底数。
定义16、矩阵转置与共轭转置
定义17、diag(·)与ln(·)
ln(·)定义为自然对数。
定义18、Re{·}与Im{·}
假设x为复数域C的数,可将x表示为Re{x}+j·Im{x},其中j为纯虚数,Re{x}为x的实部,Im{x}为x的虚部。
定义19、稀疏信号与稀疏场景
如果一个离散信号中非零值的个数远小于信号本身的长度,则该信号可认为是稀疏的。设为1×N0维离散信号组成的列向量,(·)T为转置运算符号。若向量X中仅有K0(K0远小于N0)个非零元素或远大于零的元素的个数,则X是K0稀疏向量,为信号X的稀疏度,K0为正整数,N0为正整数。如果一个场景中强散射点的个数相对于场景大小很小时,则可认为此场景是稀疏场景。
本发明提供了一种加权稀疏驱动自聚焦合成孔径雷达成像方法,它包括以下几个步骤,如附图2所示:
步骤1、初始化正侧视条带模式合成孔径雷达系统参数与加权稀疏驱动自聚焦方法的参数:
初始化成像系统参数包括:光速,记做C;平台速度矢量,记做平台初始位置矢量,记做平台初始位置到观测条带的最短距离,记做R0;雷达发射电磁波的波数,记做K0;雷达发射基带信号的信号带宽,记做B;雷达发射信号脉冲宽度,记做TP;雷达接收波束持续宽度,记做To;雷达接收系统的采样频率,记做fs;雷达系统的脉冲重复频率,记做PRF;雷达接收系统接收波门相对于发射信号发射波门的延迟,记做TD;雷达的合成孔径长度,记做Lsar;二维观测场景距离维的观测范围,记做[rmin,rmax],其中rmin为二维观测场景距离维观测范围的下限,rmax为二维观测场景距离维观测范围的上限;二维观测场景方位维的观测范围,记做[amin,amax],其中amin为二维观测场景方位维观测范围的下限,amax为二维观测场景方位维观测范围的上限;合成孔径雷达距离维分辨率,记做Δr;合成孔径雷达方位维分辨率,记做Δx;方位维采样点数,记做N1;距离维采样点数,记做N2。上述参数均为正侧视条带模式合成孔径雷达系统的标准参数,其中,平台初始位置到场景参考点的距离Rc,雷达发射电磁波的波数K0,雷达发射基带信号的信号带宽B,雷达发射信号脉冲宽度TP,雷达接收波束持续宽度To,雷达接收系统的采样频率fs,雷达系统的脉冲重复频率PRF,雷达接收系统接收波门相对于发射信号发射波门的延迟TD,雷达的合成孔径长度Lsar,合成孔径雷达距离维分辨率Δr,合成孔径雷达方位维分辨率Δx,方位维采样点数N1;距离维采样点数N2,在正侧视条带模式合成孔径雷达设计过程中已经确定;其中,平台速度矢量平台初始位置矢量二维观测场景方位维的观测范围[amin,amax]及二维观测场景距离维的观测范围[rmin,rmax]在正侧视条带模式合成孔径雷达观测方案设计中已经确定;根据已有的正侧视条带模式合成孔径雷达系统和正侧视条带模式合成孔径雷达观测方案,正侧视条带模式合成孔径雷达成像方法需要的初始化成像系统参数均为已知。初始化加权稀疏驱动自聚焦方法参数包括:拉格朗日系数,记做λ;L1范数逼近常数,记做β;加权稀疏驱动自聚焦方法求解误差门限,记做ε;最大迭代次数,记做MC。上述参数为加权稀疏驱动自聚焦方法所需的参数,其中,拉格朗日系数λ,L1范数逼近常数β,加权稀疏驱动自聚焦方法求解误差门限ε,最大迭代次数MC,均为已预先提供。
步骤2、构造雷达回波信号与观测场景散射系数的线性观测模型
包括以下步骤:
步骤2.1:
将二维观测场景距离维的观测范围[rmin,rmax]以距离维分辨率Δr为间隔等间隔的划分成N个距离维单元,记做距离维单元1、距离维单元2、…、距离维单元N,其中N为正整数。同理,将二维观测场景方位维的观测范围[amin,amax]以方位维分辨率Δx为间隔等间隔划分成M个方位维单元,记做方位维单元1,方位维单元1的位置矢量记做方位维单元2,方位维单元2的位置矢量记做…、方位维单元M,方位维单元M的位置矢量记做其中M为正整数。经过上述处理后,如图3所示,二维观测场景被划分为K个单元格,观测场景单元格个数K=N·M,K个单元格中包含M个方位维单元和N个距离维单元,M个方位维单元中的第i个方位维单元与N个距离维单元中的第l个距离维单元所确定的单元格的位置矢量记做i=1,2,…,M,l=1,2,…,N。将二维观测场景的散射系数表示为向量α=[α1,…,αi,…,αM]T,其中αi为α的i个子向量,αi=[αi,1,…,αi,l,…,αi,N]为方位维单元i的散射系数向量,α1为i=1时αi值,αM为i=M时αi值,αi,l为αi的第l个元素,αi,l表示单元格的电磁散射系数,αi,1为l=1时αi,l值,αi,N为l=N时αi,l值,i=1,2,…,M,l=1,2,…,N,(·)T为矩阵转置。
步骤2.2:
将合成孔径雷达回波数据向量记做其中(·)T为矩阵转置,为慢时刻n接收到的回波数据向量,y1为n=1时yn值,为n=N1时yn值,yn,m为合成孔径雷达在慢时刻n,快时刻m接收到的回波数据,yn,1为m=1时yn,m值,为m=N2时yn,m值,慢时刻n=1,2,…,N1,快时刻m=1,2,…,N2,N1为方位维采样点数,N2为距离维采样点数。
步骤2.3:
构造线性测量矩阵为其中(·)T为矩阵转置,为Φ的第n个子矩阵, 为n=1时值,为n=N1时值,慢时刻n=1,2,…,N1,N1为方位维采样点数,N2为距离维采样点数,φn,m为第m个子向量,φn,m=[γn,m(1,1),γn,m(1,2),…,γn,m(i,l),…,γn,m(M,N-1),γn,m(M,N)]T,φn,1为m=1时φn,m值,为m=N2时φn,m值,快时刻m=1,2,…,N2,N2为距离维采样点数, γn,m(1,1)为i=1且l=1时γn,m(i,l)值,γn,m(1,2)为i=1且l=2时γn,m(i,l)值,γn,m(M,N-1)为i=M且l=N-1时γn,m(i,l)值,γn,m(M,N)为i=M且l=N时γn,m(i,l)值,j为纯虚数,i=1,2,…,M,l=1,2,…,N,为二维观测场景第i个方位维单元的位置矢量,Lsar为雷达的合成孔径长度,tf(m)为快时刻m的时间变量,调频斜率B为雷达发射基带信号的信号带宽,TP为雷达发射信号脉冲宽度, ||·||2为L2范数,C为光速,慢时刻n平台的位置矢量 为平台速度矢量,为平台初始位置矢量,PRF为雷达系统的脉冲重复频率,为步骤2.1中得到的二维观测场景中由方位维单元i与距离维单元l所确定的单元格的位置矢量,慢时刻n=1,2,…,N1,快时刻m=1,2,…,N2,i=1,2,…,M,l=1,2,…,N,M为观测场景方位维单元个数,N为观测场景距离维单元个数,N1为方位维采样点数,N2为距离维采样点数。
步骤2.4:
从1到N2这N2个正整数中随机抽取Num0个正整数并对这Num0个正整数按从小到大进行排序得到第1组正整数,第1组正整数的第1个正整数记做第1组正整数的第2个正整数记做…,第1组正整数的第Num0个正整数记做同理,从1到N2这N2个正整数中随机抽取Num0个正整数并对这Num0个正整数按从小到大进行排序得到第2组正整数,第2组正整数的第1个正整数记做第2组正整数的第2个正整数记做…,第2组正整数的第Num0个正整数记做…,以此类推,从1到N2这N2个正整数中随机抽取Num0个正整数并对这Num0个正整数按从小到大进行排序得到第N1组正整数,第N1组正整数的第1个正整数记做第N1组正整数的第2个正整数记做…,第N1组正整数的第Num0个正整数记做其中Num0为小于或等于N2的正整数,N1为方位维采样点数,N2为距离维采样点数。将步骤2.2中得到的回波数据向量中慢时刻n接收到的回波数据向量 中的第列元素第列元素…,第列元素组成向量 慢时刻n=1,2,…,N1,由此得到N1个向量 为n=1时值,为n=N1时值,将得到的N1个向量组成回波数据向量 其中(·)T为矩阵转置,为的第n个子向量,慢时刻n=1,2,…,N1,N1为方位维采样点数,N2为距离维采样点数。将步骤2.3中得到的线性测量矩阵中的第n个子矩阵中的第列元素第列元素…,第列元素组成矩阵 慢时刻n=1,2,…,N1,由此得到N1个矩阵 为n=1时值,为n=N1时值,将得到的N1个矩阵组成线性测量矩阵 其中(·)T为矩阵转置,为的第n个子矩阵,慢时刻n=1,2,…,N1,N1为方位维采样点数,N2为距离维采样点数。定义观测场景散射系数与雷达回波数据的线性观测模型,表示为其中为与维数相同的高斯噪声向量,α为观测场景散射系数向量。
步骤3、构造加权稀疏自聚焦方法的代价函数
构造加权稀疏自聚焦方法的代价函数为其中f=[f1,…,fk,…,fK]T为解向量,fk为解向量的第k个元素,f1为k=1时fk值,fK为k=K时fk值,k=1,2,…,K,K为观测场景单元格的个数,λ为拉格朗日系数,为步骤2.4得到的回波数据向量,为步骤2.4得到的线性测量矩阵,||·||1为L1范数,||·||2为L2范数,(·)T为矩阵转置,定义加权矩阵 取解向量f的L1范数近似值为 β为L1范数逼近常数。
步骤4、加权稀疏自聚焦方法的成像步骤
包括以下步骤:
步骤4.1:
定义第0次迭代获得的线性测量矩阵为令Φ(0)等于步骤2.4中得到的线性测量矩阵其中为Φ(0)的第n个子矩阵,为n=1时值,为n=N1时值,慢时刻n=1,2,…,N1,N1为方位维采样点数,(·)T为矩阵转置。定义第0次迭代获得的解向量为其中为f(0)的第k个元素,f1 (0)为k=1时值,为k=K时值,k=1,2,…,K,K为观测场景单元格的个数,令其中为步骤2.4中得到的回波数据向量,(·)H为共轭转置。定义count为迭代次数计数变量,count=1,2,…,MC。定义cc为迭代终止时已迭代的次数,cc为正整数。转到步骤4.2.1,进行第1次迭代。
步骤4.2.1:
进行第1次迭代,迭代次数计数变量count=1,第1次迭代的步骤包括步骤4.3.1,4.4.1,4.5.1,4.6.1,4.7.1。转到步骤4.3.1。
步骤4.3.1:
定义 为第1次迭代的加权矩阵,其中为第0次迭代得到的解向量,为f(0)的第k个元素,f1 (0)为k=1时值,为k=K时值,k=1,2,…,K,K为观测场景单元格的个数,β为L1范数逼近常数,(·)T为矩阵转置。转到步骤4.4.1。
步骤4.4.1:
定义为第1次迭代获得的解向量,其中为f(1)的第k个元素,f1 (1)为k=1时值,为k=K时值,k=1,2,…,K,K为观测场景单元格的个数,(·)T为矩阵转置。令其中为第0次迭代得到的线性测量矩阵,W(1)为第1次迭代得到的加权矩阵,为步骤2.4中得到的回波数据向量,λ为拉格朗日系数,(·)H为共轭转置。转到步骤4.5.1。
步骤4.5.1:
定义为第1次迭代慢时刻n的相位误差,其中 (·)H为共轭转置,为第0次迭代得到的线性测量矩阵的第n个子矩阵,为步骤2.4得到的回波数据向量的第n个子向量,慢时刻n=1,2,…,N1,f(1)为第1次迭代得到的解向量,arctan(·)为反正切函数,N1为方位维采样点数。转到步骤4.6.1。
步骤4.6.1:
定义为第1次迭代的线性测量矩阵,其中为的第n个子矩阵, 为第0次迭代得到的线性测量矩阵的第n个子矩阵,为n=1时值,为n=N1时值,慢时刻n=1,2,…,N1,j为纯虚数,(·)T为矩阵转置,为第1次迭代慢时刻n的相位误差,N1为方位维采样点数。转到步骤4.7.1。
步骤4.7.1:
若小于ε或者count的值等于最大迭代次数MC,则,令cc=1,迭代终止,转到步骤4.3;否则,进行第2次迭代,转到步骤4.2.2,其中cc为迭代终止时已迭代的次数,ε为误差门限,f(0)为第0次迭代得到的解向量,f(1)为第1次迭代得到的解向量,MC为最大迭代次数,||·||2为L2范数。
步骤4.2.2:
进行第2次迭代,count=2,第2次迭代步骤包括步骤4.3.2,4.4.2,4.5.2,4.6.2,4.7.2。转到步骤4.3.2。
步骤4.3.2:
定义 为第2次迭代的加权矩阵,其中为第1次迭代得到的解向量,为f(1)的第k个元素,f1 (1)为k=1时值,为k=K时值,k=1,2,…K,K为观测场景单元格的个数,β为L1范数逼近常数,(·)T为矩阵转置。转到步骤4.4.2。
步骤4.4.2:
定义为第2次迭代获得的解向量,其中为f(2)的第k个元素,f1 (2)为k=1时值,为k=K时值,k=1,2,…,K,K为观测场景单元格的个数,(·)T为矩阵转置。令其中为第1次迭代得到的线性测量矩阵,W(2)为第2次迭代得到的加权矩阵,为步骤2.4中得到的回波数据向量,λ为拉格朗日系数,(·)H为共轭转置。转到步骤4.5.2。
步骤4.5.2:
定义为第2次迭代慢时刻n的相位误差,其中 (·)H为共轭转置,为第1次迭代得到的线性测量矩阵的第n个子矩阵,为步骤2.4得到的回波数据向量的第n个子向量,慢时刻n=1,2,…,N1,f(2)为第2次迭代得到的解向量,arctan(·)为反正切函数,N1为方位维采样点数。转到步骤4.6.2。
步骤4.6.2:
定义为第2次迭代的线性测量矩阵,其中为的第n个子矩阵, 为第1次迭代得到的线性测量矩阵的第n个子矩阵,为n=1时值,为n=N1时值,慢时刻n=1,2,…,N1,j为纯虚数,(·)T为矩阵转置,为第2次迭代慢时刻n的相位误差,N1为方位维采样点数。转到步骤4.7.2。
步骤4.7.2:
若小于ε或者count的值等于最大迭代次数MC,则,令cc=2,迭代终止,转到步骤4.3;否则,进行第3次迭代,转到步骤4.2.3,其中cc为迭代终止时已迭代的次数,ε为误差门限,f(1)为第1次迭代得到的解向量,f(2)为第2次迭代得到的解向量,MC为最大迭代次数,||·||2为L2范数。
步骤:4.2.3
同理,以此类推,进行第3次迭代、…、第MC-1次迭代。
步骤4.2.第MC次迭代:
进行第MC次迭代,count=MC,
此时迭代次数count的值已经等于MC,令cc=MC,终止迭代,转到步骤4.3;
步骤4.3:
根据第cc次迭代得到的解向量f(cc),得到步骤2.1中构造的观测场景散射系数向量α=f(cc),cc为迭代终止时已迭代的次数。由观测场景散射系数向量α=[α1,…,αi,…,αM]T,α的第i个子向量为αi=[αi,1,…,αi,l,…,αi,N],α1为i=1时αi值,αM为i=M时αi值,αi,l为αi的第l个元素,αi,1为l=1时αi,l值,αi,N为l=N时αi,l值,i=1,2,…,M,l=1,2,…,N,得到合成孔径雷达二维场景的最终成像结果其中Ai=[αi,1,…,αi,l,…,αi,N],A1为i=1时Ai值,AM为i=M时Ai值,(·)T为矩阵转置,i=1,2,…,M,l=1,2,…,N,M为方位维的单元个数,N为距离维单元的个数。
经过上述步骤,即得到基于加权稀疏自聚焦方法的正侧视条带模式合成孔径雷达图像。
本发明的创新点:在于提出了加权稀疏自聚焦(WSDA)方法,该方法对稀疏驱动自聚焦(SDA)方法中的最优化目标函数进行了改进,将其中的L1范数约束修改为加权L1范数约束,并且使用另外一种L1范数近似方法。该方法能获得的合成孔径雷达(SAR)图像比传统的聚焦方法(如PGA)以及稀疏驱动自聚焦(SDA)方法重构得到的合成孔径雷达(SAR)图像旁瓣更低、聚焦效果更好。
本发明的基本原理:建立回波数据与观测场景的线性观测模型,构造最优化目标函数,使用加权的L1范数,然后使用一种L1范数近似方式对目标函数中L1范数进行近似,然后迭代求解最优化目标函数,估计线性观测模型的相位误差并对线性观测模型进行修正得到一个更准确的观测模型,从而实现合成孔径雷达(SAR)图像的聚焦。
本发明优点:针对稀疏场景,加权稀疏自聚焦(WSDA)方法能更好的对合成孔径雷达观测模型的相位误差进行估计,从而得到更加准确的线性观测模型,且该方法能获得更加稀疏的解,从而使得该方法获得的合成孔径雷达(SAR)图像比传统的自聚焦方法(如PGA等)以及稀疏驱动自聚焦(SDA)方法获得的合成孔径雷达(SAR)图像的旁瓣更低、聚焦效果更好。
附图说明
图1是正侧视条带模式合成孔径雷达几何结构图
其中,为飞行器的速度矢量;X、Y、Z为三维坐标系;O为坐标系零点。
图2是本发明的方法流程图
图3是合成孔径雷达二维观测场景单元格划分方式
其中,M为方位维单元个数;N为距离维单元个数。
图4是加权稀疏驱动自聚焦方法的参数表
图5是合成孔径雷达成像系统仿真参数表
具体实施方式
本发明主要采用仿真实验的方式进行验证该系统模型的可行性,所有步骤、结论都在MATLAB7.9.0上验证正确。具体实施步骤如下:
步骤1、雷达系统参数与加权稀疏驱动自聚焦方法的参数的设定
本步骤具体实施方式所采用的系统参数详见图5,加权稀疏驱动自聚焦方法所采用的参数详见图4。
步骤2、构造雷达回波信号与观测场景散射系数的线性观测模型
包括以下步骤:
步骤2.1:
将二维观测场景距离维的观测范围[-22.5米,22.5米]以距离维分辨率0.75米为间隔等间隔的划分成61个距离维单元,记做距离维单元1、距离维单元2、…、距离维单元61。同理,将二维观测场景方位维的观测范围[-9米,9米]以方位维分辨率0.3米为间隔等间隔划分成61个方位维单元,记做方位维单元1,方位维单元1的位置矢量记做方位维单元2,方位维单元2的位置矢量记做…、方位维单元61,方位维单元61的位置矢量记做经过上述处理后,如图3所示,二维观测场景被划分为K个单元格,观测场景单元格个数K=3721,3721个单元格中包含61个方位维单元和61个距离维单元,61个方位维单元中的第i个方位维单元与61个距离维单元中的第l个距离维单元所确定的单元格的位置矢量记做i=1,2,···,61,l=1,2,…,61。将二维观测场景的散射系数表示为向量α=[α1,…,αi,…,α61]T,其中αi=[αi,1,…,αi,l,…,αi,61]为方位维单元i的散射系数向量,αi,l表示单元格的电磁散射系数,i=1,2,…,61,l=1,2,…,61,(·)T为矩阵转置。
步骤2.2:
将合成孔径雷达回波数据向量记做y=[y1,…,yn,…,y128]T,其中(·)T为矩阵转置,yn=[yn,1,…,yn,m,…,yn,128]为慢时刻n接收到的回波数据向量,yn,m为合成孔径雷达在慢时刻n,快时刻m接收到的回波数据,慢时刻n=1,2,…,128,快时刻m=1,2,…,128,方位维采样点数为128,距离维采样点数为128。
步骤2.3:
构造线性测量矩阵为其中(·)T为矩阵转置,慢时刻n=1,2,…,128,方位维采样点数为128,φn,m=[γn,m(1,1),γn,m(1,2),…,γn,m(i,l),…,γn,m(61,60),γn,m(61,61)]T,(·)T为矩阵转置,慢时刻n=1,2,…,128,快时刻m=1,2,…,128,距离维采样点数为128, j为纯虚数,i=1,2,…,61,l=1,2,…,61,为二维观测场景第i个方位维单元的位置矢量,雷达的合成孔径长度Lsar=15米,tf(m)为快时刻m的时间变量,调频斜率Kr=3×1014,雷达发射基带信号的信号带宽B=150×106兆赫兹,雷达发射信号脉冲宽度TP=5×10-7秒, ||·||2为L2范数,光速C=3×108,慢时刻n平台的位置矢量 为平台速度矢量,为平台初始位置矢量,雷达系统的脉冲重复频率PRF=500赫兹,为二维观测场景中由方位维单元i与距离维单元l所确定的单元格的位置矢量,慢时刻n=1,2,…,128,快时刻m=1,2,…,128,i=1,2,…,61,l=1,2,…,61。
步骤2.4:
从1到128这128个正整数中随机抽取20个正整数并对这20个正整数按从小到大进行排序得到第1组正整数,第1组正整数的第1个正整数记做第1组正整数的第2个正整数记做…,第1组正整数的第20个正整数记做同理,从1到128这128个正整数中随机抽取20个正整数并对这20个正整数按从小到大进行排序得到第2组正整数,第2组正整数的第1个正整数记做第2组正整数的第2个正整数记做…,第2组正整数的第20个正整数记做…,依此类推,从1到128这128个正整数中随机抽取20个正整数并对这20个正整数按从小到大进行排序得到第128组正整数,第128组正整数的第1个正整数记做第128组正整数的第2个正整数记做…,第128组正整数的第20个正整数记做将步骤2.2中得到的回波数据向量y=[y1,…,yn,…,y128]T中慢时刻n接收到的回波数据向量yn=[yn,1,…,yn,m,…,yn,128]中的第列元素第列元素…,第列元素组成向量 慢时刻n=1,2,…,128,由此得到128个向量将得到的128个向量组成回波数据向量 其中(·)T为矩阵转置,为的第1个子向量,为的第2个子向量,…,为的第128个子向量。将步骤2.3中得到的线性测量矩阵中的第n个子矩阵中的第列元素第列元素…,第列元素组成矩阵 慢时刻n=1,2,…,128,由此得到128个矩阵将得到的128个矩阵组成线性测量矩阵 其中(·)T为矩阵转置,为的第1个子矩阵,为的第2个子矩阵,…,为的第128个子矩阵。构造观测场景散射系数与雷达回波数据的线性观测模型,表示为其中为与维数相同的高斯噪声向量,α为观测场景散射系数向量。
步骤3、构造加权稀疏自聚焦方法的代价函数
构造加权稀疏自聚焦方法的代价函数为其中f=[f1,…,fk,…,f3721]T为解向量,fk为解向量的第k个元素,k=1,2,…,3721,拉格朗日系数λ=40,为步骤2.4得到的回波数据向量,为步骤2.4得到的线性测量矩阵,定义加权矩阵 (·)T为矩阵转置,取解向量f的L1范数近似值为L1范数逼近常数β=10-2,||·||1为L1范数,||·||2为L2范数。
步骤4、加权稀疏自聚焦方法的成像步骤
包括以下步骤:
步骤4.1:
第0次迭代的线性测量矩阵等于步骤2.4中得到的线性测量矩阵其中 为Φ(0)的第n个子矩阵,慢时刻n=1,2,…,128,(·)T为矩阵转置。第0次迭代的解向量其中为步骤2.4中得到的回波数据向量,(·)H为共轭转置。定义count迭代次数计数变量,count=1,2,…,100。定义cc为迭代终止时已迭代的次数,cc为正整数。转到步骤4.2.1,进行第1次迭代。
步骤4.2.1:
进行第1次迭代,count=1,包括步骤4.3.1~4.7.1。转到步骤4.3.1。
步骤4.3.1:
定义 为第1次迭代的加权矩阵,其中为第0次迭代得到的解向量,为f(0)的第k个元素,f1 (0)为k=1时值,为k=3721时值,k=1,2,…,3721,β=10-2为L1范数逼近常数,(·)T为矩阵转置。转到步骤4.4.1。
步骤4.4.1:
定义为第1次迭代获得的解向量,其中为f(1)的第k个元素,f1 (1)为k=1时值,为k=3721时值,k=1,2,…,3721,(·)T为矩阵转置。令其中为第0次迭代得到的线性测量矩阵,W(1)为第1次迭代得到的加权矩阵,为步骤2.4中得到的回波数据向量,λ=40为拉格朗日系数,(·)H为共轭转置。转到步骤4.5.1。
步骤4.5.1:
定义为第1次迭代慢时刻n的相位误差,其中 (·)H为共轭转置,为第0次迭代得到的线性测量矩阵的第n个子矩阵,为步骤2.4得到的回波数据向量的第n个子向量,慢时刻n=1,2,…,128,f(1)为第1次迭代得到的解向量,arctan(·)为反正切函数。转到步骤4.6.1。
步骤4.6.1:
定义为第1次迭代的线性测量矩阵,其中为的第n个子矩阵, 为第0次迭代得到的线性测量矩阵的第n个子矩阵,为n=1时值,为n=128时值,慢时刻n=1,2,…,128,j为纯虚数,(·)T为矩阵转置,为第1次迭代慢时刻n的相位误差。转到步骤4.7.1。
步骤4.7.1:
步骤4.2.2:
进行第2次迭代,count=2,包括步骤4.3.2~4.7.2。转到步骤4.3.2。
步骤4.3.2:
定义 为第2次迭代的加权矩阵,其中为第1次迭代得到的解向量,为f(1)的第k个元素,f1 (1)为k=1时值,为k=3721时值,k=1,2,…,3721,β=10-2为L1范数逼近常数,(·)T为矩阵转置。转到步骤4.4.2。
步骤4.4.2:
定义为第2次迭代获得的解向量,其中为f(2)的第k个元素,f1 (2)为k=1时值,为k=3721时值,k=1,2,…,3721,(·)T为矩阵转置。令其中为第1次迭代得到的线性测量矩阵,W(2)为第2次迭代得到的加权矩阵,为步骤2.4中得到的回波数据向量,λ=40为拉格朗日系数,(·)H为共轭转置。转到步骤4.5.2。
步骤4.5.2:
定义为第2次迭代慢时刻n的相位误差,其中 (·)H为共轭转置,为第1次迭代得到的线性测量矩阵的第n个子矩阵,为步骤2.4得到的回波数据向量的第n个子向量,慢时刻n=1,2,…,128,f(2)为第2次迭代得到的解向量,arctan(·)为反正切函数。转到步骤4.6.2。
步骤4.6.2:
定义为第2次迭代的线性测量矩阵,其中为的第n个子矩阵, 为第1次迭代得到的线性测量矩阵的第n个子矩阵,为n=1时值,为n=128时值,慢时刻n=1,2,…,128,j为纯虚数,(·)T为矩阵转置,为第2次迭代慢时刻n的相位误差。转到步骤4.7.2。
步骤4.7.2:
步骤4.2.3
以此类推,进行第3次迭代、…、
步骤4.3:
本仿真实验cc=17,根据第17次迭代得到的解向量f(17),得到步骤2.1中构造的观测场景散射系数向量α=f(17)。由观测场景散射系数向量α=[α1,…,αi,…,α61]T,αi=[αi,1,…,αi,l,…,αi,61],i=1,2,…,61,l=1,2,…,61,得到合成孔径雷达二维场景的最终成像结果其中Ai=[αi,1,…,αi,l,…,αi,61],(·)T为矩阵转置,i=1,2,…,61,l=1,2,…,61。
经过上述步骤,得到基于加权稀疏自聚焦方法的正侧视条带模式合成孔径雷达图像。
通过本发明具体实施方式的仿真及测试,本发明所提出的加权稀疏自己聚焦方法合成孔径雷达成像方法,在稀疏场景的情况下比现有自聚焦方法获得的合成孔径雷达图像的聚焦效果更好,旁瓣更低。这是由于本发明从最优化问题的角度,采用了一种比稀疏驱动自聚焦算法更优的代价函数,本发明采用的代价函数具有加权L1范数的约束以及更准确的L1范数近似逼近。
Claims (1)
1.一种加权稀疏驱动自聚焦合成孔径雷达成像方法,其特征是它包括以下几个步骤:
步骤1、初始化正侧视条带模式合成孔径雷达系统参数与加权稀疏驱动自聚焦方法的参数:
初始化成像系统参数包括:光速,记做C;平台速度矢量,记做平台初始位置矢量,记做平台初始位置到观测条带的最短距离,记做R0;雷达发射电磁波的波数,记做K0;雷达发射基带信号的信号带宽,记做B;雷达发射信号脉冲宽度,记做TP;雷达接收波束持续宽度,记做To;雷达接收系统的采样频率,记做fs;雷达系统的脉冲重复频率,记做PRF;雷达接收系统接收波门相对于发射信号发射波门的延迟,记做TD;雷达的合成孔径长度,记做Lsar;二维观测场景距离维的观测范围,记做[rmin,rmax],其中rmin为二维观测场景距离维观测范围的下限,rmax为二维观测场景距离维观测范围的上限;二维观测场景方位维的观测范围,记做[amin,amax],其中amin为二维观测场景方位维观测范围的下限,amax为二维观测场景方位维观测范围的上限;合成孔径雷达距离维分辨率,记做Δr;合成孔径雷达方位维分辨率,记做Δx;方位维采样点数,记做N1;距离维采样点数,记做N2;上述参数均为正侧视条带模式合成孔径雷达系统的标准参数,其中,平台初始位置到场景参考点的距离Rc,雷达发射电磁波的波数K0,雷达发射基带信号的信号带宽B,雷达发射信号脉冲宽度TP,雷达接收波束持续宽度To,雷达接收系统的采样频率fs,雷达系统的脉冲重复频率PRF,雷达接收系统接收波门相对于发射信号发射波门的延迟TD,雷达的合成孔径长度Lsar,合成孔径雷达距离维分辨率Δr,合成孔径雷达方位维分辨率Δx,方位维采样点数N1;距离维采样点数N2,在正侧视条带模式合成孔径雷达设计过程中已经确定;其中,平台速度矢量平台初始位置矢量二维观测场景方位维的观测范围[amin,amax]及二维观测场景距离维的观测范围[rmin,rmax]在正侧视条带模式合成孔径雷达观测方案设计中已经确定;根据已有的正侧视条带模式合成孔径雷达系统和正侧视条带模式合成孔径雷达观测方案,正侧视条带模式合成孔径雷达成像方法需要的初始化成像系统参数均为已知;初始化加权稀疏驱动自聚焦方法参数包括:拉格朗日系数,记做λ;L1范数逼近常数,记做β;加权稀疏驱动自聚焦方法求解误差门限,记做ε;最大迭代次数,记做MC;上述参数为加权稀疏驱动自聚焦方法所需的参数,其中,拉格朗日系数λ,L1范数逼近常数β,加权稀疏驱动自聚焦方法求解误差门限ε,最大迭代次数MC,均为已预先提供;
步骤2、构造雷达回波信号与观测场景散射系数的线性观测模型
包括以下步骤:
步骤2.1:
将二维观测场景距离维的观测范围[rmin,rmax]以距离维分辨率Δr为间隔等间隔的划分成N个距离维单元,记做距离维单元1、距离维单元2、…、距离维单元N,其中N为正整数;同理,将二维观测场景方位维的观测范围[amin,amax]以方位维分辨率Δx为间隔等间隔划分成M个方位维单元,记做方位维单元1,方位维单元1的位置矢量记做方位维单元2,方位维单元2的位置矢量记做…、方位维单元M,方位维单元M的位置矢量记做其中M为正整数;经过上述处理后,二维观测场景被划分为K个单元格,观测场景单元格个数K=N·M,K个单元格中包含M个方位维单元和N个距离维单元,M个方位维单元中的第i个方位维单元与N个距离维单元中的第l个距离维单元所确定的单元格的位置矢量记做i=1,2,…,M,l=1,2,…,N;将二维观测场景的散射系数表示为向量α=[α1,…,αi,…,αM]T,其中αi为α的i个子向量,αi=[αi,1,…,αi,l,…,αi,N]为方位维单元i的散射系数向量,α1为i=1时αi值,αM为i=M时αi值,αi,l为αi的第l个元素,αi,l表示单元格的电磁散射系数,αi,1为l=1时αi,l值,αi,N为l=N时αi,l值,i=1,2,…,M,l=1,2,…,N,(·)T为矩阵转置;
步骤2.2:
将合成孔径雷达回波数据向量记做其中(·)T为矩阵转置,为慢时刻n接收到的回波数据向量,y1为n=1时yn值,为n=N1时yn值,yn,m为合成孔径雷达在慢时刻n,快时刻m接收到的回波数据,yn,1为m=1时yn,m值,为m=N2时yn,m值,慢时刻n=1,2,…,N1,快时刻m=1,2,…,N2,N1为方位维采样点数,N2为距离维采样点数;
步骤2.3:
构造线性测量矩阵为其中(·)T为矩阵转置,为Φ的第n个子矩阵, 为n=1时值,为n=N1时值,慢时刻n=1,2,…,N1,N1为方位维采样点数,N2为距离维采样点数,φn,m为第m个子向量,φn,m=[γn,m(1,1),γn,m(1,2),…,γn,m(i,l),…,γn,m(M,N-1),γn,m(M,N)]T,φn,1为m=1时φn,m值,为m=N2时φn,m值,快时刻m=1,2,…,N2,N2为距离维采样点数, γn,m(1,1)为i=1且l=1时γn,m(i,l)值,γn,m(1,2)为i=1且l=2时γn,m(i,l)值,γn,m(M,N-1)为i=M且l=N-1时γn,m(i,l)值,γn,m(M,N)为i=M且l=N时γn,m(i,l)值,j为纯虚数,i=1,2,…,M,l=1,2,…,N,为二维观测场景第i个方位维单元的位置矢量,Lsar为雷达的合成孔径长度,tf(m)为快时刻m的时间变量,调频斜率B为雷达发射基带信号的信号带宽,TP为雷达发射信号脉冲宽度, ||·||2为L2范数,C为光速,慢时刻n平台的位置矢量 为平台速度矢量,为平台初始位置矢量,PRF为雷达系统的脉冲重复频率,为步骤2.1中得到的二维观测场景中由方位维单元i与距离维单元l所确定的单元格的位置矢量,慢时刻n=1,2,…,N1,快时刻m=1,2,…,N2,i=1,2,…,M,l=1,2,…,N,M为观测场景方位维单元个数,N为观测场景距离维单元个数,N1为方位维采样点数,N2为距离维采样点数;
步骤2.4:
从1到N2这N2个正整数中随机抽取Num0个正整数并对这Num0个正整数按从小到大进行排序得到第1组正整数,第1组正整数的第1个正整数记做第1组正整数的第2个正整数记做…,第1组正整数的第Num0个正整数记做同理,从1到N2这N2个正整数中随机抽取Num0个正整数并对这Num0个正整数按从小到大进行排序得到第2组正整数,第2组正整数的第1个正整数记做第2组正整数的第2个正整数记做…,第2组正整数的第Num0个正整数记做…,以此类推,从1到N2这N2个正整数中随机抽取Num0个正整数并对这Num0个正整数按从小到大进行排序得到第N1组正整数,第N1组正整数的第1个正整数记做第N1组正整数的第2个正整数记做…,第N1组正整数的第Num0个正整数记做其中Num0为小于或等于N2的正整数,N1为方位维采样点数,N2为距离维采样点数;将步骤2.2中得到的回波数据向量中慢时刻n接收到的回波数据向量中的第列元素第列元素…,第列元素组成向量 慢时刻n=1,2,…,N1,由此得到N1个向量为n=1时值,为n=N1时值,将得到的N1个向量组成回波数据向量 其中(·)T为矩阵转置,为的第n个子向量,慢时刻n=1,2,…,N1,N1为方位维采样点数,N2为距离维采样点数;将步骤2.3中得到的线性测量矩阵中的第n个子矩阵中的第列元素第列元素…,第列元素组成矩阵 慢时刻n=1,2,…,N1,由此得到N1个矩阵为n=1时值,为n=N1时值,将得到的N1个矩阵组成线性测量矩阵 其中(·)T为矩阵转置,为的第n个子矩阵,慢时刻n=1,2,…,N1,N1为方位维采样点数,N2为距离维采样点数;定义观测场景散射系数与雷达回波数据的线性观测模型,表示为其中为与维数相同的高斯噪声向量,α为观测场景散射系数向量;
步骤3、构造加权稀疏自聚焦方法的代价函数
构造加权稀疏自聚焦方法的代价函数为其中f=[f1,…,fk,…,fK]T为解向量,fk为解向量的第k个元素,f1为k=1时fk值,fK为k=K时fk值,k=1,2,…,K,K为观测场景单元格的个数,λ为拉格朗日系数,为步骤2.4得到的回波数据向量,为步骤2.4得到的线性测量矩阵,||·||1为L1范数,||·||2为L2范数,(·)T为矩阵转置,定义加权矩阵 取解向量f的L1范数近似值为 β为L1范数逼近常数;
步骤4、加权稀疏自聚焦方法的成像步骤
包括以下步骤:
步骤4.1:
定义第0次迭代获得的线性测量矩阵为 令Φ(0)等于步骤2.4中得到的线性测量矩阵其中为Φ(0)的第n个子矩阵,为n=1时值,为n=N1时值,慢时刻n=1,2,…,N1,N1为方位维采样点数,(·)T为矩阵转置;定义第0次迭代获得的解向量为 其中为f(0)的第k个元素,为k=1时值,为k=K时值,k=1,2,…,K,K为观测场景单元格的个数,令其中为步骤2.4中得到的回波数据向量,(·)H为共轭转置;定义count为迭代次数计数变量,count=1,2,…,MC;定义cc为迭代终止时已迭代的次数,cc为正整数;转到步骤4.2.1,进行第1次迭代;
步骤4.2.1:
进行第1次迭代,迭代次数计数变量count=1,第1次迭代的步骤包括步骤4.3.1,4.4.1,4.5.1,4.6.1,4.7.1;转到步骤4.3.1;
步骤4.3.1:
定义 为第1次迭代的加权矩阵,其中 为第0次迭代得到的解向量,为f(0)的第k个元素,为k=1时值,为k=K时值,k=1,2,…,K,K为观测场景单元格的个数,β为L1范数逼近常数,(·)T为矩阵转置;转到步骤4.4.1;
步骤4.4.1:
定义 为第1次迭代获得的解向量,其中为f(1)的第k个元素,为k=1时值,为k=K时值,k=1,2,…,K,K为观测场景单元格的个数,(·)T为矩阵转置;令其中为第0次迭代得到的线性测量矩阵,W(1)为第1次迭代得到的加权矩阵,为步骤2.4中得到的回波数据向量,λ为拉格朗日系数,(·)H为共轭转置;转到步骤4.5.1;
步骤4.5.1:
定义为第1次迭代慢时刻n的相位误差,其中 (·)H为共轭转置,为第0次迭代得到的线性测量矩阵的第n个子矩阵,为步骤2.4得到的回波数据向量的第n个子向量,慢时刻n=1,2,…,N1,f(1)为第1次迭代得到的解向量,arctan(·)为反正切函数,N1为方位维采样点数;转到步骤4.6.1;
步骤4.6.1:
定义为第1次迭代的线性测量矩阵,其中为的第n个子矩阵, 为第0次迭代得到的线性测量矩阵的第n个子矩阵,为n=1时值,为n=N1时值,慢时刻n=1,2,…,N1,j为纯虚数,(·)T为矩阵转置,为第1次迭代慢时刻n的相位误差,N1为方位维采样点数;转到步骤4.7.1;
步骤4.7.1:
若小于ε或者count的值等于最大迭代次数MC,则,令cc=1,迭代终止,转到步骤4.3;否则,进行第2次迭代,转到步骤4.2.2,其中cc为迭代终止时已迭代的次数,ε为误差门限,f(0)为第0次迭代得到的解向量,f(1)为第1次迭代得到的解向量,MC为最大迭代次数,||·||2为L2范数;
步骤4.2.2:
进行第2次迭代,count=2,第2次迭代步骤包括步骤4.3.2,4.4.2,4.5.2,4.6.2,4.7.2;转到步骤4.3.2;
步骤4.3.2:
定义 为第2次迭代的加权矩阵,其中 为第1次迭代得到的解向量,为f(1)的第k个元素,为k=1时值,为k=K时值,k=1,2,…,K,K为观测场景单元格的个数,β为L1范数逼近常数,(·)T为矩阵转置;转到步骤4.4.2;
步骤4.4.2:
定义 为第2次迭代获得的解向量,其中为f(2)的第k个元素,为k=1时值,为k=K时值,k=1,2,…,K,K为观测场景单元格的个数,(·)T为矩阵转置;令其中为第1次迭代得到的线性测量矩阵,W(2)为第2次迭代得到的加权矩阵,为步骤2.4中得到的回波数据向量,λ为拉格朗日系数,(·)H为共轭转置;转到步骤4.5.2;
步骤4.5.2:
定义为第2次迭代慢时刻n的相位误差,其中 (·)H为共轭转置,为第1次迭代得到的线性测量矩阵的第n个子矩阵,为步骤2.4得到的回波数据向量的第n个子向量,慢时刻n=1,2,…,N1,f(2)为第2次迭代得到的解向量,arctan(·)为反正切函数,N1为方位维采样点数;转到步骤4.6.2;
步骤4.6.2:
定义为第2次迭代的线性测量矩阵,其中为的第n个子矩阵, 为第1次迭代得到的线性测量矩阵的第n个子矩阵,为n=1时值,为n=N1时值,慢时刻n=1,2,…,N1,j为纯虚数,(·)T为矩阵转置,为第2次迭代慢时刻n的相位误差,N1为方位维采样点数;转到步骤4.7.2;
步骤4.7.2:
若小于ε或者count的值等于最大迭代次数MC,则,令cc=2,迭代终止,转到步骤4.3;否则,进行第3次迭代,转到步骤4.2.3,其中cc为迭代终止时已迭代的次数,ε为误差门限,f(1)为第1次迭代得到的解向量,f(2)为第2次迭代得到的解向量,MC为最大迭代次数,||·||2为L2范数;
步骤:4.2.3
同理,以此类推,进行第3次迭代、…、第MC-1次迭代;
步骤4.2.第MC次迭代:
进行第MC次迭代,count=MC,
此时迭代次数count的值已经等于MC,令cc=MC,终止迭代,转到步骤4.3;
步骤4.3:
根据第cc次迭代得到的解向量f(cc),得到步骤2.1中构造的观测场景散射系数向量α=f(cc),cc为迭代终止时已迭代的次数;由观测场景散射系数向量α=[α1,…,αi,…,αM]T,α的第i个子向量为αi=[αi,1,…,αi,l,…,αi,N],α1为i=1时αi值,αM为i=M时αi值,αi,l为αi的第l个元素,αi,1为l=1时αi,l值,αi,N为l=N时αi,l值,i=1,2,…,M,l=1,2,…,N,得到合成孔径雷达二维场景的最终成像结果其中Ai=[αi,1,…,αi,l,…,αi,N],A1为i=1时Ai值,AM为i=M时Ai值,(·)T为矩阵转置,i=1,2,…,M,l=1,2,…,N,M为方位维的单元个数,N为距离维单元的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210331222 CN102854505B (zh) | 2012-09-10 | 2012-09-10 | 一种加权稀疏驱动自聚焦sar成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210331222 CN102854505B (zh) | 2012-09-10 | 2012-09-10 | 一种加权稀疏驱动自聚焦sar成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102854505A CN102854505A (zh) | 2013-01-02 |
CN102854505B true CN102854505B (zh) | 2013-11-06 |
Family
ID=47401253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210331222 Expired - Fee Related CN102854505B (zh) | 2012-09-10 | 2012-09-10 | 一种加权稀疏驱动自聚焦sar成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102854505B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439693B (zh) * | 2013-08-16 | 2015-10-28 | 电子科技大学 | 一种线阵sar稀疏重构成像与相位误差校正方法 |
CN103913741B (zh) * | 2014-03-18 | 2016-03-30 | 电子科技大学 | 一种合成孔径雷达高效自聚焦后向投影bp方法 |
CN103901429B (zh) * | 2014-04-09 | 2016-08-17 | 西安电子科技大学 | 基于稀疏孔径的机动目标逆合成孔径雷达成像方法 |
CN104698459B (zh) * | 2015-02-05 | 2017-02-22 | 南京航空航天大学 | 一种应用于缺失数据的条带sar压缩感知成像方法 |
CN105510915A (zh) * | 2015-11-30 | 2016-04-20 | 中国人民解放军国防科学技术大学 | 一种逆合成孔径雷达成像流程定制系统 |
CN109597075B (zh) * | 2018-12-29 | 2021-11-16 | 内蒙古工业大学 | 一种基于稀疏阵列的成像方法及成像装置 |
CN110133651B (zh) * | 2019-05-24 | 2021-04-06 | 中国科学院电子学研究所 | 一种稀疏sar成像自适应稀疏度估计方法、装置 |
CN113484862B (zh) * | 2021-08-04 | 2023-10-17 | 电子科技大学 | 一种自适应的高分宽幅sar清晰重构成像方法 |
CN114720984B (zh) * | 2022-03-08 | 2023-04-25 | 电子科技大学 | 一种面向稀疏采样与观测不准确的sar成像方法 |
CN116148856B (zh) * | 2023-04-17 | 2023-07-04 | 南京邮电大学 | 一种sar动目标二维自聚焦成像处理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7663529B2 (en) * | 2006-08-15 | 2010-02-16 | General Dynamics Advanced Information Systems, Inc. | Methods for two-dimensional autofocus in high resolution radar systems |
CN102221696B (zh) * | 2010-04-14 | 2013-09-25 | 中国科学院电子学研究所 | 稀疏微波成像方法 |
CN102254054A (zh) * | 2010-05-19 | 2011-11-23 | 中国科学院电子学研究所 | 一种稀疏微波成像处理的模型构建方法 |
-
2012
- 2012-09-10 CN CN 201210331222 patent/CN102854505B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102854505A (zh) | 2013-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102854505B (zh) | 一种加权稀疏驱动自聚焦sar成像方法 | |
CN109100718B (zh) | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 | |
CN106772365B (zh) | 一种基于贝叶斯压缩感知的多径利用穿墙雷达成像方法 | |
Yoon et al. | Compressed sensing technique for high-resolution radar imaging | |
CN105849582B (zh) | 用于减小编码孔径雷达中的噪声的方法及设备 | |
CN103698763B (zh) | 基于硬阈值正交匹配追踪的线阵sar稀疏成像方法 | |
CN104833973B (zh) | 基于半正定规划的线阵sar后向投影自聚焦成像方法 | |
CN107576961B (zh) | 一种互质降采样间歇合成孔径雷达稀疏成像方法 | |
CN105699969B (zh) | 基于广义高斯约束的最大后验估计角超分辨成像方法 | |
CN105143913A (zh) | 高分辨率条带sar成像 | |
CN106405548A (zh) | 基于多任务贝叶斯压缩感知的逆合成孔径雷达成像方法 | |
CN105699945A (zh) | 频控阵mimo雷达系统中的波形优化设计方法 | |
CN105223560A (zh) | 基于杂波俯仰方位谱稀疏恢复的机载雷达目标检测方法 | |
US20210215795A1 (en) | Synthetic aperture radar method and synthetic aperture radar device | |
CN102914773B (zh) | 一种多航过圆周sar三维成像方法 | |
CN104536000A (zh) | 一种实波束扫描雷达角超分辨方法 | |
CN102879782A (zh) | 基于分数阶傅里叶变换的压缩感知sar成像方法 | |
CN104391295A (zh) | 一种图像熵最优的压缩传感sar稀疏自聚焦成像方法 | |
CN103149561A (zh) | 一种基于场景块稀疏的稀疏微波成像方法 | |
CN104950305A (zh) | 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法 | |
CN104215937B (zh) | 基于环境动态感知的机载雷达空时自适应处理方法 | |
CN103969640A (zh) | 双基地mimo雷达目标稀疏成像方法 | |
CN108802718A (zh) | 基于随机发射脉冲的时分mimo雷达空时相位解耦方法 | |
CN110346794A (zh) | 一种资源优化配置的分布式雷达成像方法 | |
CN105891827B (zh) | 一种机载mimo-sar下视三维稀疏成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131106 Termination date: 20190910 |