CN103176170B - 一种基于gpu并行计算的sar回波模拟方法 - Google Patents

Abstract

本发明提出一种基于GPU并行计算的SAR回波模拟方法,解决当前干涉SAR回波模拟速度和精度的矛盾，提升了干涉SAR回波模拟速度。步骤1：设置场景：包括场景散射点网格划分和确定双天线SAR与场景目标的位置关系；步骤2：计算后向散射系数：首先建立后向散射系数模型，然后根据双天线SAR与地面场景的视线关系生成具有相关性的后向散射系数对；步骤3：计算SAR照射区域内方位回波信号：步骤4：将步骤3中获取的方位回波信号与发射信号进行卷积获得当前脉冲的回波信号，步骤5：遍历所有的方位时间，获得整个场景的双天线干涉SAR回波数据。

Description

一种基于GPU并行计算的SAR回波模拟方法

技术领域

本发明属于信号处理技术领域，涉及一种基于GPU并行计算的SAR回波模拟方法。

背景技术

干涉SAR回波信号仿真，依据SAR数据获取原理，利用计算机模拟多通道原始回波数据，在系统参数设计及验证、SAR成像处理算法验证、干涉处理算法验证、干涉SAR性能分析等发面发挥着重要的作用。

国内外在SAR回波仿真方面开展了大量的研究，可分为二维时域算法，一维频域算法，二维频域算法和逆成像回波算法。二维时域算法是一种完全时域计算的算法，经常用于点目标的仿真，这种算法的基本思想是根据二维时域回波信号模型，直接对二维时域回波信号进行参数量化，逐个计算散射点的二维回波信号并累加。一维频域算法采用了距离向FFT一定程度上改善了算法效率，基本原理是在发射连续脉冲的基础上，随着雷达平台的运动，在距离时域中按照脉冲顺序，生成每个脉冲的回波信号。二维频域算法直接在二维频域内完成回波频谱的生成，通过二维频谱的插值来处理距离徙动的问题，大幅度提高了回波模拟的效率。逆成像回波算法的思想是成像算法的逆过程来实现回波仿真，本质上也是一种二维频域算法。依据当前回波模拟技术现状，存在以下不足：时域算法虽能高精度进行回波模拟，但运算效率极低，不适合大场景分布式目标多通道回波数据的模拟。频域算法虽能大幅度提高回波模拟速度，但是相位仿真精度较低，且不易添加误差模型。

发明内容

本发明为了克服已有技术的缺陷，解决当前干涉SAR回波模拟速度和精度的矛盾，提出一种基于GPU并行计算的SAR回波模拟方法,提升了干涉SAR回波模拟速度。

一种基于GPU并行计算的SAR回波模拟方法，包括如下步骤：

步骤1：设置场景：包括场景散射点网格划分和确定双天线SAR与场景目标的位置关系；

步骤2：计算后向散射系数：首先建立后向散射系数模型，然后根据双天线SAR与地面场景的视线关系生成具有相关性的后向散射系数对；

步骤3：计算SAR照射区域内方位回波信号：

$g_a=g_a+{\mathrm{\σ}}_t\·w_a\·w_r\·\exp (-j\frac{4\mathrm{\π}}{\mathrm{\λ}}{R}_t)$

其中R_t为斜距，σ_t为所述目标后向散射系数，w_a、w_r分别为SAR方位向和距离向天线方向图函数；

步骤4：将步骤3中获取的方位回波信号与发射信号进行卷积获得当前脉冲的回波信号，其中S为SAR发射线性调频信号，表示卷积；

步骤5：遍历所有的方位时间，获得整个场景的双天线干涉SAR回波数据：

$\begin{array}{c}{s}_r=\underset{i}{\overset{N_{\mathrm{ta}}}{\mathrm{\Σ}}}\underset{j}{\overset{N_{\mathrm{tr}}}{\mathrm{\Σ}}}\underset{k}{\overset{N_{\mathrm{da}}}{\mathrm{\Σ}}}\underset{l}{\overset{N_{\mathrm{dr}}}{\mathrm{\Σ}}}{\mathrm{\σ}}_{i,j}{w}_a^2\left({\mathrm{\θ}}_{i,j,k,l}\right)w_r^2\left({\mathrm{\θ}}_{i,j,k,l}\right)\mathrm{rect}\left\{\frac{{\mathrm{\τ}}_{k,l}-2R_{i,j,k,l}/c}{T_r}\right\}\\ \exp \{-j\frac{4\mathrm{\π}}{\mathrm{\λ}}{R}_{i,j,k,l}\}\exp \left\{\mathrm{j\πK}{({\mathrm{\τ}}_{k,l}-\frac{2R_{i,j,k,l}}{c})}^2\right\}\end{array}$

其中N_ta,N_tr是目标点方位向和距离向尺寸，N_da,N_dr分别是原始回波数据方位向与距离向尺寸；通过参数量化计算场景内散射点回波贡献，将所有点目标回波信号进行相干叠加，从而得到整个场景内原始回波数据。

步骤3中计算SAR照射区域内方位回波信号将每个散射单元的方位回波计算分配单个线程中完成，通过线程网格并行完成SAR照射区域内所有散射点方位回波。

步骤4中所述卷积采用一维FFT实现，利用GPU内置FFT库函数完成。

本与现有技术相比，优点在于：

(1)通过CPU和GPU协同运算，将场景网格划分和散射图生成分配在主机CPU端完成，将耗时部分编写成并行代码分配在GPU中并行运算，大幅度提高了回波模拟速度。

(2)采用了时域回波模拟方法，保证了高精度的相位仿真，且易于添加误差模型。

附图说明

图1基于GPU并行计算的SAR回波快速模拟流程图；

图2点目标回波信号实部示意图；

图3点目标回波信号频谱示意图；

图4面目标双通道SAR散射图和成像结果示意图。

具体实施方式

如图1所示，一种基于GPU并行计算的SAR回波快速模拟方法，该方法实现是一个三层循环，最外层循环数目为方位向采样点数，里面两层循环用于计算方位回波，随后是方位回波和发射信号卷积，这是在最外层循环中进行的。与二维时域算法一样，将方位回波信号运算映射到二维线程网格中，通过多次调用核函数来实现外层循环。假设方位向和距离向的回波数据采样点数分别为N_a和N_r，那么可在GPU中开启N_a×N_r个线程并行计算方位回波信号，并考虑天线方向图增益和多普勒相位贡献。调用GPU核函数遍历方位时刻，从而得到整个场景的回波数据。

本技术方案包括以下步骤：

步骤1：场景设置：首先建立场景坐标系，确定雷达天线和场景在此坐标系中位置，划分场景中散射点，网格划分尺度小于SAR分辨单元。这一步骤编写成串行代码放置在主机CPU端运行。

步骤2：后向散射系数计算：后向散射系数由两部分组成：幅度和相位。大量的实验表明：幅度服从瑞利分布即相干斑现象，相位服从均匀分布。后向散射模型与雷达参数波长、照射面积、照射方向和极化等有关，还与地面参数复介电常数、表面粗糙度等有着密切的联系。对于后向散射系数确定性部分，采用经验模型：

σ⁰＝A(β-C)^Bexp{-D/(1+0.1σ_DEM/λ)}

式中σ⁰表示地物散射系数幅度；β表示局部雷达俯角(弧度)；σ_DEM表示地面高度起伏的标准偏差，λ是雷达发射波长，A、B、C和D是根据经验获得的常数。

后向散射模型可以提前生成，因此放在主机端CPU中完成。

步骤3：方位回波计算：设当前方位时刻为t，雷达天线相位中心空间三维坐标为(x',y',z′)，雷达照射区域内分布目标散射单元(x_t,y_t,z_t)对应的斜距R_t为：

$R_t=\sqrt{{(x_t-x^{\′})}^2+{(y_t-y^{\′})}^2+{(z_t-z^{\′})}^2}$

对上式进行取整，得到当前散射点对应的雷达采样距离门：

m＝iht(R_t/dr)

将落在同一距离门上的回波能量叠加起来，在叠加的过程中考虑多普勒相位历程，距离门m处的方位回波信号g_a(m)可表示为：

$g_a\left(m\right)=g_a\left(m\right)+{\mathrm{\σ}}_t\·w_a\·w_r\·\exp (-j\frac{4\mathrm{\π}}{\mathrm{\λ}}{R}_t)$

这一步包括雷达照射区域内高精度的斜距计算，直接影响着相位的仿真精度，是回波模拟中最为耗时的部分，将每个散射单元的方位回波计算分配单个线程中完成，通过线程网格并行完成SAR照射区域内所有散射点方位回波。

由于受GPU硬件资源限制，将线程块的划分映射到时域回波算法的两层循环中，最多可以实现7094×7094中等场景的仿真要求，不满足SAR大场景原始回波数据的仿真需求，因此本发明采用的方法为：将最外层循环映射为GPU核函数的多次执行，这样就放宽了仿真场景大小的限制。那么方位向循环调用核函数，按网格的二维划分，可仿真的散射场景网格大小可划分为(65535×16)×(65535×16)，满足实际的要求。

步骤4：方位回波信号与线性调频信号卷积：将步骤3中获取的方位回波信号与发射信号进行卷积获得当前脉冲的回波信号：

$s_r=g_a\⊗s$

卷积采用一维FFT来实现，利用GPU内置FFT库函数完成：

s_r＝IFFT(G_a(ξ，η)S(ξ，η))

其中ξ，η分别为方位和距离频率。

步骤5：遍历所有的方位时间，获得整个场景的双天线干涉SAR回波数据：

$\begin{array}{c}{s}_r=\underset{i}{\overset{N_{\mathrm{ta}}}{\mathrm{\Σ}}}\underset{j}{\overset{N_{\mathrm{tr}}}{\mathrm{\Σ}}}\underset{k}{\overset{N_{\mathrm{da}}}{\mathrm{\Σ}}}\underset{l}{\overset{N_{\mathrm{dr}}}{\mathrm{\Σ}}}{\mathrm{\σ}}_{i,j}{w}_a^2\left({\mathrm{\θ}}_{i,j,k,l}\right)w_r^2\left({\mathrm{\θ}}_{i,j,k,l}\right)\mathrm{rect}\left\{\frac{{\mathrm{\τ}}_{k,l}-2R_{i,j,k,l}/c}{T_r}\right\}\\ \exp \{-j\frac{4\mathrm{\π}}{\mathrm{\λ}}{R}_{i,j,k,l}\}\exp \left\{\mathrm{j\πK}{({\mathrm{\τ}}_{k,l}-\frac{2R_{i,j,k,l}}{c})}^2\right\}\end{array}$

其中N_ta,N_tr是目标点方位向和距离向尺寸，N_da,N_dr分别是原始回波数据方位向与距离向尺寸。通过参数量化直接按式计算场景内散射点回波贡献，将所有点目标回波信号进行相干叠加，从而得到整个场景内原始回波数据。

点目标回波仿真结果如图2和图3所示。图2为点目标二维回波信号实部，线性调频信号为正扫频，表现为二维双曲线的形式，符合实际情形，因而可对算法的正确性做出一个初步的判断。图3是回波信号方位向和距离向频谱图。由SAR信号的性质可知，点目标方位向和距离向信号均可看成线性调频信号。距离线性调频脉冲频谱的包络近似为矩形，LFM信号带宽40MHz，如图3(b)所示；方位向斜距做双曲线近似，也可看成线性调频信号，多普勒带宽为1300Hz，多普勒中心在零频，如图3(a)所示，这些与理论计算值均是相符合的。

图4为分布式目标仿真结果，图4（a）（b）为生成的双通道后向散射系数图，对仿真回波数据进行成像得到双通道的聚焦图像。与散射图相比，数据得到很好的聚焦。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于GPU并行计算的SAR回波模拟方法，其特征在于，包括如下步骤：

步骤1：设置场景：包括场景散射点网格划分和确定双天线SAR与场景目标的位置关系；该步骤放置在主机CPU端运行；

步骤2：计算后向散射系数：首先建立后向散射系数模型，然后根据双天线SAR与地面场景的视线关系生成具有相关性的后向散射系数对；该步骤放置在主机CPU端完成；

步骤3：计算SAR照射区域内方位回波信号：

该步骤采用GPU并行计算完成：将每个散射点的方位回波计算分配单个线程中完成，通过线程网格并行完成SAR照射区域内所有散射点方位回波，SAR照射区域内方位回波信号为

$g_a=g_a+{\mathrm{\σ}}_t.w_a.w_r.\exp (-j\frac{4\mathrm{\π}}{\mathrm{\λ}}{R}_t)$

其中R_t为斜距，σ_t为所述目标后向散射系数，w_a、w_r分别为SAR方位向和距离向天线方向图函数；

步骤4：将步骤3中获取的方位回波信号与发射信号进行卷积获得当前脉冲的回波信号，

其中S为SAR发射线性调频信号，表示卷积；

其中，所述卷积利用GPU内置FFT库函数中的一维FFT实现；

步骤5：遍历所有的方位时间，获得整个场景的双天线干涉SAR回波数据：

$\begin{array}{c}{s}_r=\underset{i}{\overset{N_{\mathrm{ta}}}{\mathrm{\Σ}}}\underset{j}{\overset{N_{\mathrm{tr}}}{\mathrm{\Σ}}}\underset{k}{\overset{N_{\mathrm{da}}}{\mathrm{\Σ}}}\underset{l}{\overset{N_{\mathrm{dr}}}{\mathrm{\Σ}}}{\mathrm{\σ}}_{i,j}{w}_a^2\left({\mathrm{\θ}}_{i,j,k,l}\right)w_r^2\left({\mathrm{\θ}}_{i,j,k,l}\right)\mathrm{rect}\left\{\frac{{\mathrm{\τ}}_{k,l}-{2R}_{i,j,k,l}/c}{T_r}\right\}\\ \exp \{-j\frac{4\mathrm{\π}}{\mathrm{\λ}}{R}_{i,j,k,l}\}\exp \left\{\mathrm{j\πK}{({\mathrm{\τ}}_{k,l}-\frac{{2R}_{i,j,k,l}}{c})}^2\right\}\end{array}$

其中N_ta,N_tr是目标点方位向和距离向尺寸，N_da,N_dr分别是原始回波数据方位向与距离向尺寸；通过参数量化计算场景内散射点回波贡献，将所有点目标回波信号进行相干叠加，从而得到整个场景内原始回波数据；此步骤通过反复调用GPU核函数完成。