CN103293527A - 基于置信框架的自适应isar成像方法 - Google Patents
基于置信框架的自适应isar成像方法 Download PDFInfo
- Publication number
- CN103293527A CN103293527A CN2013101805802A CN201310180580A CN103293527A CN 103293527 A CN103293527 A CN 103293527A CN 2013101805802 A CN2013101805802 A CN 2013101805802A CN 201310180580 A CN201310180580 A CN 201310180580A CN 103293527 A CN103293527 A CN 103293527A
- Authority
- CN
- China
- Prior art keywords
- isar
- centerdot
- vector
- exp
- vector signal
- 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.)
- Granted
Links
Images
Abstract
本发明公开了一种基于置信框架的自适应ISAR成像方法,主要解决现有成像方法不能自适应得到目标距离-多普勒ISAR图像问题。其实现过程是:(1)对雷达回波进行运动补偿,得到ISAR回波矢量;(2)利用ISAR回波矢量为多分量单频信号特性,得到成像字典Φ;(3)根据ISAR回波矢量和成像字典Φ,利用梯度法求解ISAR的矢量信号w;(4)根据ISAR的矢量信号w,利用置信框架方法求解正则化参数λ和噪声功率β;(5)利用得到的正则化参数λ和噪声功率β,求解精确的ISAR信号矢量w';(6)将N个距离单元精确的ISAR信号矢量进行ISAR成像,输出最终得到距离-多普勒ISAR图像。本发明与现有成像方法相比,能够自适应得到目标的距离-多普勒ISAR图像。
Description
技术领域
本发明属于雷达技术领域,涉及ISAR成像方法,可用于目标探测与识别。
背景技术
逆合成孔径雷达(ISAR)成像具有全天时、全天候优点,是目标探测与识别的有效手段,因此ISAR成像成为雷达技术领域的研究热点。
ISAR成像通过发射宽带信号得到距离高分辨率,通过对目标回波的相干积累得到高的方位分辨率,从而得到距离-多普勒图像。由于非合作目标相对于雷达视线转速未知,得到ISAR像方位维多普勒频率不代表目标的真实尺寸,从而给基于ISAR图像的目标识别带来一定的难度。由于实际系统可能回波脉冲数有限或部分脉冲受到较强的干扰,传统基于傅立叶变换的距离-多普勒算法将会失效。为此,国内外学者将超分辨参数化谱估计方法应用到ISAR成像中,如[lazarov A D.Iterative MMSEmethod and recurrent kalman procedure for ISAR image reconstruction[J].IEEETransations on Aerospace and Electronic System,2001,37(4):1432-1440]。与传统非参数方法相比,参数化谱估计方法可以得到超分辨的ISAR图像。由于没有利用稀疏的先验信息,上述方法得到的解不精确且收敛性没有得到证明。超分辨成像实际上是一个内插过程,即从一个低维度的信号,恢复出高维度的信号,由于方程是欠定的,故其解具有不确定性。近年来压缩感知理论在国内外得到了广泛研究,压缩感知理论指出在一定的条件可以通过L1范数优化精确恢复出高维度稀疏信号。由于成像目标散射点具有稀疏的特性,为压缩感知在SAR/ISAR成像中的应用提供了良好的条件。目前已有压缩感知在ISAR成像中应用的研究,如[L.Zhang,M.D.Xing,C.W.Qiu,J.Li,Z.Bao,“Achieving higher resolution ISAR imaging with limited pulses via compressedsensing,”IEEE Trans.Geosci.Remote Sens.Lett.,vol.6,no.3,pp.567-571,Jul.2009]。文中通过对目标旋转运动一阶展开,得到傅立叶字典,然后通过凸优化求解,最终得到目标的ISAR像。
上述压缩感知ISAR成像方法虽然在一定条件下可以得到目标的稀疏ISAR图像,但由于其利用固定的傅立叶字典,因而不具有自适应性,需要人为调节参数,不利于ISAR目标成像。
发明内容
本发明的主要目的在于针对上述已有方法的不足,提出一种基于置信框架的自适应ISAR成像方法,以避免人为调节参数,提高ISAR成像的自适应性。
实现本发明目的技术思路是:在傅立叶基的基础上,通过置信框架得到ISAR成像的参数信息,即对目标旋转运动进行一阶展开,得到目标信号模型;通过迭代估计成像参数,得到目标的距离-多普勒ISAR图像,具体步骤包括如下:
(1)对ISAR雷达回波进行运动补偿,得到单个距离单元ISAR雷达的回波矢量:
y=Φw+ε,
其中,Φ为ISAR成像字典,w为ISAR矢量信号,ε为噪声矢量;
(2)利用ISAR雷达回波矢量y为多分量单频信号的特性,得到ISAR成像字典Φ:
其中fi代表第i个频率点,ti代表第i个时刻点,i=1,…,M,M为雷达回波脉冲数,exp(·)和j分别代表以自然对数e为底的指数函数和虚数单位;
(3)根据成像字典Φ和雷达回波矢量信号y,利用梯度法求解ISAR矢量信号w;
(4)根据得到的ISAR矢量信号w,通过置信框架求解正则化参数λ和噪声功率β;
(5)利用正则化参数λ和噪声功率β,梯度法求解精确的ISAR矢量信号w';
(6)重复步骤(3-5),得到N个距离单元精确的ISAR矢量信号,将这N个距离单元精确的ISAR矢量信号排列成N×M矩阵,得到ISAR的距离-多普勒图像,其中,N为雷达距离单元数。
本发明具有以下优点:
1)本发明利用雷达回波矢量具有多分量单频信号这一特性,通过建立成像字典,利用梯度法可以快速得到目标的距离-多普勒ISAR图像;
2)本发明由于利用置信框架,避免了在ISAR成像中对参数的人为调节,提高了ISAR成像的自适应性;
3)本发明由于采用稀疏求解方法,因此可以在少数脉冲情况下进行ISAR距离-多普勒成像。
附图说明
图1是本发明的流程图;
图2是本发明使用ISAR成像的目标运动图;
图3是本发明中对外场雷达数据进行运动补偿后的结果图;
图4是用传统傅立叶方法对雷达回波进行ISAR成像的结果图;
图5是用本发明方法对雷达回波进行ISAR成像的结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,对ISAR雷达回波进行运动补偿,得到单个距离单元ISAR雷达的回波矢量。
对雷达回波进行运动补偿,包括包络对齐和自聚焦。包络对齐采用最小熵方法,自聚焦采用多特显点联合处理方法。运动补偿后,目标在X—Y平面内以有效转动矢量ω匀速转动,如图2所示。
1.1)利用雷达发射的线性调频信号,运动补偿后得到雷达回波信号为:
其中K为距离单元内散射点数目,σi为距离向脉冲压缩后的信号复幅度,fc为载波频率,c为光速,tm为慢时间,m=1,…,M,M为雷达脉冲数,xi和yi分别表示第i个散射点的横坐标和纵坐标,取散射点个数K=M,即当σi=0时,此散射点不存在;
1.2)在ISAR成像时间内,根据目标的匀速转动,得到目标相对于雷达视线的角度θ(tm)为;
θ(tm)=θ0+ωtm <2>
其中θ0为起始观测角度;
1.3)将目标相对于雷达视线的角度θ(tm)代入雷达回波信号s(tm)中,使式<1>近似表示为:
1.4)考虑到观测噪声矢量,由式<3>得到雷达回波矢量y为:
y=Φw+ε
步骤2,利用ISAR雷达回波矢量y为多分量单频信号的特性,得到ISAR成像字典Φ。
雷达回波矢量y经过运动补偿后具有多分量单频信号的特性,根据单频信号为正弦波调制信号,得到如下成像字典Φ:
其中,exp(-j2πfiti)为成像字典Φ中的元素,fi代表第i个频率点,ti代表第i个时刻点,i=1,…,M,M为雷达回波脉冲个数,exp(·)和j分别代表以自然对数e为底的指数函数和虚数单位。成像字典Φ实际上为傅立叶矩阵,体现了ISAR回波矢量的回波特性。在成像字典Φ的基础上,可以计算出ISAR矢量信号,进而得到目标的散射点的幅度信息,最终得到距离-多普勒图像。
步骤3,根据成像字典T和回波列矢量信号y,利用梯度法求解ISAR矢量信号w。
对ISAR矢量信号进行一范数约束,将求解ISAR矢量信号w转化成求解下面优化问题:
上述优化问题可以通过牛顿法、凸优化方法和梯度方法等多种方法进行求解,由于梯度法计算简单,且易于实现,本实例采用梯度法按照如下步骤求解ISAR矢量信号w:
3a)设定ISAR的矢量信号初始值w1=1,设定正则化参数λ=1,噪声功率β=1,迭代次数n=1,收敛门限δ=10-5;
3c)计算ISAR矢量信号w的相对误差δ'=|wn+1-wn|/|wn|,将相对误差δ'与收敛门限δ进行比较,若δ'<δ时,得到ISAR矢量信号w=wn+1,否则n=n+1,w=wn,返回步骤3b),
在计算ISAR矢量信号步骤中,正则化参数λ和噪声功率β在梯度fw及Hessian矩阵Hw中体现,由于梯度法具有收敛快的特性,本步骤可在进行5-6次迭代后收敛。
步骤4,根据得到的ISAR矢量信号w,通过置信框架求解正则化参数λ和噪声功率β。
4a)初始化正则化参数λ1=1,噪声功率β1=1:
4b)根据置信框架方法,计算正则化参数:
其中λn代表第n次正则化参数的值,M代表为雷达回波脉冲数,λi为矩阵的第i个特征值,该特征值用于衡量参数由雷达回波矢量可以确定的程度, diag{·}表示向量矩阵化,ε=10-5,(·)H代表矩阵的共轭转置操作,用于衡量有效参数个数。
所述的置信框架方法是通过计算参数的最大后验概率估计,从而得到参数的估计值。
4c)计算正则化参数λ的相对误差δ"=|λn+1-λn|/|λn|,将相对误差δ"与收敛门限δ比较,若δ"<δ时,得到正则化参数λ=λn+1,否则n=n+1,λ=λn,执行步骤4b);
4d)根据得到的正则化参数λ,依照下式计算噪声功率β:
4e)根据正则化参数λ和噪声功率β,返回步骤(3),得到精确的ISAR矢量信号w'。
步骤5,利用正则化参数λ和噪声功率β,梯度法求解精确的ISAR矢量信号w'。
利用得到的正则化参数λ以及噪声功率参数β,返回步骤(3)进一步得到精确的ISAR矢量信号w'。由于利用了估计得到的正则化参数λ与噪声功率β,得到的ISAR矢量信号更加精确。
步骤6,获得ISAR的距离-多普勒图像。
由于雷达距离向存在N个距离单元,重复步骤3-步骤5,得到N个距离单元精确的ISAR矢量信号;
精确的ISAR矢量信号实际上就是在距离-多普勒ISAR图像的切片,因此可以通过精确的ISAR矢量信号重构出距离-多普勒ISAR图像;
将N个距离单元精确的ISAR矢量信号排列成N×M矩阵,得到ISAR的距离-多普勒图像,其中,N为雷达距离单元数。
本发明的效果可以通过以下实测数据验证进一步说明:
实验参数,雷达载波频率fc=5520MHz,信号带宽B=400MHz,对应的距离分辨率ρr=0.375m,脉冲重复频率prf=100Hz,从雷达回波中截取128个脉冲为实验的数据。
实验1,对1.28秒时间的雷达回波数据进行运动补偿,补偿结果如图3所示。由图3可知,目标散射点分布集中,且有明显的直线特性,这有利于后续的ISAR成像。
实验2,由传统傅立叶方法进行ISAR成像,结果如图4所示。由图4可知,飞机的ISAR图像存在许多的虚假点,且ISAR图像聚集效果差,不利于后续基于ISAR图像的目标识别的特征提取。
实验3,由本发明方法进行ISAR成像,结果如图5所示。由图5可知道,飞机的ISAR图像清晰,且不存在虚假点,能够清晰反应飞机状态。
以上三个实验表明:本发明方法能够自适应得到目标的ISAR图像,减少了人为调节参数的步骤,更有利于智能的进行ISAR成像。
Claims (3)
1.一种基于置信框架的自适应ISAR成像方法,包括以下步骤:
(1)对ISAR雷达回波进行运动补偿,得到单个距离单元ISAR雷达的回波矢量:
y=Φw+ε,
其中,Φ为ISAR成像字典,w为ISAR矢量信号,ε为噪声矢量;
(2)利用ISAR雷达回波矢量y为多分量单频信号的特性,得到ISAR成像字典T:
其中fi代表第i个频率点,ti代表第i个时刻点,i=1,…,M,M为雷达回波脉冲数,exp(·)和j分别代表以自然对数e为底的指数函数和虚数单位;
(3)根据成像字典Φ和雷达回波矢量信号y,利用梯度法求解ISAR矢量信号w;
(4)根据得到的ISAR矢量信号w,通过置信框架求解正则化参数λ和噪声功率β;
(5)利用正则化参数λ和噪声功率β,梯度法求解精确的ISAR矢量信号w';
(6)重复步骤(3-5),得到N个距离单元精确的ISAR矢量信号,将这N个距离单元精确的ISAR矢量信号排列成N×M矩阵,得到ISAR的距离-多普勒图像,其中,N为雷达距离单元数。
3.根据权利要求1所述的基于置信框架的自适应ISAR成像方法,其中步骤(4)所述的通过置信框架求解正则化参数λ和噪声功率β,按如下步骤进行:
4a)初始化正则化参数λ1=1,噪声功率β1=1:
4b)根据置信框架,计算正则化参数:
4c)计算正则化参数λ的相对误差δ"=|λn+1-λn|/|λn|,将相对误差δ"与收敛门限δ比较,若δ"<δ时,得到正则化参数λ=λn+1,否则n=n+1,λ=λn,执行步骤4b);
4d)根据得到的正则化参数λ,依照下式计算噪声功率β:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310180580.2A CN103293527B (zh) | 2013-05-15 | 2013-05-15 | 基于置信框架的自适应isar成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310180580.2A CN103293527B (zh) | 2013-05-15 | 2013-05-15 | 基于置信框架的自适应isar成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103293527A true CN103293527A (zh) | 2013-09-11 |
CN103293527B CN103293527B (zh) | 2015-01-07 |
Family
ID=49094720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310180580.2A Active CN103293527B (zh) | 2013-05-15 | 2013-05-15 | 基于置信框架的自适应isar成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103293527B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842197A (zh) * | 2015-12-03 | 2017-06-13 | 中国航空工业集团公司雷华电子技术研究所 | 一种机载isar舰船成像中心成像时刻选择方法 |
CN107167805A (zh) * | 2017-04-19 | 2017-09-15 | 西安电子科技大学 | 基于多层共稀疏的逆合成孔径雷达高分辨成像方法 |
CN108931770A (zh) * | 2018-05-30 | 2018-12-04 | 西安电子科技大学 | 基于多维贝塔过程线性回归的isar成像方法 |
CN113466863A (zh) * | 2021-06-30 | 2021-10-01 | 电子科技大学 | 一种sar舰船目标高分辨成像方法 |
CN116449369A (zh) * | 2023-06-16 | 2023-07-18 | 四川杰诺创科技有限公司 | 一种基于多范数约束的逆合成孔径雷达成像方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879777A (zh) * | 2012-09-17 | 2013-01-16 | 西安电子科技大学 | 基于调频率-压缩感知的稀疏isar成像方法 |
-
2013
- 2013-05-15 CN CN201310180580.2A patent/CN103293527B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879777A (zh) * | 2012-09-17 | 2013-01-16 | 西安电子科技大学 | 基于调频率-压缩感知的稀疏isar成像方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG FEN等: "Regularization Over-complete Dictionary Learning With Application to Image Denoising", 《INTELLIGENT CONTROL,AUTOMATIC DETECTION AND HIGH-END EQUIPMENT(ICADE),2012 IEEE INTEMATIONAL CONFERENCE ON》 * |
茆晓军等: "基于梯度下降法的ISAR最小熵相位校正算法", 《现代雷达》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842197A (zh) * | 2015-12-03 | 2017-06-13 | 中国航空工业集团公司雷华电子技术研究所 | 一种机载isar舰船成像中心成像时刻选择方法 |
CN107167805A (zh) * | 2017-04-19 | 2017-09-15 | 西安电子科技大学 | 基于多层共稀疏的逆合成孔径雷达高分辨成像方法 |
CN108931770A (zh) * | 2018-05-30 | 2018-12-04 | 西安电子科技大学 | 基于多维贝塔过程线性回归的isar成像方法 |
CN108931770B (zh) * | 2018-05-30 | 2022-04-19 | 西安电子科技大学 | 基于多维贝塔过程线性回归的isar成像方法 |
CN113466863A (zh) * | 2021-06-30 | 2021-10-01 | 电子科技大学 | 一种sar舰船目标高分辨成像方法 |
CN113466863B (zh) * | 2021-06-30 | 2023-06-16 | 电子科技大学 | 一种sar舰船目标高分辨成像方法 |
CN116449369A (zh) * | 2023-06-16 | 2023-07-18 | 四川杰诺创科技有限公司 | 一种基于多范数约束的逆合成孔径雷达成像方法 |
CN116449369B (zh) * | 2023-06-16 | 2023-08-15 | 四川杰诺创科技有限公司 | 一种基于多范数约束的逆合成孔径雷达成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103293527B (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102879777B (zh) | 基于调频率-压缩感知的稀疏isar成像方法 | |
CN106526568B (zh) | 基于短时稀疏分数阶傅里叶变换的雷达动目标检测方法 | |
CN107271993B (zh) | 一种基于最大后验的扫描雷达角超分辨成像方法 | |
Yang et al. | Segmented reconstruction for compressed sensing SAR imaging | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
Liu et al. | Dynamic ISAR imaging of maneuvering targets based on sequential SL0 | |
CN103293527B (zh) | 基于置信框架的自适应isar成像方法 | |
Bai et al. | Obtaining JTF-signature of space-debris from incomplete and phase-corrupted data | |
CN103235295A (zh) | 基于压缩卡尔曼滤波的小场景雷达目标距离像估计方法 | |
CN105242255A (zh) | 基于压缩感知的双通道sar-gmti方法 | |
CN105447867A (zh) | 基于isar图像的空间目标姿态估计方法 | |
Ding et al. | Super‐resolution 3D imaging in MIMO radar using spectrum estimation theory | |
CN103630899B (zh) | 地面运动目标高分辨雷达压缩感知成像的方法 | |
CN106990392B (zh) | 一种基于随机步进频信号的空间目标微动信息获取方法 | |
Dai et al. | Range cell migration correction for bistatic SAR image formation | |
CN104749573A (zh) | 空频域二维稀疏的步进频率sar成像方法 | |
Xiang et al. | Compressive sensing for high resolution differential SAR tomography-the SL1MMER algorithm | |
CN106125075A (zh) | 一种双基地前视合成孔径雷达的运动误差估计方法 | |
CN104181514A (zh) | 一种合成孔径雷达高精度运动补偿方法 | |
Jihong et al. | High-speed target ISAR imaging via compressed sensing based on sparsity in fractional Fourier domain | |
CN103412289A (zh) | 基于模拟sinc核采样的雷达高分辨距离成像方法 | |
Feng et al. | Compressive sensing inverse synthetic aperture radar imaging based on Gini index regularization | |
Wu et al. | Super-resolution imaging algorithm based on attributed scattering center model | |
Ansari et al. | Distributed scatterer interferometry tailored to the analysis of big InSAR data | |
CN108614265A (zh) | 基于NSL0重构算法的THz-FMCW雷达成像算法 |
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 |