CN103760559A - 一种基于在线观测的稀疏微波成像方法 - Google Patents
一种基于在线观测的稀疏微波成像方法 Download PDFInfo
- Publication number
- CN103760559A CN103760559A CN201410035662.2A CN201410035662A CN103760559A CN 103760559 A CN103760559 A CN 103760559A CN 201410035662 A CN201410035662 A CN 201410035662A CN 103760559 A CN103760559 A CN 103760559A
- Authority
- CN
- China
- Prior art keywords
- target scene
- backscattering coefficient
- value
- observation
- overbar
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于在线观测的稀疏微波成像方法,该方法包括步骤如下:步骤S1:根据雷达观测成像机理,构建基于稀疏逼近理论的稀疏微波成像模型;步骤S2:设目标场景后向散射系数第n次估计的值为x(n);步骤S3:利用目标场景后向散射系数x(n)和新增雷达观测回波数据yn+1在线基于同伦算法观测得到目标场景后向散射系数第n+1次估计值x(n+1),不断重复上述过程直到终止条件满足,实现稀疏微波成像。本发明可以根据场景自身的特性自适应的确定最小采样数目,并且新增采样数据可以直接对原始结果进行修正,从而避免重新计算以减少计算量。
Description
技术领域
本发明属于雷达成像技术领域,涉及一种基于稀疏逼近理论的成像处理方法。
背景技术
合成孔径雷达(synthetic aperture radar,SAR)是一种利用飞行器作为运动平台,沿航迹不断收发电磁波,对地面场景进行高分辨成像的主动观测雷达。它不受气象、昼夜等条件影响,具备全天候、全天时的侦查能力。
近期中国科学院电子学研究所提出稀疏微波成像新体制,也希望通过寻找被观测对象的稀疏表征域,在空间、时间、频谱或极化域稀疏采样[1]获取被观测对象的稀疏微波信号([1]ZHANG BingChen,HONGWen,WU YiRong,“Sparse microwave imaging:Principles and applications”,SCIENCE CHINA Physics,Mechanics&Astronomy,2012,55(8):1722-1754),以大幅减少数据采集,降低系统复杂度,并实现高分辨率微波成像。
传统合成孔径雷达回波数据是基于Nyquist采样定理数字化获取的。Nyquist采样定理表明对于一定带宽的信号,如果以高于2倍的频率对信号进行采样,就可以对信号精确重构。压缩感知是近年来信号处理领域内的一个研究热点,在目标场景具有一定稀疏性的前提下,压缩感知保证对于欠采样的数据仍旧可以以很高的概率精确重建,其采样数目与场景的稀疏度关系密切。许多研究人员已经将压缩感知理论[3,6]应用到合成孔径雷达领域中([3]D.L.Donoho,“Compressed sensing,”IEEE Trans.Inform.Theory,2006,52,(4),pp.1289-1306.
[6]E.Candes and T.Tao“The Dantzig selector:Statistical estimationwhen p is much larger than n,”Ann.Statist.,2007,35(6),pp.2313-2351.),Alonso[2]直接减少合成孔径雷达方位向数据量([2]M.T.Alonso,P.L.-Dekker and J.J.Mallorquí,“A Novel Strategy for Radar Imaging Based onCompressive Sensing,”IEEE Trans.Geo.and remote sensing,2010,48,(12),pp.4285-4295.),仍旧实现了对目标场景后向散射稀疏重建。Ender[4]将压缩感知应用到ISAR当中([4]J.H.Ender,“On compressive sensingapplied to radar,”Signal Processing,2010,90,pp.1402-1414.),得到了类似的数据量减少结果。但是对于实际情况,稀疏度往往并不能事先已知,实际采样率往往远高于实际系统理论最小采样率,以保证系统可靠性。
在线观测以序列的形式逐一获取数据,并且同时对数据进行处理与判断是否达到重构要求。在线观测[5]是实现压缩感知最优化问题的另一种实现方式([5]J.Langford,L,Li and T.Zhang,“Sparse Online Learningvia Truncated Gradient,”Journal of Machine Learning Research,2009,10,pp.777-801.)。它可以根据场景情况自适应决定采样数目。它在回归分析与机器学习领域也都有丰富的应用。
发明内容
(一)要解决的技术问题
为了解决现有技术的问题,本发明提供一种基于在线观测的稀疏微波成像方法。
(二)技术方案
为实现上述目的,本发明第一方面,提供一种基于在线观测的稀疏微波成像方法的步骤包括:
步骤S1:根据雷达观测成像机理,构建基于稀疏逼近理论的稀疏微波成像模型;
步骤S2:设目标场景后向散射系数第n次估计的值为x(n);
步骤S3:利用目标场景后向散射系数x(n)和新增雷达观测回波数据yn+1在线基于同伦算法观测得到目标场景后向散射系数第n+1次估计值x(n+1),不断重复上述过程直到终止条件满足,实现稀疏微波成像。
为了解决现有技术的问题,本发明的第二方面,提供一种使用基于在线观测的稀疏微波成像方法,用于对于非稀疏场景亦能实现有效成像。
(三)有益效果
本发明根据稀疏逼近理论构建稀疏微波成像模型,对于回波数据,采用同伦算法实现对观测场景后向散射系数进行更新,采用在线观测实现对观测场景后向散射系数的重建。本发明利用在线观测,可以根据场景自身的特性自适应的确定最小采样数目,减少系统复杂性,并且新增采样数据可以直接对上一步成像结果进行修正,从而避免重新计算以减少计算量。并且在采样的同时即可进行后向散射稀疏重建,不需要等待全体数据采样结束。
附图说明
图1是本发明基于在线观测的稀疏微波成像方法流程图。
图2采用同伦算法修正目标场景后向散射系数估计x(n)得到x(n+1)算法流程图。
图3基于在线观测的成像稀疏微波成像方法流程图。
图4a为传统成像结果;
图4b为基于在线观测的稀疏微波成像方法成像结果。
图5a为传统成像方法满采样成像结果;
图5b为基于在线观测成像方法10%采样成像结果;
图5c为基于在线观测成像方法5%采样成像结果。
具体实施方式
下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
如图1示出本发明基于在线观测的稀疏微波成像方法流程图,该方法包括步骤如下:
步骤S1:根据雷达观测成像机理,构建基于稀疏逼近理论的稀疏微波成像模型;
步骤S2:设目标场景后向散射系数第n次估计的值为x(n);
步骤S3:利用目标场景后向散射系数x(n)和新增雷达观测回波数据yn+1在线基于同伦算法观测得到目标场景后向散射系数第n+1次估计值x(n+1),不断重复上述过程直到终止条件满足,实现稀疏微波成像。
其中:构建基于稀疏逼近理论的稀疏微波成像模型x*如下:
式中,x是目标场景后向散射系数,以自然数序列i=1, ...,n的形式逐一获得第i时刻雷达观测回波数据yi,arg min是最小化计算式,Φi是第i时刻雷达系统观测向量,T表示转置,λ是成像中的正则化参数。其中,对于缺乏先验稀疏度信息的情况,随着雷达观测回波数据yn-i,…,yn-1,yn的增加,通过比较目标场景后向散射系数估计x(n-i),…,x(n-1),x(n),得到正确重建目标场景所需的最低采样数,具体地,当|x(n+1)-x(n)|≤ε时,目标场景能够重建,其中ε是设定的误差值或称成像算法的计算精度参数。
目标场景后向散射系数估计更新x(n+1)的L1正则化模型表示为:
其中,x是目标场景后向散射系数,Φ是观测矩阵,t是由目标场景后向散射系数x(n)到目标场景后向散射系数估计更新x(n+1)的迭代步长,Φn+1表示第n+1次迭代所增加的观测矩阵的列,y是回波数据,y=(y1,y2,…,yn),yn+1表示第n+1个雷达回波观测数据,(·)T表示转置,λ是成像中的正则化参数,ΦT=(Φ1,Φ2,…,Φn),目标场景后向散射系数x(n)=x(0),x(0)表示迭代步长为零时后向散射系数的值,目标场景后向散射系数估计更新x(n+1)=x(1),x(1)表示迭代步长为零时后向散射系数的值。
在目标场景后向散射系数估计更新中,目标场景后向散射系数估计x(n+1)具有分段光滑的性质:具体地,存在迭代步长区间[0,t*),目标场景后向散射系数初始值x(0)的支集将会在迭代步长区间中保持不变,并且目标场景后向散射系数估计更新x(n+1)是光滑的;在临界点t*处能更新后向散射系数估计的支集;在下一个临界点到来之前后向散射系数估计的支集将会保持不变。
本发明还提供一种使用基于在线观测的稀疏微波成像方法,还用于对于非稀疏场景亦能实现有效成像。
图2所示为同伦算法修正目标后向散射稀疏的流程图,由根据根据此流程图,目标场景后向散射系数估计x(n)得到x(n+1)算法的具体实施步骤如下:
步骤S31:初始化目标场景后向散射系数初始值x(0)的支集,设v=sign(x(0)),v表示初始值x(0)支集中元素的符号,v1和Φn+1,1表示由支集对应v和Φn+1的子向量,为由支集对应观测矩阵的子矩阵。
步骤S32:计算下一个临界点t*,是否大于上一临界点并小于1,如果下一个临界点t*小于前一个临界点或者大于1,转步骤S34。
情况1后向散射系数初始值在临界点t*处的值x1(t*)的第i个系数等于零:
将第i个值移出积极集,
设设支集中元素的符号第i个值vi=0更新支集中元素的符号v,
情况2x1(t*)的第j个系数绝对值等于1,
增加第j个值进入积极集,
如果分量等于1(-1),则设支集中元素的符号第j个值vj=1(vj=-1),
其中临界点t*的计算方法为:
其中(为其对应的第i个元素), (ui是对应的第i个元素),cj表示的第j列。所述t1i、t2i、t3j表示临界点t*的三种可能情况,i,j分别表示第i和第j个值,表示残差,ui是对应的第i个元素,其对应的第i个元素,α表示迭代的阈值,Φ表示观测矩阵,表示迭代收敛系数,u表征观测矩阵Φ的扩展观测矩阵和观测矩阵的相似度的参数,λ是成像中的正则化参数。
图3为基于在线观测的稀疏微波成像方法的流程图,结合流程图,根据目标场景的重建结果自适应终止采样,得到最小采样数的具体实施步骤如下:
步骤A1:获得初始雷达观测回波数据y2-i,y1-i…y0,并且利用同伦算法得到目标场景后向散射系数估计x(2-i),x(1-i),…,x(0),设定i为算法重建概率参数和ε为成像算法的计算精度参数。令n=1;
步骤A2:获取雷达观测回波数据yn;
步骤A3:基于同伦算法,利用雷达观测回波数据y2-i,y1-i…,yn和目标场景后向散射系数估计x(n-1),得到目标场景后向散射系数估计x(n);
步骤A4:判断是否满足|x(n+1)-x(n)|≤ε,若否,令n=n+1,转步骤A2;若是算法终止;
结合图4a为传统成像结果,图4b为基于在线观测的稀疏微波成像方法成像结果。
结合图5a为传统成像方法满采样成像结果,图5b为基于在线观测成像方法10%采样成像结果,图5c为基于在线观测成像方法5%采样成像结果。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内。
Claims (10)
1.一种基于在线观测的稀疏微波成像方法,其特征在于该方法包括步骤如下:
步骤S1:根据雷达观测成像机理,构建基于稀疏逼近理论的稀疏微波成像模型;
步骤S2:设目标场景后向散射系数第n次估计的值为x(n);
步骤S3:利用目标场景后向散射系数x(n)和新增雷达观测回波数据yn+1在线基于同伦算法观测得到目标场景后向散射系数第n+1次估计值x(n+1),不断重复上述过程直到终止条件满足,实现稀疏微波成像。
2.根据权利要求1所述基于在线观测的稀疏微波成像方法,其特征在于:构建基于稀疏逼近理论的稀疏微波成像模型x*如下:
式中,x是目标场景后向散射系数,以自然数序列i=1,...,n的形式逐一获得第i时刻雷达观测回波数据yi,arg min是最小化计算式,Φi是第i时刻雷达系统观测向量,(·)T表示转置,λ是成像中的正则化参数。
3.根据权利要求1所述基于在线观测的稀疏微波成像方法,其特征在于:对于缺乏先验稀疏度信息的情况,随着雷达观测回波数据yn-1,…,yn-1,yn的增加,通过比较目标场景后向散射系数估计x(n-i),…,x(n-1),x(n),得到正确重建目标场景所需的最低采样数,具体地,当|x(n+1)-x(n)|≤ε时,目标场景能够重建,其中ε为成像算法的计算精度参数。
4.根据权利要求1所述基于在线观测的稀疏微波成像方法,其特征在于:目标场景后向散射系数估计更新x(n+1)的L1正则化模型表示为:
其中,x是目标场景后向散射系数,Φ是观测矩阵,t是由目标场景后向散射系数x(n)到目标场景后向散射系数估计更新x(n+1)的迭代步长,Φn+1表示第n+1次迭代所增加的观测矩阵的列,y是回波数据,y=(y1,y2,…,yn),yn+1表示第n+1个雷达回波观测数据,(·)T表示转置,λ是成像中的正则化参数,ΦT=(Φ1,Φ2,…,Φn),目标场景后向散射系数x(n)=x(0),x(0)表示迭代步长为零时后向散射系数的值,目标场景后向散射系数估计更新x(n+1)=x(1),x(1)表示迭代步长为零时后向散射系数的值。
5.根据权利要求4所述基于在线观测的稀疏微波成像方法,其特征在于:在目标场景后向散射系数估计更新中,目标场景后向散射系数估计x(n+1)具有分段光滑的性质:具体地,存在迭代步长区间[0,t*),目标场景后向散射系数初始值x(0)的支集将会在迭代步长区间中保持不变,并且目标场景后向散射系数估计更新x(n+1)是光滑的;在临界点t*处更新后向散射系数估计的支集;在下一个临界点到来之前后向散射系数估计的支集将会保持不变。
8.根据权利要求1所述基于在线观测的稀疏微波成像方法,其特征在于:基于同伦算法设计修正目标场景后向散射系数估计x(n)得到目标场景后向散射系数估计x(n+1)的步骤如下:
步骤31:初始化目标场景后向散射系数初始值x(0)的支集,设v=sign(x(0)),v表示初始值x(0)支集中元素的符号,v和Φn+1的支集子向量分别表示为v1和Φn+1,1,λ是成像中的正则化参数,为第n+1步迭代时的扩展回波数据,是支集对应的观测矩阵的子矩阵;
步骤32:计算下一个临界点t*,如果下一个临界点t*小于前一个临界点或者大于1,转步骤34;
情况1后向散射系数初始值在临界点t′处的值x1(t*)的第i个系数等于零:
将第i个值移出积极集,
设支集中元素的符号第i个值vi=0更新支集中元素的符号v,
情况2x1(t*)的第j个系数绝对值等于1,
增加第j个值进入积极集,
如果分量等于1(-1),则设支集中元素的符号第j个值vj=1(vj=-1),
9.根据权利要求3所述基于在线观测的稀疏微波成像方法,其特征在于:根据目标场景自适应停止采样,得到最小采样数的步骤如下:
步骤A1:获得初始雷达观测回波数据y2-i,y1-i…y0,并且利用同伦算法得到目标场景后向散射系数估计x(2-i),x(1-i),…,x(0),设定i为算法重建概率参数和ε为成像算法的计算精度参数,令n=1;
步骤A2:获取雷达观测回波数据yn;
步骤A3:基于同伦算法,利用雷达观测回波数据y2-i,y1-i…,yn和目标场景后向散射系数估计x(n-1),得到目标场景后向散射系数估计x(n);
步骤A4:判断是否满足|x(n+1)-x(n)|≤ε,若否,令n=n+1,转步骤A2;若是算法终止。
10.一种使用权利要求1所述的基于在线观测的稀疏微波成像方法,还用于对于非稀疏场景亦能实现有效成像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410035662.2A CN103760559A (zh) | 2014-01-24 | 2014-01-24 | 一种基于在线观测的稀疏微波成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410035662.2A CN103760559A (zh) | 2014-01-24 | 2014-01-24 | 一种基于在线观测的稀疏微波成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103760559A true CN103760559A (zh) | 2014-04-30 |
Family
ID=50527826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410035662.2A Pending CN103760559A (zh) | 2014-01-24 | 2014-01-24 | 一种基于在线观测的稀疏微波成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103760559A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975805A (zh) * | 2019-03-04 | 2019-07-05 | 广东工业大学 | 基于稀疏和全变差联合正则化的多平台星座sar成像方法 |
CN109975804A (zh) * | 2019-03-04 | 2019-07-05 | 广东工业大学 | 一种多平台星座sar融合相参成像方法 |
CN110082759A (zh) * | 2019-05-27 | 2019-08-02 | 电子科技大学 | 一种随机辐射雷达快速高分辨成像处理方法 |
CN110133651A (zh) * | 2019-05-24 | 2019-08-16 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009137528A1 (en) * | 2008-05-05 | 2009-11-12 | The Advantage Network, Llc | Microwave imaging system and method |
CN102854504A (zh) * | 2011-06-30 | 2013-01-02 | 中国科学院电子学研究所 | 基于回波模拟算子的稀疏合成孔径雷达成像方法 |
CN103149561A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 一种基于场景块稀疏的稀疏微波成像方法 |
-
2014
- 2014-01-24 CN CN201410035662.2A patent/CN103760559A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009137528A1 (en) * | 2008-05-05 | 2009-11-12 | The Advantage Network, Llc | Microwave imaging system and method |
CN102854504A (zh) * | 2011-06-30 | 2013-01-02 | 中国科学院电子学研究所 | 基于回波模拟算子的稀疏合成孔径雷达成像方法 |
CN103149561A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 一种基于场景块稀疏的稀疏微波成像方法 |
Non-Patent Citations (1)
Title |
---|
PIERRE J. GARRIGUES等: "An homotopy algorithm for the Lasso with online observations", 《NEURAL INFORMATION PROCESSING SYSTEMS(NIPS)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975805A (zh) * | 2019-03-04 | 2019-07-05 | 广东工业大学 | 基于稀疏和全变差联合正则化的多平台星座sar成像方法 |
CN109975804A (zh) * | 2019-03-04 | 2019-07-05 | 广东工业大学 | 一种多平台星座sar融合相参成像方法 |
CN110133651A (zh) * | 2019-05-24 | 2019-08-16 | 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 |
CN110082759A (zh) * | 2019-05-27 | 2019-08-02 | 电子科技大学 | 一种随机辐射雷达快速高分辨成像处理方法 |
CN110082759B (zh) * | 2019-05-27 | 2021-06-15 | 电子科技大学 | 一种随机辐射雷达快速高分辨成像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Bayesian compressive sensing for approximately sparse signals and application to structural health monitoring signals for data loss recovery | |
Cevher et al. | Sparse signal recovery using markov random fields | |
Hoteit et al. | Mitigating observation perturbation sampling errors in the stochastic EnKF | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN104965188B (zh) | 一种阵列误差下的波达方向估计方法 | |
CN102879782A (zh) | 基于分数阶傅里叶变换的压缩感知sar成像方法 | |
CN103760559A (zh) | 一种基于在线观测的稀疏微波成像方法 | |
CN107527371B (zh) | 一种在压缩感知中逼近光滑l0范数的图像重建算法的设计构建方法 | |
CN102288951A (zh) | 基于aic压缩信息获取和fbmp的雷达目标参数估计方法 | |
CN103149561A (zh) | 一种基于场景块稀疏的稀疏微波成像方法 | |
CN104391295A (zh) | 一种图像熵最优的压缩传感sar稀疏自聚焦成像方法 | |
Anaraki et al. | Compressive k-svd | |
CN113065433B (zh) | 一种基于稀疏复图像的sar目标识别方法 | |
Yeo | Data-driven reconstruction of nonlinear dynamics from sparse observation | |
Bu et al. | Regularized smoothed ℓ0 norm algorithm and its application to CS-based radar imaging | |
CN105353375A (zh) | 一种镜像综合孔径辐射计反演方法 | |
CN116400319B (zh) | 基于单比特量化天线阵列的到达角估计方法及相关设备 | |
CN111562545A (zh) | 基于pd-alm算法的稀疏阵列doa估计方法 | |
CN105894547A (zh) | 基于组波变换压缩感知的图像处理方法 | |
CN115453528A (zh) | 基于快速sbl算法实现分段观测isar高分辨成像方法及装置 | |
CN103698755B (zh) | 一种获取稀疏微波成像雷达信噪比和采样比的方法 | |
CN103293527A (zh) | 基于置信框架的自适应isar成像方法 | |
CN108093266B (zh) | 利用组归一化稀疏表示的图像压缩感知重构系统及其方法 | |
Güngör et al. | An augmented lagrangian method for autofocused compressed sar imaging | |
Feng et al. | Compressive sensing inverse synthetic aperture radar imaging based on Gini index regularization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140430 |