CN104251991B - 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 - Google Patents
一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 Download PDFInfo
- Publication number
- CN104251991B CN104251991B CN201410497525.0A CN201410497525A CN104251991B CN 104251991 B CN104251991 B CN 104251991B CN 201410497525 A CN201410497525 A CN 201410497525A CN 104251991 B CN104251991 B CN 104251991B
- Authority
- CN
- China
- Prior art keywords
- sparsity
- target
- radar
- scene
- target scene
- 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.)
- Active
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- 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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
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
本发明提供一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法,具体步骤为:步骤一、利用实际试验的雷达系统参数,构建雷达观测模型,基于所述观测模型计算目标场景的稀疏度估计值;步骤二、根据所述稀疏度估计值,自适应地设定对应不同正交维度坐标条状区域的阈值,利用分维度阈值迭代算法,估计强点目标的坐标位置;步骤三、基于所述强点目标的坐标位置,利用最小二乘支集投影方法,恢复目标场景的后向散射系数,实现微波成像。该方法能够利用在降采样条件下获得的雷达回波数据,重建出高质量、高精度微波图像。
Description
技术领域
本发明属于稀疏微波成像体制下的雷达二维成像技术领域,具体涉及一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式微波成像技术,具有全天时、全天候、成像分辨率高等诸多优点。传统SAR成像技术所要用到的采样数据是按照Nyquist采样定律采样获得的。随着对SAR系统成像质量要求的不断提高,基于Nyquist采样定律的采样过程不可避免地产生大量的采样数据,致使对采样数据的实时存储、实时传输和实时处理变得越来越困难。但是,雷达系统观测的许多目标场景在特定的基底上是具有稀疏性的,能够利用压缩感知技术得到很好地重建。不同于传统的采样方式,压缩感知技术利用信号的稀疏性,将压缩与采样相结合,以低于Nyquist采样率的频率采样,实现信号的重建。可是,随着采样率的大幅降低,利用整体阈值迭代稀疏微波成像方法获得的成像结果,也会像匹配滤波成像方法一样,存在因频谱混叠所导致的大量虚假目标,致使对目标场景中强点目标坐标位置的估计与其真实坐标位置之间存在较大的偏差。
发明内容
本发明所要解决的技术问题是:在采样率大幅降低的情况下,由整体阈值迭代稀疏微波成像方法得到的成像结果中会存在大量的虚假目标,针对由此导致的目标场景后向散射系数估计值无法真实地反映目标场景电磁散射特性的问题,提出了一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法。该方法不仅能够自适应地设定迭代阈值,还能够降低因降采样造成的频谱混叠所导致的虚假目标对最终成像质量的影响;该方法能够利用在降采样条件下获得的雷达回波数据,重建出高质量、高精度微波图像。
为解决上述技术问题,本发明所采用的技术方法是:
一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法,具体步骤为:
步骤一、利用实际试验的雷达系统参数,构建雷达观测模型,基于所述观测模型计算目标场景的稀疏度估计值;
步骤二、根据所述稀疏度估计值,自适应地设定对应不同正交维度坐标条状区域的阈值,利用分维度阈值迭代算法,估计强点目标的坐标位置;
步骤三、基于所述强点目标的坐标位置,利用最小二乘支集投影方法,恢复目标场景的后向散射系数,实现微波成像。
进一步地,本发明所述步骤一的具体过程为:
步骤101:利用实际试验的雷达系统参数,构建雷达观测模型,根据待观测目标在雷达波束照射范围内的几何面积,预估一个目标场景稀疏度的取值范围[0,Smax],其中,Smax等于待观测目标在雷达波束照射范围内的几何面积与雷达非模糊成像区域面积的比值;
步骤102:初始化参考场景稀疏度S1=Smax,设定参考场景后向散射系数矢量xt的长度L、更新步长ΔS>0、参考场景重建试验次数N、实际试验的信噪比和降采样条件、稀疏度估计值输出条件,令t=1;
步骤103:使,判断更新后的St是否在取值范围[0,Smax]内,若未在取值范围内,则结束该方法,否则,根据St取值所确定的参考场景后向散射系数矢量xt中非零元素个数StL,随机选取非零元素的位置,构建参考场景的后向散射系数矢量xt,依据雷达观测模型与所述实际试验的信噪比和降采样条件,生成对应参考场景的后向散射系数矢量xt的回波数据yt;
步骤104:利用稀疏微波成像模型,计算对应回波数据yt的参考场景后向散射系数矢量的估计,比较矢量与xt的支撑集,若两支撑集相同,则认为在此次重建试验中参考场景重建成功,反之,重建失败;
步骤105:对应同一个稀疏度St,对由步骤103和步骤104构成的重建试验重复执行N次,统计出在N次重建试验中参考场景重建成功次数Mt,得到对应稀疏度St的重建概率Mt/N;
步骤106:将对应稀疏度St的重建概率Mt/N与所述稀疏度估计值输出条件进行比较,若符合输出条件,则将St作为输出结果Sf,进入步骤107,反之,令t=t+1,转步骤103;
步骤107:根据待观测目标在方位向上强散射点的概率分布,在对应不同的方位向维度坐标条状区域里,利用所述Sf对所述强散射点的概率分布进行加权处理,获得对应不同的方位向维度坐标条状区域的稀疏度估计值Ki·;
根据待观测目标在距离向上强散射点的概率分布,在对应不同的距离向维度坐标条状区域里,利用所述Sf对所述强散射点的概率分布进行加权处理,获得对应不同的距离向维度坐标条状区域的稀疏度估计值K·j。
进一步地,本发明所述步骤二的具体过程为:
步骤201:初始化目标场景的后向散射系数x0,设定梯度下降步长μ与迭代终止条件,令t=0;
步骤202:更新梯度下降序列Bt
Bt=xt+μAH(y-Axt)
其中,y表示雷达接收到的实际回波数据,A表示回波生成算子,AH表示微波成像算子;
步骤203:基于所述Ki·和K·j,依据阈值计算方法,自适应地设定对应不同正交维度坐标条状区域内的阈值和利用分维度阈值迭代方法,更新目标场景的后向散射系数,
xt+1=η(Bt)
其中,η(·)是分维度阈值算子;
其中,Bt(i,j)是更新梯度下降序列Bt对应在目标场景中方位维坐标为i、距离维坐标为j的元素;T(·)表示在与Bt(i,j)相关的和中取值较大的阈值所在维度对应的转换函数;
步骤204:判断目标场景的后向散射系数矢量估计xt+1是否满足迭代终止条件,满足,迭代终止,获得矢量估计xt+1中非零元素在目标场景中的坐标位置,该坐标位置即为强点目标在目标场景中位置坐标的估计,进入步骤三;否则,令t=t+1,转步骤202。
进一步地,本发明所述步骤三的具体过程为:
步骤301:将强点目标在目标场景中位置坐标的估计构成集合
步骤302:利用下式所表示的最小二乘支集投影方法,在集合上计算获得目标场景的后向散射系数
其中,表示与集合对应的回波生成算子,表示与集合对应的微波成像算子,y表示雷达接收到的实际回波数据。
有益效果:
本发明基于分维度阈值处理的思想,设计了一种在采样率大幅降低的情况下,通过处理降采样回波数据,重建出高质量、高精度微波图像的成像处理方法。相比于匹配滤波成像方法、整体阈值迭代稀疏微波成像方法,本发明的优点在于:
本发明通过参考场景重建试验方式,利用实际试验的系统参数,估计目标场景的稀疏度,根据稀疏度的估计值和阈值计算方法,自适应地选择阈值,避免了传统阈值迭代算法在阈值选择上的盲目性;
本发明采用分维度阈值迭代算法,估计后向散射系数矢量的非零元素在目标场景中的坐标位置(即强点目标的坐标位置),相比于传统微波成像方法,在采样率大幅降低的情况下,本发明对强点目标坐标位置的估计具有更高的精度。
附图说明
图1为本发明基于稀疏度估计的分维度阈值迭代稀疏微波成像方法的流程图;
图2为二维平面CSAR子孔径成像模型的成像几何;
图3为人为设置的参考目标场景;
图4为当方位向与距离向均随机降采样50%时,不同的微波成像方法对目标场景的成像结果;其中,(a)匹配滤波成像方法的成像结果;(b)整体阈值迭代稀疏微波成像方法的成像结果;(c)基于稀疏度估计的分维度阈值迭代稀疏微波成像方法的成像结果;
图5为当方位向与距离向均随机降采样50%时,不同的微波成像方法的成像结果与参考目标场景后向散射系数的模值偏差图;其中,(a)匹配滤波成像方法的成像结果与参考目标场景后向散射系数的模值偏差图;(b)整体阈值迭代稀疏微波成像方法的成像结果与参考目标场景后向散射系数的模值偏差图;(c)基于稀疏度估计的分维度阈值迭代稀疏微波成像方法的成像结果与参考目标场景后向散射系数的模值偏差图;
图6为当方位向与距离向均随机降采样25%时,不同的微波成像方法对目标场景的成像结果;其中,(a)匹配滤波成像方法的成像结果;(b)整体阈值迭代稀疏微波成像方法的成像结果;(c)基于稀疏度估计的分维度阈值迭代稀疏微波成像方法的成像结果;
图7为当方位向与距离向均随机降采样25%时,不同的微波成像方法的成像结果与参考目标场景后向散射系数的模值偏差图;其中(a)匹配滤波成像方法的成像结果与参考目标场景后向散射系数的模值偏差图;(b)整体阈值迭代稀疏微波成像方法的成像结果与参考目标场景后向散射系数的模值偏差图;(c)基于稀疏度估计的分维度阈值迭代稀疏微波成像方法的成像结果与参考目标场景后向散射系数的模值偏差图。
具体实施方式
下面结合附图对本发明的实现过程进行详细说明。
如图1所示,本发明一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法,具体的实现过程为:
步骤一、利用实际试验的雷达系统参数,构建雷达观测模型,基于所述观测模型计算目标场景的稀疏度估计值;
该步骤的具体过程为:
步骤101:利用实际试验的雷达系统参数,构建雷达观测模型,根据待观测目标在雷达波束照射范围内的几何面积,预估一个目标场景稀疏度的取值范围[0,Smax],其中,Smax等于待观测目标在雷达波束照射范围内的几何面积与雷达非模糊成像区域面积的比值。需指出的是,本实例中构建的雷达观测模型为:二维平面CSAR(Circular SyntheticAperture Radar)子孔径成像模型。
步骤102:初始化参考场景稀疏度S1=Smax,设定参考场景后向散射系数矢量xt的长度L、更新步长ΔS>0、参考场景重建试验次数N、实际试验的信噪比和降采样条件、稀疏度估计值输出条件,令t=1。
步骤103:使判断更新后的St是否在取值范围[0,Smax]内,若未在取值范围内,则结束该方法,否则,根据St取值所确定的参考场景后向散射系数矢量xt中非零元素个数StL,随机选取非零元素的位置,构建参考场景的后向散射系数矢量xt,依据二维平面CSAR子孔径成像模型与实际试验的信噪比和降采样条件,生成对应参考场景的后向散射系数矢量xt的回波数据yt。
步骤104:利用稀疏微波成像模型,计算对应回波数据yt的参考场景后向散射系数矢量的估计所述稀疏微波成像模型为:
式中,ε表示当存在噪声时为优化收敛设定的门限值,argmin表示最小化计算式,||·||l表示变量的l阶范数,s.t.表示使得满足,Φ表示根据二维平面CSAR子孔径成像模型构造的观测矩阵;
比较矢量与xt的支撑集,若两支撑集相同,则认为在此次重建试验中参考场景重建成功,反之,重建失败。
步骤105:对应同一个稀疏度St,对由步骤103和步骤104构成的重建试验重复执行N次,统计出在N次重建试验中参考场景重建成功次数Mt,得到对应稀疏度St的重建概率Mt/N。
步骤106:将对应稀疏度St的重建概率Mt/N与所述稀疏度估计值输出条件进行比较,若符合输出条件,则将St作为输出结果Sf,进入步骤107,反之,令t=t+1,转步骤103;本实施例中可将输出条件设定为能被接受的最小概率值,若重建概率Mt/N大于设定的最小概率值,则判定符合输出条件。
步骤107:根据待观测目标在方位向上强散射点的概率分布,在对应不同的方位向维度坐标条状区域里,利用所述Sf对所述强散射点的概率分布进行加权处理,获得对应不同的方位向维度坐标条状区域的稀疏度估计值Ki·;根据待观测目标在距离向上强散射点的概率分布,在对应不同的距离向维度坐标条状区域里,利用所述Sf对所述强散射点的概率分布进行加权处理,获得对应不同的距离向维度坐标条状区域的稀疏度估计值K·j。
步骤二、根据所述稀疏度估计值,自适应地设定对应不同方位向维度坐标条状区域的阈值和不同距离向维度坐标条状区域的阈值,利用分维度阈值迭代算法,估计强点目标的坐标位置;
该步骤中利用步骤一中获得的对应方位向维度坐标条状区域的稀疏度估计值Ki·和对应距离向维度坐标条状区域的稀疏度估计值K·j。具体过程为:
步骤201:初始化目标场景的后向散射系数x0,设定梯度下降步长μ与迭代终止条件,令t=0。
步骤202:更新梯度下降序列Bt
Bt=xt+μAH(y-Axt) (1)
其中,y表示雷达接收到的实际回波数据,A表示在二维平面CSAR子孔径成像模型中的步进频信号回波生成算子,AH表示卷积-反投影微波成像算子。
步骤203:基于所述Ki·和K·j,依据阈值计算方法,自适应地设定对应不同正交维度坐标条状区域内的阈值和利用分维度阈值迭代方法,更新目标场景的后向散射系数,
xt+1=η(Bt) (2)
其中,η(·)是分维度阈值算子,它的表示形式为
其中,Bt(i,j)是更新梯度下降序列Bt对应在目标场景中方位维坐标为i、距离维坐标为j的元素,T(·)表示在与Bt(i,j)相关的和中取值较大的阈值所在维度对应的转换函数,通常,该转换函数是由正则化模型中其所在维度对应的惩罚项的具体形式决定的,这里,由对应方位维坐标为i的距离向条状区域的稀疏度估计值Ki·所决定,由对应距离维坐标为j的方位向条状区域的稀疏度估计值K·j所决定;当以硬阈值转换函数作为分维度阈值算子η(·)中的转换函数T(·)时,公式(3)可以表示为
其中,Bt(i,j)是更新梯度下降序列Bt对应在目标场景中方位维坐标为i、距离维坐标为j的元素;是Bt(i,j)对应方位维坐标i的阈值,是Bt(i,j)对应距离维坐标j的阈值,这里,等于Bt在方位维坐标为i的距离向条状区域内第大的目标点的后向散射系数的模值,等于Bt在距离维坐标为j的方位向条状区域内第大的目标点的后向散射系数的模值,表示向上取整符号,NR表示上述距离向条状区域的网格数,NA表示上述方位向条状区域的网格数。
步骤204:判断目标场景的后向散射系数矢量估计xt+1是否满足迭代终止条件,满足,迭代终止,获得矢量估计xt+1中非零元素在目标场景中的坐标位置,即强点目标在目标场景中位置坐标的估计,进入步骤三;否则,令t=t+1,转步骤202。
本实施例中迭代终止条件可以根据实际需求进行确定,通常将迭代终止条件设置为:若t超过设定的总迭代次数,则迭代终止;或者满足(5)式所示条件时,迭代终止。
在上述步骤中,步进频信号回波生成算子A可以通过现有技术获得,以二维平面CSAR子孔径成像模型为例,对步骤202中的步进频信号回波生成算子A进行简单说明:
在对强点目标坐标位置进行估计的过程中,步骤202中,在二维平面CSAR子孔径成像模型中的步进频信号回波生成算子A所表示的回波生成过程为:
其中,G表示目标场景,其中心位置为坐标原点(0,0);g(x,y)表示在目标场景G中坐标位置为(x,y)的目标后向散射系数;Er(f,θ)表示雷达在坐标位置(R0cosθ,R0sinθ)处接收到的频率为f的回波数据,这里,R0为雷达到目标场景中心的距离,θ为雷达位置与目标场景中心连线相对于x轴非负半轴的旋转角度(逆时针旋转为正);c表示光速。
在实现回波生成的过程中,通常将(6)式离散化为以下形式
其中,fm表示在雷达接收到的步进频回波信号中第m个采样点所对应的频率值;θn表示雷达在沿圆迹子孔径移动的过程中第n次发射、接收微波信号所对应的方位向观测角度;I和J分别表示在目标场景G中沿x轴和沿y轴划分的网格总数目。
在上述步骤中,卷积-反投影微波成像算子AH可以通过现有技术获得,以二维平面CSAR子孔径成像模型为例,在对强点目标坐标位置进行估计的过程中,步骤202中,卷积-反投影微波成像算子AH所表示的微波成像过程为:
根据(8)式,首先在快时间域t,对回波数据进行距离压缩。
其中,sM(t,u)表示经过匹配滤波得到的快时间域距离压缩信号,这里,u为雷达在合成孔径上的坐标位置;s(t,u)表示由目标场景生成的回波信号;p(t)表示雷达发射的参考信号,p*(t)表示p(t)的共轭;在(8)式中计算符号*表示在快时间域的卷积过程。
然后利用(10)式表示的快时间域t与空间坐标域(x,y)之间的映射关系,通过线性插值,得到在目标场景中网格(xi,yj)处的后向系数为
其中,ti,j(u)表示雷达信号在雷达坐标位置u与目标场景网格(xi,yj)之间的往返延迟时间;R(xi,yj,u)表示雷达坐标位置u与目标场景网格(xi,yj)之间的距离。
在二维平面CSAR子孔径成像模型中,雷达接收到的基带回波信号为步进频信号Er(fm,θn),在距离向上,通过对Er(fm,θn)进行逆离散傅里叶变换,便能得到对应雷达方位向观测角度θn,经距离压缩处理后的时域离散信号sM(tl,θn),即
sM(tl,θn)=IDFT(Er(fm,θn)) (11)
然后,利用(10)式表示的快时间域t与空间坐标域(x,y)之间的映射关系,对由(11)式得到的时域离散信号sM(tl,θn)进行线性插值,获得在此次雷达接收的回波信号中,所包含的目标场景网格上的电磁散射信息。最后,将子孔径中对应不同方位向观测角度的目标场景网格上的电磁散射信息进行相干累加,得到目标场景的后向散射系数
步骤三、基于所述强点目标坐标位置,利用最小二乘支集投影方法,恢复目标场景的后向散射系数,实现微波成像。
该步骤的具体过程为:
步骤301:将强点目标在目标场景中位置坐标的估计构成集合
步骤302:利用(12)式表示的最小二乘支集投影方法,在集合上计算获得目标场景的后向散射系数实现微波成像。
其中,y表示雷达接收到的实际回波数据,表示与集合对应的在二维平面CSAR子孔径成像模型中的步进频信号回波生成算子,表示与集合对应的卷积-反投影微波成像算子。
根据上述具体实施方式,下面利用仿真实验,对本发明的实效性进行验证。在仿真实验中,实验数据是由人为设置的参考目标场景生成的回波数据。在相同的降采样条件下,分别利用匹配滤波成像方法、整体阈值迭代稀疏微波成像方法、基于稀疏度估计的分维度阈值迭代稀疏微波成像方法处理同样的仿真实验数据,将它们的成像结果与人为设置的参考目标场景进行比较,获得各种成像方法对目标场景后向散射系数模值的重建精度。
在仿真实验中,用到的二维平面CSAR子孔径成像模型的成像几何如图2所示,仿真实验参数如表1所示。
表1 为仿真实验参数
当方位向与距离向均随机降采样50%时,比较分别利用匹配滤波成像方法、整体阈值迭代稀疏微波成像方法和基于稀疏度估计的分维度阈值迭代稀疏微波成像方法得到的成像结果。根据图4所示的实验结果,容易看出相比其他两种微波成像方法,本发明能够有效地降低因降采样造成的频谱混叠所导致的虚假目标对最终成像质量的影响。同时,根据图5和表2所示的实验结果,能够知道本发明对目标场景中强点目标的位置和后向散射系数模值估计的精度,均要好于其他两种微波成像方法。
表2 为当方位向与距离向均随机降采样50%时,利用不同微波成像方法得到的实验结果。
当方位向和距离向均随机降采样25%时,根据图6、图7和表3所示的实验结果,同样能够得出本发明的成像质量与对目标场景中强点目标的位置和后向散射系数模值估计的精度均要优于其他两种微波成像方法这一结论。
表3 为当方位向与距离向均随机降采样25%时,利用不同微波成像方法得到的实验结果。
以上所述的具体实例,对本发明的发明目的、技术方案和有益效果进行了更为深入的详细说明。应理解的是,以上所述仅为本发明的具体实例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法,其特征在于,具体步骤为:
步骤一、利用实际试验的雷达系统参数,构建雷达观测模型,基于所述观测模型计算目标场景的稀疏度估计值;
步骤二、根据所述稀疏度估计值,自适应地设定对应不同正交维度坐标条状区域的阈值,利用分维度阈值迭代算法,估计强点目标的坐标位置;
步骤三、基于所述强点目标的坐标位置,利用最小二乘支集投影方法,恢复目标场景的后向散射系数,实现微波成像;
所述步骤一的具体过程为:
步骤101:利用实际试验的雷达系统参数,构建雷达观测模型,根据待观测目标在雷达波束照射范围内的几何面积,预估一个目标场景稀疏度的取值范围[0,Smax],其中,Smax等于待观测目标在雷达波束照射范围内的几何面积与雷达非模糊成像区域面积的比值;
步骤102:初始化参考场景稀疏度S1=Smax,设定参考场景后向散射系数矢量xt的长度L、更新步长ΔS>0、参考场景重建试验次数N、实际试验的信噪比和降采样条件、稀疏度估计值输出条件,令t=1;
步骤103:使St=S1-(t-1)ΔS,判断更新后的St是否在取值范围[0,Smax]内,若未在取值范围内,则结束该方法,否则,根据St取值所确定的参考场景后向散射系数矢量xt中非零元素个数StL,随机选取非零元素的位置,构建参考场景的后向散射系数矢量xt,依据雷达观测模型与所述实际试验的信噪比和降采样条件,生成对应参考场景的后向散射系数矢量xt的回波数据yt;
步骤104:利用稀疏微波成像模型,计算对应回波数据yt的参考场景后向散射系数矢量的估计比较矢量与xt的支撑集,若两支撑集相同,则认为在此次重建试验中参考场景重建成功,反之,重建失败;
步骤105:对应同一个稀疏度St,对由步骤103和步骤104构成的重建试验重复执行N次,统计出在N次重建试验中参考场景重建成功次数Mt,得到对应稀疏度St的重建概率Mt/N;
步骤106:将对应稀疏度St的重建概率Mt/N与所述稀疏度估计值输出条件进行比较,若符合输出条件,则将St作为输出结果Sf,进入步骤107,反之,令t=t+1,转步骤103;
步骤107:根据待观测目标在方位向上强散射点的概率分布,在对应不同的方位向维度坐标条状区域里,利用所述Sf对所述强散射点的概率分布进行加权处理,获得对应不同的方位向维度坐标条状区域的稀疏度估计值Ki·;
根据待观测目标在距离向上强散射点的概率分布,在对应不同的距离向维度坐标条状区域里,利用所述Sf对所述强散射点的概率分布进行加权处理,获得对应不同的距离向维度坐标条状区域的稀疏度估计值K·j。
2.根据权利要求1所述基于稀疏度估计的分维度阈值迭代稀疏微波成像方法,其特征在于,所述步骤二的具体过程为:
步骤201:初始化目标场景的后向散射系数x0,设定梯度下降步长μ与迭代终止条件,令t=0;
步骤202:更新梯度下降序列Bt
Bt=xt+μAH(y-Axt)
其中,y表示雷达接收到的实际回波数据,A表示回波生成算子,AH表示微波成像算子;
步骤203:基于所述Ki·和K·j,依据阈值计算方法,自适应地设定对应不同正交维度坐标条状区域内的阈值和利用分维度阈值迭代方法,更新目标场景的后向散射系数矢量,
xt+1=η(Bt)
其中,η(·)是分维度阈值算子;
其中,Bt(i,j)是更新梯度下降序列Bt对应在目标场景中方位维坐标为i、距离维坐标为j的元素;T(·)表示在与Bt(i,j)相关的和中取值较大的阈值所在维度对应的转换函数;
步骤204:判断目标场景的后向散射系数矢量xt+1是否满足迭代终止条件,满足,迭代终止,获得系数矢量xt+1中非零元素在目标场景中的坐标位置,该坐标位置即为强点目标在目标场景中位置坐标的估计,进入步骤三;否则,令t=t+1,转步骤202。
3.根据权利要求1所述基于稀疏度估计的分维度阈值迭代稀疏微波成像方法,其特征在于,所述步骤三的具体过程为:
步骤301:将强点目标在目标场景中位置坐标的估计构成集合
步骤302:利用下式所表示的最小二乘支集投影方法,在集合上计算获得目标场景的后向散射系数实现微波成像;
其中,表示与集合对应的回波生成算子,表示与集合对应的微波成像算子,y表示雷达接收到的实际回波数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410497525.0A CN104251991B (zh) | 2014-09-25 | 2014-09-25 | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410497525.0A CN104251991B (zh) | 2014-09-25 | 2014-09-25 | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104251991A CN104251991A (zh) | 2014-12-31 |
CN104251991B true CN104251991B (zh) | 2016-11-23 |
Family
ID=52187065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410497525.0A Active CN104251991B (zh) | 2014-09-25 | 2014-09-25 | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104251991B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842699B (zh) * | 2016-06-02 | 2019-04-23 | 中国科学院电子学研究所 | 合成孔径雷达稀疏成像方法 |
CN108566256B (zh) * | 2018-03-23 | 2021-02-02 | 中国人民解放军国防科技大学 | 一种频谱地图的构建方法 |
CN111177878B (zh) * | 2018-11-09 | 2023-06-27 | 百度在线网络技术(北京)有限公司 | 衍生仿真场景筛选方法、装置和终端 |
CN109959933B (zh) * | 2019-04-12 | 2021-07-30 | 江西理工大学 | 一种基于压缩感知的多基线圆迹合成孔径雷达成像方法 |
CN110221280B (zh) * | 2019-06-14 | 2021-02-09 | 中国科学院声学研究所 | 一种抗压制类水声干扰多通道自适应检测方法及系统 |
CN112099102B (zh) * | 2020-08-27 | 2023-07-11 | 博微太赫兹信息科技有限公司 | 一种天线阵列机械扫描式全息图像重建方法 |
CN112946654B (zh) * | 2021-01-27 | 2023-06-23 | 中国人民解放军国防科技大学 | 雷达滤除动态杂波的方法、装置、计算机系统及存储介质 |
CN114521866B (zh) * | 2021-12-31 | 2024-07-26 | 西北大学 | 基于自适应牛顿硬阈值追踪法生物发光断层成像重建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN103399316A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 基于加权的二维压缩感知sar成像及动目标检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8487808B2 (en) * | 2009-06-30 | 2013-07-16 | Mitsubishi Electric Research Laboratories, Inc. | High resolution SAR imaging using non-uniform pulse timing |
US9335410B2 (en) * | 2013-02-19 | 2016-05-10 | Mitsubishi Electric Research Laboratories, Inc. | System and method for multiple spotlight synthetic radar imaging using random beam steering |
-
2014
- 2014-09-25 CN CN201410497525.0A patent/CN104251991B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN103399316A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 基于加权的二维压缩感知sar成像及动目标检测方法 |
Non-Patent Citations (3)
Title |
---|
sparsity and compressed sensing in radar imaging;Potter L C,et al;《Proceeding of the IEEE》;20100630;第1006-1020页 * |
基于BP和CS相结合的圆周SAR 三维成像算法;谢建志;《电讯技术》;20130731;第53卷(第7期);第849-853页 * |
基于自适应阈值 SAMP算法的OFDM稀疏信道估计;姜彬等;《计算机应用》;20130601;第33卷(第6期);第1508-1510页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104251991A (zh) | 2014-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104251991B (zh) | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 | |
CN110275166B (zh) | 基于admm的快速稀疏孔径isar自聚焦与成像方法 | |
CN107132535B (zh) | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 | |
JP5932643B2 (ja) | 同一領域上で取得されたsar画像から得られるインターフェログラムのフィルタリング処理方法 | |
CN111142105B (zh) | 复杂运动目标isar成像方法 | |
CN103713288B (zh) | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 | |
CN104950305B (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 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN103969645B (zh) | 基于压缩多信号分类的层析合成孔径雷达测量树高的方法 | |
US9316734B2 (en) | Free-hand scanning and imaging | |
CN104833973B (zh) | 基于半正定规划的线阵sar后向投影自聚焦成像方法 | |
CN105137424B (zh) | 一种杂波背景下实波束扫描雷达角超分辨方法 | |
CN107193003A (zh) | 一种稀疏奇异值分解扫描雷达前视成像方法 | |
CN109100718A (zh) | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 | |
CN102645651A (zh) | 一种sar层析超分辨成像方法 | |
CN106772380A (zh) | 一种圆周合成孔径雷达成像方法 | |
CN107843875A (zh) | 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法 | |
Mason et al. | Passive synthetic aperture radar imaging using low-rank matrix recovery methods | |
CN105388476B (zh) | 一种基于联合稀疏模型的层析sar成像方法 | |
CN106199524B (zh) | 基于基追踪去噪的远场宽带rcs数据采集与压缩方法 | |
CN112415515B (zh) | 一种机载圆迹sar对不同高度目标分离的方法 | |
CN110954885A (zh) | 基于sbl的捷变频雷达自适应目标重构方法 | |
CN106154266B (zh) | 基于属性散射中心模型的多视角目标部件特征提取方法 | |
CN111722227B (zh) | 基于近似观测矩阵的聚束sar压缩感知成像方法 | |
CN106168665A (zh) | 一种基于正则化的扫描雷达自适应角超分辨方法 |
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 |