CN105389782A - 抗脉冲干扰的多时相sar图像多层贝叶斯盲解卷积方法 - Google Patents

Abstract

本发明公开了抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，输入同一场景的多时相SAR图像，配准并融合成单帧SAR图像g；采用拉普拉斯分布对g中的噪声进行建模，依次对原始SAR图像f、点扩散函数h及其先验模型参数α_im、α_h进行先验建模，并初始化h、α_im和α_h；通过多层贝叶斯分解框架，实现对联合概率分布的建模；基于后验分布和多层贝叶斯分解框架，利用积分及变分贝叶斯推理，迭代估计出f、h、α_im和α_h的值。本发明利用多帧SAR图像增加了盲解卷积的可用信息量；将先验模型参数值的估计与SAR图像盲解卷积相耦合迭代，提高了参数值的估计效率和准确性；采用拉普拉斯分布的噪声模型，更适于抑制SAR图像中的脉冲干扰，提高了盲解卷积的精度。

Description

抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法

技术领域

本发明涉及一种抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，属于遥感图像处理技术领域。

背景技术

合成孔径雷达(SyntheticApertureRadar，SAR)图像的生成受到硬件物理极限、运行状态稳定性、复杂环境状况、成像算法效能和成本约束等多因素影响，难以摆脱畸变、模糊、混叠、噪声等各类干扰，图像质量会不同程度下降，导致分辨率无法满足科研与应用要求。

图像解卷积是一种经济、可行且有效的原始SAR图像估计(图像分辨率提升)技术，其中的图像盲解卷积，先对原始SAR图像和点扩散函数(PSF)进行先验建模，且依中心极限定理设定SAR噪声服从高斯分布；接着根据观测图像和先验模型，同时对原始图像和PSF进行基于贝叶斯框架的估计。相对于一般的SAR图像解卷积，SAR图像盲解卷积无需事先获得PSF，操作执行更便捷，结果也较客观。

然而，现有的SAR图像盲解卷积算法大多处理的是单帧降质图像，由于单帧待处理图像所提供信息有限，有时解卷积效果仍不理想。再者，所建先验模型中的参数值，一般通过试错或人为设定，这样就影响了盲解卷积效率甚至准确性。另外，噪声之所以设为高斯分布，是考虑了SAR系统常见的电子电路噪声和低照度或高温传感噪声等因素，这样却忽视了可能存在的SAR系统开闭操作、突发点目标和配准误差等异常情况所导致的脉冲干扰。SAR图像中出现脉冲干扰，使得中心极限定理的条件不再满足，如仍用高斯分布来表征噪声，则很难有效抑制脉冲干扰，从而降低盲解卷积的精度。

综上所述，现有的SAR图像盲解卷积存在下述不足：

第一、对单帧图像进行解卷积处理，效果并不理想；

第二、先验模型参数值的设定不够便捷有效；

第三、用高斯分布表征噪声难以抑制SAR图像中的脉冲干扰。

发明内容

针对上述问题，本发明提供一种抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，利用时相相近的多帧SAR图像融合而后再进行盲解卷积，将先验模型参数值的估计也耦合到SAR图像盲解卷积中，使得盲解卷积更加高效、准确，同时，采用拉普拉斯分布的噪声模型更适于抑制SAR图像中的脉冲干扰，提高SAR图像盲解卷积的精度。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，其特征在于，包括如下步骤：

步骤1、输入同一场景时相间隔小于ξ的多帧SAR图像并进行空间配准；

步骤2、将配准后的所有SAR图像融合成单帧SAR图像g，作为解卷积的初始图像；

步骤3、采用拉普拉斯分布对g中的噪声进行建模，得到g的条件概率分布p(g|f,h)，并依次对原始SAR图像f和点扩散函数h进行先验建模，得到f和h的先验模型p(f|α_im)和p(h|α_h)，并初始化h；

其中，α_im表示f的先验模型参数，α_h表示h的先验模型参数，表示已知时·的条件概率分布；

步骤4、依次对α_im和α_h进行先验建模，得到α_im和α_h的先验模型p(α_im)和p(α_h)，并初始化α_im和α_h；

步骤5、通过多层贝叶斯分解框架p(α_im,α_h,f,h,g)＝p(α_im)p(α_h)p(f|α_im)p(h|α_h)p(g|f,h)，实现对联合概率分布p(α_im,α_h,f,h,g)的建模；

步骤6、基于后验分布p(α_im,α_h,f,h|g)＝p(α_im,α_h,f,h,g)/p(g)和多层贝叶斯分解框架p(α_im,α_h,f,h,g)＝p(α_im)p(α_h)p(f|α_im)p(h|α_h)p(g|f,h)，利用变分贝叶斯推理和积分去除非感兴趣变量，从而迭代估计后验分布p(f|g)、p(h|g)、p(α_im|g)和p(α_h|g)，并以后验分布的数学期望对应作为f、h、α_im和α_h的估计值；其中，p(g)表示g的概率分布，在g已知时为常数；

步骤7、将迭代最终估计值作为SAR图像盲解卷积结果输出。

优选，步骤3具体包括如下步骤：

步骤301、将单帧SAR图像g中的噪声用零均值、标准差为σ的拉普拉斯分布建模，则g的条件概率分布p(g|f,h)为：

其中，N表示原始图像中的像素数，exp是以e为底的指数函数，||·||₁表示1-范数运算符，H为h的矩阵表示，使得Hf＝h*f，*表示卷积运算符；

步骤302、确定噪声模型参数σ的值；

步骤303、将原始SAR图像f和点扩散函数h的先验模型均设为高斯分布，分别为： $p\left(f\right|{\mathrm{\α}}_{im})={({\mathrm{\α}}_{im}/2\mathrm{\π})}^{N/2}\exp \{-\frac{1}{2}{\mathrm{\α}}_{im}{||Cf||}_2^2\}$ 和其中，C表示已给定的高通算子，||·||₂表示2-范数运算符，N和M分别表示原始图像f中的像素数和点扩散函数h中的元素数；

步骤304、设点扩散函数h的初始数学期望为h⁰,矩阵表示为H⁰，即E⁰(h)＝h⁰，其三维图形为一椭圆抛物面。

优选，步骤4具体包括如下步骤：

步骤401、将参数α_im和α_h的先验模型均设为伽马分布，分别为： $p\left({\mathrm{\α}}_{im}\right)=\frac{{\left(b_{{\mathrm{\α}}_{im}}\right)}^{a_{{\mathrm{\α}}_{im}}}}{\mathrm{\Γ}\left(a_{{\mathrm{\α}}_{im}}\right)}{\mathrm{\α}}_{im}^{a_{{\mathrm{\α}}_{im}}-1}\exp \[-b_{{\mathrm{\α}}_{im}}{\mathrm{\α}}_{im}\]$ 和 $p\left({\mathrm{\α}}_h\right)=\frac{{\left(b_{{\mathrm{\α}}_h}\right)}^{a_{{\mathrm{\α}}_h}}}{\mathrm{\Γ}\left(a_{{\mathrm{\α}}_h}\right)}{\mathrm{\α}}_h^{a_{{\mathrm{\α}}_h}-1}\exp \[-b_{{\mathrm{\α}}_h}{\mathrm{\α}}_h\],$ 其中，Γ(·)表示伽马函数，参数和均大于0，且数学期望 $E\left({\mathrm{\α}}_{im}\right)=\frac{a_{{\mathrm{\α}}_{im}}}{b_{{\mathrm{\α}}_{im}}},E\left({\mathrm{\α}}_h\right)=\frac{a_{{\mathrm{\α}}_h}}{b_{{\mathrm{\α}}_h}};$

步骤402、设定参数和的初始值和取得合理的初始数学期望和并分别作为α_im和α_h的初始值和即 ${\mathrm{\α}}_{im}^0=\frac{a_{{\mathrm{\α}}_{im}}^0}{b_{{\mathrm{\α}}_{im}}^0}$ 和 ${\mathrm{\α}}_h^0=\frac{a_{{\mathrm{\α}}_h}^0}{b_{{\mathrm{\α}}_h}^0}.$

优选，步骤6具体包括如下步骤：

步骤601、初始设定：作为上标的迭代序数k＝0、迭代退出阈值为ε；确认 h^k是否为已知，若否，则退出迭代；

步骤602、通过变分法估计出后验分布p^k(f|g)，有如下关系式： $-2log\[p^k\left(f\right|g)\]=const+{\mathrm{\α}}_{im}^k\left|\right|Cf|{|}_2^2+2{\mathrm{\σ}}^{-1}{||g-H^{k}f||}_1^1,$ const表示常数，对关系式右边求偏导并构造以下方程式：其中，sign[·]表示符号函数，利用最速下降法求解上述方程得到f，并将其作为数学期望表示为f^k，矩阵表示为F^k；

步骤603、通过变分法估计出后验分布p^k+1(h|g)，有如下关系式： $-2log\[p^{k+1}\left(h\right|g)\]=const+{\mathrm{\α}}_h^k\left|\right|Ch|{|}_2^2+2{\mathrm{\σ}}^{-1}{||g-F^{k}h||}_1^1,$ 对关系式右边求偏导并构造以下方程式：利用最速下降法求解上述方程得到h，并将其作为数学期望表示为h^k+1，矩阵表示为H^k+1；

步骤604、通过变分法估计出后验分布p^k+1(α_im|g)，有如下关系式： $log\[p^{k+1}\left({\mathrm{\α}}_{im}\right|g)\]=const+(a_{{\mathrm{\α}}_{im}}^0-1+\frac{N}{2}){\mathrm{log\α}}_{im}-(b_{{\mathrm{\α}}_{im}}^0+\frac{1}{2}{||{\mathrm{Cf}}^k||}_2^2){\mathrm{\α}}_{im},$ 由此p^k+1(α_im|g)仍为伽马分布，且求出α_im的数学期望为 ${\mathrm{\α}}_{im}^{k+1}=\frac{a_{{\mathrm{\α}}_{im}}^{k+1}}{b_{{\mathrm{\α}}_{im}}^{k+1}}=\frac{a_{{\mathrm{\α}}_{im}}^0+\frac{N}{2}}{b_{{\mathrm{\α}}_{im}}^0+\frac{1}{2}{||{\mathrm{Cf}}^k||}_2^2};$

步骤605、通过变分法估计出后验分布p^k+1(α_h|g)，有如下关系式： $log\[p^{k+1}\left({\mathrm{\α}}_h\right|g)\]=const+(a_{{\mathrm{\α}}_h}^0-1+\frac{N}{2}){\mathrm{log\α}}_h-(b_{{\mathrm{\α}}_h}^0+\frac{1}{2}{||{\mathrm{Ch}}^{k+1}||}_2^2){\mathrm{\α}}_h,$ 由此p^k+1(α_h|g)仍为伽马分布，且 $a_{{\mathrm{\α}}_h}^{k+1}=a_{{\mathrm{\α}}_h}^0+\frac{N}{2},b_{{\mathrm{\α}}_h}^{k+1}=b_{{\mathrm{\α}}_h}^0+\frac{1}{2}{||{\mathrm{Ch}}^{k+1}||}_2^2,$ 求出α_h的数学期望为 ${\mathrm{\α}}_h^{k+1}=\frac{a_{{\mathrm{\α}}_h}^{k+1}}{b_{{\mathrm{\α}}_h}^{k+1}}=\frac{a_{{\mathrm{\α}}_h}^0+\frac{N}{2}}{b_{{\mathrm{\α}}_h}^0+\frac{1}{2}{||{\mathrm{Ch}}^{k+1}||}_2^2};$

步骤606、判断是否满足迭代退出条件：如满足则退出迭代，否则k＝k+1，返回步骤602继续迭代。

优选，步骤601中迭代退出阈值ε可在如下范围设定：ε∈[10^-4,10^-3]。

优选，步骤1中ξ的值为6小时。

本发明的有益效果是：

第一、利用时相相近的多帧SAR图像融合后再进行盲解卷积，以增加盲解卷积的可用信息量；

第二、在SAR图像盲解卷积(即原始SAR图像和PSF进行联合估计)的同时，将先验模型参数值的估计与盲解卷积相耦合迭代，实现多层贝叶斯图像盲解卷积，提高了参数值的估计效率和准确性；

第三、采用拉普拉斯分布的噪声模型，更适于抑制SAR图像中不满足中心极限定理条件建模的脉冲干扰，提高了SAR图像盲解卷积的精度；

本方法可为SAR图像的检测、跟踪、识别等应用提供有力保障。

附图说明

图1是本发明抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法的整体流程图；

图2是本发明后验分布及数学期望的迭代估计流程图。

具体实施方式

下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，如图1所示，包括如下步骤：

步骤1、输入同一场景时相间隔小于ξ的多帧SAR图像并进行空间配准，一般的ξ的值为6小时，即输入同一场景时间间隔为6小时的多时相SAR图像并进行空间配准，包括：a)对各个SAR图像进行几何校正，b)计算经几何校正后的图像间的相对位置信息；

步骤2、将配准后的所有SAR图像融合成单帧SAR图像g，作为解卷积的初始图像，即根据配准结果，将几何校正后的所有SAR图像置于一个控制网格内，并用插值法使网格内不均匀分布的像素达到均匀分布；

步骤3、采用拉普拉斯分布对g中的噪声进行建模，得到g的条件概率分布p(g|f,h)，并依次对原始SAR图像f和点扩散函数h进行先验建模，得到f和h的先验模型p(f|α_im)和p(h|α_h)，并初始化h；

其中，α_im表示f的先验模型参数，α_h表示h的先验模型参数，表示已知时·的条件概率分布；

步骤4、依次对α_im和α_h进行先验建模，得到α_im和α_h的先验模型p(α_im)和p(α_h)，并初始化α_im和α_h；

步骤5、通过多层贝叶斯分解框架p(α_im,α_h,f,h,g)＝p(α_im)p(α_h)p(f|α_im)p(h|α_h)p(g|f,h)，实现对联合概率分布p(α_im,α_h,f,h,g)的建模；

步骤6、基于后验分布p(α_im,α_h,f,h|g)＝p(α_im,α_h,f,h,g)/p(g)和多层贝叶斯分解框架p(α_im,α_h,f,h,g)＝p(α_im)p(α_h)p(f|α_im)p(h|α_h)p(g|f,h)，利用变分贝叶斯推理和积分去除非感兴趣变量，从而迭代估计后验分布p(f|g)、p(h|g)、p(α_im|g)和p(α_h|g)，并以后验分布的数学期望对应作为f、h、α_im和α_h的估计值；其中，p(g)表示g的概率分布，在g已知时为常数；

步骤7、将迭代最终估计值作为SAR图像盲解卷积结果输出。

优选，步骤3具体包括如下步骤：

步骤301、将单帧SAR图像g中的噪声用零均值、标准差为σ的拉普拉斯分布建模，则g的条件概率分布p(g|f,h)为：

其中，N表示原始图像中的像素数，exp是以e为底的指数函数，||·||₁表示1-范数运算符，H为h的矩阵表示，使得Hf＝h*f，*表示卷积运算符；

步骤302、确定噪声模型参数σ的值，比如截取g中亮度均匀的区域，计算出区域中像素值的标准差作为σ；

步骤303、将原始SAR图像f和点扩散函数h的先验模型均设为高斯分布，分别为： $p\left(f\right|{\mathrm{\α}}_{im})={({\mathrm{\α}}_{im}/2\mathrm{\π})}^{N/2}\exp \{-\frac{1}{2}{\mathrm{\α}}_{im}{||Cf||}_2^2\}$ 和其中，C表示已给定的高通算子，||·||₂表示2-范数运算符，N和M分别表示原始图像f中的像素数和点扩散函数h中的元素数；

步骤304、设点扩散函数h的初始数学期望为h⁰,矩阵表示为H⁰，即E⁰(h)＝h⁰，其三维图形为一椭圆抛物面。

优选，步骤4具体包括如下步骤：

步骤401、将参数α_im和α_h的先验模型均设为伽马分布，分别为： $p\left({\mathrm{\α}}_{im}\right)=\frac{{\left(b_{{\mathrm{\α}}_{im}}\right)}^{a_{{\mathrm{\α}}_{im}}}}{\mathrm{\Γ}\left(a_{{\mathrm{\α}}_{im}}\right)}{\mathrm{\α}}_{im}^{a_{{\mathrm{\α}}_{im}}-1}\exp \[-b_{{\mathrm{\α}}_{im}}{\mathrm{\α}}_{im}\]$ 和 $p\left({\mathrm{\α}}_h\right)=\frac{{\left(b_{{\mathrm{\α}}_h}\right)}^{a_{{\mathrm{\α}}_h}}}{\mathrm{\Γ}\left(a_{{\mathrm{\α}}_h}\right)}{\mathrm{\α}}_h^{a_{{\mathrm{\α}}_h}-1}\exp \[-b_{{\mathrm{\α}}_h}{\mathrm{\α}}_h\],$ 其中，Γ(·)表示伽马函数，参数和均大于0，且数学期望 $E\left({\mathrm{\α}}_{im}\right)=\frac{a_{{\mathrm{\α}}_{im}}}{b_{{\mathrm{\α}}_{im}}},E\left({\mathrm{\α}}_h\right)=\frac{a_{{\mathrm{\α}}_h}}{b_{{\mathrm{\α}}_h}};$

步骤402、设定参数和的初始值和使初始数学期望和的取值合理(具体取值范围依赖于实际应用情况)，可分别作为α_im和α_h的初始值，则α_im和α_h的初始值分别为和 ${\mathrm{\α}}_h^0=\frac{a_{{\mathrm{\α}}_h}^0}{b_{{\mathrm{\α}}_h}^0}.$

优选，如图2所示，步骤6具体包括如下步骤：

步骤601、初始设定：作为上标的迭代序数k＝0、迭代退出阈值为ε，迭代退出阈值ε的取值范围最好是：ε∈[10^-4,10^-3]；确认h^k是否为已知，若否，则退出迭代；

步骤602、通过变分法估计出后验分布p^k(f|g)，有如下关系式： $-2log\[p^k\left(f\right|g)\]=const+{\mathrm{\α}}_{im}^k\left|\right|Cf|{|}_2^2+2{\mathrm{\σ}}^{-1}{||g-H^{k}f||}_1^1,$ const表示常数，对关系式右边求偏导并构造以下方程式：其中，sign[·]表示符号函数，利用最速下降法求解上述方程得到f，并将其作为数学期望表示为f^k，矩阵表示为F^k；

步骤603、通过变分法估计出后验分布p^k+1(h|g)，有如下关系式： $-2log\[p^{k+1}\left(h\right|g)\]=const+{\mathrm{\α}}_h^k\left|\right|Ch|{|}_2^2+2{\mathrm{\σ}}^{-1}{||g-F^{k}h||}_1^1,$ 对关系式右边求偏导并构造以下方程式：利用最速下降法求解上述方程得到h，并将其作为数学期望表示为h^k+1，矩阵表示为H^k+1；

步骤604、通过变分法估计出后验分布p^k+1(α_im|g)，有如下关系式： $log\[p^{k+1}\left({\mathrm{\α}}_{im}\right|g)\]=const+(a_{{\mathrm{\α}}_{im}}^0-1+\frac{N}{2}){\mathrm{log\α}}_{im}-(b_{{\mathrm{\α}}_{im}}^0+\frac{1}{2}{||{\mathrm{Cf}}^k||}_2^2){\mathrm{\α}}_{im},$ 由此p^k+1(α_im|g)仍为伽马分布，且求出α_im的数学期望为 ${\mathrm{\α}}_{im}^{k+1}=\frac{a_{{\mathrm{\α}}_{im}}^{k+1}}{b_{{\mathrm{\α}}_{im}}^{k+1}}=\frac{a_{{\mathrm{\α}}_{im}}^0+\frac{N}{2}}{b_{{\mathrm{\α}}_{im}}^0+\frac{1}{2}{||{\mathrm{Cf}}^k||}_2^2};$

步骤605、通过变分法估计出后验分布p^k+1(α_h|g)，有如下关系式： $log\[p^{k+1}\left({\mathrm{\α}}_h\right|g)\]=const+(a_{{\mathrm{\α}}_h}^0-1+\frac{N}{2}){\mathrm{log\α}}_h-(b_{{\mathrm{\α}}_h}^0+\frac{1}{2}{||{\mathrm{Ch}}^{k+1}||}_2^2){\mathrm{\α}}_h,$ 由此p^k+1(α_h|g)仍为伽马分布，且 $a_{{\mathrm{\α}}_h}^{k+1}=a_{{\mathrm{\α}}_h}^0+\frac{N}{2},b_{{\mathrm{\α}}_h}^{k+1}=b_{{\mathrm{\α}}_h}^0+\frac{1}{2}{||{\mathrm{Ch}}^{k+1}||}_2^2,$ 求出α_h的数学期望为 ${\mathrm{\α}}_h^{k+1}=\frac{a_{{\mathrm{\α}}_h}^{k+1}}{b_{{\mathrm{\α}}_h}^{k+1}}=\frac{a_{{\mathrm{\α}}_h}^0+\frac{N}{2}}{b_{{\mathrm{\α}}_h}^0+\frac{1}{2}{||{\mathrm{Ch}}^{k+1}||}_2^2};$

步骤606、判断是否满足迭代退出条件：如满足则退出迭代，否则k＝k+1，返回步骤602继续迭代。

本发明的有益效果是：

第一、利用时相相近的多帧SAR图像融合后再进行盲解卷积，以增加盲解卷积的可用信息量；

第二、在SAR图像盲解卷积(即原始SAR图像和PSF进行联合估计)的同时，将先验模型参数值的估计与盲解卷积相耦合迭代，实现多层贝叶斯图像盲解卷积，提高了参数值的估计效率和准确性；

第三、采用拉普拉斯分布的噪声模型，更适于抑制SAR图像中不满足中心极限定理条件建模的脉冲干扰，提高了SAR图像盲解卷积的精度；

本方法可为SAR图像的检测、跟踪、识别等应用提供有力保障。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换，或者直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，其特征在于，包括如下步骤：

步骤1、输入同一场景时相间隔小于ξ的多帧SAR图像并进行空间配准；

步骤2、将配准后的所有SAR图像融合成单帧SAR图像g，作为解卷积的初始图像；

步骤3、采用拉普拉斯分布对g中的噪声进行建模，得到g的条件概率分布p(g|f,h)，并依次对原始SAR图像f和点扩散函数h进行先验建模，得到f和h的先验模型p(f|α_im)和p(h|α_h)，并初始化h；

其中，α_im表示f的先验模型参数，α_h表示h的先验模型参数，表示已知时·的条件概率分布；

步骤4、依次对α_im和α_h进行先验建模，得到α_im和α_h的先验模型p(α_im)和p(α_h)，并初始化α_im和α_h；

步骤5、通过多层贝叶斯分解框架

p(α_im,α_h,f,h,g)＝p(α_im)p(α_h)p(f|α_im)p(h|α_h)p(g|f,h)，实现对联合概率分布p(α_im,α_h,f,h,g)的建模；

步骤6、基于后验分布p(α_im,α_h,f,h|g)＝p(α_im,α_h,f,h,g)/p(g)和多层贝叶斯分解框架p(α_im,α_h,f,h,g)＝p(α_im)p(α_h)p(f|α_im)p(h|α_h)p(g|f,h)，利用变分贝叶斯推理和积分去除非感兴趣变量，从而迭代估计后验分布p(f|g)、p(h|g)、p(α_im|g)和p(α_h|g)，并以后验分布的数学期望对应作为f、h、α_im和α_h的估计值；其中，p(g)表示g的概率分布，在g已知时为常数；

步骤7、将迭代最终估计值作为SAR图像盲解卷积结果输出。

2.根据权利要求1所述的抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，其特征在于，步骤3具体包括如下步骤：

步骤301、将单帧SAR图像g中的噪声用零均值、标准差为σ的拉普拉斯分布建模，则g的条件概率分布p(g|f,h)为：其中，N表示原始图像中的像素数，exp是以e为底的指数函数，||·||₁表示1-范数运算符，H为h的矩阵表示，使得Hf＝h*f，*表示卷积运算符；

步骤302、确定噪声模型参数σ的值；

步骤303、将原始SAR图像f和点扩散函数h的先验模型均设为高斯分布，分别为： $p\left(f\right|{\mathrm{\α}}_{im})={({\mathrm{\α}}_{im}/2\mathrm{\π})}^{N/2}\exp \{-\frac{1}{2}{\mathrm{\α}}_{im}|\left|Cf\right|{|}_2^2\}$ 和其中，C表示已给定的高通算子，||·||₂表示2-范数运算符，N和M分别表示原始图像f中的像素数和点扩散函数h中的元素数；

步骤304、设点扩散函数h的初始数学期望为h⁰,矩阵表示为H⁰，即E⁰(h)＝h⁰，其三维图形为一椭圆抛物面。

3.根据权利要求2所述的抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，其特征在于，步骤4具体包括如下步骤：

步骤401、将参数α_im和α_h的先验模型均设为伽马分布，分别为：

$p\left({\mathrm{\α}}_{im}\right)=\frac{{\left(b_{{\mathrm{\α}}_{im}}\right)}^{a_{{\mathrm{\α}}_{im}}}}{\mathrm{\Γ}\left(a_{{\mathrm{\α}}_{im}}\right)}{\mathrm{\α}}_{im}^{a_{{\mathrm{\α}}_{im}}-1}\exp \[-b_{{\mathrm{\α}}_{im}}{\mathrm{\α}}_{im}\]$ 和 $p\left({\mathrm{\α}}_h\right)=\frac{{\left(b_{{\mathrm{\α}}_h}\right)}^{a_{{\mathrm{\α}}_h}}}{\mathrm{\Γ}\left(a_{{\mathrm{\α}}_h}\right)}{\mathrm{\α}}_h^{a_{{\mathrm{\α}}_h}-1}\exp \[-b_{{\mathrm{\α}}_h}{\mathrm{\α}}_h\],$ 其中，Γ(·)表示伽马函数，参数和均大于0，且数学期望

步骤402、设定参数和的初始值和则α_im和α_h的初始数学期望和将其分别作为α_im和α_h的初始值 即 ${\mathrm{\α}}_{im}^0=\frac{a_{{\mathrm{\α}}_{im}}^0}{b_{{\mathrm{\α}}_{im}}^0}$ 和 ${\mathrm{\α}}_h^0=\frac{a_{{\mathrm{\α}}_h}^0}{b_{{\mathrm{\α}}_h}^0}.$

4.根据权利要求3所述的抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，其特征在于，步骤6具体包括如下步骤：

步骤601、初始设定：作为上标的迭代序数k＝0、迭代退出阈值为ε；确认 h^k是否为已知，若否，则退出迭代；

步骤602、通过变分法估计出后验分布p^k(f|g)，有如下关系式：

$-2\log \[p^k\left(f\right|g)\]=const+{\mathrm{\α}}_{im}^k\left|\right|Cf|{|}_2^2+2{\mathrm{\σ}}^{-1}||g-H^{k}f|{|}_1^1,$ const表示常数，对关系式右边求偏导并构造以下方程式：其中，sign[·]表示符号函数，利用最速下降法求解上述方程得到f，并将其作为数学期望表示为f^k，矩阵表示为F^k；

步骤603、通过变分法估计出后验分布p^k+1(h|g)，有如下关系式：

$-2\log \[p^{k+1}\left(h\right|g)\]=const+{\mathrm{\α}}_h^k\left|\right|Ch|{|}_2^2+2{\mathrm{\σ}}^{-1}||g-F^{k}h|{|}_1^1,$ 对关系式右边求偏导并构造以下方程式：利用最速下降法求解上述方程得到h，并将其作为数学期望表示为h^k+1，矩阵表示为H^k+1；

步骤604、通过变分法估计出后验分布p^k+1(α_im|g)，有如下关系式：

$\log \[p^{k+1}\left({\mathrm{\α}}_{im}|g\right)\]=const+\left(a_{{\mathrm{\α}}_{im}}^0-1+\frac{N}{2}\right){\mathrm{log\α}}_{im}-\left(b_{{\mathrm{\α}}_{im}}^0+\frac{1}{2}\left|\right|{\mathrm{Cf}}^k|{|}_2^2\right){\mathrm{\α}}_{im},$ 由此p^k+1(α_im|g)仍为伽马分布，且求出α_im的数学期望为 ${\mathrm{\α}}_{im}^{k+1}=\frac{a_{{\mathrm{\α}}_{im}}^{k+1}}{b_{{\mathrm{\α}}_{im}}^{k+1}}=\frac{a_{{\mathrm{\α}}_{im}}^0+\frac{N}{2}}{b_{{\mathrm{\α}}_{im}}^0+\frac{1}{2}\left|\right|{\mathrm{Cf}}^k|{|}_2^2};$

步骤605、通过变分法估计出后验分布p^k+1(α_h|g)，有如下关系式：

$\log \[p^{k+1}\left({\mathrm{\α}}_h\right|g)\]=const+(a_{{\mathrm{\α}}_h}^0-1+\frac{N}{2}){\mathrm{log\α}}_h-(b_{{\mathrm{\α}}_h}^0+\frac{1}{2}|\left|{\mathrm{Ch}}^{k+1}\right|{|}_2^2){\mathrm{\α}}_h,$ 由此p^k+1(α_h|g)仍为伽马分布，且 $a_{{\mathrm{\α}}_h}^{k+1}=a_{{\mathrm{\α}}_h}^0+\frac{N}{2},b_{{\mathrm{\α}}_h}^{k+1}=b_{{\mathrm{\α}}_h}^0+\frac{1}{2}\left|\right|{\mathrm{Ch}}^{k+1}|{|}_2^2,$ 求出α_h的数学期望为 ${\mathrm{\α}}_h^{k+1}=\frac{a_{{\mathrm{\α}}_h}^{k+1}}{b_{{\mathrm{\α}}_h}^{k+1}}=\frac{a_{{\mathrm{\α}}_h}^0+\frac{N}{2}}{b_{{\mathrm{\α}}_h}^0+\frac{1}{2}\left|\right|{\mathrm{Ch}}^{k+1}|{|}_2^2};$

步骤606、判断是否满足迭代退出条件：如满足则退出迭代，否则k＝k+1，返回步骤602继续迭代。

5.根据权利要求4所述的抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，其特征在于，迭代退出阈值ε的范围为：ε∈[10^-4,10^-3]。

6.根据权利要求1所述的抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，其特征在于，ξ的值为6小时。