CN106872977A - 一种基于分段弱正交匹配追踪的层析sar三维成像方法 - Google Patents

Abstract

本发明提供一种基于分段弱正交匹配追踪的层析SAR三维成像方法，包括以下步骤：S1、多次航过采集目标的原始SAR数据，并对原始数据进行二维高分辨成像、配准以及相位补偿的预处理，从而得到可以进行层析SAR成像的观测数据集；S2、利用预处理的多景二维SAR数据在斜距垂向进行孔径合成，并重构出斜距垂向的信息；S3、获取目标高程信息，显示目标建筑物的三维点云结果。该方法能够在未知斜距垂向信号稀疏度的情况下很好的重构斜距垂向信息，实现目标建筑物的三维成像。

Description

一种基于分段弱正交匹配追踪的层析SAR三维成像方法

技术领域

本发明涉及合成孔径雷达(Synthetic Aperture Radar，SAR)成像技术领域，更具体地，涉及一种基于分段弱正交匹配追踪的层析SAR三维成像方法。

背景技术

SAR是一种主动式的对地观测技术，与传统的光学传感器相比，SAR可以实现全天时、全天候对地实时观测，并具有一定的地表穿透能力。SAR技术的发展带来了数据量和计算量的急剧膨胀，而且随着实时成像需求的增强，对大规模SAR回波数据的实时成像处理越发重要。

压缩感知理论在层析SAR成像领域的应用正在快速的发展。各种基于压缩感知理论算法的提出拓展了层析SAR多维成像的方式。2012年12月26日出版的《电子测量与仪器学报》公开了“基于正则化正交匹配追踪的SAR层析成像”技术，其提出基于正则化正交匹配追踪(Regularized Orthogonal Matching Pursuit，ROMP)的层析SAR三维成像。文献中利用仿真数据验证了正交匹配追踪在层析SAR三维成像的准确性，基于ROMP的层析SAR三维成像算法能精确重构斜距垂向(文献中称为高度向)信号，实现高分辨率成像。虽然该算法保证了重构的稳健性以及运算的效率，但ROMP是非自适应的重构算法，在实际应用中利用ROMP进行层析SAR三维成像时需要已知信号的稀疏度K才能够准确的重构出目标的斜距垂向信息，真实地还原目标地物的真实三维场景。而在实际应用中很难准确确定斜距垂向信号的稀疏度，这大大增加了生产应用的难度。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的基于分段弱正交匹配追踪的层析SAR三维成像方法，在未知稀疏度的情况下很好的进行自适应，在层析SAR三维成像中很好的重构斜距垂向，实现目标的三维成像。

根据本发明的一个方面，提供一种层析SAR三维成像方法，包括以下步骤：

S1、获取目标建筑物的二维SAR影像并进行预处理，构成观测数据集；

S2、基于分段弱正交匹配追踪的压缩感知算法重构斜距垂向信息；

S3、获取目标高程信息，显示目标建筑物的三维点云结果。

作为优选的，所述步骤S1具体包括：采集多次航过目标的原始SAR数据，并对原始数据进行二维高分辨成像、配准以及相位补偿的预处理，从而得到可以进行层析SAR成像的观测数据集

作为优选的，所述二维SAR影像数据包括轨道高度、重访周期、入射角范围、中心斜距、方位分辨率、距离分辨率，单通道场景大小、最大获取长度。

作为优选的，所述步骤S2具体包括：

S21、将多个场景的二维SAR影像数据沿斜距垂向进行孔径合成，将其中一幅做为主影像，其他影像以此影像进行配准，配准后主影像上每个像素沿斜距垂向的同一散射单元构成一个观测信号；

S22、对每个观测信号利用分段弱正交匹配追踪的方法进行重构，得到目标建筑物沿斜距垂向的信息。

作为优选的，所述步骤S21进一步包括：分别确定被截取目标影像的方位向和距离向的起点和终点，，将一个散射单元的信号构成一个时间序列的信息。

作为优选的，所述步骤S22具体包括：

S221、获取第m航迹影像表达式S_m；

S222、将S_m表达式进行离散转换，得到用于压缩感知算法的观测向量、测量矩阵和散射稀疏矩阵；

S223、进行斜距垂向信息重构。

作为优选的，所述步骤S221具体包括，主影像中的任意一个像素的复数值S_m，作为真实三维反射情况在x-r平面的投影，即反射信号沿斜距垂向的积分：

式中，γ(s)为散射体反射率沿斜距垂向的分布函数，λ为波长，b_⊥m为航迹m、m-1的基线距离，ro为主影像中心斜距。

作为优选的，所述步骤S222具体包括：

对第m航迹影像表达式S_m进行离散表示：

式中，S_n为第n个目标，N为沿斜距垂向的散射体数目，m＝1...M，M<<N；将上式通过矩阵表示：

y＝Φγ+ξ

式中，y＝S_m，为M维观测量，表示M条航迹的观测量；

ξ＝[ξ₁,ξ₂,…,ξ_M]^T，为独立分布的高斯白噪声；

Φ＝[Φ₁,Φ₂,…Φ_n,…Φ_N]，为M×N的测量矩阵；

γ＝[γ₁,γ₂…,γ_n,…,γ_N]^T为稀疏矩阵；

对观测向量y、测量矩阵Φ、稀疏矩阵γ进行分段弱正交匹配追踪算法处理，得到重构后的斜距信息

与现有技术相比，本发明的有益效果在于：本发明通过自适应的分段弱正交匹配追踪(Stagewise Weak Orthogonal Matching Pursuit，SWOMP)层析SAR三维成像算法，能够在未知斜距垂向信号稀疏度的情况下很好的重构斜距垂向信息，实现目标建筑物的三维成像。这极大地扩大层析SAR三维成像的成像范围。

附图说明

图1为本发明实施例1的基于分段弱正交匹配追踪的层析SAR三维成像方法流程框图；

图2为本发明实施例图1的具体流程示意图；

图3是本发明实施例1的分段弱正交匹配追踪算法流程图；

图4是本发明实施例2的SAR成像结果示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

最后，本申请的方法仅为较佳的实施方案，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。

实施例1

图1示出了一种基于分段弱正交匹配追踪的层析SAR三维成像方法的流程框图，包括以下步骤：

S1、获取目标建筑物的二维SAR影像并进行预处理，构成观测数据集；

S2、基于分段弱正交匹配追踪的压缩感知算法重构斜距垂向信息；

S3、获取目标高程信息，显示目标建筑物的三维点云结果。

在本实施例步骤S1中，如图2所示，[S₁,S₂,…S_m-1,S_m,…S_M]为传感器在不同时间、不同航迹位置对同一目标区域获取的二维SAR影像。S_m-1S_m之间的基线距离为b_⊥m，S_m到s轴的垂直距离为δ(δ是由于航线不稳定造成的，计算时可通过校正消除)。斜距垂向s(方位-距离向所在平面的法线)平行于s’。L为斜距垂向合成孔径长度。P₁,P_n为目标地物在斜距垂向上的两个待测点,r₀为主图像中心斜距。作为优选的，所述二维SAR影像数据包括轨道高度、重访周期、入射角范围、方位分辨率、距离分辨率，单通道场景大小、最大获取长度，还包括光速c、波长λ、入射角向量InA、近距(Near range)向量、中心距(Center Range)向量、远距(Far Range)向量、方位分辨率、距离分辨率、斜距R0、水平距离H0＝R0*cos(InA)、基线向量。

作为优选的，所述步骤S1具体包括：通过传感器在不同时间、不同航迹位置对同一目标获取二维SAR影像数据。

如图2所示，所述步骤S2具体包括：

S21、将多个场景的二维SAR影像数据沿斜距垂向进行孔径合成，将其中一幅做为主影像，其他影像以此影像进行配准，配准后主影像上每个像素沿斜距垂向的同一散射单元构成一个观测信号；

S22、对每个观测信号利用分段弱正交匹配追踪的方法进行重构，得到目标建筑物沿斜距垂向的信息。

作为优选的，所述步骤S21进一步包括：分别确定被截取目标影像的方位向和距离向的起点和终点，将一个散射单元的信号构成一个时间序列的信息。

作为优选的，所述步骤S22具体包括：

S221、获取第m航迹影像表达式S_m；

S222、将S_m表达式进行离散转换，得到用于压缩感知算法的观测向量、测量矩阵和散射稀疏矩阵；

S223、进行斜距垂向信息重构。

作为优选的，所述步骤S221具体包括：

主影像中的任意一个像素的复数值S_m，可以看成真实三维反射情况在x-r平面的投影，即反射信号沿斜距垂向的积分：

式中，γ(s)为散射体反射率沿斜距垂向的分布函数，λ为波长，b_⊥m为航迹m、m-1的基线距离，ro为主影像中心斜距。

实际情况中，获取的数据往往基线分布不均匀或基线数目少，利用傅立叶变换方法进行三维成像无法得到理想的结果。根据压缩感知理论，如果信号在某个变换域稀疏或可压缩，可以利用低于奈奎斯特采样率的观测数据对该信号重构,而雷达目标可以由少数几个散射中心描述，即满足目标的稀疏性。因此可以将压缩感知应用到层析SAR三维成像中，对斜距垂向信号进行重构，获取目标建筑在斜距垂向的信息，从而提取出建筑物的高程信息。所述步骤S222具体包括，对S_m的航迹影像进行离散表示：

式中，S_n为第n个目标，N为沿斜距垂向的散射体数目，m＝1...M，M<N；将上式通过矩阵表示：

y＝Φγ+ξ

式中，y＝S_m，为M维观测量，表示M条航迹的观测量；ξ＝[ξ₁,ξ₂,…,ξ_M]^T，为独立分布的高斯白噪声，Φ＝[Ф₁，Ф₂…Ф_n…Ф_N]，为M×N的测量矩阵， γ＝[γ₁,γ₂…,γ_n,…,γ_N]^T，为N维散射稀疏矩阵；如图3和图4所示，对观测向量y、测量矩阵Φ、N维散射稀疏矩阵γ进行分段弱正交匹配追踪算法处理，得到重构后的斜距信息利用稀疏矩阵可得到重构信号为γ，从而提取出地物的高程信息。分段弱正交匹配追踪(SWOMP)是OMP改进算法中的一种，每次迭代可以选择多个原子。同时它在选择原子时降低了对测量矩阵的要求，最重要的是此算法不需要输出信号稀疏度K，相比其他需要已知信号稀疏度K的算法具有独到的优势。

由压缩感知理论可知，如果信号在某个变换域稀疏或可压缩，可以利用低于奈奎斯特采样率的观测数据对该信号重构。由于SAR的成像原理，SAR影像获取的斜距垂向信号可以作为稀疏信号，因此可以将压缩感知应用到层析SAR三维成像中，获取目标地物在斜距垂向的信息，从而提取出地物的高程信息。

实施例2

本实施例中方案提供某区域的14景二维SAR影像数据。利用ENVI读取14景目标区域的数据，并将数据保存成MATLAB可以读取的格式来作为准备数据。也可以只选取区域中的单一建筑物的14景影像数据作为准备数据，选取的区域需要记录下它在SAR影像中的坐标位置，方案选取14景北京某酒店的二维SAR影像作为准备数据。

对目标区域的三维点云生成(基于压缩感知SWOMP的TomoSAR三维点云成像算法)

(1)读取和加载数据

将准备数据读取并加载到MATLB中。

(2)确定目标区域位置

分别确定被截取目标影像的方位向和距离向的起点和终点位置。读取以二维数组的形式表示的14景影像数据，再将这14个二维数组构成一个三维的数组。

(3)初始化参数

影像数据参数(光速c、载波频率f、波长lambda、入射角向量InA、Near range向量、Center Range向量、Far Range向量、方位分辨率(azimuth resolution)、距离分辨率(range resolution)、斜距R0、水平距离H0＝R0*COS(InA)、基线向量baseline)

高程参数：设置高程预估值

(4)获取斜距垂向信息

对于层析SAR三维成像斜距垂向的信息获取主要有傅立叶变换方法、谱估计算法、压缩感知重构算法。压缩感知重构算法较其他二者有特别的优势，方案选取基于压缩感知的SWOMP对目标地物的斜距垂向信息进行重构。

(5)计算高程信息

利用步骤(4)获取目标地物的斜距信息，再经过进一步计算提取目标的高程信息。根据SWOPM算法流程图3，实验中需要输入的参数有传感矩阵A、观测向量y、迭代次数S，阈值α。其中，S默认值为10，α取值范围为0<α≤1。

(6)绘制三维点云成果

将重构形成的目标地物表示出来，并输出效果图，如图4所示。

最后，本申请的方法仅为较佳的实施方案，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 (8)

1.一种层析SAR三维成像方法，其特征在于，包括以下步骤：

S1、获取目标建筑物的二维SAR影像并进行预处理，构成观测数据集；

S2、基于分段弱正交匹配追踪的压缩感知算法重构斜距垂向信息；

S3、获取目标高程信息，显示目标建筑物的三维点云结果。

2.根据权利要求1所述的层析SAR三维成像方法，其特征在于，所述步骤S1具体包括：采集多次航过目标的原始SAR数据，并对原始数据进行二维高分辨成像配准相位补偿的预处理，从而得到可以进行层析SAR成像的观测数据集。

3.根据权利要求2所述的层析SAR三维成像方法，其特征在于，所述二维SAR影像数据包括轨道高度、重访周期、入射角范围、中心斜距、方位分辨率、距离分辨率，单通道场景大小、最大获取长度。

4.根据权利要求2所述的层析SAR三维成像方法，其特征在于，所述步骤S2具体包括：

S21、将多个场景的二维SAR影像数据沿斜距垂向进行孔径合成，将其中一幅做为主影像，其他影像以此影像进行配准，配准后主影像上每个像素沿斜距垂向的同一散射单元构成一个观测信号；

S22、对每个观测信号利用分段弱正交匹配追踪的方法进行重构，得到目标建筑物沿斜距垂向的信息。

5.根据权利要求4所述的层析SAR三维成像方法，其特征在于，所述步骤S21进一步包括：分别确定被截取目标影像的方位向和距离向的起点和终点，将一个散射单元的信号构成一个时间序列的信息。

6.根据权利要求4所述的层析SAR三维成像方法，其特征在于，所述步骤S22具体包括：

S221、获取第m航迹影像表达式S_m；

S222、将S_m表达式进行离散转换，得到用于压缩感知算法的观测向量、测量矩阵和散射稀疏矩阵；

S223、进行斜距垂向信息重构。

7.根据权利要求6所述的层析SAR三维成像方法，其特征在于，所述步骤S221具体包括，主影像中的任意一个像素的复数值S_m，作为真实三维反射情况在x-r平面的投影，即反射信号沿斜距垂向的积分：

$S_m=\&Integral;\mathrm{\&gamma;}\left(s\right).\exp (j\frac{4\mathrm{\&pi;}}{{\mathrm{\&lambda;r}}_0}.s.b_{\&perp;m})ds$

式中，γ(s)为散射体反射率沿斜距垂向的分布函数，λ为波长，b_⊥m为航迹m、m-1的基线距离，ro为主影像中心斜距。

8.根据权利要求4所述的层析SAR三维成像方法，其特征在于，所述步骤S222具体包括：

对第m航迹影像表达式S_m进行离散表示：

$S_m=\underset{n=1}{\overset{N}{\&Sigma;}}\mathrm{\&gamma;}\left(s_n\right).\exp (j\frac{4\mathrm{\&pi;}}{{\mathrm{\&lambda;r}}_0}.s_n.b_{\&perp;m})$

式中，S_n为第n个目标，N为沿斜距垂向的散射体数目，m＝1...M，M<<N；将上式通过矩阵表示：

y＝Φγ+ξ

式中，y＝S_m，为M维观测量，表示M条航迹的观测量；

ξ＝[ξ₁,ξ₂,…,ξ_M]^T，为独立分布的高斯白噪声；

Φ＝[Φ₁,Φ₂,…Φ_n,…Φ_N]，为M×N的测量矩阵；

γ＝[γ₁,γ₂…,γ_n,…,γ_N]^T为稀疏矩阵；

对观测向量y、测量矩阵Φ、稀疏矩阵γ进行分段弱正交匹配追踪算法处理，得到重构后的斜距信息