CN107255800A - 多极化雷达成像的双层次块稀疏匹配追踪方法及装置 - Google Patents
多极化雷达成像的双层次块稀疏匹配追踪方法及装置 Download PDFInfo
- Publication number
- CN107255800A CN107255800A CN201710359284.7A CN201710359284A CN107255800A CN 107255800 A CN107255800 A CN 107255800A CN 201710359284 A CN201710359284 A CN 201710359284A CN 107255800 A CN107255800 A CN 107255800A
- Authority
- CN
- China
- Prior art keywords
- new
- polarization channel
- echo
- polarization
- mrow
- 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
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Abstract
本发明提供多极化雷达成像的双层次块稀疏匹配追踪方法及装置,方法包括:获取多个极化通道下雷达回波并向量化处理,根据向量化的雷达回波计算基信号矩阵,设置稀疏度K、参数δ、基信号集和各极化通道回波残余初始值;计算各极化通道的稀疏解并找出其中K个最大值对应的位置作为支撑集;对各极化下支撑集投票选出票数最高的支撑集组成各极化通道的共同支撑集;用概率图模型开发目标的双层次块稀疏性,获得新的共同支撑集;根据新的共同支撑集获取新的稀疏解,根据新的稀疏解获取各极化通道新的回波残余;判断新的回波残余是否满足预设迭代停止条件,若满足则停止迭代并根据当前迭代结果计算并融合得到最终成像结果。本发明计算量较小,能保证图像质量。
Description
技术领域
本发明涉及雷达成像技术领域,尤其涉及一种多极化雷达成像的 双层次块稀疏匹配追踪方法及装置。
背景技术
为了获取高分辨率的雷达图像,合成孔径雷达利用雷达与目标的 相对运动,是一种切实可行的雷达成像技术。微波能够穿透云团、障 碍物等,并且不会受到光照条件的影响,合成孔径雷达能够对观测场 景进行全天候的观测。
雷达有不同的极化发射或接收方式。一个目标,例如飞机或者舰 船,对不同的极化波形有着不同的散射特性。采用多极化雷达观测能 够提供更丰富的关于目标的信息,例如目标的位置、方向、大小等信 息。
压缩感知是最近几年兴起的一种的信号处理理论。在压缩感知的 框架下,可以采用少量的雷达观测数据,获得更高质量的雷达图像。 在场景稀疏的高分辨雷达图像中,一个目标往往占据了多个相邻的像 素,即成簇出现,这种图像特性可以称之为块稀疏性。针对多极化合 成孔径雷达,考虑到各个极化通道下对目标场景的划分是一致的,则 不同极化下的图像呈现联合稀疏性。联合稀疏性在某种程度上也可以 称之为块稀疏性。因此,在多极化合成孔径雷达成像中,可以开发目 标的成簇特性和联合稀疏特性,即双层次块稀疏性。开发雷达图像中 双层次块稀疏性能够更好的提高成像质量,使得目标更加清晰,更好的抑制杂点。现有的针对双层次块稀疏性的压缩感知方法为贝叶斯类 的方法。贝叶斯类的方法计算量较大,且存在大量的未知参数需要手 动调节,不利于进行快速的雷达成像。
鉴于此,如何针对多极化合成孔径雷达成像中双层次块稀疏性, 提供一种计算量较小且能够保证图像质量的压缩感知方法及装置成 为目前需要解决的技术问题。
发明内容
为解决上述的技术问题,本发明提供一种多极化雷达成像的双层 次块稀疏匹配追踪方法及装置,是针对多极化合成孔径雷达成像中双 层次块稀疏性的压缩感知方法,计算量较小,能保证图像质量。
第一方面,本发明提供一种多极化雷达成像的双层次块稀疏匹配 追踪方法,包括:
获取多个极化通道下的雷达回波,对所述雷达回波进行向量化处 理,根据向量化的雷达回波计算基信号矩阵,设置稀疏度K和参数δ, 设置基信号集和各极化通道的回波残余的初始值;
计算各极化通道的稀疏解,找出所有稀疏解中K个最大值所对应 的位置作为支撑集,K为正整数;
对各极化下的支撑集进行投票,选出票数最高的支撑集组成各极 化通道的共同支撑集;
利用概率图模型,开发目标的双层次块稀疏性,获得新的共同支 撑集;
根据所述新的共同支撑集,获取各极化通道的新的稀疏解,以及 根据所述新的稀疏解,获取各极化通道的新的回波残余;
判断所述新的回波残余是否满足预设迭代停止条件,若满足,则 停止迭代并根据当前迭代结果计算并融合得到最终成像结果。
可选地,所述根据所述新的共同支撑集,获取各极化通道的新的 稀疏解,包括:
根据所述新的共同支撑集,利用最小二乘计算得到各极化通道的 新的稀疏解。
可选地,所述双层次块稀疏性包括:成簇特性和联合稀疏性。
可选地,所述预设迭代停止条件,包括:
其中,Q为极化通道的通道总数量,q=1,2,…,Q,r(q,old)为根据所 述新的稀疏解获取各极化通道新的回波残余之前第q个极化通道的 回波残余,r(q,new)为根据所述新的稀疏解所获取的第q个极化通道的 新的回波残余。
可选地,在判断所述新的回波残余是否满足预设迭代停止条件之 后,所述方法还包括:
若所述新的回波残余不满足预设迭代停止条件,则根据各极化通 道的新的稀疏解和新的回波残余,返回执行所述计算各极化通道的稀 疏解,找出所有稀疏解中K个最大值所对应的位置作为支撑集的步骤 进行继续迭代。
第二方面,本发明提供一种多极化雷达成像的双层次块稀疏匹配 追踪装置,包括:
第一获取模块,用于获取多个极化通道下的雷达回波,对所述雷 达回波进行向量化处理,根据向量化的雷达回波计算基信号矩阵,设 置稀疏度K和参数δ,设置基信号集和各极化通道的回波残余的初始 值;
计算模块,用于计算各极化通道的稀疏解,找出所有稀疏解中K 个最大值所对应的位置作为支撑集,K为正整数;
投票模块,用于对各极化下的支撑集进行投票,选出票数最高的 支撑集组成各极化通道的共同支撑集;
第二获取模块,用于利用概率图模型,开发目标的双层次块稀疏 性,获得新的共同支撑集;
第三获取模块,用于根据所述新的共同支撑集,获取各极化通道 的新的稀疏解,以及根据所述新的稀疏解,获取各极化通道的新的回 波残余;
结果获取模块,用于判断所述新的回波残余是否满足预设迭代停 止条件,若满足,则停止迭代并根据当前迭代结果计算并融合得到最 终成像结果。
可选地,所述第三获取模块,具体用于
根据所述新的共同支撑集,利用最小二乘计算得到各极化通道的 新的稀疏解,以及根据所述新的稀疏解,获取各极化通道的新的回波 残余。
可选地,所述双层次块稀疏性包括:成簇特性和联合稀疏性。
可选地,所述预设迭代停止条件,包括:
其中,Q为极化通道的通道总数量,q=1,2,…,Q,r(q,old)为根据所 述新的稀疏解获取各极化通道新的回波残余之前第q个极化通道的 回波残余,r(q,new)为根据所述新的稀疏解所获取的第q个极化通道的 新的回波残余。
可选地,所述装置还包括:
迭代模块,用于若所述新的回波残余不满足预设迭代停止条件, 则根据各极化通道的新的稀疏解和新的回波残余,返回执行所述计算 模块进行继续迭代。
由上述技术方案可知,本发明的多极化雷达成像的双层次块稀疏 匹配追踪方法及装置,通过获取多个极化通道下雷达回波并向量化处 理,根据向量化的雷达回波计算基信号矩阵,设置稀疏度K、参数δ、 基信号集和各极化通道回波残余初始值;计算各极化通道的稀疏解并 找出其中K个最大值对应的位置作为支撑集;对各极化下支撑集投票 选出票数最高的支撑集组成各极化通道的共同支撑集;用概率图模型 开发目标的双层次块稀疏性,获得新的共同支撑集;根据新的共同支 撑集获取新的稀疏解,根据新的稀疏解获取各极化通道新的回波残余; 判断新的回波残余是否满足预设迭代停止条件,若满足则停止迭代并 根据当前迭代结果计算并融合得到最终成像结果,由此,能够实现针 对多极化合成孔径雷达成像中双层次块稀疏性的压缩感知,计算量较 小,能保证图像质量。
附图说明
图1为本发明一实施例提供的一种多极化雷达成像的双层次块 稀疏匹配追踪方法的流程示意图;
图2为本发明实施例提供的一种多极化雷达成像的双层次块稀 疏匹配追踪方法的实验设置图;
图3为本发明实施例提供的双层次块稀疏性的示例示意图;
图4为本发明实施例采用概率图模型的方式来对双层次块稀疏 性进行建模后得到的概率图模型示意图;
图5(a)-图5(c)为图4建模后得到的概率图模型的一种概率 密度估计示意图;
图6为本发明另一实施例提供的一种多极化雷达成像的双层次 块稀疏匹配追踪方法的流程示意图;
图7为本发明一实施例提供的一种多极化雷达成像的双层次块 稀疏匹配追踪方法的成像结果示意图;
图8为本发明一实施例提供的一种多极化雷达成像的双层次块 稀疏匹配追踪装置的结构示意图;
图9为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结 合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、 完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而 不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没 有做出创造性劳动前提下所获得的所有其他的实施例,都属于本发明 保护的范围。
图1示出了本发明一实施例提供的多极化雷达成像的双层次块 稀疏匹配追踪方法的流程示意图,如图1所示,本实施例的多极化雷 达成像的双层次块稀疏匹配追踪方法如下所述。
101、获取多个极化通道下的雷达回波,对所述雷达回波进行向 量化处理,根据向量化的雷达回波计算基信号矩阵,设置稀疏度K和 参数δ,设置基信号集和各极化通道的回波残余的初始值。
在具体应用中,可以参考图2所示的实验设置图,在多极化雷达 成像中假定雷达所观测的场景V被分为Nx×Ny个像素点,Nx和Ny均 为正整数,表示像素点的位置,{1,…,q,…,Q}代表不同的极化通道, Q为极化通道的通道总数量,q=1,2,…,Q。第q个极化通道下:合成 孔径雷达的M(q)个天线的位置分别是 m=1,2,…,M(q),L(q)个频点分别为则合成孔径雷达在第q个极化通道下,第m个天线、第l个频点处收 到的雷达回波信号的表达式为:
其中,表示点处的散射强度,c表示电磁波的传播速度,。 在对雷达回波信号的表达式(1)进行向量化之后,可以得到下述公 式(2):
y(q)=Φ(q)σ(q)+w(q) (2)
其中,w(q)代表加性噪声,
nx=1,2,…,Nx,ny=1,2,…,Ny,矩阵Φ(q)称为基信号矩阵,矩阵Φ(q)的 每一列为基信号,σ(q)是的向量化表示,σ(q)中非零元素的个 数是稀疏度K。
在具体应用中,在所述步骤101之前,还可以预先设定多极化合 成孔径雷达参数得到雷达所观测的场景,例如可以参考表1,表1为 一种多极化合成孔径雷达参数设置表。
表1
步进频率范围 | 1GHz |
中心频率 | 2.5GHz |
频点间隔 | 5MHz |
雷达孔径长度 | 1.51m |
天线个数 | 69个 |
极化方式 | HH、VV、HV |
102、计算各极化通道的稀疏解,找出所有稀疏解中K个最大值 所对应的位置作为支撑集,K为正整数。
在具体应用中,可以将第q个极化通道的支撑集定义为Λ(q),表 示σ(q)中非零元素的位置(K个)。
103、对各极化下的支撑集进行投票,选出票数最高的支撑集组 成各极化通道的共同支撑集。
在具体应用中,可以参考图3所示的双层次块稀疏性的示例,图 3中填充斜线的区域1表示目标区域,白色区域2表示非目标区域。 可以定义支撑集区域为sΛ(q)=1,非支撑集区域为其中,s是 一个NxNy×1的向量,代表Λ(q)的补集。考虑到各个极化通道之间 的联合稀疏性,可以定义各极化通道的共同支撑集为Λ=Λ(q) (q=1,2,…,Q)。因此,共同支撑集区域可定义为sΛ=1。
104、利用概率图模型,开发目标的双层次块稀疏性,获得新的 共同支撑集。
其中,所述双层次块稀疏性包括:成簇特性和联合稀疏性。
在具体应用中,所述步骤104可以用马尔科夫随机场对目标的成 簇特性进行描述,得到:
其中,Ni表示与像素i相邻的像素区域,像素i′∈Ni,si表示支撑 集区域s中第i个元素,表示支撑集区域s中像素i的邻域,表示归一化的系数,这里考虑了二阶邻域系统;
然后,可以采用概率图模型的方式来对双层次块稀疏性进行建模, 建模后得到的模型可以参考图4,由于目标存在成簇特性,因此影 响着si;又由于联合稀疏性,因此si决定着是否为0。 所以,建模后得到的模型中各项的联合分布可以表示为:
其中,J(si)是关于si的函数。将J(si)最大化,可以得到:
对公式(5)求解,可以得到公式(5)的解为:
其中,
在具体应用中,可以根据图5(a)来定义根据图 5(b)来定义根据图5(c)来定义 在图5(a)-5(c)中,横坐标代表的 绝对值,纵坐标代表概率密度取值,α是的最大值,τ为用于区 别“大值”与“小值”的阈值,0<ε2<ε1,0<ε4<ε3;可以将上述 公式(7)表示为:
其中,
可以假设δ一般取一个很小的值,例 如,本实施例可以取δ=10-6。所以,公式(8)可以表示为:
105、根据所述新的共同支撑集,获取各极化通道的新的稀疏解, 以及根据所述新的稀疏解,获取各极化通道的新的回波残余。
在具体应用中,可以用r(q,new)表示根据所述新的稀疏解所获取的 第q个极化通道的新的回波残余,用r(q,old)表示根据所述新的稀疏解 获取各极化通道新的回波残余之前第q个极化通道的回波残余。
在具体应用中,所述步骤105可以根据所述新的共同支撑集,利 用最小二乘计算得到各极化通道的新的稀疏解。
106、判断所述新的回波残余是否满足预设迭代停止条件,若满 足,则停止迭代并根据当前迭代结果计算并融合得到最终成像结果。
在具体应用中,所述预设迭代停止条件可以包括:
其中,Q表示极化通道的通道总数量,q=1,2,…,Q,r(q,old)表示根 据所述新的稀疏解获取各极化通道新的回波残余之前第q个极化通 道的回波残余,r(q,new)表示根据所述新的稀疏解所获取的第q个极化 通道的新的回波残余。
在具体应用中,如图6所示,所述步骤106在判断所述新的回波 残余是否满足预设迭代停止条件之后,还可以包括:
若所述新的回波残余不满足预设迭代停止条件,则根据各极化通 道的新的稀疏解和新的回波残余,返回执行所述计算各极化通道的稀 疏解,找出所有稀疏解中K个最大值所对应的位置作为支撑集的步骤 进行继续迭代。
进一步地,为了方便描述本实施例的多极化雷达成像的双层次块 稀疏匹配追踪方法,可以预先定义本方法中所使用到的三个函数:
1、
2、
3、Λvote=majority-vote({Λ(q)|q=1,2,…,Q}):(a)设置(b)对 每一个q∈{1,2,…,Q},n=add(n,Λ(q));(c)Λvote=max_ind(n,K);
然后本实施例所述方法的具体步骤可以包括:
输入:{y(q),Φ(q)|q=1,2,…,Q},K,δ。
初始化:针对q=1,2,…,Q,设置r(q,old)=y(q);针对q=1,2,…,Q,设 置
迭代步骤:
S1:针对q=1,2,…,Q,
S2:针对q=1,2,…,Q,
S3:Λvote=majority-vote({Λ(q)|q=1,2,…,Q}),然后设置
S4:对于每一个i∈{1,2,…,NxNy},利用上述公式(9)和 和计算Δ;如果Δ>0,否则在 公式(9)中,τ可以先由步骤S1中得到的稀疏解的第2K大的幅度 的值确定。
S5:Λesti={中‘1’所处的位置}.
S6:针对q=1,2,…,Q,然后设置中最 小的(PxPy-K)个系数为0。
S7:针对q=1,2,…,Q,
S8:如果设置r(q,old)=r(q,new), 返回步骤S1;否则停止迭代。
输出:
本实施例的多极化雷达成像的双层次块稀疏匹配追踪方法,应用 于处理器,通过获取多个极化通道下的雷达回波,对所述雷达回波进 行向量化处理,根据向量化的雷达回波计算基信号矩阵,设置稀疏度 K和参数δ,设置基信号集和各极化通道的回波残余的初始值;计算 各极化通道的稀疏解,找出所有稀疏解中K个最大值所对应的位置作 为支撑集,K为正整数;对各极化下的支撑集进行投票,选出票数最 高的支撑集组成各极化通道的共同支撑集;利用概率图模型,开发目 标的双层次块稀疏性,获得新的共同支撑集;根据所述新的共同支撑 集,获取各极化通道的新的稀疏解,以及根据所述新的稀疏解,获取 各极化通道的新的回波残余;判断所述新的回波残余是否满足预设迭 代停止条件,若满足,则停止迭代并根据当前迭代结果计算并融合得 到最终成像结果;由此,能够实现针对多极化合成孔径雷达成像中双 层次块稀疏性的压缩感知,计算量较小,能保证图像质量。
本实施例所述方法,通过多极化合成孔径雷达采集雷达回波数据, 再采用本发明所提出的方法重建并融合目标场景,得到雷达的成像结 果。本实施例所述方法着重开发了雷达图像中的目标的成簇特性和多 极化下图像的联合稀疏性。由于本实施例所述方法采用了匹配追踪的 框架,其计算量也显著低于贝叶斯类方法的计算量(其中T是贝叶斯类算法的 迭代次数)。经过验证,采用本实施例所述方法进行多极化合成孔径 雷达成像,可参考图7,能够使目标更加清晰,提高成像的视觉效果, 保留弱目标的能力也得到增强,杂波得到抑制,从而有力的证明了本 实施例所述方法的有效性。
图8示出了本发明一实施例提供的一种多极化雷达成像的双层 次块稀疏匹配追踪装置的结构示意图,如图8所示,本实施例的多极 化雷达成像的双层次块稀疏匹配追踪装置,包括:第一获取模块81、 计算模块82、投票模块83、第二获取模块84、第三获取模块85和 结果获取模块86;其中:
第一获取模块81,用于获取多个极化通道下的雷达回波,对所 述雷达回波进行向量化处理,根据向量化的雷达回波计算基信号矩阵, 设置稀疏度K和参数δ,设置基信号集和各极化通道的回波残余的初 始值;
计算模块82,用于计算各极化通道的稀疏解,找出所有稀疏解 中K个最大值所对应的位置作为支撑集,K为正整数;
投票模块83,用于对各极化下的支撑集进行投票,选出票数最 高的支撑集组成各极化通道的共同支撑集;
第二获取模块84,用于利用概率图模型,开发目标的双层次块 稀疏性,获得新的共同支撑集;
第三获取模块85,用于根据所述新的共同支撑集,获取各极化 通道的新的稀疏解,以及根据所述新的稀疏解,获取各极化通道的新 的回波残余;
结果获取模块86,用于判断所述新的回波残余是否满足预设迭 代停止条件,若满足,则停止迭代并根据当前迭代结果计算并融合得 到最终成像结果。
其中,所述双层次块稀疏性包括:成簇特性和联合稀疏性。
在具体应用中,所述第三获取模块85,可具体用于
根据所述新的共同支撑集,利用最小二乘计算得到各极化通道的 新的稀疏解,以及根据所述新的稀疏解,获取各极化通道的新的回波 残余。
在具体应用中,所述预设迭代停止条件,可以包括:
其中,Q为极化通道的通道总数量,q=1,2,…,Q,r(q,old)为根据所 述新的稀疏解获取各极化通道新的回波残余之前第q个极化通道的 回波残余,r(q,new)为根据所述新的稀疏解所获取的第q个极化通道的 新的回波残余。
在具体应用中,所述装置还可以包括图中未示出的:
迭代模块,用于若所述新的回波残余不满足预设迭代停止条件, 则根据各极化通道的新的稀疏解和新的回波残余,返回执行所述计算 模块进行继续迭代。
本实施例的多极化雷达成像的双层次块稀疏匹配追踪装置,可以 用于执行前述方法实施例的技术方案,其实现原理和技术效果类似, 此处不再赘述。
本实施例的多极化雷达成像的双层次块稀疏匹配追踪装置,应用 于处理器中,能够实现针对多极化合成孔径雷达成像中双层次块稀疏 性的压缩感知,计算量较小,能保证图像质量,能够使目标更加清晰, 提高成像的视觉效果,保留弱目标的能力也得到增强,杂波得到抑制。
图9示出了本发明实施例提供的一种电子设备的实体结构示意 图,如图9所示,该电子设备可以包括:处理器11、存储器12、总 线13及存储在存储器12上并可在处理器11上运行的计算机程序;
其中,所述处理器11,存储器12通过所述总线13完成相互间 的通信;
所述处理器11执行所述计算机程序时实现上述方法实施例所提 供的方法,例如包括:获取多个极化通道下的雷达回波,对所述雷达 回波进行向量化处理,根据向量化的雷达回波计算基信号矩阵,设置 稀疏度K和参数δ,设置基信号集和各极化通道的回波残余的初始值; 计算各极化通道的稀疏解,找出所有稀疏解中K个最大值所对应的位 置作为支撑集,K为正整数;对各极化下的支撑集进行投票,选出票 数最高的支撑集组成各极化通道的共同支撑集;利用概率图模型,开 发目标的双层次块稀疏性,获得新的共同支撑集;根据所述新的共同 支撑集,获取各极化通道的新的稀疏解,以及根据所述新的稀疏解, 获取各极化通道的新的回波残余;判断所述新的回波残余是否满足预 设迭代停止条件,若满足,则停止迭代并根据当前迭代结果计算并融 合得到最终成像结果。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有 计算机程序,该计算机程序被处理器执行时实现上述方法实施例所提 供的方法,例如包括:获取多个极化通道下的雷达回波,对所述雷达 回波进行向量化处理,根据向量化的雷达回波计算基信号矩阵,设置 稀疏度K和参数δ,设置基信号集和各极化通道的回波残余的初始值; 计算各极化通道的稀疏解,找出所有稀疏解中K个最大值所对应的位 置作为支撑集,K为正整数;对各极化下的支撑集进行投票,选出票 数最高的支撑集组成各极化通道的共同支撑集;利用概率图模型,开 发目标的双层次块稀疏性,获得新的共同支撑集;根据所述新的共同 支撑集,获取各极化通道的新的稀疏解,以及根据所述新的稀疏解, 获取各极化通道的新的回波残余;判断所述新的回波残余是否满足预 设迭代停止条件,若满足,则停止迭代并根据当前迭代结果计算并融 合得到最终成像结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系 统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用 存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实 施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机 程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指 令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和 /或方框图中的流程和/或方框的结合。可提供这些计算机程序指令 到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设 备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理 设备的处理器执行的指令产生用于实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能的装置/系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数 据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计 算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框 中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理 设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产 生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令 提供用于实现在流程图一个流程或多个流程和/或方框图一个方框 或多个方框中指定的功能的步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅 仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定 要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺 序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排 他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备 不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还 包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限 制的情况下,由语句“包括一个……”限定的要素,并不排除在包括 所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术 语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位 置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所 指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因 此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可 以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接; 可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内 部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解 上述术语在本发明中的具体含义。
本发明的说明书中,说明了大量具体细节。然而能够理解的是, 本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例 中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书 的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发 明方面中的一个或多个,在上面对本发明的示例性实施例的描述中, 本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描 述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求 保护的本发明要求比在每个权利要求中所明确记载的特征更多的特 征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前 面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要 求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为 本发明的单独实施例。需要说明的是,在不冲突的情况下,本申请中 的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单 一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/ 或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个 方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案, 而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明, 本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载 的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替 换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各 实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的 范围当中。
Claims (10)
1.一种多极化雷达成像的双层次块稀疏匹配追踪方法,其特征在于,包括:
获取多个极化通道下的雷达回波,对所述雷达回波进行向量化处理,根据向量化的雷达回波计算基信号矩阵,设置稀疏度K和参数设置基信号集和各极化通道的回波残余的初始值;
计算各极化通道的稀疏解,找出所有稀疏解中K个最大值所对应的位置作为支撑集,K为正整数;
对各极化下的支撑集进行投票,选出票数最高的支撑集组成各极化通道的共同支撑集;
利用概率图模型,开发目标的双层次块稀疏性,获得新的共同支撑集;
根据所述新的共同支撑集,获取各极化通道的新的稀疏解,以及根据所述新的稀疏解,获取各极化通道的新的回波残余;
判断所述新的回波残余是否满足预设迭代停止条件,若满足,则停止迭代并根据当前迭代结果计算并融合得到最终成像结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述新的共同支撑集,获取各极化通道的新的稀疏解,包括:
根据所述新的共同支撑集,利用最小二乘计算得到各极化通道的新的稀疏解。
3.根据权利要求1所述的方法,其特征在于,所述双层次块稀疏性包括:成簇特性和联合稀疏性。
4.根据权利要求3所述的方法,其特征在于,所述预设迭代停止条件,包括:
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>,</mo>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>></mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>,</mo>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
其中,Q为极化通道的通道总数量,q=1,2,…,Q,r(q,old)为根据所述新的稀疏解获取各极化通道新的回波残余之前第q个极化通道的回波残余,r(q,new)为根据所述新的稀疏解所获取的第q个极化通道的新的回波残余。
5.根据权利要求1-4中任一项所述的方法,其特征在于,在判断所述新的回波残余是否满足预设迭代停止条件之后,所述方法还包括:
若所述新的回波残余不满足预设迭代停止条件,则根据各极化通道的新的稀疏解和新的回波残余,返回执行所述计算各极化通道的稀疏解,找出所有稀疏解中K个最大值所对应的位置作为支撑集的步骤进行继续迭代。
6.一种多极化雷达成像的双层次块稀疏匹配追踪装置,其特征在于,包括:
第一获取模块,用于获取多个极化通道下的雷达回波,对所述雷达回波进行向量化处理,根据向量化的雷达回波计算基信号矩阵,设置稀疏度K和参数设置基信号集和各极化通道的回波残余的初始值;
计算模块,用于计算各极化通道的稀疏解,找出所有稀疏解中K个最大值所对应的位置作为支撑集,K为正整数;
投票模块,用于对各极化下的支撑集进行投票,选出票数最高的支撑集组成各极化通道的共同支撑集;
第二获取模块,用于利用概率图模型,开发目标的双层次块稀疏性,获得新的共同支撑集;
第三获取模块,用于根据所述新的共同支撑集,获取各极化通道的新的稀疏解,以及根据所述新的稀疏解,获取各极化通道的新的回波残余;
结果获取模块,用于判断所述新的回波残余是否满足预设迭代停止条件,若满足,则停止迭代并根据当前迭代结果计算并融合得到最终成像结果。
7.根据权利要求6所述的装置,其特征在于,所述第三获取模块,具体用于
根据所述新的共同支撑集,利用最小二乘计算得到各极化通道的新的稀疏解,以及根据所述新的稀疏解,获取各极化通道的新的回波残余。
8.根据权利要求1所述的装置,其特征在于,所述双层次块稀疏性包括:成簇特性和联合稀疏性。
9.根据权利要求8所述的装置,其特征在于,所述预设迭代停止条件,包括:
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>,</mo>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>></mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>,</mo>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
其中,Q为极化通道的通道总数量,q=1,2,…,Q,r(q,old)为根据所述新的稀疏解获取各极化通道新的回波残余之前第q个极化通道的回波残余,r(q,new)为根据所述新的稀疏解所获取的第q个极化通道的新的回波残余。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述装置还包括:
迭代模块,用于若所述新的回波残余不满足预设迭代停止条件,则根据各极化通道的新的稀疏解和新的回波残余,返回执行所述计算模块进行继续迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710359284.7A CN107255800B (zh) | 2017-05-19 | 2017-05-19 | 多极化雷达成像的双层次块稀疏匹配追踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710359284.7A CN107255800B (zh) | 2017-05-19 | 2017-05-19 | 多极化雷达成像的双层次块稀疏匹配追踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107255800A true CN107255800A (zh) | 2017-10-17 |
CN107255800B CN107255800B (zh) | 2020-08-25 |
Family
ID=60027653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710359284.7A Active CN107255800B (zh) | 2017-05-19 | 2017-05-19 | 多极化雷达成像的双层次块稀疏匹配追踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107255800B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108627835A (zh) * | 2018-06-29 | 2018-10-09 | 中国科学院电子学研究所 | 全极化差分sar层析的目标重构方法 |
CN108828549A (zh) * | 2018-07-31 | 2018-11-16 | 安徽四创电子股份有限公司 | 一种基于机场场面监视雷达系统的目标提取方法 |
CN109324315A (zh) * | 2018-11-26 | 2019-02-12 | 清华大学 | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 |
CN110018475A (zh) * | 2019-05-08 | 2019-07-16 | 沈阳航空航天大学 | 一种多基地机载无源合成孔径雷达目标成像方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221239A (zh) * | 2008-01-25 | 2008-07-16 | 电子科技大学 | 一种基于水平集的合成孔径雷达图像分割方法 |
CN102944875A (zh) * | 2012-11-21 | 2013-02-27 | 西安电子科技大学 | Isar图像距离单元选择横向定标方法 |
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 |
CN103323805A (zh) * | 2013-05-29 | 2013-09-25 | 杭州电子科技大学 | 基于小波域稀疏表示的speed快速磁共振成像方法 |
US20140347213A1 (en) * | 2012-03-09 | 2014-11-27 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | Method and System for Estimation and Extraction of Interference Noise from Signals |
CN104392231A (zh) * | 2014-11-07 | 2015-03-04 | 南京航空航天大学 | 基于分块与稀疏主特征提取的快速协同显著性检测方法 |
CN106249233A (zh) * | 2016-09-21 | 2016-12-21 | 清华大学 | 面向多极化穿墙雷达成像的前向混合匹配追踪方法和系统 |
CN106680815A (zh) * | 2016-12-15 | 2017-05-17 | 哈尔滨工程大学 | 基于张量稀疏表示的mimo雷达成像方法 |
-
2017
- 2017-05-19 CN CN201710359284.7A patent/CN107255800B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221239A (zh) * | 2008-01-25 | 2008-07-16 | 电子科技大学 | 一种基于水平集的合成孔径雷达图像分割方法 |
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 |
US20140347213A1 (en) * | 2012-03-09 | 2014-11-27 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | Method and System for Estimation and Extraction of Interference Noise from Signals |
CN102944875A (zh) * | 2012-11-21 | 2013-02-27 | 西安电子科技大学 | Isar图像距离单元选择横向定标方法 |
CN103323805A (zh) * | 2013-05-29 | 2013-09-25 | 杭州电子科技大学 | 基于小波域稀疏表示的speed快速磁共振成像方法 |
CN104392231A (zh) * | 2014-11-07 | 2015-03-04 | 南京航空航天大学 | 基于分块与稀疏主特征提取的快速协同显著性检测方法 |
CN106249233A (zh) * | 2016-09-21 | 2016-12-21 | 清华大学 | 面向多极化穿墙雷达成像的前向混合匹配追踪方法和系统 |
CN106680815A (zh) * | 2016-12-15 | 2017-05-17 | 哈尔滨工程大学 | 基于张量稀疏表示的mimo雷达成像方法 |
Non-Patent Citations (3)
Title |
---|
F. AHMAD等: "Through-the-wall human motion indication using sparsity-driven change detection", 《IEEE TRANS. GEOSCI. REMOTE》 * |
M. LEIGSNERING等: "Parametric dictionary learning for sparsity-based TWRI in multipath environments", 《IEEE TRANS. AEROSP. ELECTRON. SYST.》 * |
李刚等: "参数化稀疏表征在雷达探测中的应用", 《雷达学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108627835A (zh) * | 2018-06-29 | 2018-10-09 | 中国科学院电子学研究所 | 全极化差分sar层析的目标重构方法 |
CN108627835B (zh) * | 2018-06-29 | 2021-07-27 | 中国科学院电子学研究所 | 全极化差分sar层析的目标重构方法 |
CN108828549A (zh) * | 2018-07-31 | 2018-11-16 | 安徽四创电子股份有限公司 | 一种基于机场场面监视雷达系统的目标提取方法 |
CN108828549B (zh) * | 2018-07-31 | 2021-06-15 | 安徽四创电子股份有限公司 | 一种基于机场场面监视雷达系统的目标提取方法 |
CN109324315A (zh) * | 2018-11-26 | 2019-02-12 | 清华大学 | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 |
CN109324315B (zh) * | 2018-11-26 | 2023-03-28 | 清华大学 | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 |
CN110018475A (zh) * | 2019-05-08 | 2019-07-16 | 沈阳航空航天大学 | 一种多基地机载无源合成孔径雷达目标成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107255800B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107255800A (zh) | 多极化雷达成像的双层次块稀疏匹配追踪方法及装置 | |
CN108038445A (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
CN106507958B (zh) | 外辐射源雷达信号实时相干积累的方法 | |
CN107607942B (zh) | 基于深度学习模型的大尺度电磁散射与逆散射的预测方法 | |
Wang et al. | An improved Normalized Cross Correlation algorithm for SAR image registration | |
CN103605121B (zh) | 基于快速稀疏贝叶斯学习算法的宽带雷达数据融合方法 | |
CN109061643A (zh) | 基于三维属性散射中心模型的多雷达融合高分辨成像方法 | |
CN109978888A (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
Han et al. | Multi-size convolution and learning deep network for SAR ship detection from scratch | |
CN102096913A (zh) | 压缩感知框架下的多策略图像融合方法 | |
Wei et al. | Fault line detection method based on the improved SVD de‐noising and ideal clustering curve for distribution networks | |
Yao et al. | Machine learning methodology review for computational electromagnetics | |
CN110415180A (zh) | 一种基于小波卷积神经网络的sar图像去噪方法 | |
Fang et al. | Simulation of shielding characteristic of a typical decay waveguide window for EMP | |
CN104778293B (zh) | 非均匀介质目标电磁散射的体积分Nystrom分析方法 | |
CN105954730B (zh) | 一种sar回波快速时域生成方法 | |
CN116051861A (zh) | 一种基于重参数化的无锚框目标检测方法 | |
Zhao et al. | Sparse matrix canonical grid method for three-dimension rough surface | |
Liu et al. | Vehicle detection based on improved yolov5s algorithm | |
Li et al. | Enhancing CBFM with adaptive frequency sampling for wide-band scattering from objects buried in layered media | |
Chang et al. | Generating SAR images based on neural network | |
CN105426916A (zh) | 图像相似度计算方法 | |
Xu et al. | Assisted signals based mode decomposition | |
Li et al. | Parallelized Multilevel Characteristic Basis function Method (MLCBFM) combined with Adaptive Cross Approximation (ACA) for the analysis of the scattering from electrically large rough surfaces | |
Wang et al. | Physics-informed Deep Learning to Solve Electromagnetic Scattering Problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |