CN107462887A - 基于压缩感知的宽幅星载合成孔径雷达成像方法 - Google Patents
基于压缩感知的宽幅星载合成孔径雷达成像方法 Download PDFInfo
- Publication number
- CN107462887A CN107462887A CN201710550520.3A CN201710550520A CN107462887A CN 107462887 A CN107462887 A CN 107462887A CN 201710550520 A CN201710550520 A CN 201710550520A CN 107462887 A CN107462887 A CN 107462887A
- Authority
- CN
- China
- Prior art keywords
- matrix
- mrow
- satellite
- operator
- msub
- 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
- 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
- G01S13/9004—SAR image acquisition techniques
- G01S13/9011—SAR image acquisition techniques with frequency domain processing of the SAR signals in azimuth
-
- 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)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提出一种基于压缩感知的宽幅星载合成孔径雷达成像方法,包括卫星上发射天线以Poisson Disk采样模式发射信号脉冲,并接受目标反射回波信号;构造回波模拟算子,建立雷达观测方程;根据雷达观测方程,建立基于模拟算子的雷达成像稀疏重构模型;利用软阈值迭代法求解稀疏重构模型,获得目标场景散射强度;本发明针对宽测绘带的成像应用场景,利用方位降采样回波数据借助压缩感知模型和阈值迭代算法,具有快速重建出高分辨率场景散射强度图像的有益效果。
Description
技术领域
本发明涉及雷达成像技术领域,更具体地,涉及基于压缩感知的宽幅星载合成孔径雷达成像方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨现代微波成像遥感技术,能够全天时、全天候地对目标进行主动观测,在军用和民用方面都有着广泛的应用。SAR的特点是将雷达设备置于星载或机载平台上,运载平台相对于地面运动的同时发射电磁波并接受目标反射回波,对回波数据进行信号处理后就能得到高分辨雷达图像。
现代的星载SAR应用对成像质量的要求不断提高,要求能同时实现高分辨率和宽测绘带成像,给成像算法及系统设计带来了挑战。一方面,星载SAR系统中测绘带宽度受系统参数的限制,为了满足奈奎斯特采样定理,测绘带宽度与方位分辨率之间需要一个折中。另一方面,随着分辨率要求的提高,现有的模/数转换器的性能已经难以满足不断增长的雷达系统高采样率的要求,星载SAR系统的下行数据链路带宽也限制了采样数据的规模,利用降采样数据的快速高分辨、宽测绘带成像方法成为了迫切的需求。
近年来,压缩感知(Compressive Sensing,CS)技术得到了快速发展,它利用信号的稀疏性,能在低于奈奎斯特采样率的条件下完成信号的准确重建。压缩感知的重建算法种类丰富,常见的算法包括凸优化方法和贪婪算法两大类。其中凸优化算法包括基追踪算法、共轭梯度法、阈值迭代法等,贪婪算法包括正交匹配追踪、子空间追踪算法等。利用压缩感知理论设计的新型SAR成像方法,能对低于传统奈奎斯特采样率的降采样数据进行处理来获得较高分辨的雷达图像。
近年来,雷达成像技术领域界开展了将压缩感知理论引入雷达成像应用的研究。单一维度的稀疏重构是一种经典的成像方法。该方法特点是对回波数据先用传统的匹配滤波的方法完成距离向脉冲压缩和距离徙动校正,然后对每一个距离单元的方位向数据采用压缩感知的方法进行方位聚焦。这种方法需要对回波数据进行满采样,完成距离向操作后抽取方位向数据进行稀疏重构,所以本质上并没有减少SAR系统处理的数据量,反而增大了系统复杂度。将二维数据进行向量化,然后利用Lq正则化进行稀疏恢复是另一种常用的稀疏SAR成像方法。然而,这种方法会带来非常庞大的储存开销和计算量,所以难以适用于大规模场景成像。下面重点介绍两个与本发明方法相关的压缩感知SAR成像方法的贡献及不足。
[1]Sun J P,Zhang Y X,Tian J H,et al.A novel spaceborne SAR wide-swathimaging approach based on Poisson disk-like nonuniform sampling andcompressive sensing[J].Science China Information Sciences,2012:1-12.上述文献[1]中提出一种基于压缩感知的宽幅星载SAR成像方法,方法的特点在于在方位向采用Poisson Disk随机采样,然后对回波数据先利用传统的方法完成距离向脉冲压缩和距离徙动校正,接着在方位向利用稀疏恢复的方法进行方位聚焦。该方法能在低于理论的脉冲重复频率(PRF)的条件下重建场景图像,从而可运用于宽测绘带场景。但本方法的主要缺点是仍然需要传统的匹配滤波处理,增大了系统复杂度,采用了时域的距离徙动校正,只适用于中等分辨率的应用,而且对每一个距离单元都需要进行稀疏恢复,时间开销较大。
[2]Fang J,Xu Z,Zhang B,et al.Fast compressed sensing SAR imagingbased on approximated observation[J].IEEE Journal of Selected Topics inApplied Earth Observations and Remote Sensing,2014,7(1):352-363.上述文献[2]提出一种利用回波模拟算子的快速稀疏SAR成像方法。该方法能在较小的储存开销和较低的运算复杂度的前提下完成对场景的高分辨成像。该方法的主要缺点在于需要先接收满采样回波数据,设计降采样矩阵对数据进行处理,本质上没有降低回波的数据规模,而且没有突破方位向奈奎斯特采样率的限制来实现宽幅雷达成像。
发明内容
本发明为克服上述问题或者至少部分地解决上述问题,提供一种基于压缩感知的宽幅星载合成孔径雷达成像方法。
根据本发明的一个方面,提供一种基于压缩感知的宽幅星载合成孔径雷达成像方法,包括:
步骤1,卫星以Poisson Disk采样模式发射信号脉冲,并接受目标场景的反射回波信号Y;
步骤2,构造回波模拟算子G,建立雷达观测方程;
步骤3,根据所述雷达观测方程,建立所述回波模拟算子G的SAR成像稀疏重构模型;
步骤4,利用软阈值迭代法求解所述SAR成像稀疏重构模型,获得目标场景的散射强度矩阵
进一步,所述步骤1中卫星以Poisson Disk采样模式发射信号脉冲的步骤进一步包括:
卫星以Poison Disk采样模式发射信号脉冲,采样时刻如下式所示:
其中tm+1和tm分别为第m+1和第m个采样时刻,m为不大于总采样点数的正整数,W为距离向测绘带宽,Tp为发射的脉冲所持续的时间,δt为[0,1/PRF]上均匀分布的随机数,作为对采样时间的随机扰动;所述距离向测绘带宽W和脉冲重复频率PRF之间关系如下式所示,其中c为光速:
进一步,所述目标场景的反射回波信号Y是一个复数矩阵,矩阵维度为M×Nr,其中M为发射的脉冲数,Nr为脉冲采样点数。
进一步,所述回波模拟算子G为:
其中为模拟的回波数据,X为目标场景散射强度,Iη为对方位向维度的非均匀傅里叶逆变换矩阵,FFTτ(·)表示对距离向维度的快速傅里叶变换,IFFTτ(·)和IFFTη(·)分别表示对距离向维度和方位向维度的快速傅里叶逆变换,Sc表示用于变标操作的相位矩阵,Pτ和Pη分别表示用于距离压缩和方位压缩的相位矩阵,(·)*表示矩阵的共轭运算,·表示矩阵相乘,表示矩阵的哈达马乘积。
进一步,所述雷达观测方程为:Y=G(X)+Νe,X为目标场景散射强度,Ne为等效噪声矩阵。
进一步,所述步骤3进一步包括:
根据所述雷达观测方程,建立所述回波模拟算子G的SAR成像稀疏重构模型如下式所示:
其中是稀疏重构的目标场景散射强度,Y是回波数据矩阵,X是目标场景散射强度,||·||F是矩阵的Frobenius范数,||·||1是矩阵的1范数,λ是正则化参数,arg min是最小化计算式。
进一步,所述步骤4进一步包括:
S41,输入软阈值迭代法求解所需要的回波数据矩阵Y,回波模拟算子G和线频调变标算法成像算子H,初始化场景散射强度矩阵X(0)=0,残差矩阵R(0)=Y,模型误差ε(0)。给定阈值参数δ,正则化参数λ和最大迭代次数Imax,令迭代计数器i=1;
S42,利用阈值算子更新所述场景散射强度矩阵;
S43,更新所述残差矩阵和模型误差;
S44,计算模型误差变化率ξ(i);若ξ(i)<δ或i≥Imax,停止迭代,输出X(i)作为重建的目标场景散射强度矩阵
进一步,所述步骤S44进一步包括:
若ξ(i)≥δ且i<Imax,设置i=i+1,重复执行所述S42至S44。
进一步,所述M和Nr为正整数,由实际录取数据规模确定。
进一步,所述回波模拟算子G中的非均匀傅里叶逆变换矩阵Iη的矩阵乘法运算能替换为非均匀傅里叶变换的快速算法。
本申请提出一种基于压缩感知的宽幅星载合成孔径雷达成像方法,和现有的压缩感知SAR成像方法不同的是,本发明方法能实现星载SAR的高分辨、宽测绘带成像,并降低回波数据的规模,提升运行效率,减少运算成本。本发明方法相比于文献[1]中的方法可以应用于较高分辨率的场景,而且降低了系统复杂度和运算时间开销;本发明方法相比于文献[2]中的方法能实现宽测绘带成像,而且降低了回波数据的规模。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例一种基于压缩感知的宽幅星载合成孔径雷达成像方法的整体流程示意图;
图2根据本发明实施例一种传统的线频调变标算法对满采样数据的成像结果示意图;
图3根据本发明实施例一种基于压缩感知的宽幅星载合成孔径雷达成像方法的对方位向降采样数据的成像结果示意图。
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。
如背景技术部分内容所示,本发明的目的是针对于目前星载合成孔径雷达难以实现快速的宽测绘带、高分辨率成像的问题,提出一种基于压缩感知的宽幅星载合成孔径雷达快速成像方法。该方法利用L1正则化的回波模拟算子方法,针对方位向降采样的回波数据进行稀疏重构,实现宽幅场景的高分辨率快速成像。
如图1,本发明一个具体实施例中,示出一种宽幅星载合成孔径雷达成像方法整体流程示意图。总体上,包括:
步骤1,卫星以Poisson Disk采样模式发射信号脉冲,并接受目标场景的反射回波信号Y;
步骤2,构造回波模拟算子G,建立雷达观测方程;
步骤3,根据所述雷达观测方程,建立所述回波模拟算子G的SAR成像稀疏重构模型;
步骤4,利用软阈值迭代法求解所述SAR成像稀疏重构模型,获得目标场景的散射强度矩阵
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,所述步骤1中卫星以Poisson Disk采样模式发射信号脉冲的步骤进一步包括:
卫星以Poison Disk采样模式发射信号脉冲,采样时刻如下式所示:
其中tm+1和tm分别为第m+1和第m个采样时刻,m为不大于总采样点数的正整数,W为距离向测绘带宽,Tp为发射的脉冲所持续的时间,δt为[0,1/PRF]上均匀分布的随机数,作为对采样时间的随机扰动;所述距离向测绘带宽W和脉冲重复频率PRF之间关系如下式所示,其中c为光速:
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,所述目标场景的反射回波信号Y是一个复数矩阵,矩阵维度为M×Nr,其中M为发射的脉冲数,Nr为脉冲采样点数。
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,所述回波模拟算子G为:
其中为模拟的回波数据,X为目标场景散射强度,Iη为对方位向维度的非均匀傅里叶逆变换矩阵,FFTτ(·)表示对距离向维度的快速傅里叶变换,IFFTτ(·)和IFFTη(·)分别表示对距离向维度和方位向维度的快速傅里叶逆变换,Sc表示用于变标操作的相位矩阵,Pτ和Pη分别表示用于距离压缩和方位压缩的相位矩阵,(·)*表示矩阵的共轭运算,·表示矩阵相乘,表示矩阵的哈达马乘积。
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,所述雷达观测方程为:Y=G(X)+Νe,X为目标场景散射强度,Ne为等效噪声矩阵。
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,所述步骤3进一步包括:
根据所述雷达观测方程,建立所述回波模拟算子G的SAR成像稀疏重构模型如下式所示:
其中是稀疏重构的目标场景散射强度,Y是回波数据矩阵,X是目标场景散射强度,||·||F是矩阵的Frobenius范数,||·||1是矩阵的1范数,λ是正则化参数,arg min是最小化计算式。
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,所述步骤4进一步包括:
S41,输入软阈值迭代法求解所需要的回波数据矩阵Y,回波模拟算子G和线频调变标算法成像算子H,初始化场景散射强度矩阵X(0)=0,残差矩阵R(0)=Y,模型误差ε(0)。给定阈值参数δ,正则化参数λ和最大迭代次数Imax,令迭代计数器i=1;
S42,利用阈值算子更新所述场景散射强度矩阵;
S43,更新所述残差矩阵和模型误差;
S44,计算模型误差变化率ξ(i);若ξ(i)<δ或i≥Imax,停止迭代,输出X(i)作为重建的目标场景散射强度矩阵
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,所述步骤S44进一步包括:
若ξ(i)≥δ且i<Imax,设置i=i+1,重复执行所述S42至S44。
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,所述M和Nr为正整数,由实际录取数据规模确定。
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,所述回波模拟算子G中的非均匀傅里叶逆变换矩阵Iη的矩阵乘法运算能替换为非均匀傅里叶变换的快速算法。
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,包括以下步骤:
步骤1:卫星上发射天线以Poisson Disk采样模式发射信号脉冲,并接受目标反射回波信号Y;
Possion Disk采样是一种采样模式,其特点是采样点集保持一定的采样间隔,使得任意两个采样点之间的最小间隔不小于某一个给定的数值。根据SAR成像的基本理论,为了接收到从近距至远距的完整的回波信号,距离向测绘带宽W和脉冲重复频率PRF之间关系如下式(1)所示:
其中Tp表示发射的脉冲所持续的时间,c代表光速。而根据奈奎斯特采样定理,PRF应大于方位向带宽的主要部分,要获得方位向高分辨率,就需要提高PRF,从而会导致距离向测绘带宽W受限。本发明方法要实现宽幅场景成像,需要降低系统的PRF,采用PoisonDisk采样模式发射信号脉冲,采样时刻如式(2)所示:
其中tm+1和tm分别是第m+1和第m个采样时刻,m为不大于总采样点数的正整数。W和Tp与(1)中相同,δt是[0,1/PRF]上均匀分布的随机数,作为对采样时间的随机扰动。
接收到的目标反射回波信号Y是一个复数矩阵,矩阵维度为M×Nr,其中M为发射的脉冲数,Nr为脉冲采样点数(具体实施时M和Nr都是正整数,由实际录取数据规模确定)。
步骤2:构造回波模拟算子G,建立雷达观测方程;
回波模拟算子G由线频调变标算法(Chirp Scaling Algorithm)的逆过程实现。线频调变标算法是一种经典的SAR成像算法,适用于较高分辨率的应用场景,形式如式(3)所示:
其中H表示将线频调变标算法描述成对回波矩阵Y操作的算子,FFTτ(·)表示对距离向维度的快速傅里叶变换,IFFTτ(·)和IFFTη(·)分别表示对距离向维度和方位向维度的快速傅里叶逆变换,Sc表示用于变标操作的相位矩阵,Pτ和Pη分别表示用于距离压缩和方位压缩的相位矩阵。·表示矩阵相乘,表示矩阵的哈达马乘积(即矩阵点乘)。矩阵Fη表示对方位向维度的非均匀傅里叶变换矩阵,其具体形式如(4)所示:
Fη=[α1,α2,…,αM] (4)
Fη由M个列向量构成,M为方位向发射脉冲总数,第m个列向量形式为:
其中(·)T表示矩阵向量的转置操作,tm是方位向第m个采样时刻,m=1,2,…,M,表示方位向频率的第n个频点,n=1,2,…,Na,Na表示满足方位向奈奎斯特采样定理的均匀采样的采样点数。
回波信号Y通过线频调变标算法处理就得到了重建的场景散射强度矩阵回波信号由精确的雷达观测方程获得:
Y=A(X) (6)
其中A表示精确的SAR观测算子,进一步得到:
左右同时取逆运算得到:
H-1≈A (8)
所以,回波模拟算子通过线频调变标算法的逆运算构造,具体步骤包括:
步骤2.1:对场景散射强度X进行方位向傅里叶变换,得到距离多普勒域信号矩阵X1,如(9)所示:
X1=FFTη(X) (9)
其中FFTη(·)表示对方位向维度的傅里叶变换。
步骤2.2:对X1进行方位向相位补偿,即计算与Pη的共轭矩阵的哈达马乘积,然后进行距离向傅里叶变换得到二维频域信号矩阵X2,如(10)所示:
其中(·)*表示矩阵的共轭运算,Pη是步骤2中的方位压缩的相位矩阵,具体形式为如(11)所示:
其中代表距离向采样时间,fη代表方位向频率,RB代表距离单元,V表示SAR平台的等效速度,为常数,其中λ为雷达中心波长。ΘΔ(fη;RB)是由于变标操作引起的剩余相位,具体形式为:
其中γe(fη;Rs)是等效调频率,如(13)所示:
Rs为参考距离单元,θ为雷达斜视角,γ为发射脉冲信号的调频率。(12)中a(fη)称为变标因子,形式如(14)所示:
步骤2.3:对X2进行距离向相位补偿,即计算与Pτ的共轭矩阵的哈达马乘积,然后进行距离向傅里叶逆变换得到距离多普勒域域信号矩阵X3,如(15)所示:
Pτ是步骤2中的距离压缩的相位矩阵,具体形式如(16)所示:
其中fτ为距离向频率,fτ=0,Fs/Nr,2Fs/Nr,…,(Nr-1)Fs/Nr,Fs为信号采样频率,(16)中其余各参数物理意义和步骤2.2中相同。
步骤2.4:计算X3与变标相位矩阵Sc的哈达马乘积,然后进行方位向非均匀傅里叶逆变换,得到模拟的回波数据如(17)所示:
Sc是步骤2中的用于变标操作的相位矩阵,具体形式如(18)所示:
其中各参数物理意义和之前所述相同。(17)中的Iη为对方位向维度的非均匀傅里叶逆变换矩阵,具体形式如(19)所示:
Iη=[β1,β2,…,βNa] (19)
Iη由Na个列向量构成,第n个列向量形式为(n=1,2,…,Na):
其中各参数物理意义和步骤2中相同。
联立公式(9)-(20),得到基于线频调变标算法逆运算的回波模拟算子G,形式如(21)所示:
由此构造基于模拟算子G的雷达观测方程,如(22)所示:
Y=G(X)+Νe (22)
其中Ne为等效噪声矩阵。
(线频调变标算法操作算子H中的非均匀傅里叶变换矩阵Fη和回波模拟算子G中的非均匀傅里叶逆变换矩阵Iη的矩阵乘法运算能够用非均匀傅里叶变换的快速算法替代,从而进一步提高算法的运行效率)。
步骤3:根据步骤2中建立的观测方程,建立基于模拟算子G的SAR成像稀疏重构模型,如(23)所示:
其中是稀疏重构的目标场景散射强度,Y是回波数据矩阵,X是目标场景散射强度,||·||F是矩阵的Frobenius范数,||·||1是矩阵的1范数,λ是正则化参数,arg min是最小化计算式。
步骤4:利用软阈值迭代法求解步骤3中的稀疏重构模型,获得目标场景散射强度包括以下步骤:
步骤4.1:输入软阈值迭代法求解所需要的回波数据矩阵Y,回波模拟算子G和线频调变标算法成像算子H,初始化场景散射强度矩阵X(0)=0,残差矩阵R(0)=Y,模型误差ε(0)。给定阈值参数δ,正则化参数λ和最大迭代次数Imax,令迭代计数器i=1。其中,模型误差ε(0)由(24)给出:
步骤4.2:利用阈值算子更新场景散射强度矩阵,如(25)所示:
X(i)=Eλ(X(i-1)+H(R(i-1))) (25)
其中X(i)和X(i-1)为第i次和第i-1次迭代时的场景散射强度矩阵,R(i-1)为第i-1次迭代时的残差矩阵。Eλ(·)为软阈值算子,对任意的N为向量x的维数,xk为向量x的第k个分量,k=1,2,…,N,具有如(26)所示关系:
Eλ(x)=(eλ(x1),eλ(x2),…,eλ(xN))T (26)
其中
sgn(·)为符号函数,λ为步骤4.1中的正则化参数。
步骤4.3:更新残差矩阵和模型误差,如(28)所示:
其中R(i)为更新的第i次迭代时的残差矩阵,ε(i)为更新的第i次迭代时的模型误差。
步骤4.4:计算模型误差变化率ξ(i),如(29)所示:
如果ξ(i)<δ或i≥Imax(δ为步骤4.1中的阈值参数,通常设置为较小的值,如0.01),则认为阈值迭代已经收敛或达到最大迭代次数,停止迭代,输出X(i)作为重建的场景散射强度矩阵否则,设置i=i+1,转至步骤4.2。
本发明主要针对于目前星载合成孔径雷达宽测绘带、高分辨率成像的困难,提出构造回波模拟算子,利用方位降采样回波数据借助压缩感知模型和阈值迭代算法,快速重建出高分辨率场景散射强度图像的新型SAR成像方法。和现有的基于压缩感知的SAR成像方法相比,本发明方法在方位向采用Possion Disk采样模式,可以突破奈奎斯特采样定理的限制,实现宽幅场景的高分辨成像;此外,本发明结合回波模拟算子和阈值迭代算法进行稀疏重构,提升了运行效率,降低了计算成本,利用非均匀快速傅里叶变换算法,本发明可以在计算时间复杂度上达到和传统匹配滤波成像方法相比拟的程度。
在本发明上述任一具体实施例的基础上,提供一种宽幅星载合成孔径雷达成像方法,选取真实星载SAR回波数据进行仿真实验来验证本发明所提出的成像方法的效果。
实验平台是4核3.5GHz CPU的计算机,MATLAB R2015b版本。
选取了RADARSAT-1的星载SAR数据,该数据由参考文献:Ian G,Frank H.合成孔径雷达成像-算法与实现[M].洪文,洪东辉等译.北京:电子工业出版社,2007:5.中随书附赠的光盘提供。数据采集自2002年6月16日的RADARSAT-1精细模式2,系统相关参数如下表所示:
表1
本实施例选取了1736×1860大小的回波数据矩阵(Na=1736,Nr=1860),利用传统的线频调变标算法的成像结果如图2所示(成像结果中已经去除了匹配滤波的弃置区部分)。为了模拟生成Poisson Disk采样模式的回波数据,首先对原始回波数据进行方位向插值实现20倍升采样,然后对升采样的回波数据按照Poisson Disk模式进行重采样,这样构造的方位向非均匀采样时刻如(30)所示:
其中tm和tm-1分别是按照Poisson Disk模式确定的第m个和第m-1个方位向采样时刻,PRF是雷达脉冲重复频率,q=20是升采样倍数,lm是[0,q]区间上均匀分布的随机整数。在这种采样模式下,任意两个方位向采样时刻之间的最小间隔大于1.5/PRF,根据(1)中的关系,测绘带宽提高到原来的约1.5倍,同时回波数据规模也得到降低(本实施例中设置最小间隔为1.5/PRF,实际操作时可以将1.5改为其他倍数,倍数越高,测绘带宽越大,但倍数不宜过大,否则无法得到无混叠的准确场景图像,一般设置为1.5至2.5之间)。
图3给出了利用本发明方法对方位向降采样数据的成像结果,降采样数据通过(30)中的方法生成,回波数据规模为876×1860(M=876,Nr=1860)。目标场景中的主要目标全部得以保留,而且没有方位向混叠的现象。在本实施例中,本发明方法将测绘带宽提高到原来的1.5倍,对降采样数据进行处理获得场景的无混叠图像。同时本发明方法具有很好的计算效率,本实施例中生成图3中成像结果只需要6.5秒,明显优于现有的主流压缩感知SAR成像方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
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 (10)
1.一种宽幅星载合成孔径雷达成像方法,其特征在于,包括:
步骤1,卫星以Poisson Disk采样模式发射信号脉冲,并接受目标场景的反射回波信号Y;
步骤2,构造回波模拟算子G,建立雷达观测方程;
步骤3,根据所述雷达观测方程,建立所述回波模拟算子G的SAR成像稀疏重构模型;
步骤4,利用软阈值迭代法求解所述SAR成像稀疏重构模型,获得目标场景的散射强度矩阵
2.如权利要求1所述的方法,其特征在于,所述步骤1中卫星以Poisson Disk采样模式发射信号脉冲的步骤进一步包括:
卫星以Poison Disk采样模式发射信号脉冲,采样时刻如下式所示:
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>t</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>W</mi>
</mrow>
<mi>c</mi>
</mfrac>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>T</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
</mrow>
其中tm+1和tm分别为第m+1和第m个采样时刻,m为不大于总采样点数的正整数,W为距离向测绘带宽,Tp为发射的脉冲所持续的时间,δt为[0,1/PRF]上均匀分布的随机数,作为对采样时间的随机扰动;所述距离向测绘带宽W和脉冲重复频率PRF之间关系如下式所示,其中c为光速:
<mrow>
<mi>W</mi>
<mo>&le;</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>P</mi>
<mi>R</mi>
<mi>F</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>T</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mfrac>
<mi>c</mi>
<mn>2</mn>
</mfrac>
<mo>.</mo>
</mrow>
3.如权利要求1所述的方法,其特征在于,所述目标场景的反射回波信号Y是一个复数矩阵,矩阵维度为M×Nr,其中M为发射的脉冲数,Nr为脉冲采样点数。
4.如权利要求1所述的方法,其特征在于,所述回波模拟算子G为:
其中为模拟的回波数据,X为目标场景散射强度,Iη为对方位向维度的非均匀傅里叶逆变换矩阵,FFTτ(·)表示对距离向维度的快速傅里叶变换,IFFTτ(·)和IFFTη(·)分别表示对距离向维度和方位向维度的快速傅里叶逆变换,Sc表示用于变标操作的相位矩阵,Pτ和Pη分别表示用于距离压缩和方位压缩的相位矩阵,(·)*表示矩阵的共轭运算,·表示矩阵相乘,表示矩阵的哈达马乘积。
5.如权利要求1所述的方法,其特征在于,所述雷达观测方程为:Y=G(X)+Νe,X为目标场景散射强度,Ne为等效噪声矩阵。
6.如权利要求1所述的方法,其特征在于,所述步骤3进一步包括:
根据所述雷达观测方程,建立所述回波模拟算子G的SAR成像稀疏重构模型如下式所示:
<mrow>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<munder>
<mi>argmin</mi>
<mi>X</mi>
</munder>
<mo>{</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>Y</mi>
<mo>-</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>X</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>1</mn>
<mn>1</mn>
</msubsup>
<mo>}</mo>
<mo>,</mo>
</mrow>
其中是稀疏重构的目标场景散射强度,Y是回波数据矩阵,X是目标场景散射强度,||·||F是矩阵的Frobenius范数,||·||1是矩阵的1范数,λ是正则化参数,arg min是最小化计算式。
7.如权利要求1所述的方法,其特征在于,所述步骤4进一步包括:
S41,输入软阈值迭代法求解所需要的回波数据矩阵Y,回波模拟算子G和线频调变标算法成像算子H,初始化场景散射强度矩阵X(0)=0,残差矩阵R(0)=Y,模型误差ε(0)。给定阈值参数δ,正则化参数λ和最大迭代次数Imax,令迭代计数器i=1;
S42,利用阈值算子更新所述场景散射强度矩阵;
S43,更新所述残差矩阵和模型误差;
S44,计算模型误差变化率ξ(i);若ξ(i)<δ或i≥Imax,停止迭代,输出X(i)作为重建的目标场景散射强度矩阵
8.如权利要求7所述的方法,其特征在于,所述步骤S44进一步包括:
若ξ(i)≥δ且i<Imax,设置i=i+1,重复执行所述S42至S44。
9.如权利要求3所述的方法,其特征在于,所述M和Nr为正整数,由实际录取数据规模确定。
10.如权利要求4所述的方法,其特征在于,所述回波模拟算子G中的非均匀傅里叶逆变换矩阵Iη的矩阵乘法运算能替换为非均匀傅里叶变换的快速算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710550520.3A CN107462887B (zh) | 2017-07-07 | 2017-07-07 | 基于压缩感知的宽幅星载合成孔径雷达成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710550520.3A CN107462887B (zh) | 2017-07-07 | 2017-07-07 | 基于压缩感知的宽幅星载合成孔径雷达成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107462887A true CN107462887A (zh) | 2017-12-12 |
CN107462887B CN107462887B (zh) | 2019-08-09 |
Family
ID=60544120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710550520.3A Active CN107462887B (zh) | 2017-07-07 | 2017-07-07 | 基于压缩感知的宽幅星载合成孔径雷达成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107462887B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305297A (zh) * | 2017-12-22 | 2018-07-20 | 上海交通大学 | 一种基于多维张量字典学习算法的图像处理方法 |
CN108825205A (zh) * | 2018-04-09 | 2018-11-16 | 中国石油大学(北京) | 井下核磁共振波谱信号压缩感知采集方法与装置 |
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 |
CN110162832A (zh) * | 2019-04-11 | 2019-08-23 | 上海卫星工程研究所 | 星载sar距离向脉压处理功能模块设计方法 |
CN110261833A (zh) * | 2019-07-04 | 2019-09-20 | 中国人民解放军国防科技大学 | 高分辨星载sar成像误差估计与补偿方法 |
CN110488238A (zh) * | 2019-09-05 | 2019-11-22 | 西北工业大学 | 一种基于压缩感知的高分辨宽测绘带解距离模糊方法 |
CN110632616A (zh) * | 2019-11-08 | 2019-12-31 | 北京环境特性研究所 | 一种稀疏采样下机载逆合成孔径激光雷达微动成像方法 |
CN111505639A (zh) * | 2020-05-06 | 2020-08-07 | 清华大学 | 基于变重频采样模式的合成孔径雷达宽幅稀疏成像方法 |
CN112147608A (zh) * | 2020-09-22 | 2020-12-29 | 南京信息工程大学 | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 |
CN113238224A (zh) * | 2021-04-26 | 2021-08-10 | 中国人民解放军国防科技大学 | 一种基于量子机器学习的雷达稀疏成像方法 |
CN113508308A (zh) * | 2019-03-07 | 2021-10-15 | 三菱电机株式会社 | 通过融合天线集合的测量的雷达成像 |
CN113655459A (zh) * | 2021-09-27 | 2021-11-16 | 清华大学 | 一种基于泊松盘采样的雷达无模糊多普勒扩展方法及装置 |
CN114047389A (zh) * | 2021-11-09 | 2022-02-15 | 安徽大学 | 一种频率分集和计算成像方法及系统 |
CN114779247A (zh) * | 2022-04-07 | 2022-07-22 | 南京航空航天大学 | 一种基于频率变标的星载稀疏合成孔径雷达斜视成像方法 |
CN115728766A (zh) * | 2022-11-18 | 2023-03-03 | 北京卫星信息工程研究所 | 两级智能双星sar系统与海面舰船目标跟踪方法 |
CN116908848A (zh) * | 2023-07-18 | 2023-10-20 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种低过采Staggered SAR成像方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103376449A (zh) * | 2012-04-11 | 2013-10-30 | 中国科学院电子学研究所 | 基于图形处理器的合成孔径雷达成像方法 |
CN105954750A (zh) * | 2016-04-29 | 2016-09-21 | 清华大学 | 基于压缩感知的条带式合成孔径雷达非稀疏场景成像方法 |
CN106125041A (zh) * | 2016-07-26 | 2016-11-16 | 清华大学 | 基于子空间加权稀疏恢复的宽带信号源定位方法 |
-
2017
- 2017-07-07 CN CN201710550520.3A patent/CN107462887B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103376449A (zh) * | 2012-04-11 | 2013-10-30 | 中国科学院电子学研究所 | 基于图形处理器的合成孔径雷达成像方法 |
CN105954750A (zh) * | 2016-04-29 | 2016-09-21 | 清华大学 | 基于压缩感知的条带式合成孔径雷达非稀疏场景成像方法 |
CN106125041A (zh) * | 2016-07-26 | 2016-11-16 | 清华大学 | 基于子空间加权稀疏恢复的宽带信号源定位方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305297A (zh) * | 2017-12-22 | 2018-07-20 | 上海交通大学 | 一种基于多维张量字典学习算法的图像处理方法 |
CN108825205B (zh) * | 2018-04-09 | 2020-09-22 | 中国石油大学(北京) | 井下核磁共振波谱信号压缩感知采集方法与装置 |
CN108825205A (zh) * | 2018-04-09 | 2018-11-16 | 中国石油大学(北京) | 井下核磁共振波谱信号压缩感知采集方法与装置 |
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 |
CN113508308A (zh) * | 2019-03-07 | 2021-10-15 | 三菱电机株式会社 | 通过融合天线集合的测量的雷达成像 |
CN110162832A (zh) * | 2019-04-11 | 2019-08-23 | 上海卫星工程研究所 | 星载sar距离向脉压处理功能模块设计方法 |
CN110162832B (zh) * | 2019-04-11 | 2023-08-11 | 上海卫星工程研究所 | 星载sar距离向脉压处理功能模块设计方法 |
CN110261833A (zh) * | 2019-07-04 | 2019-09-20 | 中国人民解放军国防科技大学 | 高分辨星载sar成像误差估计与补偿方法 |
CN110488238B (zh) * | 2019-09-05 | 2022-11-08 | 西北工业大学 | 一种基于压缩感知的高分辨宽测绘带解距离模糊方法 |
CN110488238A (zh) * | 2019-09-05 | 2019-11-22 | 西北工业大学 | 一种基于压缩感知的高分辨宽测绘带解距离模糊方法 |
CN110632616A (zh) * | 2019-11-08 | 2019-12-31 | 北京环境特性研究所 | 一种稀疏采样下机载逆合成孔径激光雷达微动成像方法 |
CN111505639A (zh) * | 2020-05-06 | 2020-08-07 | 清华大学 | 基于变重频采样模式的合成孔径雷达宽幅稀疏成像方法 |
CN112147608A (zh) * | 2020-09-22 | 2020-12-29 | 南京信息工程大学 | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 |
CN113238224A (zh) * | 2021-04-26 | 2021-08-10 | 中国人民解放军国防科技大学 | 一种基于量子机器学习的雷达稀疏成像方法 |
CN113655459A (zh) * | 2021-09-27 | 2021-11-16 | 清华大学 | 一种基于泊松盘采样的雷达无模糊多普勒扩展方法及装置 |
CN113655459B (zh) * | 2021-09-27 | 2024-04-26 | 清华大学 | 一种基于泊松盘采样的雷达无模糊多普勒扩展方法及装置 |
CN114047389A (zh) * | 2021-11-09 | 2022-02-15 | 安徽大学 | 一种频率分集和计算成像方法及系统 |
CN114047389B (zh) * | 2021-11-09 | 2024-04-12 | 安徽大学 | 一种频率分集和计算成像方法及系统 |
CN114779247A (zh) * | 2022-04-07 | 2022-07-22 | 南京航空航天大学 | 一种基于频率变标的星载稀疏合成孔径雷达斜视成像方法 |
CN114779247B (zh) * | 2022-04-07 | 2024-03-29 | 南京航空航天大学 | 一种基于频率变标的星载稀疏合成孔径雷达斜视成像方法 |
CN115728766A (zh) * | 2022-11-18 | 2023-03-03 | 北京卫星信息工程研究所 | 两级智能双星sar系统与海面舰船目标跟踪方法 |
CN115728766B (zh) * | 2022-11-18 | 2023-07-25 | 北京卫星信息工程研究所 | 两级智能双星sar系统与海面舰船目标跟踪方法 |
CN116908848A (zh) * | 2023-07-18 | 2023-10-20 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种低过采Staggered SAR成像方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107462887B (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107462887B (zh) | 基于压缩感知的宽幅星载合成孔径雷达成像方法 | |
CN113567985B (zh) | 逆合成孔径雷达成像方法、装置、电子设备及存储介质 | |
CN104111458B (zh) | 基于双重稀疏约束的压缩感知合成孔径雷达成像方法 | |
CN102854504B (zh) | 基于回波模拟算子的稀疏合成孔径雷达成像方法 | |
CN111505639B (zh) | 基于变重频采样模式的合成孔径雷达宽幅稀疏成像方法 | |
CN110095765A (zh) | 捷变频雷达的高分辨多普勒重构方法 | |
CN109507666B (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN106405548A (zh) | 基于多任务贝叶斯压缩感知的逆合成孔径雷达成像方法 | |
CN108008385A (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
CN107219527A (zh) | 一种周期型双阵列通道式成像系统的单快拍快速成像方法 | |
CN105223572B (zh) | 一种基于pfa算法的正前视双基sar成像处理方法 | |
CN109597075B (zh) | 一种基于稀疏阵列的成像方法及成像装置 | |
CN107390215A (zh) | 一种高速超分辨率mimo阵列成像方法 | |
CN107390216A (zh) | 基于波数域相干因子的高速超分辨率驻点扫描成像方法 | |
CN103454632A (zh) | 一站固定式调频连续波双基地sar成像方法 | |
CN107402380A (zh) | 一种实现多普勒波束锐化成像的快速自适应迭代方法 | |
CN105093225A (zh) | 基于双重稀疏约束的逆合成孔径雷达自聚焦成像方法 | |
CN104483671B (zh) | 基于稀疏表示理论的合成孔径雷达成像方法 | |
CN103293528B (zh) | 扫描雷达超分辨成像方法 | |
CN108008389A (zh) | 一种基于gpu的快速频域后向投影三维成像方法 | |
CN112859074B (zh) | 多频带多视角isar融合成像方法 | |
CN106842198A (zh) | 一种基于凸优化理论的子带融合成像算法 | |
CN109669184A (zh) | 一种基于全卷积网络的合成孔径雷达方位模糊消除方法 | |
CN105759264B (zh) | 基于时频字典的微动目标缺损回波高分辨成像方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 |
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 |