CN107561533A - 一种c波段星载合成孔径雷达运动目标成像方法 - Google Patents

一种c波段星载合成孔径雷达运动目标成像方法 Download PDF

Info

Publication number
CN107561533A
CN107561533A CN201710576328.1A CN201710576328A CN107561533A CN 107561533 A CN107561533 A CN 107561533A CN 201710576328 A CN201710576328 A CN 201710576328A CN 107561533 A CN107561533 A CN 107561533A
Authority
CN
China
Prior art keywords
mrow
msup
matrix
msub
movement parameter
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
Application number
CN201710576328.1A
Other languages
English (en)
Other versions
CN107561533B (zh
Inventor
李刚
陈畅
陈一畅
杨晓宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201710576328.1A priority Critical patent/CN107561533B/zh
Publication of CN107561533A publication Critical patent/CN107561533A/zh
Application granted granted Critical
Publication of CN107561533B publication Critical patent/CN107561533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明提供一种C波段星载合成孔径雷达运动目标成像方法,包括:接收原始回波数据,利用SAR距离徙动成像算法对原始回波数据进行成像处理,提取包含运动目标信息的散焦的ROI复图像数据矩阵S0,初始化目标在方位向和距离向的等效运动参数α和β;利用等效运动参数α和β构造聚焦算子Γ(·),基于所述ROI复图像数据矩阵S0和所述聚焦算子Γ(·)建立压缩感知稀疏重构模型,采用软阈值迭代算法重建模型稀疏解X;建立最小误差模型,利用所述模型稀疏解X更新等效运动参数α和β;判定所述等效运动参数α和β满足算法终止条件,输出稀疏解幅度矩阵|X|。本发明提供的方法,采用参数化稀疏重建的技术获得最终的二维幅度像,有效地抑制了因目标高阶运动引起的非对称旁瓣。

Description

一种C波段星载合成孔径雷达运动目标成像方法
技术领域
[0001] 本发明涉及雷达信号处理领域,更具体地,涉及一种C波段星载合成孔径雷达运动 目标成像方法。
背景技术
[0002] 合成孔径雷达(SAR,Synthetic Aperture Radar)是一种高分辨率成像雷达,能够 全天候、全天时地对目标区域成像,在遥感领域得到了广泛的应用。传统的SAR成像算法主 要针对地面、海面等静止场景进行成像。但在实际应用中,观测场景中往往存在运动目标, 这使得传统SAR成像算法不再适用。在二维斜距平面,目标运动可以被分解为方位向(SAR平 台运动方向)运动分量和距离向(SAR视线方向)运动分量。其中,方位向速度分量和距离向 加速度分量会引起方位向信号调频率改变,使得目标成像结果散焦;距离向速度分量会引 起Doppler频率偏移,使得运动目标成像结果位置产生偏移。由于运动目标往往是人们感兴 趣目标,如海面运动舰船目标,地面运动车辆目标,因此针对SAR运动目标成像算法一直是 研究的一大热点。
[0003] 现有的SAR运动目标成像算法,从数据处理流程角度可以分为三类:一是从原始回 波数据开始处理,通过杂波抑制的方法分离出运动目标的回波信号,然后基于Doppler相位 分析方法实现运动目标二维成像;二是首先利用传统SAR成像算法获得整个场景的成像结 果,从中可以容易地定位出运动目标所在区域(下文称之为R〇I,Region of Interest),然 后通过逆运算,将提取出的ROI数据变换到原始回波数据域,最后基于Doppler相位分析方 法实现运动目标二维成像;三是直接以散焦的ROI数据作为成像算法输入量实现目标成像。 第三类方法相对于前两种方法有诸多优点,一方面可以准确定位出运动目标,有效抑制静 止目标的杂波干扰;另一方面,极大地降低了需要处理的数据量。但是现有的以ROI复图像 为输入数据的SAR动目标成像算法应对目标复杂运动引起的高旁瓣问题,效果不佳。寻找新 的基于ROI数据的动目标成像方法变得十分有价值。
[0004] 近年来,学术界围绕SAR运动目标成像展开了广泛的研究,文献Yuan Zhang, Jinping Sun,Peng Lei,Gang Li ,and Wen Hong,High-resolution SAR-based ground moving target imaging with defocused ROI data,IEEE Transactions on Geoscience and Remote Sensing, voI · 54,no· 2,pp· 1062-1073,Feb· 2016 ·中提出的运动目标成像算法 以散焦的ROI数据为输入量,利用二维等效速度构建ROI数据的相位补偿函数,经过相位补 偿与插值处理,得到一幅处理后的动目标图像,并计算该图像的对比度。等效速度的获取是 通过方位向和距离向二维速度空间搜索获得的,搜索目标是聚焦后的图像对比度最大化。 该方法经过实测数据检验,最终可以获得清晰的运动目标成像结果,但该算法成像效果与 处理效率受等效速度搜索步长影响,且当目标存在高阶运动时,最终成像结果在方位向会 存在非对称的高旁瓣,需借助其他自聚焦方法修正结果,增加了算法复杂度。另一篇文献 N.0.Onhon and M.Cetin,SAR moving object imaging using sparsity imposing priors ,EURASIP Journal on Advances in Signal Processing,2017 · I (2017) : 10 ·中从 原始数据域提出了 SAR运动目标稀疏成像的算法框架,在稀疏约束下,重建目标二维高分辨 像。和传统的运动目标成像算法等相比,该文章中的稀疏成像算法能在降采样的条件下重 建运动目标,减少数据传输和存储负担。此外,该算法有效地抑制了传统成像方法中的旁瓣 效应,改善了目标的分辨能力,提高了图像质量。该算法主要的缺点在于从原始数据域开始 处理,在低信杂比条件下成像效果不佳;需要构造的稀疏基矩阵数据量庞大。
[0005] 通过上述对现有的SAR运动目标成像方法的总结可以看出,现有的SAR运动目标稀 疏成像方法具有很强的优势,可以在部分数据缺失情况下成像的同时抑制旁瓣,改善图像 质量。然而现有的稀疏成像方法都是从原始数据域出发,存在观测矩阵数据量庞大,对原始 信号信杂比要求较高等问题;现有的基于ROI数据的运动目标成像方法可以很好的定位运 动目标,极大地降低需要处理的数据量,但是无法处理由物体实际高阶运动引起的旁瓣效 应,很难运用到实际的星载雷达系统的运动目标成像中。
发明内容
[0006] 为解决现有技术中,对SAR运动目标成像时需要的观测矩阵数据量庞大同时存在 无法处理由物体实际高阶运动引起的旁瓣效应的问题,提出一种C波段星载合成孔径雷达 运动目标成像方法,包括:
[0007] Sl,接收原始回波数据,利用SAR距离徙动成像算法对原始回波数据进行成像处 理,提取包含运动目标信息的散焦的ROI复图像数据矩阵So,初始化目标在方位向和距离向 的等效运动参数α和β;
[0008] S2,利用等效运动参数α和β构造聚焦算子Γ (·),基于所述ROI复图像数据矩阵S0 和所述聚焦算子r (·)建立压缩感知稀疏重构模型,采用软阈值迭代算法重建模型稀疏解 X;
[0009] S3,建立最小误差模型,利用所述模型稀疏解X更新等效运动参数α和β;
[0010] S4,判定所述等效运动参数α和β满足算法终止条件,输出稀疏解幅度矩阵|X I。
[0011] 其中,所述S4中还包括,判定所述等效运动参数α和β不满足算法终止条件时,重复 执行步骤S2和S3。
[0012] 其中,所述S4中终止条件为:
Figure CN107561533AD00051
[00Μ] 其中&表示逻辑与操作,%和tie为预设阈值参数,α和β为步骤S3中利用所述模型稀 疏解X更新等效运动参数α和β。
[0015]其中,所述S2中利用等效运动参数α和β构造聚焦算子Γ (·)具体包括:
[0016] S21,对ROI数据矩阵So沿着距离向和方位向作二维离散傅里叶变换(2D-DFT),获 取二维频域数据矩阵S1,
Figure CN107561533AD00052
[0018] 其中Fr表示距离向DFT变换矩阵,Fa表示方位向DFT变换矩阵;
[0019] S22,利用等效运动参数构造相位补偿矩阵H,矩阵H中各元素H (k,n)通过公式
Figure CN107561533AD00061
[0021] 表示,
[0022] 其中,其中j为虚数单位,Rref为SAR与目标间的参考距离,c为电磁波传播速度,fc 为载波频率,V为SAR平台速度,fr是一个Nr X 1的向量,表示距离向频率,fa是一个Na X 1的向 量,表示方位向频率;
[0023] S23,通过公式:
Figure CN107561533AD00062
[0025] 构造聚焦算子Γ (·),其中聚焦算子Γ (·)表示从ROI数据矩阵So到聚焦结果矩 阵X(p)的处理过程,其中Ff:1为Fr的逆矩阵,F^SFa的逆矩阵,®为两个矩阵的Hadamard积。
[0026] 其中,所述S2中基于所述ROI复图像数据矩阵So和所述聚焦算子Γ (·)建立压缩 感知稀疏重构模型,采用软阈值迭代算法重建模型稀疏解X具体包括:
[0027] S24,根据所述聚焦算子Γ ( ·)构造聚焦逆算子Γ 4 ( ·);
[0028] S25,建立压缩感知稀疏重构模型,采用软阈值迭代算法求解公式:
Figure CN107561533AD00063
[0030] 所示的L1范数优化问题恢复出模型稀疏解X(p),其中λ>〇,为正则化参数。
[0031] 其中,所述采用采用软阈值迭代算法求解Χ(ρ)的步骤具体为:
[0032] 设置算法终止系数ε,将聚焦结果矩阵X(ρ)初始化为Nr X Na的全零矩阵;
[0033] 利用软阈值函数
Figure CN107561533AD00064
[0035] 更新稀疏解,式中,1表示迭代次数,soft (·)为对矩阵每一个元素按软阈值函数 取值;
[0036] 更新残差矩阵,使得
Figure CN107561533AD00065
[0037] 当满足
Figure CN107561533AD00066
时,终止算法,输出模型稀疏解
Figure CN107561533AD00067
[0038] 其中,I I · I |2表示计算矩阵的I2范数。
[0039] 其中,所述S3中具体包括:
[0040] S31,分别计算矩阵B关于方位向等效运动参数α和距离向等效运动参数邱勺一阶偏 导数;
[0041] S32,计算矩阵
Figure CN107561533AD00068
%并将结果矩阵各列首尾连接成NrNaXl的向量Ξ(ρ);
[0042] S33,计算T α(ρ)和T e(p),对向量Ξ(ρ),T α(ρ)和T e(p)做实数化处理,获取大小为2NrNa 父2的矩阵(:(1)),和大小为2队1\1的向量0(1));
[0043] S34,通过公式
Figure CN107561533AD00071
[0045] 计算(Δ α,Δ β),获得的等效运动参数一阶增量;
[0046] S35,根据所述S34获得的等效运动参数一阶增量按照公式
Figure CN107561533AD00072
[0048] 更新等效运动参数α和β。
[0049] 其中,所述矩阵B为关于等效运动参数α和邱勺函数。
[0050] 本发明提出的方法,基于压缩感知参数化稀疏表征技术,采用散焦的ROI数据重建 运动目标二维幅度图像。通过结合C波段星载SAR的ROI数据与稀疏信号处理技术,能够重建 出较高分辨率的运动目标像。相比于现有动目标成像方法,本发明方法的有益效果主要表 现在:直接处理包含动目标完整信息的ROI数据,极大地降低了所需处理的数据量,有效地 去除了大量背景杂波干扰,提高了运动目标信杂比;采用参数化稀疏重建的技术获得最终 的二维幅度像,有效地抑制了因目标高阶运动引起的非对称旁瓣。
附图说明
[0051] 图1为本发明一实施例提供的一种C波段星载合成孔径雷达运动目标成像方法流 程图;
[0052] 图2为本发明实施例提供的一种C波段星载合成孔径雷达运动目标成像方法的目 标几何关系图;
[0053] 图3为本发明实施例提供的一种C波段星载合成孔径雷达运动目标成像方法中利 用距离徙动算法对接收到的回波数据进行处理的成像结果图;
[0054] 图4为本发明实施例提供的一种C波段星载合成孔径雷达运动目标成像方法中输 入数据图像;
[0055] 图5为本发明实施例提供的一种C波段星载合成孔径雷达运动目标成像方法中输 出结果图像。
具体实施方式
[0056] 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。
[0057] 参考图1,图1为本发明实施例提供的一种C波段星载合成孔径雷达运动目标成像 方法流程图,所述方法包括:
[0058] SI,接收原始回波数据,利用SAR距离徙动成像算法对原始回波数据进行成像处 理,提取包含运动目标信息的散焦的ROI复图像数据矩阵S〇,初始化目标在方位向和距离向 的等效运动参数α和β。
[0059] 具体的,利用SAR距离徙动成像算法对原始回波数据进行成像处理,提取包含运动 目标信息的散焦的ROI复图像数据矩阵So,矩阵So水平方向表示方位向,竖直方向表示距离 向;初始化目标在方位向和距离向的等效运动参数,分别记为α和β;
[0060] SAR接收到的原始回波数据经过传统距离徙动算法成像处理,成像场景中的静止 目标得到很好的聚焦图像,但场景中的运动目标是散焦的。将散焦的区域对应的复图像从 场景复图像中提取出来,称之为ROI复图像数据矩阵S〇,矩阵So包含该运动目标的所有散射 能量。对于场景中的多个运动目标,可以分别提取各自对应的ROI复数矩阵进行处理。初始 化算法迭代次数P = 1,初始化等效运动参数,α表示方位向等效运动参数分量,可以初始化 为α(1) =〇;β表示距离向等效运动参数分量,初始化为非零常数,如β(1) = 1,上角标表示当前 循环次数。当运动目标作匀速直线运动时,α和β分别表示方位向速度分量和距离向速度分 量。
[0061] S2,利用等效运动参数α和β构造聚焦算子Γ (·),基于所述ROI复图像数据矩阵S0 和所述聚焦算子F (·)建立压缩感知稀疏重构模型,采用软阈值迭代算法重建模型稀疏解 Xo
[0062] 具体的,利用等效运动参数α(ρ)和β(ρ)构造聚焦算子Γ ( ·),基于步骤Sl中的ROI数 据和聚焦算子建立压缩感知稀疏重构模型,采用软阈值迭代算法重建模型稀疏解X;
[0063] 从步骤Sl中提取的ROI数据矩阵So是一个Nr X Na的复数矩阵,其中队和1为正整数, 分别表示ROI数据矩阵的距离向和方位向采样点数。
[0064] S3,建立最小误差模型,利用所述模型稀疏解X更新等效运动参数α和β。
[0065] 具体的,建立最小误差模型,利用步骤S2中定义的聚焦逆算子Γ4(·)和获得的稀 疏解Χ(Ρ)求解更新等效运动参数α(ρ+1)和β(ρ+1),等效运动参数可以通过求解如公式
Figure CN107561533AD00081
[0067]所示的优化问题获得,其中Y = Fr · So表示ROI在距离向频率方位向时域的数据矩 阵,记U= [Fr · Χ(ρ) · Fa]in_stciit表示稀疏解Χ(ρ)在二维频率的数据矩阵,Β = ΙΙΦΙΓ表示相 位补偿后的数据矩阵,矩阵B是关于等效运动参数α和β的函数,其中各元素B (k,η)的形式如 式
Figure CN107561533AD00082
[0069]所示,矩阵B关于等效运动参数α和β在(α(ρ),β(ρ))处一阶泰勒展开,忽略其高阶项, 展开式如下公式
Figure CN107561533AD00083
[0071] 所示,其中Δα和Δβ分别表示方位向和距离向等效运动参数一阶增量。通过以上 公式求解更新等效运动参数α(ρ+1)和β(ρ+1)的问题可以转换为求解等效运动参数一阶增量A α和Δβ,如下公式:
Figure CN107561533AD00084
[0073]所示。
[0074] S4,判定所述等效运动参数α和β满足算法终止条件,输出稀疏解幅度矩阵|X I。
[0075] 具体的,判断S3中获得的α(ρ+1)和β(ρ+1)是否满足算法终止条件,终止条件如下公式 所示,
Figure CN107561533AD00091
[0077] 其中&表示逻辑与操作,%和ne表示阈值参数,一般取% = 0.1 %和ne = 〇. 1 %。若满 足上述公式的终止条件,则输出稀疏解幅度矩阵Ix(p) I (即聚焦后的目标二维图像),算法结 束。
[0078] 通过此方法,直接处理包含动目标完整信息的ROI数据,极大地降低了所需处理的 数据量,有效地去除了大量背景杂波干扰,提高了运动目标信杂比;采用参数化稀疏重建的 技术获得最终的二维幅度像,有效地抑制了因目标高阶运动引起的非对称旁瓣。
[0079] 在上述实施例的基础上,所述方法还包括,判定所述等效运动参数α和β不满足算 法终止条件时,重复执行步骤S2和S3。
[0080] 具体的,若不满足S4中所示的终止条件,则更新算法迭代次数ρ—ρ+1,转至步骤S2 继续执行。
[0081] 在上述实施例的基础上,所述S2中利用等效运动参数α和β构造聚焦算子Γ (·)具 体包括:
[0082] S21,对ROI数据矩阵So沿着距离向和方位向作二维离散傅里叶变换(2D-DFT),获 取二维频域数据矩阵S1,
Figure CN107561533AD00092
[0084] 其中Fr表示距离向DFT变换矩阵,Fa表示方位向DFT变换矩阵;
[0085] S22,利用等效运动参数构造相位补偿矩阵H,矩阵H中各元素H (k,n)通过公式
Figure CN107561533AD00093
[0087] 表示,
[0088] 其中,其中j为虚数单位,Rref为SAR与目标间的参考距离,c为电磁波传播速度,fc 为载波频率,V为SAR平台速度,fr是一个Nr X 1的向量,表示距离向频率,fa是一个Na X 1的向 量,表示方位向频率;
[0089] S23,通过公式:
Figure CN107561533AD00094
[0091] 构造聚焦算子Γ (·),其中聚焦算子Γ (·)表示从ROI数据矩阵So到聚焦结果矩 阵X(p)的处理过程,其中'F;:1为Fr的逆矩阵,FaT^Fa的逆矩阵,_®为两个矩阵的Hadamard积。
[0092] 其中,基于所述ROI复图像数据矩阵So和所述聚焦算子Γ (·)建立压缩感知稀疏 重构模型,采用软阈值迭代算法重建模型稀疏解X具体包括:
[0093] S24,根据所述聚焦算子Γ ( ·)构造聚焦逆算子Γ 4 ( ·);
[0094] S25,建立压缩感知稀疏重构模型,采用软阈值迭代算法求解公式:
Figure CN107561533AD00101
[0096] 所示的L1范数优化问题恢复出模型稀疏解X(p),其中λ>〇,为正则化参数。
[0097] 具体的,S21,对ROI数据矩阵So沿着距离向和方位向作二维离散傅里叶变换(2D-DFT),得到二维频域数据矩阵&,如式⑴所示:
Figure CN107561533AD00102
[0099]其中FJPFa分别表示距离向和方位向DFT变换矩阵,矩阵FJPFa中各元素形式分别 如式(2)和⑶所示:
Figure CN107561533AD00103
[0102] S22:利用等效运动参数构造相位补偿矩阵Η,矩阵H中各元素H (k,n)的形式如式 ⑷所示:
Figure CN107561533AD00104
[0104] 其中j表示虚数单位,Rrrf表示SAR与目标间的参考距离,c表示电磁波传播速度,f。 表示载波频率,V表示SAR平台速度,fr是一个Nr X 1的向量,表示距离向频率,其中各元素fr ⑹的形式如⑸所示,fa是一个NaX 1的向量,表示方位向频率,其中各元素fa (η)的形式如 ⑹所示:
Figure CN107561533AD00105
[0107] 其中fs表示信号采样率,fPRF表示脉冲重复频率,均由系统给出。
[0108] S23:构造聚焦算子Γ (·),聚焦算子Γ (·)表示从ROI数据矩阵So到聚焦结果矩 阵X ω的处理过程,操作如式(7)所示:
Figure CN107561533AD00106
[0110] 其中:和FJ1分别是FdPFa的逆矩阵,表示距离向和方位向IDFT变换矩阵,®表示 两个矩阵的Hadamard积;
[0111] S24:构造聚焦逆算子Γ -1 ( ·),聚焦逆算子Γ -1 ( ·)是聚焦算子Γ ( ·)的逆过程, 表示从聚焦结果矩阵X(ρ)到ROI数据矩阵So到的处理过程,操作如式⑻所示:
Figure CN107561533AD00111
[0113] 其中(· Γ表示对矩阵各元素取共辄操作;
[0114] S25:建立压缩感知稀疏重构模型,采用软阈值迭代算法求解如式(9)所示的Ll范 数优化问题恢复出模型稀疏解,即聚焦结果矩阵Χ(ρ),
Figure CN107561533AD00112
[0116] 其中λ>〇表示正则化参数。
[0117] 在上述各实施例的基础上,所述采用采用软阈值迭代算法求解Χ(ρ)的步骤具体为:
[0118] 设置算法终止系数ε,将聚焦结果矩阵Χ(ρ)初始化为NrXNa的全零矩阵;
[0119] 利用软阈值函数
Figure CN107561533AD00113
[0121] 更新稀疏解,式中,1表示迭代次数,soft (·)为对矩阵每一个元素按软阈值函数 取值;
[0122] 更新残差矩阵,使得
Figure CN107561533AD00114
[0123] 当满5
Figure CN107561533AD00115
'时,终止算法,输出模型稀疏解
Figure CN107561533AD00116
[0124] 其中,I I · I |2表示计算矩阵的I2范数。
[0125]具体的,S25.1,初始化迭代次数I = 1,正则化参数λ= 1,算法终止系数ε = 5%,残 差矩阵Ro = So,聚焦结果矩阵X(ρ)初始化为Nr X Na的全零矩阵,= 0 ;
[0126] S25.2:利用软阈值函数更新稀疏解,处理过程如(10)所示:
Figure CN107561533AD00117
(IQ)
[0128] 其中下脚标1表示对应的变量第1次迭代的值,soft (·)表示对矩阵每一个元素按 软阈值函数取值,80代&,人)=81811&)*11^(4|-人,〇),其中81811&)=1/4|,|叫表示取 模处理;
[0129] S25.3:更新残差矩阵
Figure CN107561533AD00118
[0130] S25.4:判断是否满足算法终止条利
Figure CN107561533AD00119
S:,其中I I · I |2表示计 算矩阵的I2范数:若不满足,增加迭代次数1—1+1,转至步骤2.5.2;若满足,终止算法,输出 丰旲型稀疏躺
Figure CN107561533AD001110
[0131] 在上述各实施例的基础上,所述S3中具体包括:
[0132] S31,分别计算矩阵B关于方位向等效运动参数α和距离向等效运动参数邱勺一阶偏 导数;
[0133] S32,计算矩阵
Figure CN107561533AD001111
,并将结果矩阵各列首尾连接成NrNaXl的向量Ξ(ρ);
[0134] S33,计算T α (ρ)和T e (ρ),对向量Ξ(p),T aWp)和T e (ρ)做实数化处理,获取大小为2NrNa 父2的矩阵(:(1)),和大小为2队1\1的向量0(1));
[0135] S34,通过公式
Figure CN107561533AD00121
[0137] 计算(Δα, Δβ),获得的等效运动参数一阶增量;
[0138] S35,根据所述S34获得的等效运动参数一阶增量按照公式
Figure CN107561533AD00122
[0140] 更新等效运动参数α和β。
[0141] 其中,所述矩阵B为关于等效运动参数α和邱勺函数。
[0142] 具体的,S31分别计算矩阵B关于方位向等效运动参数α和距离向等效运动参数β的 一阶偏导数,其中各元素^
Figure CN107561533AD00123
的形式分别如式(15)和式(16) 所示
Figure CN107561533AD00124
[0145] S32,计算矩阵
Figure CN107561533AD00125
,并将结果矩阵各列首尾连接成NrNaX 1的向量,如 (17)所示:
Figure CN107561533AD00126
[0147] 其中[· hdor表示将矩阵各列依次连接为列向量化。
[0148] S33,计算
Figure CN107561533AD00127
式所示优化 问题,化简为(18)式所示优化问题:
Figure CN107561533AD00131
[0150] S34,对向量Ξ (p),T α(ρ)和T e(p)做实数化处理,得到大小为2NrNa X 2的矩阵C(p),和 大小为2NrNaX 1的向量D(p),分别如(19),(20)所示:
Figure CN107561533AD00132
[0153] 其中real ( ·)和imag ( ·)分别表示取实部处理和取虚部处理。
[0154] S35:按最小二乘准则计算(Δα,Δβ),如(21)式所示:
Figure CN107561533AD00133
[0156] 其中表示[·]τ矩阵转置;
[0157] S36:根据S35获得的等效运动参数一阶增量,按照(22)式和(23)式更新等效运动 参数α和β:
Figure CN107561533AD00134
[0160] 本发明主要针对C波段星载SAR动目标成像问题,以散焦的运动目标ROI数据为输 入,通过求解参数化稀疏表征模型,重建出较高分辨率动目标图像的新型C波段星载SAR动 目标成像方法。和现有的星载SAR动目标成像算法相比,本发明方法以ROI数据为输入,极大 地降低了成像所需数据量,同时利用稀疏重构技术重建动目标二维像,有效抑制了因目标 高阶运动引起的非对称高旁瓣效应。
[0161] 在本发明的另一实施例中,采用仿真的C波段星载SAR回波数据进行实验来验证本 发明所提出的成像方法的效果,设定SAR工作在正侧视条带扫面模式,仿真试验中用到的系 统相关参数如下表所示:
Figure CN107561533AD00135
[0163]本实施例的观测场景包含2个静止散射点和4个运动状态相同的运动散射点,其中 动目标方位向速度分量为Vx= 20m/s,距离向速度分量为vr = 5m/s,几何关系如图2所示。
[0164] 利用距离徙动算法对接收到的回波数据进行处理,结果如图3所示,从成像结果可 以看出,静止散射点准确聚焦,但是运动散射点的成像结果是散焦的。
[0165] 提取图3中运动目标所在的方框区域复图像数据,作为本实施例方法的输入数据, 重建出较高分辨率的运动目标幅度图像。图4给出了本实施例方法的输入数据。
[0166] 图5给出了本发明方法的输出结果。C波段星载SAR数据仿真结果印证了本发明方 法可以利用ROI数据重建出高质量目标场景幅度图像,极大地减少了所需处理的数据量,并 且可以很好地抑制目标非对称旁瓣。
[0167] 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C波段星载合成孔径雷达运动目标成像方法,其特征在于,包括: SI,接收原始回波数据,利用SAR距离徙动成像算法对原始回波数据进行成像处理,提 取包含运动目标信息的散焦的ROI复图像数据矩阵S〇,初始化目标在方位向和距离向的等 效运动参数α和β; S2,利用等效运动参数α和β构造聚焦算子Γ (·),基于所述ROI复图像数据矩阵So和所 述聚焦算子Γ (·)建立压缩感知稀疏重构模型,采用软阈值迭代算法重建模型稀疏解X; S3,建立最小误差模型,利用所述模型稀疏解X更新等效运动参数α和β; S4,判定所述等效运动参数α和β满足算法终止条件,输出稀疏解幅度矩阵IXI。
2. 根据权利要求1所述的方法,其特征在于,所述S4中还包括,判定所述等效运动参数α 和β不满足算法终止条件时,重复执行步骤S2和S3。
3. 根据权利要求1所述的方法,其特征在于,所述S4中终止条件为:
Figure CN107561533AC00021
其中&表示逻辑与操作,%和ne为预设阈值参数,α和β为步骤S3中利用所述模型稀疏解X 更新等效运动参数α和β。
4. 根据权利要求1所述的方法,其特征在于,所述S2中利用等效运动参数α和β构造聚焦 算子Γ ( ·)具体包括: S21,对ROI数据矩阵So沿着距离向和方位向作二维离散傅里叶变换(2D-DFT),获取二维 频域数据矩阵&, Sl = Fr · So · Fa 其中Fr表示距离向DFT变换矩阵,Fa表示方位向DFT变换矩阵; 522, 利用等效运动参数构造相位补偿矩阵H,矩阵H中各元素H (k,n)通过公式
Figure CN107561533AC00022
表不, 其中,其中j为虚数单位,Rrrf为SAR与目标间的参考距离,c为电磁波传播速度,f。为载波 频率,V为SAR平台速度,fr是一个NrX 1的向量,表示距离向频率,fa是一个NaX 1的向量,表 示方位向频率; 523, 通过公式:
Figure CN107561533AC00023
构造聚焦算子r (·),其中聚焦算子r (·)表示从ROi数据矩阵So到聚焦结果矩阵x(p) 的处理过程,其中
Figure CN107561533AC00024
为Fr的逆矩阵,.
Figure CN107561533AC00025
SFa的逆矩阵,®为两个矩阵的Hadamard积。
5. 根据权利要求4所述的方法,其特征在于,所述S2中基于所述ROI复图像数据矩阵S0和 所述聚焦算子F (·)建立压缩感知稀疏重构模型,采用软阈值迭代算法重建模型稀疏解X 具体包括: S24,根据所述聚焦算子Γ ( ·)构造聚焦逆算子Γ -1 ( ·); S25,建立压缩感知稀疏重构模型,采用软阈值迭代算法求解公式:
Figure CN107561533AC00031
所示的L1范数优化问题恢复出模型稀疏解X(p),其中λ>〇,为正则化参数。
6. 根据权利要求5所述的方法,其特征在于,所述采用采用软阈值迭代算法求解Χ(ρΜ9 步骤具体为: 设置算法终止系数ε,将聚焦结果矩阵X(ρ)初始化为Nr X Na的全零矩阵; 利用软阈值函数
Figure CN107561533AC00032
更新稀疏解,式中,1表示迭代次数,SOft (·)为对矩阵每一个元素按软阈值函数取值; 更新残差矩阵,使得
Figure CN107561533AC00033
当满足
Figure CN107561533AC00034
’时,终止算法,输出模型稀疏解
Figure CN107561533AC00035
其中,11 · 112表示计算矩阵的I2范数。
7. 根据权利要求1所述的方法,其特征在于,所述S3中具体包括: S31,分别计算矩阵B关于方位向等效运动参数α和距离向等效运动参数β的一阶偏导 数; 532, 计算矩阵
Figure CN107561533AC00036
,并将结果矩阵各列首尾连接成NrNaXl的向量
Figure CN107561533AC00037
533, 计算
Figure CN107561533AC00038
,对向量
Figure CN107561533AC00039
做实数化处理,获取大小为2NrNaX2 的矩阵C(p),和大小为2NrNaX 1的向量D(p); 534, 通过公式
Figure CN107561533AC000310
计算(△ α,△ β),获得的等效运动参数一阶增量; 535, 根据所述S34获得的等效运动参数一阶增量按照公式
Figure CN107561533AC000311
更新等效运动参数α和β。
8. 根据权利要求7所述的方法,其特征在于,所述矩阵B为关于等效运动参数α和β的函 数。
CN201710576328.1A 2017-07-14 2017-07-14 一种c波段星载合成孔径雷达运动目标成像方法 Active CN107561533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710576328.1A CN107561533B (zh) 2017-07-14 2017-07-14 一种c波段星载合成孔径雷达运动目标成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710576328.1A CN107561533B (zh) 2017-07-14 2017-07-14 一种c波段星载合成孔径雷达运动目标成像方法

Publications (2)

Publication Number Publication Date
CN107561533A true CN107561533A (zh) 2018-01-09
CN107561533B CN107561533B (zh) 2019-11-22

Family

ID=60973051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710576328.1A Active CN107561533B (zh) 2017-07-14 2017-07-14 一种c波段星载合成孔径雷达运动目标成像方法

Country Status (1)

Country Link
CN (1) CN107561533B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108051812A (zh) * 2018-01-22 2018-05-18 南京航空航天大学 基于二维速度搜索的星载sar运动目标检测方法
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
CN110441772A (zh) * 2019-07-30 2019-11-12 北京环境特性研究所 大轨道分布范围下星载稀疏重航过sar三维成像方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110012778A1 (en) * 2008-12-10 2011-01-20 U.S. Government As Represented By The Secretary Of The Army Method and system for forming very low noise imagery using pixel classification
CN102902977A (zh) * 2012-06-21 2013-01-30 中国人民解放军电子工程学院 基于风场扰动特征的空中目标分类方法
CN104331886A (zh) * 2014-10-29 2015-02-04 中国人民解放军国防科学技术大学 基于高分辨sar图像的港口区域舰船检测方法
CN104408482A (zh) * 2014-12-08 2015-03-11 电子科技大学 一种高分辨率sar图像目标检测方法
CN106680818A (zh) * 2016-12-30 2017-05-17 中国科学院电子学研究所 基于二维编码和频域稀疏阵列合成孔径雷达三维成像方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110012778A1 (en) * 2008-12-10 2011-01-20 U.S. Government As Represented By The Secretary Of The Army Method and system for forming very low noise imagery using pixel classification
CN102902977A (zh) * 2012-06-21 2013-01-30 中国人民解放军电子工程学院 基于风场扰动特征的空中目标分类方法
CN104331886A (zh) * 2014-10-29 2015-02-04 中国人民解放军国防科学技术大学 基于高分辨sar图像的港口区域舰船检测方法
CN104408482A (zh) * 2014-12-08 2015-03-11 电子科技大学 一种高分辨率sar图像目标检测方法
CN106680818A (zh) * 2016-12-30 2017-05-17 中国科学院电子学研究所 基于二维编码和频域稀疏阵列合成孔径雷达三维成像方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108051812A (zh) * 2018-01-22 2018-05-18 南京航空航天大学 基于二维速度搜索的星载sar运动目标检测方法
CN108051812B (zh) * 2018-01-22 2021-06-22 南京航空航天大学 基于二维速度搜索的星载sar运动目标检测方法
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
CN110441772A (zh) * 2019-07-30 2019-11-12 北京环境特性研究所 大轨道分布范围下星载稀疏重航过sar三维成像方法
CN110441772B (zh) * 2019-07-30 2021-03-30 北京环境特性研究所 大轨道分布范围下星载稀疏重航过sar三维成像方法

Also Published As

Publication number Publication date
CN107561533B (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN107561533A (zh) 一种c波段星载合成孔径雷达运动目标成像方法
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
CN104732584B (zh) 用于太赫兹高斯波束全息成像的三维大景深图像重建方法
CN104933678B (zh) 一种基于像素强度的图像超分辨率重建方法
CN105954750B (zh) 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
CN105388476B (zh) 一种基于联合稀疏模型的层析sar成像方法
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
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
CN103630900A (zh) 3-d sar波数域快速成像的方法
CN107462887A (zh) 基于压缩感知的宽幅星载合成孔径雷达成像方法
CN105652271A (zh) 一种增广拉格朗日实波束雷达角超分辨处理方法
CN108646242A (zh) 一种针对复杂目标的多子波段雷达数据融合成像方法
CN109298420A (zh) 一种合成孔径雷达的运动目标迭代最小熵成像方法及装置
CN107894591A (zh) 基于压缩感知的穿墙雷达衍射层析成像方法
CN108490441A (zh) 基于两级滤波的俯冲段大斜视sar子孔径成像空变校正方法
Liu et al. Compressive tomographic radar imaging with total variation regularization
CN105759264B (zh) 基于时频字典的微动目标缺损回波高分辨成像方法
Zhang et al. A Bayesian super-resolution method for forward-looking scanning radar imaging based on split Bregman
CN106526547A (zh) 基于InSAR技术的直线扫描近场RCS测试杂波抑制方法
CN104698431B (zh) 基于模糊分量doa估计的多通道sar方位解模糊方法
CN106054152A (zh) 基于逆扩展Omega‑K算法的非理想轨迹SAR回波获取方法
CN106093902A (zh) 相似目标的散射特征变换方法
CN103630907B (zh) 近距离主动式毫米波圆柱扫描成像系统的免插值重构方法
CN105426916A (zh) 图像相似度计算方法
CN104714230B (zh) 稀疏合成孔径雷达多视成像方法

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