CN109633647B - 一种双基地isar稀疏孔径成像方法 - Google Patents
一种双基地isar稀疏孔径成像方法 Download PDFInfo
- Publication number
- CN109633647B CN109633647B CN201910053824.8A CN201910053824A CN109633647B CN 109633647 B CN109633647 B CN 109633647B CN 201910053824 A CN201910053824 A CN 201910053824A CN 109633647 B CN109633647 B CN 109633647B
- Authority
- CN
- China
- Prior art keywords
- echo
- sparse
- echo data
- target image
- vector
- 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.)
- Active
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种双基地ISAR稀疏孔径成像方法,涉及雷达信号处理技术领域,主要解决稀疏孔径条件下双基地ISAR成像分辨率低、运算时间长等问题。本发明实现过程为:建立双基地ISAR回波模型,对平动补偿后的回波进一步进行多普勒位移补偿,得到全孔径回波数据;对回波进行稀疏表示,建立基于压缩感知的双基地ISAR稀疏孔径回波模型;将整个二维回波数据进行分块处理,并假设目标图像各像元服从高斯先验建立稀疏贝叶斯模型;利用快速边缘似然函数最大化方法求解得到高质量目标图像;将所求的每块回波对应的目标图像合成整个二维图像,得到重构的目标图像。通过本发明的技术方案,能够在保证重构质量的同时提高运算效率。
Description
技术领域
本发明涉及雷达信号处理技术领域,具体涉及一种双基地ISAR稀疏孔径成像方法。
背景技术
双基地ISAR是发射站和接收站分置的ISAR成像系统,不仅具有双基地雷达的“四抗”特性,而且与单基地ISAR相比,没有几何成像盲区并能获得更多的目标信息,日益成为现代雷达技术研究的热点问题之一。
在对目标的观测过程中,通常需要切换雷达波束对多个目标进行多视角观测,容易形成稀疏孔径。若直接利用传统的RD算法实现双基地ISAR成像,不仅会产生强烈的副瓣和能量泄漏,而且在低信噪比条件下存在大量干扰噪声,严重影响成像质量。压缩感知理论可以在获得少量数据的情况下,利用重构算法高概率重构出原始信号,由于ISAR空域稀疏性,故可以将其应用到双基地ISAR稀疏孔径成像中,以提高成像质量。在重构算法中,基于l1范数约束的凸优化算法虽能有效改善成像质量和抗噪能力,但在求解时,不能进行参数自学习,需要先估算约束参数,且估算误差对成像结果影响较大,有时可能不能获得最优稀疏解,影响成像质量。另外,在求解时涉及回波数据矢量化和实数化操作,导致数据存储量和运算量较大,运算效率有待提高。
发明内容
本发明所要解决的技术问题是提供了一种双基地ISAR稀疏孔径成像方法,能够在提高成像质量的同时减少运算时间,当数据缺失较多时仍能得到较好的成像结果。
本发明的技术方案如下:
一种双基地ISAR稀疏孔径成像方法,具体包括如下步骤:
步骤1、建立双基地ISAR成像回波模型,并对平动补偿后的回波进行多普勒位移补偿,得到全孔径回波数据;
步骤2、构造稀疏基矩阵得到全孔径回波数据的稀疏表示,构造有效数据选择矩阵得到稀疏孔径回波数据,建立基于压缩感知的双基地ISAR稀疏孔径成像模型;
步骤3、在双基地ISAR稀疏孔径成像模型的基础上,将整个二维回波数据进行分块处理,并设目标图像各像元服从高斯先验进而建立稀疏贝叶斯模型;所述二维回波数据为稀疏孔径回波数据;
步骤4、利用快速边缘似然函数最大化方法对每块回波数据的稀疏贝叶斯模型进行求解,实现对每块回波数据对应的目标图像重构;
步骤5、将所求的每块回波数据对应的目标图像合成整个二维图像,得到重构的目标图像。
进一步的,所述步骤1具体包括:
设雷达发射的线性调频信号,经包络对齐和相位校正后的双基地ISAR回波用如下式(1)表示:
其中,fc为载波中心频率,tp为发射信号脉冲宽度,μ为调频斜率,σP为散射点P的信号复幅度,xP和yP分别为散射点P的坐标,θ(tm)和β(tm)分别为成像期间内的旋转角度和双基地角,随慢时间tm变化;表示快时间;c表示波速;
得到相位补偿后的一维距离像如下式(3):
其中,σp为第p个散射点的信号复幅度。
进一步的,所述步骤2具体包括:
设全孔径回波信号中共包含L个脉冲视角,累积转角为Δθ,构造稀疏基矩阵Fall将二维成像场景离散化为N个距离单元和M个多普勒单元,其表达式(4)和表达式(5)如下:
其中,ω表示Fall中的元素值,其上角标m的取值为0,1,…,M-1,其下角标l的取值为0,1,…,L-1;
考虑到实际噪声的存在,则双基地ISAR全孔径回波可稀疏表示为如下式(6):
Sall=FallA+ε0 (6)
其中,Sall表示经过运动补偿和相位补偿后的全孔径二维回波数据,ε0为噪声,A为需求的目标图像;设有效的回波脉冲为J个,构造有效数据选择矩阵T,得到稀疏孔径回波数据的矩阵表达式(7)为:
S=TSall+ε=TFallA+ε=FA+ε (7)
其中,ε为稀疏孔径回波中的噪声。
进一步的,所述步骤3具体包括:
步骤3-a、对二维回波数据分块化:
将回波矩阵SK×N按距离单元分成小块进行处理,每块数据矩阵中包含N1个距离单元的回波数据,则N个距离单元的回波数据一共可分为H=[N/N1]块,其中,[]表示向上取整;
步骤3-b、将分块回波数据按列矢量化并从复数形式转化为实数形式,得到每块数据的实数域矢量表达式(8):
步骤3-c、设噪声和目标图像矢量各像元均服从独立高斯先验建立稀疏先验模型,得到分块稀疏贝叶斯学习模型,推得目标矢量的后验概率也服从均值为μ、方差为∑的高斯分布,其中均值μ和方差∑分别如下表达式(9)和表达式(10):
进一步的,所述步骤4具体包括:
利用快速边缘似然函数最大化方法对分块稀疏贝叶斯模型进行求解,得到每块回波数据对应的目标图像矢量化重构结果。
进一步的,快速边缘似然函数最大化方法实现的具体步骤包括:
步骤4-c、计算∑,μ,引入两个中间变量Gi和Qi,表达式为:
步骤4-d、令gi=αiGi/(αi-Gi),qi=αiQi/(αi-Gi),计算出每个原子对应的gi和qi以及θi=qi 2-gi值,分三种情况进行处理:
①若θi>0且αi=+∞,则将Fi添加到被选中的原子中;
②若θi>0且αi<+∞,则对超参数αi进行更新,有αi=gi 2/(qi 2-gi);
③若θi<0,则将Fi从被选中的原子中删除,并设置αi=+∞;
将所求目标矢量估计值中的实部与相应的虚部相结合变为复数矢量信号,再将其转化为二维矩阵形式,得到分块回波数据对应的二维目标图像再将所求的每块回波数据所求的目标图像合成整个二维图像,即可得到重构的目标图像。
本发明的有益效果如下:
本发明采取了分块处理的思想,在每块图像重构时减少了数据存储量和计算量,另外,相比于传统的稀疏贝叶斯学习求解方法,本发明所涉及的快速算法能够在保证重构质量的同时进一步缩短了运算时间,当孔径缺失数量较多时,利用本发明方法仍能高质量地实现图像重构,得到清晰且聚焦良好的目标图像。
附图说明
图1是本发明的成像方法流程示意图。
图2是根据本发明的一个实施例的双基地ISAR成像几何模型。
图3是根据本发明的一个实施例的回波数据分块处理示意图。
图4是根据本发明的一个实施例的稀疏贝叶斯学习两层稀疏先验示意图。
图5是根据本发明的一个实施例的快速边缘似然函数最大化方法流程示意图。
图6-a是根据本发明的一个实施例的一维稀疏信号重构性能的时域仿真图。
图6-b是根据本发明的一个实施例的一维稀疏信号重构性能的频域仿真图。
图7-a是根据本发明的一个实施例的仿真场景图。
图7-b是根据本发明的一个实施例的目标散射点模型图。
图8-a是根据本发明的一个实施例在成像时间段内双基地角变化曲线图。
图8-b是根据本发明的一个实施例在成像时间段内累积转角变化曲线图。
图9-a是50%数据缺失时的一维距离像、RD成像结果以及本发明方法成像结果。
图9-b是65%数据缺失时的一维距离像、RD成像结果以及本发明方法成像结果。
图9-c是80%数据缺失时的一维距离像、RD成像结果以及本发明方法成像结果。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中,阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本实施例涉及一种双基地ISAR稀疏孔径成像方法,其基本思路为:步骤1、对双基地ISAR目标进行回波建模,并对平动补偿后的回波进一步进行多普勒位移补偿,得到全孔径回波数据,再构造稀疏基矩阵和有效数据选择矩阵;步骤2、建立基于压缩感知的稀疏孔径成像模型;步骤3、将整个二维回波数据进行分块处理,并建立稀疏贝叶斯模型;步骤4、通过快速边缘似然函数最大化方法进行求解;步骤5、将所求的每块回波对应的目标图像合成整个二维图像,得到重构的目标图像。
进一步的,所述步骤1中:
假设雷达发射线性调频信号,经包络对齐和相位校正后的双基地ISAR回波的可近似为:
其中,fc为载波中心频率,tp为发射信号脉冲宽度,μ为调频斜率,σP为散射点P的信号复幅度,xP和yP分别为散射点P的坐标,θ(tm)和β(tm)分别为成像期间内的旋转角度和双基地角,随慢时间tm变化。
为了避免双基地角时变引起越的分辨单元徙动和图像畸变,需要构造相应的补偿相位进行相位补偿,构造的补偿项表达式为:
得到相位补偿后的一维距离像表达式为:
假设在距离单元(2yP/c)cos(β(tm)/2)内有Q个强散射点,则此单元的回波信号可表示为:
其中,aq为第q个散射点的信号复幅度。
进一步的,所述步骤2中:
假设全孔径回波信号中共包含L个脉冲视角,累积转角为Δθ,构造稀疏基矩阵Fall将二维成像场景离散化为N个距离单元和M个多普勒单元,其中:
考虑到实际噪声的存在,则双基地ISAR全孔径回波可稀疏表示为:
Sall=FallA+ε0
其中,ε0为噪声,A为需求的目标图像。假设有效的回波脉冲为J个,构造观测矩阵T,得到稀疏孔径回波数据:
S=TSall+ε=TFallA+ε=FA+ε
进一步的,所述步骤3中:
将整个二维回波数据进行分块处理,并假设目标图像各像元服从高斯先验建立稀疏贝叶斯模型,主要包括以下步骤:
步骤a,对二维回波数据分块化,即将回波矩阵SK×N按距离单元分成小块进行处理,每块数据矩阵中包含N1个距离单元的回波数据,则N个距离单元的回波数据一共可分为H=[N/N1]块,[]表示向上取整。
步骤b,将分块回波数据按列矢量化,得到每块数据的矢量表达式:
式中sn、εn和an分别表示第“n”个距离单元对应的回波数据矢量、噪声矢量和目标图像矢量。
将矢量化后的数据由复数转化为实数形式,得到表达式:
其中,Re()和Im()分别表示实部和虚部。转化之后再利用快速稀疏贝叶斯学习算法求得包含实部和虚部信息的目标矢量步骤c,假设噪声和目标图像矢量各像元均服从独立高斯先验建立稀疏先验模型,得到分块稀疏贝叶斯学习模型。可以推得目标矢量的后验概率也服从均值为μ,方差为∑的高斯分布,其中:
利用快速边缘似然函数最大化方法求解,实现分块回波数据目标图像重构,主要包括以下步骤:
步骤c,计算∑,μ,引入两个中间变量Gi和Qi,表达式为:
步骤d,令gi=αiGi/(αi-Gi),qi=αiQi/(αi-Gi),计算出每个原子对应的gi和qi
以及θi=qi 2-gi值,分三种情况进行处理:
①若θi>0且αi=+∞,则将Fi添加到被选中的原子中;
②若θi>0且αi<+∞,则对超参数αi进行更新,有αi=gi 2/(qi 2-gi);
③若θi<0,则将Fi从被选中的原子中删除,并设置αi=+∞;
进一步的,所述步骤5中:
将所求目标矢量估计值中的实部与相应的虚部相结合变为复数矢量信号,再将其转化为二维矩阵形式,得到分块回波数据对应的二维目标图像再将所求的每块回波数据所求的目标图像合成整个二维图像,即可得到重构的目标图像。参照图1,本发明的具体实施步骤如下:
步骤1,建立双基地ISAR成像回波模型假设目标平稳运动,并且其运动轨迹与双基地雷达基线共面。双基地ISAR平稳运动目标成像的几何模型如图2所示,其中,发射站雷达为T,接收站雷达为R,双基地雷达基线长度为L,等效单基地雷达位置为E。假设目标以速度V匀速运动,成像起始时刻为t1,双基地角为β1,以目标质心O1为原点,双基地角平分线方向为y1轴建立右手直角坐标系x1O1y1,散射点P1在x1O1y1坐标系中的坐标为(xP,yP),设O1P1长度为d,与x1轴夹角为α1,目标质心O1、散射点P1到发射站T、接收站R的距离分为记为Rt1、Rr1和RtP1、RrP1。假设在tm成像时刻,目标质心运动至Om点,散射点由P1运动至Pm,此时的双基地角为βm,等效单基地雷达视角变化为θm(可看作由坐标系x1O1y1旋转到坐标系xmOmym的旋转角度)。同样以目标质心Om为原点,双基地角平分线方向为ym轴建立右手直角坐标系xmOmym,OmPm与xm轴夹角为αm且αm=θm+α1,此时目标质心Om、散射点Pm到发射站T、接收站R的距离分别记为Rtm、Rrm和RtPm、RrPm。
双基地ISAR成像时,由于满足远场条件,则散射点Pm到发射站和接收站的距离RtPm、RrPm可表示为:
假设雷达发射线性调频信号,经包络对齐和相位校正后的双基地ISAR回波的可近似为:
其中,fc为载波中心频率,tp为发射信号脉冲宽度,μ为调频斜率,σP为散射点P的信号复幅度,θ(tm)和β(tm)分别为成像期间内的旋转角度和双基地角,随慢时间tm变化。
为了避免双基地角时变引起越的分辨单元徙动和图像畸变,需要构造相应的补偿相位进行相位补偿,构造的补偿项表达式为:
得到相位补偿后的一维距离像表达式为:
假设在距离单元(2yP/c)cos(β(tm)/2)内有Q个强散射点,则此单元的回波信号可表示为:
其中,aq为第q个散射点的信号复幅度。
步骤2,建立基于压缩感知的双基地ISAR稀疏孔径成像模型假设全孔径回波信号中共包含L个脉冲视角,累积转角为Δθ,构造稀疏基矩阵Fall将二维成像场景离散化为N个距离单元和M个多普勒单元,则在方位向上坐标可表示为xp=mΔx,其中,Δx=(L/M)(λ/2Δθ)表示每个多普勒单元格在方位向的代表的尺度大小,回波信号可离散化为:
其中,l=1,2,…L。可将稀疏基矩阵Fall构造为:
考虑到实际噪声的存在,则双基地ISAR全孔径回波可稀疏表示为:
Sall=FallA+ε0
其中,ε0为噪声,A为需求解的目标图像。假设有效的回波脉冲为J个,构造观测矩阵T,得到稀疏孔径回波数据:
S=TSall+ε=TFallA+ε=FA+ε
步骤3,建立分块快速稀疏贝叶斯成像模型将整个二维回波数据进行分块处理,并假设目标图像各像元服从高斯先验建立稀疏贝叶斯模型,主要包括以下步骤:
步骤a,对二维回波数据分块化,即将回波矩阵SK×N按距离单元分成小块进行处理,如图3所示,假设每块数据矩阵中包含N1个距离单元的回波数据,则N个距离单元的回波数据一共可分为H=[N/N1]块([]表示向上取整),回波数据可表示为S=[S1 S2 … SH]。为方便后续的算法推导,此处假设回波数据刚好可分为H个相同的数据块(若最后一块数据不足N1个距离单元,也可与前面的数据块按同样的方法处理)。在求解时可先利用重构算法进行逐块数据重构,然后再将得到的成像结果拼接成目标二维图像。
步骤b,只取其中一个数据块的回波矩阵进行分析求解,将分块回波数据按列矢量化,得到每块数据的矢量表达式:
式中sn、εn和an分别表示第“n”个距离单元对应的回波数据矢量、噪声矢量和目标图像矢量。
由于雷达回波信号为复数信号,将矢量化后的数据由复数转化为实数形式,得到表达式:
步骤c,假设噪声和目标图像矢量各像元均服从独立高斯先验建立稀疏先验模型,得到分块稀疏贝叶斯学习模型。
首先,假设目标图像各像元的实部和虚部ai,(i=1,2,…,2MN1)均满足依赖于超参数的零均值Gaussian分布,即ai~N(0,αi -1),假设各像元之间是独立分布的,则其条件概率密度函数为:
其中,Gamma(α|a,b)=Γ(a)-1baαa-1e-bα,可以看出,目标图像矢量实际上是通过超参数α实现控制的,而超参数α又由系数a,b约束,所以对目标图像的稀疏促进作用可以看作是一个两层稀疏先验模型,如图4所示。利用贝叶斯准则可以推得目标矢量的后验概率也服从均值为μ,方差为∑的高斯分布,其中:
步骤4,利用快速边缘似然函数最大化法实现分块数据图像重构利用快速边缘似然函数最大化方法求解,实现分块回波数据目标图像重构,实现流程示意图如图5所示,主要包括以下步骤:
步骤c,计算∑,μ,引入两个中间变量Gi和Qi,表达式为:
步骤d,令gi=αiGi/(αi-Gi),qi=αiQi/(αi-Gi),计算出每个原子对应的gi和qi
以及θi=qi 2-gi值,分三种情况进行处理:
①若θi>0且αi=+∞,则将Fi添加到被选中的原子中;
②若θi>0且αi<+∞,则对超参数αi进行更新,有αi=gi 2/(qi 2-gi);
③若θi<0,则将Fi从被选中的原子中删除,并设置αi=+∞;
步骤5,利用分块重构结果合成整个二维图像
将所求目标矢量估计值中的实部与相应的虚部相结合变为复数矢量信号,再将其转化为二维矩阵形式,得到分块回波数据对应的二维目标图像再将所求的每块回波数据所求的目标图像合成整个二维图像,即可得到重构的目标图像
本发明的效果可以通过下述仿真实验加以说明:
仿真实验1,算法运算时间仿真:
为验证算法的运算时间,选取简单的线性调频信号作为原始信号进行重构。假设信号为x(t)=cos(2π(1000t+10t2/2)),采样频率为400Hz,信号长度为l=500,对原始信号进行随机稀疏采样,稀疏基矩阵为标准傅里叶基矩阵,利用本发明的快速边缘似然函数最大化算法和典型的直接求导法对稀疏贝叶斯学习模型进行求解,总迭代次数均设为1000次,收敛条件均设为在观测点数为m=250时利用快速算法的重构结果如图6-a和图6-b所示,其中图6-a为时域重构结果,图6-b为频域重构结果,可以看出利用SBL算法能够很好地重构出目标信号。改变观测数m,采用运算时间和均方根误差RMSE衡量两种求解方法对信号的重构性能,其中,RMSE定义为结果如表1所示。
表1两种方法性能对比
仿真实验2,双基地ISAR稀疏孔径成像性能仿真:
1.设定仿真模型本仿真采用图7-a所示的双基地ISAR仿真场景,假设双基地基线长度为400km,目标在300km的高度以3km/s的速度沿基线方向由发射站向接收站匀速运动,运动轨迹为图中粗横线所示,成像起点运动轨迹高度上距接收站右侧水平距离70km处。目标的散射点仿真模型如图7-b所示,该模型由100个散射点组成,成像的仿真参数设置如表2所示。
表2成像参数设置
在本发明实例中假设成像观测时间为10s,累积脉冲数为500个,在此成像段内双基地角和累积转角变化曲线如图8-a和图8-b所示,其中,图8-a为双基地角变化曲线,图8-b为累积转角变化曲线。
2.仿真结果及分析
为比较本发明方法在稀疏孔径条件下的成像性能,在SNR为10dB条件下,假设三种数据缺失比分别为50%、65%和80%,为减少数据处理量,截取其中200个距离单元的数据进行处理,分别利用RD算法和本发明算法实现成像,结果如图9-a、图9-b和图9-c所示,其中,图9-a表示50%数据缺失时的一维距离像、RD成像结果以及本发明方法成像结果,图9-b表示65%数据缺失时的一维距离像、RD成像结果以及本发明方法成像结果,图9-c表示80%数据缺失时的一维距离像、RD成像结果以及本发明方法成像结果。
从成像结果可以看出,在稀疏孔径条件下,采用RD算法直接成像会有大量的能量泄漏并产生散焦现象,无法实现图像重构,而采用本发明算法成像能有效提高成像质量,能量泄漏问题和图像散焦问题得到明显改善,当孔径缺失数量较多时,如80%数据缺失的情况,仍能高质量地实现图像重构,得到清晰且聚焦良好的目标图像,体现了算法的优越性。
以上结合附图详细说明了本发明的技术方案,本发明中的步骤可根据实际需求进行顺序调整、合并和删减。
尽管参考附图详地公开了本发明,但应理解的是,这些描述仅仅是示例性的,并非用来限制本发明的应用。本发明的保护范围由附加权利要求限定,并可包括在不脱离本发明保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (5)
1.一种双基地ISAR稀疏孔径成像方法,其特征在于,包括如下步骤:
步骤1、建立双基地ISAR成像回波模型,并对平动补偿后的回波进行多普勒位移补偿,得到全孔径回波数据;
步骤2、构造稀疏基矩阵得到全孔径回波数据的稀疏表示,构造有效数据选择矩阵得到稀疏孔径回波数据,建立基于压缩感知的双基地ISAR稀疏孔径成像模型;具体包括:
设全孔径回波信号中共包含L个脉冲视角,累积转角为△θ,构造稀疏基矩阵Fall将二维成像场景离散化为N个距离单元和M个多普勒单元,其表达式(4)和表达式(5)如下:
其中,ω表示Fall中的元素值,其上角标m的取值为0,1,…,M-1,其下角标l的取值为0,1,…,L-1;
考虑到实际噪声的存在,则双基地ISAR全孔径回波可稀疏表示为如下式(6):
Sall=FallA+ε0 (6)
其中,Sall表示经过运动补偿和相位补偿后的全孔径二维回波数据,ε0为噪声,A为需求的目标图像;设有效的回波脉冲为J个,构造有效数据选择矩阵T,得到稀疏孔径回波数据的矩阵表达式(7)为:
S=TSall+ε=TFallA+ε=FA+ε (7)
其中,ε为稀疏孔径回波中的噪声;
步骤3、在双基地ISAR稀疏孔径成像模型的基础上,将整个二维回波数据进行分块处理,并设目标图像各像元服从高斯先验进而建立稀疏贝叶斯模型;
具体包括:
步骤3-a、对二维回波数据分块化:
将回波矩阵SK×N按距离单元分成小块进行处理,每块数据矩阵中包含N1个距离单元的回波数据,则N个距离单元的回波数据一共可分为H=[N/N1]块,其中,[]表示向上取整;
步骤3-b、将分块回波数据按列矢量化并从复数形式转化为实数形式,得到每块数据的实数域矢量表达式(8):
步骤3-c、设噪声和目标图像矢量各像元均服从独立高斯先验建立稀疏先验模型,得到分块稀疏贝叶斯学习模型,推得目标矢量的后验概率也服从均值为μ、方差为∑的高斯分布,其中均值μ和方差∑分别如下表达式(9)和表达式(10):
步骤4、利用快速边缘似然函数最大化方法,对每块的回波数据进行求解,得到每块回波数据对应的图像,实现对每块回波数据对应的目标图像重构;
具体包括:
利用快速边缘似然函数最大化方法对分块稀疏贝叶斯模型进行求解,得到每块回波数据对应的目标图像矢量化重构结果;
步骤5、将所求的每块回波数据对应的目标图像合成整个二维图像,得到重构的目标图像。
3.根据权利要求1所述的双基地ISAR稀疏孔径成像方法,其特征在于,快速边缘似然函数最大化方法实现的具体步骤包括:
步骤4-c、计算∑,μ,引入两个中间变量Gi和Qi,表达式为:
步骤4-d、令gi=αiGi/(αi-Gi),qi=αiQi/(αi-Gi),计算出每个原子对应的gi和qi以及θi=qi 2-gi值,分三种情况进行处理:
①若θi>0且αi=+∞,则将Fi添加到被选中的原子中;
②若θi>0且αi<+∞,则对超参数αi进行更新,有αi=gi 2/(qi 2-gi);
③若θi<0,则将Fi从被选中的原子中删除,并设置αi=+∞;
5.根据权利要求1所述的双基地ISAR稀疏孔径成像方法,其特征在于,所述二维回波数据为稀疏孔径回波数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910053824.8A CN109633647B (zh) | 2019-01-21 | 2019-01-21 | 一种双基地isar稀疏孔径成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910053824.8A CN109633647B (zh) | 2019-01-21 | 2019-01-21 | 一种双基地isar稀疏孔径成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633647A CN109633647A (zh) | 2019-04-16 |
CN109633647B true CN109633647B (zh) | 2022-02-08 |
Family
ID=66061497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910053824.8A Active CN109633647B (zh) | 2019-01-21 | 2019-01-21 | 一种双基地isar稀疏孔径成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633647B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133647B (zh) * | 2019-05-09 | 2022-04-05 | 东南大学 | 一种分块稀疏贝叶斯学习isar成像散射系数估计方法 |
CN110456351B (zh) * | 2019-08-29 | 2021-06-15 | 哈尔滨工业大学 | 基于时变幅值lfm信号参数估计的机动目标isar成像方法 |
CN110780295B (zh) * | 2019-09-29 | 2022-11-11 | 西安电子科技大学 | 一种基于变分贝叶斯的雷达关联成像方法 |
CN110780298B (zh) * | 2019-11-01 | 2023-04-07 | 西安电子科技大学 | 基于变分贝叶斯学习的多基isar融合成像方法 |
CN112285707B (zh) * | 2020-10-08 | 2024-02-13 | 南京理工大学 | 基于gps导航信号的无源多基地高分辨成像方法 |
CN112859075B (zh) * | 2021-01-14 | 2022-07-19 | 中国人民解放军陆军工程大学 | 多频带isar融合高分辨成像方法 |
CN112859074B (zh) * | 2021-01-14 | 2022-07-19 | 中国人民解放军陆军工程大学 | 多频带多视角isar融合成像方法 |
CN113030963B (zh) * | 2021-02-04 | 2022-04-19 | 中国人民解放军陆军工程大学 | 联合残余相位消除的双基地isar稀疏高分辨成像方法 |
CN112986995B (zh) * | 2021-02-06 | 2021-10-01 | 中国人民解放军战略支援部队航天工程大学 | 一种基于递归结构波束形成的二维成像方法及系统 |
CN113281745B (zh) * | 2021-04-15 | 2022-09-13 | 中国人民解放军空军预警学院雷达士官学校 | 一种基于多量测向量模型的anm稀疏高分辨isar成像方法 |
CN113805173A (zh) * | 2021-08-04 | 2021-12-17 | 中国人民解放军国防科技大学 | 一种正交编码孔径全极化雷达图像二维联合重构方法 |
CN113567985B (zh) * | 2021-09-26 | 2021-12-07 | 南京隼眼电子科技有限公司 | 逆合成孔径雷达成像方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103901429A (zh) * | 2014-04-09 | 2014-07-02 | 西安电子科技大学 | 基于稀疏孔径的机动目标逆合成孔径雷达成像方法 |
CN108415015A (zh) * | 2018-03-14 | 2018-08-17 | 哈尔滨工业大学 | 一种稀疏孔径下舰船目标三维InISAR成像方法 |
CN109085589A (zh) * | 2018-10-16 | 2018-12-25 | 中国人民解放军国防科技大学 | 基于图像质量引导的稀疏孔径isar成像相位自聚焦方法 |
CN109100718A (zh) * | 2018-07-10 | 2018-12-28 | 中国人民解放军国防科技大学 | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 |
-
2019
- 2019-01-21 CN CN201910053824.8A patent/CN109633647B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103901429A (zh) * | 2014-04-09 | 2014-07-02 | 西安电子科技大学 | 基于稀疏孔径的机动目标逆合成孔径雷达成像方法 |
CN108415015A (zh) * | 2018-03-14 | 2018-08-17 | 哈尔滨工业大学 | 一种稀疏孔径下舰船目标三维InISAR成像方法 |
CN109100718A (zh) * | 2018-07-10 | 2018-12-28 | 中国人民解放军国防科技大学 | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 |
CN109085589A (zh) * | 2018-10-16 | 2018-12-25 | 中国人民解放军国防科技大学 | 基于图像质量引导的稀疏孔径isar成像相位自聚焦方法 |
Non-Patent Citations (2)
Title |
---|
"Fast Marginal Likelihood Maximisation for Sparse Bayesian Models";Michael E. Tipping et al.;《Proceedings of the Ninth International Workshop on Articial Intelligence and Statistics》;20031231;全文 * |
"双基地角时变下的ISAR稀疏孔径自聚焦成像";朱晓秀 等;《航空学报》;20180825;第25卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109633647A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633647B (zh) | 一种双基地isar稀疏孔径成像方法 | |
CN111208513B (zh) | 空间目标isar图像序列能量反向投影与三维重构方法 | |
CN109633646B (zh) | 一种基于加权l1范数约束的双基地isar成像方法 | |
CN108490441B (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 | |
CN107561533B (zh) | 一种c波段星载合成孔径雷达运动目标成像方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN109444882B (zh) | 基于变斜视椭圆波束同步模型的双站sar成像方法 | |
CN107607948B (zh) | 一种中轨道卫星sar的运动补偿及成像方法 | |
CN109298420B (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 | |
CN105301589B (zh) | 高分辨宽测绘带sar地面运动目标成像方法 | |
CN111580104A (zh) | 基于参数化字典的机动目标高分辨isar成像方法 | |
Du et al. | Adaptive inverse synthetic aperture radar imaging for nonuniformly moving targets | |
CN111781595B (zh) | 基于匹配搜索和多普勒解模糊的复杂机动群目标成像方法 | |
CN109444842A (zh) | 一种目标电磁散射特性数据重构方法和装置 | |
CN111722227B (zh) | 基于近似观测矩阵的聚束sar压缩感知成像方法 | |
CN108761458B (zh) | 基于形态学细化的干涉sar水体数字高程模型修正方法 | |
CN106054187A (zh) | 基于斜距模型下的大斜视sar曲线轨迹波数域成像方法 | |
CN108107432B (zh) | 基于时域扰动的高低轨双基sar保相成像方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
CN109188436B (zh) | 适用于任意平台轨迹的高效双基sar回波生成方法 | |
CN102928839B (zh) | 多通道波束指向sar的全孔径成像方法 | |
CN113608218A (zh) | 一种基于后向投影原理的频域干涉相位稀疏重构方法 | |
CN102012510A (zh) | 基于时间——相位导数分布的逆合成孔径雷达成像方法 | |
CN111948652B (zh) | 一种基于深度学习的sar智能参数化超分辨成像方法 | |
CN113466863A (zh) | 一种sar舰船目标高分辨成像方法 |
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 |