CN110244303A - 基于sbl-admm的稀疏孔径isar成像方法 - Google Patents
基于sbl-admm的稀疏孔径isar成像方法 Download PDFInfo
- Publication number
- CN110244303A CN110244303A CN201910633008.4A CN201910633008A CN110244303A CN 110244303 A CN110244303 A CN 110244303A CN 201910633008 A CN201910633008 A CN 201910633008A CN 110244303 A CN110244303 A CN 110244303A
- Authority
- CN
- China
- Prior art keywords
- formula
- matrix
- target
- isar
- sbl
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达信号处理领域,具体涉及一种基于SBL‑ADMM的稀疏孔径ISAR成像方法。包括以下步骤:S1:稀疏孔径雷达回波建模;S2:目标HRRP与ISAR图像统计建模;S3:基于SBL‑ADMM的稀疏孔径ISAR图像重构;本发明取得的有益效果为:通过本发明可充分利用目标稀疏先验信息,从稀疏孔径雷达回波中重构高分辨目标ISAR图像,且针对ISAR成像过程中的后验概率求解涉及矩阵求逆,计算复杂度高的难题,将ADMM与SBL理论框架相结合,显著提高了稀疏孔径ISAR成像方法的运算效率,极大提升了方法的工程实用性。
Description
技术领域
本发明属于雷达信号处理领域,具体涉及一种基于稀疏贝叶斯学习与交替方向乘子(Sparse Bayesian Learning-Alternating Direction Method of Multipliers,SBL-ADMM)的稀疏孔径ISAR成像方法。
背景技术
随着雷达技术的发展,其不仅可以测量目标距离,而且可以获取目标高分辨图像。按照雷达与目标相对运动关系的不同,雷达成像技术可分为合成孔径雷达(SAR)成像与逆合成孔径雷达(ISAR)成像技术。其中,ISAR成像技术可获取运动目标的高分辨图像,已经在空间目标监视、导弹防御、雷达天文学等领域获得广泛应用。
在雷达成像领域,一般称存在一定脉冲丢失的雷达回波为稀疏孔径回波。在雷达探测目标的过程中,多种因素可导致稀疏孔径回波:就目标而言,当其进行高速运动或复杂姿态运动时,满足ISAR成像条件的雷达观测段较短且不连续,导致稀疏孔径;就环境而言,当环境噪声或干扰信号较强时,将导致部分脉冲信噪比或信干比过低,在ISAR成像过程中,这些脉冲需被剔除;就雷达而言,多通道雷达是目前广泛使用的雷达体制,这种雷达在发射功率受限的条件下实现多目标探测,发射信号必须在不同目标间来回切换,从而导致雷达回波脉冲不连续。在稀疏孔径条件下,传统距离-多普勒(RD)ISAR成像方法基本失效,其所得ISAR图像散焦,无法满足工程实际需求。随着压缩感知技术的发展,基于贝叶斯压缩感知的雷达成像方法通过利用目标ISAR图像的稀疏先验,实现了从稀疏孔径雷达回波重构高分辨ISAR图像,与传统RD成像方法相比,所得ISAR图像聚焦效果和分辨率显著提升。但基于贝叶斯压缩感知的雷达成像方法多涉及矩阵求逆等复杂运算,计算复杂度高,运算效率远低于工程实际需求。
发明内容
本发明要解决的技术问题是贝叶斯压缩感知稀疏孔径ISAR成像方法运算效率低,无法满足工程实际需求。
本发明的思路是针对贝叶斯压缩感知稀疏孔径ISAR成像方法运算效率低的问题,提出了一种基于稀疏贝叶斯学习与交替方向乘子(SBL-ADMM)的稀疏孔径ISAR成像方法。该方法首先对ISAR图像进行稀疏先验建模,并对目标高分辨一维距离像序列(HighResolution Range Profile,HRRP)进行统计建模,在此基础上,基于贝叶斯推导获得ISAR图像的后验概率,并通过最小均方误差估计方法重构ISAR图像。针对后验求解过程中涉及矩阵求逆,计算复杂度较高的难题,通过ADMM方法将后验求解过程转化为三个子问题的迭代寻优,避免了矩阵求逆,有效提升了运算效率。
本发明解决其技术问题所采取的技术方案是:一种基于SBL-ADMM的稀疏孔径ISAR成像方法,包括以下步骤(为方便简洁,统一规定:矩阵或向量用粗体字母表示,对任意向量a,ai表示a的第i个元素,对任意矩阵A,Ai·、A·j与Ai,j分别表示A的第i行、第j列与第(i,j)个元素):
S1稀疏孔径雷达回波建模:
宽带雷达可实现目标距离向高分辨,雷达回波经过脉冲压缩后可获取目标HRRP,如下式所示:
其中表示目标HRRP,tm分别表示快时间(即脉内时间)与慢时间(即脉间时间),j、fc、C分别为虚数单位、雷达发射信号载频与电磁波传播速度。目标包含P个散射点,σp与Rp(tm)分别表示第p个散射点的后向散射系数与瞬时雷达距离,其中Rp(tm)可进一步分解为平动分量与转动分量:
其中ω与(xp,yp)分别表示目标平动分量、目标转动分量、目标转速以及第p个散射点在目标本体坐标系中的坐标。一般而言,ISAR成像累积时间较短,目标在成像累积时间内的转角较小,因此式(2)中近似表达式可通过一阶泰勒展开实现。进一步将式(2)代入式(1)可得:
其中相位项-j4πfc/C·xpωtm为多普勒频率项,为ISAR图像提供横向分辨,为目标平动引入的初相误差,可通过ISAR自聚焦对其进行补偿。假设ISAR自聚焦已经完成,则自聚焦后的目标HRRP的离散形式可表示为:
其中,h(m,n)表示目标离散HRRP,n、m分别为快时间与慢时间序号:n=1,2,…,N、m=1,2,…,M,N、M分别为快时间与慢时间总数,Pr表示雷达发射信号脉冲重复频率。
在稀疏孔径条件下,雷达回波中部分脉冲丢失,假设此时雷达回波包含L个脉冲(L<M),且各脉冲序号组合形成的向量为V,则有由式(4)可得,稀疏孔径目标离散HRRP可表示为:
H=FX+N (5)
其中以及分别表示目标离散HRRP矩阵、部分傅里叶矩阵、目标ISAR图像矩阵以及噪声矩阵。部分傅里叶矩阵F可进一步表示为:其中WM=exp(-j2π/M),1=[1,…,1]T,m=[1,…,M]T。
S2目标HRRP与ISAR图像统计建模:
假设式(5)中噪声N为复高斯白噪声,则目标离散HRRP矩阵H的似然函数服从复高斯分布:
其中β表示噪声方差的倒数,表示复高斯分布,IM表示M×M的单位矩阵,||·||F表示矩阵的F-范数。进一步假设噪声方差倒数β服从伽马分布:
其中表示伽马分布,a、b分别表示噪声方差倒数β所服从伽马分布的形状和尺度因子,Γ(a)为伽马函数:在SBL中,一般将a、b设为较小值,如a=b=10-4。
在式(5)中,目标ISAR图像矩阵X一般由数个离散的散射点组成,具有较强稀疏性,因此可采用高斯分层稀疏先验对其进行建模。首先假设X的各个元素分别服从均值为零的复高斯分布:
其中γ表示目标ISAR图像矩阵X先验的方差倒数矩阵。在高斯分层模型中,进一步假设方差倒数矩阵γ服从伽马分布:
其中c、d分别表示方差倒数矩阵γ所服从伽马分布的形状和尺度因子,同样将其设置为较小值:c=d=10-4。
S3基于SBL-ADMM的稀疏孔径ISAR图像重构:
稀疏孔径ISAR图像重构的过程本质上是通过贝叶斯公式计算ISAR图像矩阵X、噪声方差倒数β以及方差倒数矩阵γ的后验概率的过程,可分别通过变分贝叶斯方法求得,如下式所示:
其中q(X)、q(β)与q(γ)分别表示X、β与γ的后验概率,p(H,X,β,γ)表示目标HRRP矩阵H与X、β、γ的联合概率密度,〈·〉q(·)q(·)表示基于概率密度q(·)q(·)对尖括号内表达式求期望,const表示与等式左侧自变量无关的常量。具体步骤如下:
S3.1计算目标ISAR图像矩阵X的后验概率q(X):
传统SBL方法直接通过式(10)计算目标ISAR图像矩阵X的后验概率,其仍然服从复高斯分布:
其中qSBL(X)表示传统SBL方法所得目标ISAR图像矩阵X的后验概率,μSBL和分别表示传统SBL方法所得qSBL(X)的期望矩阵和第n个距离单元的协方差矩阵,分别计算如下:
其中<β>表示噪声方差倒数β的期望,Λn=diag{γ·n},diag{·}表示对角线矩阵,其对角线元素由括号内向量构成。由式(13)可知,协方差矩阵的计算涉及矩阵求逆,计算复杂度高,无法满足ISAR实时成像的要求。由于式(11)所示复高斯分布具有对称性,其期望矩阵μSBL与最大后验概率(MAP)估计结果一致:
其中,p(X|H,γ,β)表示目标ISAR图像矩阵X的后验概率;
针对式(13)计算复杂度高的难题,引入辅助变量Z,Z为一个M×N矩阵,将式(14)所示寻优问题转化为:
进一步通过增广拉格朗日方法求解式(15)所示约束寻优问题,如下式所示:
其中Lρ(X,Z,Y)为增广拉格朗日函数,Y表示拉格朗日乘子,Y为一个M×N矩阵,ρ表示惩戒因子,则式(15)所示约束寻优问题可由下述迭代方程组求解:
其中(·)(k)表示第k次迭代所更新的变量值。式(17)中前两个方程的解可分别通过使Lρ(X,Z,Y)关于X与Z的一阶偏导等于零获得,如下两式所示:
X(k+1)=(βFHF+ρIM)-1(βFHH+ρZ(k)-Y(k)) (18)
则X与Z的后验概率均服从复高斯分布:
其中q(X)与q(Z)分别表示目标ISAR图像矩阵X与辅助变量Z的后验概率,μX与ΣX分别表示q(X)的期望矩阵和协方差矩阵,μZ与分别表示q(Z)的期望矩阵和Z的第n列后验概率的协方差矩阵。由式(18)、(19)可得,μX、ΣX、μZ、计算如下:
ΣX=(βFHF+ρIM)-1 (23)
S3.2计算噪声方差倒数β的后验概率q(β):
进一步通过式(10)计算噪声方差倒数β的后验概率q(β)。将式(14)、式(15)代入lnp(H,X,β,γ)可得:
分别将式(7)、式(9)、式(16)以及式(26)代入式(10),并忽略与噪声方差倒数β无关的项,可得:
由此可得噪声方差倒数β的后验概率q(β)服从伽马分布:
S3.3计算目标ISAR图像矩阵X先验的方差倒数矩阵γ的后验概率q(γ):
分别将式(7)、式(9)、式(16)以及式(26)代入式(10),并忽略与γ无关的项可得:
因此,目标ISAR图像矩阵X先验的方差倒数矩阵γ的后验概率q(γ)服从伽马分布:
S3.4通过循环迭代重构目标ISAR图像矩阵X:
得到未知变量X、Z、β、γ的后验概率后,根据最小均方误差估计(MMSE)(罗鹏飞,张文明等译,统计信号处理基础-估计与检测理论,电子工业出版社,北京,2006,pp.281)可得,这些变量的估计值分别为其后验概率的期望:
Y(k+1)=Y(k)+ρ(X(k+1)-Z(k+1)) (33)
其中与分别表示基于后验概率q(X)与q(Z)的期望,计算如下:
其中trace(·)表示求矩阵的迹。
进一步对式(31)中矩阵求逆部分(β(k)FHF+ρIM)-1进行化简,其中部分傅里叶矩阵可表示为:F=SFa,其中S表示大小为L×M的欠采样矩阵,其各元素取值为:Fa表示大小为M×M的完整傅里叶矩阵:其满足Fa HFa=FaFa H=IM。则有:
其中D表示大小为M×M的对角阵,其对角元素为:则β(k)D+ρIM为对角矩阵,其求逆可通过矩阵元素除法实现。故将式(38)带入式(31)可避免计算X(k+1)过程中涉及的矩阵求逆运算,有效提升运算效率,且Fa与可分别通过快速傅里叶变换(FFT)与快速逆傅里叶变换(IFFT)计算,以进一步提升运算效率。
由此,目标ISAR图像X的重构过程即循环迭代式(31)-式(35)直至收敛,最终由式(31)所得X即为ISAR图像矩阵,从而得到重构稀疏孔径ISAR图像。
本发明取得的有益效果为:通过本发明可充分利用目标稀疏先验信息,从稀疏孔径雷达回波中重构高分辨目标ISAR图像,且针对ISAR成像过程中的后验概率求解涉及矩阵求逆,计算复杂度高的难题,将ADMM与SBL理论框架相结合,显著提高了稀疏孔径ISAR成像方法的运算效率,极大提升了方法的工程实用性。
附图说明
图1本发明的实施流程图;
图2(a)飞机散射点模型;(b)全孔径条件下HRRP序列;(c)全孔径条件下ISAR图像;
图3不同随机稀疏孔径条件下不同算法所得ISAR图像比较;
图4不同分段稀疏孔径条件下不同算法所得ISAR图像比较;
图5Yak-42飞机实测数据:(a)全孔径条件下HRRP序列;(b)全孔径条件下ISAR图像;
图6不同随机稀疏孔径条件下不同算法所得Yak-42飞机ISAR图像比较;
图7不同分段稀疏孔径条件下不同算法所得Yak-42飞机ISAR图像比较。
具体实施方案
下面结合附图对本发明进行进一步说明:
图1为本发明的总处理流程。
本发明所述一种基于SBL-ADMM的稀疏孔径ISAR成像方法,包括以下步骤:
S1:稀疏孔径雷达回波建模;
S2:目标HRRP与ISAR图像统计建模;
S3:基于SBL-ADMM的稀疏孔径ISAR图像重构;
在参数初始化过程中,将辅助变量Z、拉格朗日乘子Y初始化为大小为M×N的全零矩阵,噪声方差倒数初始化为0.1/var(H),其中var(·)表示求方差算子,ISAR图像X的方差倒数矩阵γ初始化为大小为M×N的全1矩阵,惩戒因子ρ设为1/N。
首先采用仿真数据进行实验,构建图2(a)所示飞机散射点模型。假设目标平动补偿后的转速为0.04rad/s。雷达参数设置如下:设中心频率为9GHz,带宽为600MHz,脉冲为100μs,脉冲重复频率为100Hz。设全孔径雷达回波脉冲数为256,每个脉冲包含256个采样点,则全孔径条件下的目标HRRP序列和ISAR图像分别如图2(b)和图2(c)所示,将其作为稀疏孔径条件下ISAR图像的参考。
接着分别采用随机和分段的方式从全孔径HRRP序列中抽取部分HRRP,形成稀疏孔径HRRP序列,采样率分别为50%、25%以及12.5%,并采用基于传统SBL的LSM-ME2方法(S.Zhang,Y.Liu,X.Li,and G.Bi,“Autofocusing for Sparse Aperture ISAR ImagingBased on Joint Constraint of Sparsity and Minimum Entropy”,IEEEJ.Sel.Top.Applied Earth Obser.Remote Sens.,vol.10,no.3,pp.998-1011,2017)以及本发明方法从稀疏孔径HRRP序列中重构ISAR图像,随机、分段稀疏孔径条件下的成像结果分别如图3、图4所示。由图可知,两种方法均能在稀疏孔径下获取聚焦效果良好的ISAR图像,在随机稀疏孔径条件下,两种方法成像效果接近;而在分段稀疏孔径条件下,本发明方法所得ISAR图像聚焦效果优于LSM-ME2方法。
表1
表2
表1、表2分别给出了两种方法在随机和分段稀疏孔径条件下所得ISAR图像的熵、对比度以及计算时间,以进一步比较两者性能。由表可知,本发明方法所得图像熵较低、对比度较高,说明其所得ISAR图像聚焦效果较好,并且与LSM-ME2相比,本发明方法运算效率提升10-50倍。
进一步采用Yak-42飞机实测数据验证算法性能。雷达信号参数如下:中心频率为5.52GHz、带宽为400MHz、脉宽为25.6μs。全孔径雷达回波包含256个脉冲,每个脉冲包含256个采样点。图5(a)、图5(b)分别展示全孔径条件下的目标HRRP序列和ISAR图像,作为稀疏孔径条件下ISAR成像结果的参考。
分别采用随机、分段两种方式从图5(a)所示全孔径HRRP序列中抽取部分HRRP,形成稀疏孔径HRRP序列,采样率分别为50%、25%、12.5%。图6、图7分别给出了两种稀疏孔径条件下的HRRP序列,以及LSM-ME2以及本发明方法所得ISAR图像,由图可知,本发明方法所得ISAR图像聚焦效果优于LSM-ME2,且更接近于全孔径条件下的ISAR图像。
表3
表4
表3、表4给出了两种方法所得ISAR图像的熵、对比度以及计算时间,以进一步比较算法性能。由表可知,本发明方法所得图像熵较低、图像对比度较高,且运算效率显著高于LSM-ME2方法,进一步验证了其较优的ISAR成像性能与较高的运算效率。
以上实验结果表明,本发明可实现稀疏孔径条件下的ISAR成像,且运算效率与已有SBL稀疏孔径ISAR成像方法相比提升10-50倍,满足ISAR成像实时性要求,工程实用性较强。
Claims (5)
1.一种基于SBL-ADMM的稀疏孔径ISAR成像方法,其特征在于,该方法包括以下步骤:
S1 稀疏孔径雷达回波建模:
宽带雷达可实现目标距离向高分辨,雷达回波经过脉冲压缩后可获取目标HRRP,如下式所示:
其中表示目标HRRP,tm分别表示快时间与慢时间,j、fc、C分别为虚数单位、雷达发射信号载频与电磁波传播速度,目标包含P个散射点,σp与Rp(tm)分别表示第p个散射点的后向散射系数与瞬时雷达距离,其中Rp(tm)可进一步分解为平动分量与转动分量:
其中ω与(xp,yp)分别表示目标平动分量、目标转动分量、目标转速以及第p个散射点在目标本体坐标系中的坐标;进一步将式(2)代入式(1)可得:
其中相位项-j4πfc/C·xpωtm为多普勒频率项,为ISAR图像提供横向分辨,为目标平动引入的初相误差,可通过ISAR自聚焦对其进行补偿;假设ISAR自聚焦已经完成,则自聚焦后的目标HRRP的离散形式可表示为:
其中,h(m,n)表示目标离散HRRP,n、m分别为快时间与慢时间序号:n=1,2,…,N、m=1,2,…,M,N、M分别为快时间与慢时间总数,Pr表示雷达发射信号脉冲重复频率;
在稀疏孔径条件下,雷达回波中部分脉冲丢失,假设此时雷达回波包含L个脉冲,L<M,且各脉冲序号组合形成的向量为V,则有由式(4)可得,稀疏孔径目标离散HRRP可表示为:
H=FX+N (5)
其中以及分别表示目标离散HRRP矩阵、部分傅里叶矩阵、目标ISAR图像矩阵以及噪声矩阵;部分傅里叶矩阵F可进一步表示为:其中WM=exp(-j2π/M),1=[1,…,1]T,m=[1,…,M]T;
S2 目标HRRP与ISAR图像统计建模:
假设式(5)中噪声N为复高斯白噪声,则目标离散HRRP矩阵H的似然函数服从复高斯分布:
其中β表示噪声方差的倒数,表示复高斯分布,IM表示M×M的单位矩阵,||·||F表示矩阵的F-范数;进一步假设噪声方差倒数β服从伽马分布:
其中表示伽马分布,a、b分别表示伽马分布的形状和尺度因子,Γ(a)为伽马函数:
在式(5)中,目标ISAR图像矩阵X一般由数个离散的散射点组成,具有较强稀疏性,因此可采用高斯分层稀疏先验对其进行建模:
首先假设X的各个元素分别服从均值为零的复高斯分布:
其中γ表示目标ISAR图像矩阵X先验的方差倒数矩阵;
在高斯分层模型中,进一步假设方差倒数矩阵γ服从伽马分布:
其中c、d分别表示伽马分布的形状和尺度因子;
S3 基于SBL-ADMM的稀疏孔径ISAR图像重构:
稀疏孔径ISAR图像重构的过程本质上是通过贝叶斯公式计算ISAR图像矩阵X、噪声方差倒数β以及方差倒数矩阵γ的后验概率的过程,可分别通过变分贝叶斯方法求得,如下式所示:
其中q(X)、q(β)与q(γ)分别表示X、β与γ的后验概率,p(H,X,β,γ)表示目标HRRP矩阵H与X、β、γ的联合概率密度,<·>q(·)q(·)表示基于概率密度q(·)q(·)对尖括号内表达式求期望,const表示与等式左侧自变量无关的常量;具体步骤如下:
S3.1计算目标ISAR图像矩阵X的后验概率q(X):
传统SBL方法直接通过式(10)计算目标ISAR图像矩阵X的后验概率,其仍然服从复高斯分布:
其中qSBL(X)表示传统SBL方法所得目标ISAR图像矩阵X的后验概率,μSBL和分别表示传统SBL方法所得qSBL(X)的期望矩阵和第n个距离单元的协方差矩阵,分别计算如下:
其中<β>表示噪声方差倒数β的期望,Λn=diag{γ·n},diag{·}表示对角线矩阵,其对角线元素由括号内向量构成;由式(13)可知,协方差矩阵的计算涉及矩阵求逆,计算复杂度高,无法满足ISAR实时成像的要求;由于式(11)所示复高斯分布具有对称性,其期望矩阵μSBL与最大后验概率估计结果一致:
其中,p(X|H,γ,β)表示目标ISAR图像矩阵X的后验概率;
针对式(13)计算复杂度高的难题,引入辅助变量Z,Z为一个M×N矩阵,将式(14)所示寻优问题转化为:
进一步通过增广拉格朗日方法求解式(15)所示约束寻优问题,如下式所示:
其中Lρ(X,Z,Y)为增广拉格朗日函数,Y表示拉格朗日乘子,Y为一个M×N矩阵,ρ表示惩戒因子,则式(15)所示约束寻优问题可由下述迭代方程组求解:
其中(·)(k)表示第k次迭代所更新的变量值;式(17)中前两个方程的解可分别通过使Lρ(X,Z,Y)关于X与Z的一阶偏导等于零获得,如下两式所示:
X(k+1)=(βFHF+ρIM)-1(βFHH+ρZ(k)-Y(k)) (18)
则X与Z的后验概率均服从复高斯分布:
其中q(X)与q(Z)分别表示目标ISAR图像矩阵X与辅助变量Z的后验概率,μX与ΣX分别表示q(X)的期望矩阵和协方差矩阵,μZ与分别表示q(Z)的期望矩阵和Z的第n列后验概率的协方差矩阵;由式(18)、(19)可得,μX、ΣX、μZ、计算如下:
ΣX=(βFHF+ρIM)-1 (23)
S3.2计算噪声方差倒数β的后验概率q(β):
进一步通过式(10)计算噪声方差倒数β的后验概率q(β):
将式(14)、式(15)代入lnp(H,X,β,γ)可得:
分别将式(7)、式(9)、式(16)以及式(26)代入式(10),并忽略与噪声方差倒数β无关的项,可得:
由此可得噪声方差倒数β的后验概率q(β)服从伽马分布:
S3.3计算目标ISAR图像矩阵X先验的方差倒数矩阵γ的后验概率q(γ):
分别将式(7)、式(9)、式(16)以及式(26)代入式(10),并忽略与γ无关的项可得:
因此,目标ISAR图像矩阵X先验的方差倒数矩阵γ的后验概率q(γ)服从伽马分布:
S3.4通过循环迭代重构目标ISAR图像矩阵X:
得到未知变量X、Z、β、γ的后验概率后,根据最小均方误差估计可得,这些变量的估计值分别为其后验概率的期望:
Y(k+1)=Y(k)+ρ(X(k+1)-Z(k+1)) (33)
其中与分别表示基于后验概率q(X)与q(Z)的期望,计算如下:
其中trace(·)表示求矩阵的迹;
进一步对式(31)中矩阵求逆部分(β(k)FHF+ρIM)-1进行化简,其中部分傅里叶矩阵可表示为:F=SFa,其中S表示大小为L×M的欠采样矩阵,其各元素取值为:Fa表示大小为M×M的完整傅里叶矩阵:其满足Fa HFa=FaFa H=IM;则有:
其中D表示大小为M×M的对角阵,其对角元素为:则β(k)D+ρIM为对角矩阵,其求逆可通过矩阵元素除法实现;故将式(38)带入式(31)可避免计算X(k+1)过程中涉及的矩阵求逆运算,有效提升运算效率;
由此,目标ISAR图像X的重构过程即循环迭代式(31)-式(35)直至收敛,最终由式(31)所得X即为重构的ISAR图像矩阵,从而得到重构稀疏孔径ISAR图像。
2.一种根据权利要求1所述基于SBL-ADMM的稀疏孔径ISAR成像方法,其特征在于:在参数初始化过程中,将辅助变量Z、拉格朗日乘子Y初始化为大小为M×N的全零矩阵,噪声方差倒数初始化为0.1/var(H),其中var(·)表示求方差算子,ISAR图像X的方差倒数矩阵γ初始化为大小为M×N的全1矩阵,惩戒因子ρ设为1/N。
3.一种根据权利要求1或2所述基于SBL-ADMM的稀疏孔径ISAR成像方法,其特征在于:将噪声方差倒数β所服从伽马分布的形状和尺度因子a、b设为较小值,如a=b=10-4。
4.一种根据权利要求1或2所述基于SBL-ADMM的稀疏孔径ISAR成像方法,其特征在于:将方差倒数矩阵γ所服从伽马分布的形状和尺度因子c、设置为较小值,如c=d=10-4。
5.一种根据权利要求1或2所述基于SBL-ADMM的稀疏孔径ISAR成像方法,其特征在于:Fa与可分别通过快速傅里叶变换与快速逆傅里叶变换计算,以进一步提升运算效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633008.4A CN110244303B (zh) | 2019-07-12 | 2019-07-12 | 基于sbl-admm的稀疏孔径isar成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633008.4A CN110244303B (zh) | 2019-07-12 | 2019-07-12 | 基于sbl-admm的稀疏孔径isar成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110244303A true CN110244303A (zh) | 2019-09-17 |
CN110244303B CN110244303B (zh) | 2020-12-25 |
Family
ID=67892205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910633008.4A Active CN110244303B (zh) | 2019-07-12 | 2019-07-12 | 基于sbl-admm的稀疏孔径isar成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244303B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111610522A (zh) * | 2020-06-04 | 2020-09-01 | 中国人民解放军国防科技大学 | 基于低秩与稀疏联合约束的带微动部件目标sa-isar成像方法 |
CN111796278A (zh) * | 2020-07-02 | 2020-10-20 | 南京理工大学 | 基于原子范数与图像熵联合约束的稀疏孔径isar自聚焦方法 |
CN112099008A (zh) * | 2020-09-16 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
CN112684445A (zh) * | 2020-12-02 | 2021-04-20 | 中国人民解放军国防科技大学 | 基于md-admm的mimo-isar三维成像方法 |
CN112946644A (zh) * | 2021-01-28 | 2021-06-11 | 中国人民解放军国防科技大学 | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 |
CN113030964A (zh) * | 2021-02-04 | 2021-06-25 | 中国人民解放军陆军工程大学 | 基于复Laplace先验的双基地ISAR稀孔径高分辨成像方法 |
CN113687325A (zh) * | 2021-07-08 | 2021-11-23 | 西安电子科技大学 | 基于lp和hrrp模型的遮蔽小目标检测方法 |
WO2023045431A1 (zh) * | 2021-09-26 | 2023-03-30 | 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 (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221697A (zh) * | 2011-03-25 | 2011-10-19 | 电子科技大学 | 一种机载多天线sar层析三维成像系统及其成像方法 |
CN104111458A (zh) * | 2014-07-29 | 2014-10-22 | 西安电子科技大学 | 基于双重稀疏约束的压缩感知合成孔径雷达成像方法 |
CN105005048A (zh) * | 2015-08-07 | 2015-10-28 | 苏州闻捷传感技术有限公司 | 基于显著图的Laplacian协同压缩雷达成像方法 |
CN107147397A (zh) * | 2017-04-24 | 2017-09-08 | 电子科技大学 | 面向可穿戴设备的快速压缩感知重构方法 |
CN107705265A (zh) * | 2017-10-11 | 2018-02-16 | 青岛大学 | 一种基于总曲率的sar图像变分去噪方法 |
CN108957448A (zh) * | 2018-06-06 | 2018-12-07 | 西安电子科技大学 | 一种基于广义全变差正则化的雷达关联成像方法 |
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 |
CN109523486A (zh) * | 2018-11-22 | 2019-03-26 | 合肥工业大学 | 噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法 |
CN109683161A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种基于深度admm网络的逆合成孔径雷达成像的方法 |
CN109932717A (zh) * | 2019-03-07 | 2019-06-25 | 西安电子科技大学 | 基于环境统计建模的isar高分辨成像方法 |
CN109991602A (zh) * | 2019-04-10 | 2019-07-09 | 中国人民解放军国防科技大学 | 基于深度残差网络的isar图像分辨率增强方法 |
-
2019
- 2019-07-12 CN CN201910633008.4A patent/CN110244303B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221697A (zh) * | 2011-03-25 | 2011-10-19 | 电子科技大学 | 一种机载多天线sar层析三维成像系统及其成像方法 |
CN104111458A (zh) * | 2014-07-29 | 2014-10-22 | 西安电子科技大学 | 基于双重稀疏约束的压缩感知合成孔径雷达成像方法 |
CN105005048A (zh) * | 2015-08-07 | 2015-10-28 | 苏州闻捷传感技术有限公司 | 基于显著图的Laplacian协同压缩雷达成像方法 |
CN107147397A (zh) * | 2017-04-24 | 2017-09-08 | 电子科技大学 | 面向可穿戴设备的快速压缩感知重构方法 |
CN107705265A (zh) * | 2017-10-11 | 2018-02-16 | 青岛大学 | 一种基于总曲率的sar图像变分去噪方法 |
CN108957448A (zh) * | 2018-06-06 | 2018-12-07 | 西安电子科技大学 | 一种基于广义全变差正则化的雷达关联成像方法 |
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 |
CN109523486A (zh) * | 2018-11-22 | 2019-03-26 | 合肥工业大学 | 噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法 |
CN109683161A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种基于深度admm网络的逆合成孔径雷达成像的方法 |
CN109932717A (zh) * | 2019-03-07 | 2019-06-25 | 西安电子科技大学 | 基于环境统计建模的isar高分辨成像方法 |
CN109991602A (zh) * | 2019-04-10 | 2019-07-09 | 中国人民解放军国防科技大学 | 基于深度残差网络的isar图像分辨率增强方法 |
Non-Patent Citations (1)
Title |
---|
张双辉: ""基于贝叶斯框架的系数孔径ISAR成像技术研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111610522A (zh) * | 2020-06-04 | 2020-09-01 | 中国人民解放军国防科技大学 | 基于低秩与稀疏联合约束的带微动部件目标sa-isar成像方法 |
CN111796278A (zh) * | 2020-07-02 | 2020-10-20 | 南京理工大学 | 基于原子范数与图像熵联合约束的稀疏孔径isar自聚焦方法 |
CN112099008A (zh) * | 2020-09-16 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
CN112099008B (zh) * | 2020-09-16 | 2022-05-27 | 中国人民解放军国防科技大学 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
CN112684445A (zh) * | 2020-12-02 | 2021-04-20 | 中国人民解放军国防科技大学 | 基于md-admm的mimo-isar三维成像方法 |
CN112946644A (zh) * | 2021-01-28 | 2021-06-11 | 中国人民解放军国防科技大学 | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 |
CN112946644B (zh) * | 2021-01-28 | 2022-04-19 | 中国人民解放军国防科技大学 | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 |
CN113030964A (zh) * | 2021-02-04 | 2021-06-25 | 中国人民解放军陆军工程大学 | 基于复Laplace先验的双基地ISAR稀孔径高分辨成像方法 |
CN113687325A (zh) * | 2021-07-08 | 2021-11-23 | 西安电子科技大学 | 基于lp和hrrp模型的遮蔽小目标检测方法 |
CN113687325B (zh) * | 2021-07-08 | 2024-02-06 | 西安电子科技大学 | 基于lp和hrrp模型的遮蔽小目标检测方法 |
WO2023045431A1 (zh) * | 2021-09-26 | 2023-03-30 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN110244303B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110244303A (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN110068805B (zh) | 基于变分贝叶斯推论的高速目标hrrp重构方法 | |
Rao et al. | Adaptive sparse recovery by parametric weighted L $ _ {1} $ minimization for ISAR imaging of uniformly rotating targets | |
Kang et al. | Bistatic ISAR imaging and scaling of highly maneuvering target with complex motion via compressive sensing | |
CN109100718A (zh) | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 | |
CN110275166A (zh) | 基于admm的快速稀疏孔径isar自聚焦与成像方法 | |
CN109870687A (zh) | 一种用于互质采样星载sar的成像处理方法 | |
CN108226928B (zh) | 基于期望传播算法的逆合成孔径雷达成像方法 | |
Bai et al. | Obtaining JTF-signature of space-debris from incomplete and phase-corrupted data | |
CN109507666B (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN108562884A (zh) | 一种基于最大后验概率的机载前视海面目标角超分辨方法 | |
CN107843875A (zh) | 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法 | |
CN109031299B (zh) | 低信噪比条件下基于相位差分的isar平动补偿方法 | |
CN111722227B (zh) | 基于近似观测矩阵的聚束sar压缩感知成像方法 | |
Ferrara et al. | Enhancement of multi-pass 3D circular SAR images using sparse reconstruction techniques | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
Hou et al. | Sparse coding-inspired high-resolution ISAR imaging using multistage compressive sensing | |
Wang et al. | A novel STAP method based on structured sparse recovery of clutter spectrum | |
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 | |
CN103293527A (zh) | 基于置信框架的自适应isar成像方法 | |
Tian et al. | Airborne sparse flight array SAR 3D imaging based on compressed sensing in frequency domain | |
Shuzhen et al. | Near-field 3D imaging approach combining MJSR and FGG-NUFFT | |
Long et al. | A fast decoupled ISAR high-resolution imaging method using structural sparse information under low SNR | |
Deng et al. | ISAR-NeRF: Neural Radiance Fields for 3D Imaging of Space Target from Multi-view ISAR Images | |
Wang et al. | High-value targets scattering center parameters estimating method based on power trajectory extraction |
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 |