CN111007509A - 一种逆合成孔径雷达二维超分辨成像方法 - Google Patents
一种逆合成孔径雷达二维超分辨成像方法 Download PDFInfo
- Publication number
- CN111007509A CN111007509A CN201911303106.8A CN201911303106A CN111007509A CN 111007509 A CN111007509 A CN 111007509A CN 201911303106 A CN201911303106 A CN 201911303106A CN 111007509 A CN111007509 A CN 111007509A
- Authority
- CN
- China
- Prior art keywords
- vector
- scattering point
- matrix
- target
- signal
- 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
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
- 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
- G01S13/9064—Inverse SAR [ISAR]
-
- 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
- G01S13/9094—Theoretical aspects
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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种逆合成孔径雷达二维超分辨成像方法,基于压缩感知理论,针对逆合成孔径雷达,首先建立观测信号模型,利用距离方位耦合的波形信息构造二维超分辨正交基矩阵,构建随机映射压缩矩阵,正交基矩阵和压缩矩阵相乘构建感知矩阵;通过压缩矩阵对向量化的观测数据进行压缩,降低数据量;在成像时利用稀疏先验信息将二维联合超分辨成像问题建模为最小l1范数的优化问题,对压缩向量进行稀疏重构得到散射点向量,最后将散射点向量矩阵化实现二维高分辨成像;有效地提高了成像结果的对比度,降低了图像熵,大大提高了成像质量;相比传统的压缩感知方法,有效提高了压缩比,增加了算法可靠性,降低了数据存储量和传输率代价。
Description
技术领域
本发明属于雷达成像技术领域,具体涉及一种逆合成孔径雷达二维超分辨成像方法。
背景技术
在逆合成孔径雷达成像中,传统上采用基于FFT的距离-多普勒成像方法,其分辨率受限于信号带宽和天线合成孔径,增加信号带宽和天线合成孔径可以分别提高距离向和方位向的成像分辨力。然而,大带宽和大合成孔径要求传输、存储、处理的数据量极为庞大。2010年,S.-J.Wei,X.-L.Zhang,J.Shi等在《Progress In Electromagnetics Research》第109卷第63-81页发表的《Sparse reconstruction for SAR imaging based oncompressed sensing》一文中,提出了一种基于随机采样降低数据量并通过稀疏重构进行合成孔径成像的方法,该文献提出的模型基于随机采样方法,压缩性能有限且方法针对合成孔径雷达。
发明内容
有鉴于此,本发明的目的是提供一种逆合成孔径雷达二维超分辨成像方法,可进一步提高数据的压缩率以及算法在低信噪比下的鲁棒性,实现逆合成孔径雷达二维超分辨成像。
一种逆合成孔径雷达二维超分辨成像方法,包括如下步骤:
步骤1、逆合成孔径雷达中,定义xOy坐标系为目标坐标系,uOv为雷达坐标系;O为目标旋转中心,θ为目标旋转角,RO为目标旋转中心斜距,Ri为第i个散射点的斜距,(xi,yi)为散射点在目标坐标系下的坐标,散射点在雷达坐标系下的坐标(ui,vi)与(xi,yi)的关系:
其中为快时间,tm=mTr,(m=0,1,2,…,M-1)为慢时间,Tr为脉冲重复时间(PRT),K为散射点数目,σi为散射点强度,B为信号带宽,c为光速,fc为信号载波频率,ω0为目标旋转角速度,为噪声,vi(m)表示第i个散射点在第m个Tr内的v轴坐标;
在采样间隔ts下,其离散形式为:
n表示离散采样后的快时间变量;
s′=Ψσ+n (4)
其中:
s′为信号向量,σ为稀疏散射点向量,n为噪声向量,正交基为:
其中任意一个元素,第m1行m2列元素表达式为:
其中,Mc>O(KlogN1N2)为压缩后数据长度,O(·)表示数量级上界;Mc/(N1N2)为数据压缩比;
步骤4、构造感知矩阵A=ΦΨ;
步骤5、通过随机映射对数据进行压缩处理,压缩矩阵与信号向量相乘,将信号向量映射到低维向量空间,得到压缩后的数据向量:
y=Φs′ (7)
其中信号部分表示为感知矩阵与稀疏散射点向量相乘,n2=Φn为压缩后的噪声向量,即有:y=Aσ+n2;
步骤6、将问题转化为最小l1范数的优化问题:
其中||·||1表示l1范数,||·||2表示l2范数,约束值ε=E[||n2||2];
步骤7、对优化问题进行求解得到稀疏的散射点向量σ;
步骤8、将散射点矢量σ矩阵化得到目标图像:
其中σ(n)为σ的第n(n=0,1,2,…,N1N2-1)个元素。
本发明具有如下有益效果:
1)逆合成孔径雷达成像通常距离分辨率为方位分辨率为本发明采用的基于随机映射数据压缩的逆合成孔径雷达二维超分辨成像方法,基于压缩感知理论,针对逆合成孔径雷达,首先建立观测信号模型,利用距离方位耦合的波形信息构造二维超分辨正交基矩阵,构建随机映射压缩矩阵,正交基矩阵和压缩矩阵相乘构建感知矩阵;通过压缩矩阵对向量化的观测数据进行压缩,降低数据量;在成像时利用稀疏先验信息将二维联合超分辨成像问题建模为最小l1范数的优化问题,对压缩向量进行稀疏重构得到散射点向量,最后将散射点向量矩阵化实现二维高分辨成像;
2)本发明通过压缩感知方法提高成像分辨率,进而有效地提高了成像结果的对比度,降低了图像熵,大大提高了成像质量;
3)本发明采用的基于随机映射的压缩感知方法,相比传统的压缩感知方法,有效提高了压缩比,增加了算法可靠性,降低了数据存储量和传输率代价。
附图说明
图1为本发明所述的逆合成孔径雷达几何关系图;
图2为本发明所述的基于随机映射数据压缩的逆合成孔径雷达二维超分辨成像方法流程图;
图3为传统距离-多普勒方法成像结果图;
图4为基于本发明的高分辨成像结果图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
如图2所示,本发明提供的一种基于随机映射数据压缩的逆合成孔径雷达二维超分辨成像方法包括如下步骤:
1)逆合成孔径雷达中,目标与雷达几何关系如图1;其中,xOy坐标系为目标坐标系,uOv为雷达坐标系;O为目标旋转中心,θ为目标旋转角,RO为目标旋转中心斜距,Ri为第i个散射点的斜距,(xi,yi)为散射点在目标坐标系下的坐标,散射点在雷达坐标系下的坐标(ui,vi)与(xi,yi)的关系:
其中为快时间,tm=mTr,(m=0,1,2,…,M-1)为慢时间,Tr为脉冲重复时间(PRT),K为散射点数目,σi为散射点强度,B为信号带宽,c为光速,fc为信号载波频率,ω0为目标旋转角速度,为噪声,vi(m)表示第i个散射点在第m个Tr内的v轴坐标;
在采样间隔ts下,其离散形式为:
n表示离散采样后的快时间变量;
s′=Ψσ+n, (4)
其中:
s′为信号向量,σ为稀疏散射点向量,n为噪声向量。正交基为:
其中任意一个元素,例如第m1行m2列元素表达式:
Mc>O(KlogN1N2)为压缩后数据长度,O(·)表示数量级上界;Mc/(N1N2)为数据压缩比。
4)构造感知矩阵A=ΦΨ;
5)通过随机映射对数据进行压缩处理,压缩矩阵与信号向量相乘,将信号向量映射到低维向量空间,得到压缩后的数据向量:
y=Φs′ (7)
其中信号部分可以表示为感知矩阵与稀疏散射点向量相乘,n2=Φn为压缩后的噪声向量,即有:y=Aσ+n2。
6)将问题转化为最小l1范数的优化问题:
其中||·||1表示l1范数,||·||2表示l2范数,约束值ε=E[||n2||2]。
7)对优化问题进行求解得到稀疏的散射点向量σ;
8)将散射点矢量σ矩阵化得到目标图像:
其中σ(n)为σ的第n(n=0,1,2,…,N1N2-1)个元素。
实施例:
为使本发明的目的、技术方案及优点更加清晰,下面参照附图和实施例,对本发明作进一步详细说明。
本实施例中,假设接收信号射频频率fc=10GHz,信号带宽B=400MHz,采样率fs=800MHz,采样间隔ts=1.25ns,脉冲宽度Tp=0.32us,脉冲重复时间Tr=0.05ms,观测脉冲数M=128,距离向点数N1=128,方位向点数N2=128,压缩后信号长度Mc=64,数据压缩比目标散射点数K=5,目标旋转角速度ω0=6.25rad/s。
按照上述步骤1)-步骤8)实施,仿真结果如图3-图4。表1给出了传统方法和本发明方法成像结果的图像对比度和图像熵。由表1可知,相比传统方法,本发明方法成像结果图像对比度更高,图像熵更低,即拥有更好的成像质量。由图3和图4也可以看出,本发明方法成功从16384点数据压缩后的64点数据实现了数据恢复,并且避免了传统距离-多普勒方法由于点散射函数(PSF)特性产生的模糊,实现了二维高分辨成像。
表1
传统距离-多普勒方法 | 本发明方法 | |
图像对比度 | 8.9633 | 42.6549 |
图像熵 | 0.0125 | 0.0067 |
综上所述,以上仅为本发明的较佳实施例而已,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 (1)
1.一种逆合成孔径雷达二维超分辨成像方法,其特征在于,包括如下步骤:
步骤1、逆合成孔径雷达中,定义xOy坐标系为目标坐标系,uOv为雷达坐标系;O为目标旋转中心,θ为目标旋转角,RO为目标旋转中心斜距,Ri为第i个散射点的斜距,(xi,yi)为散射点在目标坐标系下的坐标,散射点在雷达坐标系下的坐标(ui,vi)与(xi,yi)的关系:
其中为快时间,tm=mTr为慢时间,m=0,1,2,…,M-1;Tr为脉冲重复时间,K为散射点数目,σi为散射点强度,B为信号带宽,c为光速,fc为信号载波频率,ω0为目标旋转角速度,为噪声,vi(m)表示第i个散射点在第m个Tr内的v轴坐标;
在采样间隔ts下,其离散形式为:
n表示离散采样后的快时间变量;
s′=Ψσ+n (4)
其中:
s′为信号向量,σ为稀疏散射点向量,n为噪声向量,正交基为:
其中任意一个元素,第m1行m2列元素表达式为:
其中,Mc>O(K log N1N2)为压缩后数据长度,O(·)表示数量级上界;Mc/(N1N2)为数据压缩比;
步骤4、构造感知矩阵A=ΦΨ;
步骤5、通过随机映射对数据进行压缩处理,压缩矩阵与信号向量相乘,将信号向量映射到低维向量空间,得到压缩后的数据向量:
y=Φs′ (7)
其中信号部分表示为感知矩阵与稀疏散射点向量相乘,n2=Φn为压缩后的噪声向量,即有:y=Aσ+n2;
步骤6、将问题转化为最小l1范数的优化问题:
其中||·||1表示l1范数,||·||2表示l2范数,约束值ε=E[||n2||2];
步骤7、对优化问题进行求解得到稀疏的散射点向量σ;
步骤8、将散射点矢量σ矩阵化得到目标图像:
其中σ(n)为σ的第n(n=0,1,2,…,N1N2-1)个元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911303106.8A CN111007509B (zh) | 2019-12-17 | 2019-12-17 | 一种逆合成孔径雷达二维超分辨成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911303106.8A CN111007509B (zh) | 2019-12-17 | 2019-12-17 | 一种逆合成孔径雷达二维超分辨成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111007509A true CN111007509A (zh) | 2020-04-14 |
CN111007509B CN111007509B (zh) | 2021-07-30 |
Family
ID=70115866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911303106.8A Active CN111007509B (zh) | 2019-12-17 | 2019-12-17 | 一种逆合成孔径雷达二维超分辨成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007509B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327283A (zh) * | 2020-10-22 | 2021-02-05 | 北京理工大学 | 基于压缩感知的机械扫描雷达超分辨角度估计算法 |
CN113030893A (zh) * | 2021-03-01 | 2021-06-25 | 成都安智杰科技有限公司 | 一种随机采样方法及装置 |
CN113671494A (zh) * | 2021-08-17 | 2021-11-19 | 桂林电子科技大学 | 一种基于超分辨成像的雷达散射截面积测量方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998673A (zh) * | 2011-09-09 | 2013-03-27 | 中国科学院空间科学与应用研究中心 | 一种用于合成孔径雷达的压缩感知成像方法 |
CN103091665A (zh) * | 2013-02-01 | 2013-05-08 | 北京航空航天大学 | 一种压缩感知合成孔径雷达射频干扰抑制处理方法 |
CN107271975A (zh) * | 2017-06-16 | 2017-10-20 | 北京理工大学 | 基于频率实时测量的雷达回波多普勒频率相参模拟方法 |
CN109613507A (zh) * | 2018-12-21 | 2019-04-12 | 北京理工大学 | 一种针对高阶机动目标雷达回波的检测方法 |
CN109613506A (zh) * | 2018-12-21 | 2019-04-12 | 北京理工大学 | 一种随机跳频重频捷变雷达目标回波信号检测方法 |
CN109633596A (zh) * | 2019-01-23 | 2019-04-16 | 北京理工大学 | 脉冲多普勒雷达体制下的多目标运动参数联合估计方法 |
CN110018474A (zh) * | 2019-01-25 | 2019-07-16 | 北京理工大学 | 基于地球同步轨道合成孔径雷达层析技术的三维成像方法 |
-
2019
- 2019-12-17 CN CN201911303106.8A patent/CN111007509B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998673A (zh) * | 2011-09-09 | 2013-03-27 | 中国科学院空间科学与应用研究中心 | 一种用于合成孔径雷达的压缩感知成像方法 |
CN103091665A (zh) * | 2013-02-01 | 2013-05-08 | 北京航空航天大学 | 一种压缩感知合成孔径雷达射频干扰抑制处理方法 |
CN107271975A (zh) * | 2017-06-16 | 2017-10-20 | 北京理工大学 | 基于频率实时测量的雷达回波多普勒频率相参模拟方法 |
CN109613507A (zh) * | 2018-12-21 | 2019-04-12 | 北京理工大学 | 一种针对高阶机动目标雷达回波的检测方法 |
CN109613506A (zh) * | 2018-12-21 | 2019-04-12 | 北京理工大学 | 一种随机跳频重频捷变雷达目标回波信号检测方法 |
CN109633596A (zh) * | 2019-01-23 | 2019-04-16 | 北京理工大学 | 脉冲多普勒雷达体制下的多目标运动参数联合估计方法 |
CN110018474A (zh) * | 2019-01-25 | 2019-07-16 | 北京理工大学 | 基于地球同步轨道合成孔径雷达层析技术的三维成像方法 |
Non-Patent Citations (2)
Title |
---|
JING TIAN: "DBS imaging based on Keystone transform", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 * |
田静: "雷达机动目标长时间积累信号处理算法研究", 《中国博士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327283A (zh) * | 2020-10-22 | 2021-02-05 | 北京理工大学 | 基于压缩感知的机械扫描雷达超分辨角度估计算法 |
CN113030893A (zh) * | 2021-03-01 | 2021-06-25 | 成都安智杰科技有限公司 | 一种随机采样方法及装置 |
CN113671494A (zh) * | 2021-08-17 | 2021-11-19 | 桂林电子科技大学 | 一种基于超分辨成像的雷达散射截面积测量方法 |
CN113671494B (zh) * | 2021-08-17 | 2023-10-24 | 桂林电子科技大学 | 一种基于超分辨成像的雷达散射截面积测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111007509B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007509B (zh) | 一种逆合成孔径雷达二维超分辨成像方法 | |
CN107193003B (zh) | 一种稀疏奇异值分解扫描雷达前视成像方法 | |
CN109061642B (zh) | 一种贝叶斯迭代重加权稀疏自聚焦阵列sar成像方法 | |
WO2023045431A1 (zh) | 逆合成孔径雷达成像方法、装置、电子设备及存储介质 | |
CN109507666B (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN104076360B (zh) | 基于压缩感知的二维sar稀疏目标成像方法 | |
CN108318891B (zh) | 一种基于改进sva和cs的sal数据旁瓣的压低方法 | |
CN104483671B (zh) | 基于稀疏表示理论的合成孔径雷达成像方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
US20080024359A1 (en) | System and method for geometric apodization | |
CN110109098B (zh) | 一种扫描雷达快速超分辨成像方法 | |
CN113608217B (zh) | 基于增强矩阵补全的isar稀疏成像方法 | |
CN107229050B (zh) | 一种基于极坐标格式的雷达成像优化方法 | |
CN109975805B (zh) | 基于稀疏和全变差联合正则化的多平台星座sar成像方法 | |
CN111175744B (zh) | 一种雷达图像快速生成与缩放方法 | |
CN110133656B (zh) | 一种基于互质阵列的分解与融合的三维sar稀疏成像方法 | |
CN112230221A (zh) | 一种基于三维稀疏成像的rcs测量方法 | |
CN115902886A (zh) | 基于Renyi熵的ITR-DTV雷达前视超分辨成像方法 | |
CN115453523A (zh) | 一种扫描雷达稀疏目标批处理超分辨方法 | |
CN109766646B (zh) | 一种基于稀疏通道回波数据重建的超声成像方法及装置 | |
CN112734812B (zh) | 确定散射体数量的方法、装置、电子设备及存储介质 | |
CN114019508A (zh) | 一种基于混合稀疏表示的sar非稀疏场景成像方法 | |
CN111538003B (zh) | 一种单比特压缩采样合成孔径雷达成像方法 | |
CN113030985A (zh) | 一种基于Chirp码的稀疏字典压缩感知超声成像方法 | |
Wu et al. | The regularization method based on tsvd for forward-looking radar angular superresolution |
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 |