CN112083392A - 基于贝叶斯估计的sar窄带射频干扰抑制方法 - Google Patents
基于贝叶斯估计的sar窄带射频干扰抑制方法 Download PDFInfo
- Publication number
- CN112083392A CN112083392A CN202011084799.9A CN202011084799A CN112083392A CN 112083392 A CN112083392 A CN 112083392A CN 202011084799 A CN202011084799 A CN 202011084799A CN 112083392 A CN112083392 A CN 112083392A
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- sar
- narrow
- frequency interference
- interference
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000001629 suppression Effects 0.000 title claims abstract description 54
- 238000013179 statistical model Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 8
- 238000002592 echocardiography Methods 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 101150040772 CALY gene Proteins 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 24
- 238000012545 processing Methods 0.000 abstract description 11
- 230000004083 survival effect Effects 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G01S7/414—Discriminating targets with respect to background clutter
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
本发明属于雷达信号处理技术领域，公开了基于贝叶斯估计的SAR窄带射频干扰抑制方法，包括：引入基于峭度的干扰检测方法，对原始回波进行干扰判定。利用窄带RFI的稀疏先验信息，引入了对窄带RFI稀疏约束的概率密度分布参数化模型，建立了存在窄带射频干扰的SAR回波概率统计模型。利用贝叶斯估计和最大后验概率估计出模型参数，精确重构出窄带RFI。通过数据域干扰相消，获得干扰抑制后的回波数据。本发明充分利用了窄带RFI的稀疏先验参数化模型，通过贝叶斯估计和最大后验概率高精确度地重构出窄带RFI；减少了干扰信号对SAR成像质量的影响，提高了SAR系统在复杂电磁环境中的生存能力。
Description
技术领域
本发明属于雷达信号处理技术领域，尤其涉及基于贝叶斯估计的合成孔径雷达(Synthetic Aperture Radar，SAR)窄带射频干扰抑制方法，用于减弱窄带射频干扰(RadioFrequency Interference，RFI)对SAR成像质量的影响，显著增强SAR图像解译能力，提升SAR在复杂电磁环境中的信息获取能力。
背景技术
由于SAR具有全天时、全天候、远作用距离和高分辨率二维成像等优势，SAR是目前主动微波遥感的重要手段。但是，随着SAR的广泛应用，SAR受到复杂电磁环境中干扰的威胁和挑战越来越严重。特别是，通信基站、机场监视雷达、地基同频雷达、其它同频遥感遥测设备等辐射源的大量使用，使得射频干扰成为SAR最常见的干扰样式。
目前，SAR窄带射频干扰抑制技术按干扰建模与干扰抑制处理方式不同可以分为参数化方法和非参数化方法。按干扰处理的阶段不同可分为数据域和图像域射频干扰抑制。参数化方法常常把窄带RFI建模为多个单频干扰的组合模型，然后通过参数估计方式对窄带RFI进行精确重构与抑制。而非参数化方法是通过分析干扰与数据的特征差异性，通过某种映射变换放大干扰和SAR回波的差异性，然后通过自适应滤波处理对射频干扰进行有效抑制。一般来说，参数化方法需要对窄带RFI精细建模，模型比较准确时，可以达到很好地干扰抑制效果。但是，模型出现失配，将出现较大的射频干扰估计误差。而非参数化窄带RFI估计与抑制方法虽然不受窄带RFI模型的限制，但是能够有效地区分干扰与回波信号的合适映射变换方法不容易获得，并且在自适应滤波处理时，在抑制窄带RFI的同时容易造成一定的信号损失。数据域干扰抑制是常用的窄带射频干扰抑制方法，在抑制窄带RFI后再进行成像处理，这样可以减小RFI对成像处理的影响，同时，也可以把干扰抑制与成像算法很好地结合起来，以高效地获得聚焦良好的SAR图像。而图像域处理方法是利用图像处理方法从受干扰的SAR图像中对窄带RFI进行检测与抑制，该方法在一定条件下可以实现窄带RFI和SAR目标信息的有效分离，但是该方法同时容易造成一定的图像质量损失，并且无法减弱射频干扰对成像过程的影响。
因此，目前参数化的基于数据域的干扰抑制技术是射频干扰抑制的有效方法和研究热点。T.Miller等人提出了一种基于最小二乘法的射频干扰抑制方法。该方法把窄带RFI建模为多个单频分量的组合模型，通过最小二乘法重构窄带RFI，但是该方法本质上是高斯噪声下的最大似然解。由于没有对窄带RFI形式进行约束，在低干信比的情况下容易出现估计误差。由于压缩感知理论的迅速发展，K.Shuya等人利用压缩感知理论对窄带RFI进行高概率的重构与抑制，但是该方法仅仅考虑了窄带RFI的稀疏先验信息，但是其稀疏度等关键参数需要先验获得或人工选择，然而，在不同的干信比下其窄带RFI稀疏度等关键参数很难确定。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种基于贝叶斯估计的SAR窄带射频干扰抑制方法，本发明引入基于峭度的干扰检测方法，建立了存在窄带射频干扰的SAR回波概率统计模型，充分利用了窄带RFI的先验参数化模型，通过最大后验概率和贝叶斯估计高精确度地重构出窄带RFI；减少干扰信号对SAR成像质量的影响，提高了SAR系统在复杂电磁环境中的生存能力。
本发明的技术原理是：首先，引入基于峭度的干扰检测方法，对原始回波进行干扰判定。其次，利用窄带RFI的稀疏先验信息，引入了对窄带RFI稀疏约束的概率密度分布参数化模型，建立了存在窄带射频干扰的SAR回波概率统计模型。再次，根据贝叶斯估计和最大后验概率估计出模型参数，精确重构出窄带RFI。之后，通过数据域干扰相消，获得干扰抑制后的回波数据。
为了达到上述目的，本发明采用以下技术方案予以实现。
基于贝叶斯估计的SAR窄带射频干扰抑制方法，包括以下步骤：
步骤1，利用SAR回波和窄带射频干扰之间的统计分布差异，基于峭度判断每次SAR回波中是否存在窄带射频干扰，若是，则执行步骤2；
步骤2，建立存在窄带射频干扰的SAR回波概率统计模型；
步骤3，根据贝叶斯估计和最大后验概率估计所述SAR回波概率统计模型的模型参数，并据此重构窄带射频干扰；
步骤4，根据重构的窄带射频干扰，对SAR回波依次进行数据域干扰相消和幅度增益补偿，得到窄带射频干扰抑制和幅度恢复后的回波信号。
与现有技术相比，本发明的有益效果为：
(1)本发明充分利用窄带RFI的先验参数化模型，通过最大后验概率和贝叶斯估计高精确度地重构出窄带RFI。
(2)本发明属于数据域的干扰抑制方法，因此可以与已有的SAR成像算法很好地结合起来，可以获得高质量的干扰抑制后的SAR成像结果。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明基于贝叶斯估计的SAR窄带射频干扰抑制方法的流程图；
图2为本发明一种实施例所进行的原始回波信号在不同方法干扰抑制后的成像结果图；其中，(a)为无干扰抑制成像结果图；(b)为频域陷波成像结果图；(c)为贝叶斯估计成像结果图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
参考图1，本发明提供的基于贝叶斯估计的SAR窄带射频干扰抑制方法，包括以下步骤：
步骤1，利用SAR回波和窄带射频干扰之间的统计分布差异，基于峭度判断每次SAR回波中是否存在窄带射频干扰，若是，则执行步骤2；
对于窄带RFI，其占有较窄的带宽，一般具有很大的功率，导致在频谱上表现为尖峰，因此对于SAR回波来说，加入窄带干扰之后相当于加入了一个非相干矢量，从而破坏了回波原来的高斯特性。可根据回波信号的“尖峰性”和非高斯性判断窄带RFI是否存在，基于此，本发明采用峭度来判断窄带RFI是否存在。
1.1，定义每次SAR回波信号的峭度定义为：
其中，E{·}表示取期望，z为原始回波信号的频谱功率，||·||表示复幅度，μ为||z||的均值，σ为||z||的标准差，N是回波的采样个数，zi表示z的第i个采样点。
对于近似服从高斯分布的信号来说，其峭度值为3左右，而当信号中存在冲击时，其峭度值将明显增大，而且冲击能量越强，对应的“尖峰”越陡峭，峭度值越大。
1.2，确定干扰检测阈值：
设虚警概率为α，干扰判断阈值为λ*；对于不存在干扰的回波，其峭度值κ0为均值为μ0、方差为
的高斯变量，即
对于存在窄带射频干扰的回波，其峭度值
为均值为
方差为
的高斯变量，即
因此，若峭度为v，则α关于λ*的表达形式为：
引入误差函数erf(·)，其具体定义为：
将结合以上两式，得到：
则在确定虚警概率α的情况下，即可得到最优阈值λ*：
其中，erf-1(·)为逆误差函数，μ0和σ0可以通过无干扰的回波信号进行估计。误警概率α通常要求低于10-3，实际使用中，α经常取值在10-6到10-8之间。
根据上式可以利用回波与干扰之间的统计分布差异自适应地确定阈值，从而根据回波信号的峭度值判断此次回波中是否混有干扰。
1.3，当SAR回波的峭度值大于所述干扰检测阈值时，判断为存在窄带射频干扰，否则，判断为无窄带射频干扰。
步骤2，建立存在窄带射频干扰的SAR回波概率统计模型；
具体包含以下子步骤：
子步骤2.1，建立存在窄带RFI的SAR回波观测模型；
窄带RFI往往由多个单频干扰的组合模型来表示，并且一般与SAR回波独立，因此，将存在窄带RFI的某次脉冲的SAR回波观测模型表示为RFI、SAR回波和加性观测噪声之和，即：
其中，J0k、fk、θk表示第k个干扰分量的模、频率和初相；K表示干扰个数；
SAR目标回波具有复高斯特性，假设观测噪声也服从复高斯分布，将目标回波和加性高斯噪声的和信号记作Ns，对干扰信号进行稀疏表示，进一步将SAR回波观测模型重新表示为：
X＝AJ+Ns
其中，A为频率字典矩阵，J为干扰复系数，X＝[x1，x2，…，xN]T，[·]T表示取转置操作，N为距离向采样点数，Ns＝[Ns1，Ns2，…，NsN]T为SAR目标回波与加性高斯噪声的组和信号。假设回波信号中干扰分量的个数为K，则频率字典矩阵A∈CN×K，干扰复系数J＝[J1，J2，…，JK]T，其中，Jk＝akexp(jθk)，k＝1，2，…，K。
子步骤2.2，根据窄带RFI、SAR原始回波数据的统计特性和先验信息，建立存在窄带RFI的SAR回波概率统计模型；
由于Ns为服从
分布的复高斯变量，其中，协方差矩阵为
λ1为
的第一个特征值，因此X也为服从
分布的复高斯变量，其概率密度函数表示为：
在上式中，若假设干扰复系数J服从
的复高斯分布，其中，∑J＝diag(σ1，σ2，…，σK)，σ1为∑J的第一个特征值，则J的概率密度函数表示为
进一步，为约束干扰满足稀疏分布条件，引入超参数α和β，并且满足α＜＜β，使得σi，i＝1，2，…，K服从Gamma分布，并且Gamma分布与Gaussian分布为共轭先验，则∑J的概率密度函数表示为：
其中，Γ(·)表示伽马函数，Tr(·)表示矩阵的迹。
步骤3，根据贝叶斯估计和最大后验概率估计所述SAR回波概率统计模型的模型参数，并据此重构窄带射频干扰；
具体包含以下子步骤：
子步骤3.1，根据贝叶斯定律，构建窄带射频干扰信号的后验概率分布模型；
(a)令参数集
根据贝叶斯定律，窄带射频干扰信号的后验概率分布由SAR原始回波概率分布和干扰的先验概率分布表示为：
(b)由SAR原始回波概率统计模型和干扰信号概率分布的具体形式，获得窄带射频干扰信号的对数最大似然函数：
其中，const＝-(N+K)lnπ+Kαlnβ-K lnΓ(α)。
子步骤3.2，根据最大后验概率求解模型，通过梯度迭代求解获得参数集中每个参数的最大后验估计值；
(a)利用最大后验概率求解模型问题表示为：
可以注意到，若假设λi＝λ，i＝1，2，…，N，σj＝σ，j＝1，2，…，K，同时忽略常数项，则对干扰复系数的求解模型可以写成如下形式
其中，||·||p表示求p-范数，p＝2。第一项为误差函数项，后面三项为惩罚项，若只考虑第一项，其形式就是求干扰复系数的最小二乘解。若考虑第一项和第二项，其形式就是基于脊回归(Ridge Regression)的方法求解干扰参数。若p＝1时，其形式为基于压缩感知理论的射频干扰求解方法。通过上述分析可知道该模型充分利用了射频干扰和SAR原始回波数据的统计特性和先验信息，并利用惩罚项对窄带射频干扰的稀疏性和最大后验解进行自适应调整。因此，由上式可知，本发明方法可以获得较优的射频干扰重构估计，其性能优于传统的射频干扰抑制方法。
(b)利用最大后验概率分别对参数集中的每个参数求梯度，然后通过迭代求解获得每个参数的最大后验估计值，具体求解过程如下：
随机初始化后，按照以下步骤进行迭代求解，直至相邻两次干扰复系数之差小于预设收敛条件，停止迭代，得到最优解。
(1)求干扰复系数J：
令
则对于第m+1次迭代过程，解得
(2)求目标回波与观测噪声的协方差矩阵
令
则对于第m+1次迭代，解得
(3)求干扰协方差矩阵∑J：
令
则对于第m+1次迭代，解得
其中，m代表迭代次数。根据相邻两次迭代之差获知估计参数的收敛情况，从而决定是否应该终止迭代。
子步骤3.3，根据估计出的窄带射频干扰信号参数，精确重构窄带射频干扰信号。
示例性的，
若获得的窄带RFI复系数的最大后验估计为
结合窄带RFI的稀疏表示形式和频率字典矩阵A得到高精度的窄带RFI重构结果
IMAP＝AJMAP
以上模型充分利用了窄带RFI和SAR原始回波数据的统计特性和先验信息，并利用惩罚项对窄带RFI的稀疏性和最大后验解进行自适应调整。因此，本发明可以获得较优的窄带RFI重构估计，其性能优于传统的窄带射频干扰抑制方法。
步骤4，根据重构的窄带射频干扰，对SAR回波依次进行数据域干扰相消和幅度增益补偿，得到窄带射频干扰抑制并恢复幅度后的回波信号。
具体包含以下子步骤：
子步骤4.1，通过原始回波与重构的窄带RFI相减，得到窄带射频干扰抑制后的回波数据
子步骤4.2，对干扰抑制后的回波数据进行幅度增益补偿，得到窄带射频干扰抑制和幅度恢复后的回波信号。
由于SAR系统的自动增益控制(Automatic Gain Control，AGC)功能，需要对得到的干扰抑制后的回波数据进行幅度恢复，具体为：
其中，X′为幅度恢复后的SAR回波信号，ε表示无窄带RFI的SAR回波与滤波后的SAR回波的平均幅度之比。
本发明在得到干扰抑制并恢复后的回波信号以后，通过SAR成像方法获得高质量的SAR成像结果。对SAR回波信号进行距离压缩、多普勒参数估计、距离-方位解耦、运动补偿和方位匹配滤波等成像处理操作，获得高质量的成像结果。并用平均梯度(AverageGradient，AG)、均方差(Mean Square Deviation，MSD)，灰度差(Gray Level Difference，GLD)等指标评估干扰抑制效果。
仿真实验
针对以上本发明的具体实施方法，分别利用频域陷波法和本发明的基于贝叶斯估计的SAR窄带射频干扰抑制方法抑制SAR窄带RFI，并对抑制后的SAR回波数据进行成像处理，其成像结果如附图2所示。
图2(a)为无干扰抑制的SAR成像结果，可以看出窄带射频干扰在SAR成像结果中沿距离向产生了一些亮条纹，使得农田和建筑物被遮盖，降低了SAR图像的解译能力。
图2(b)为利用频域陷波算法进行干扰抑制后的SAR成像结果；图2(c)为利用本发明进行干扰抑制后的SAR成像结果。两种方法均使得沿距离向的亮线被滤除，恢复了地面上被干扰遮盖的农田和建筑物等信息，提高了SAR图像中目标的辨识度与解译能力，但通过对比图2(b)与图2(c)可以发现，频域陷波处理后的SAR图像较为模糊，有用信号损失较为严重，说明利用本发明的干扰抑制方法能最大程度的抑制窄带射频干扰又能减少有用信号的损失，验证了本发明的有效性。
此外，采用AG、MSD和GLD三个指标评估不同方法的干扰抑制效果。AG用来评判图像的边缘清晰度，表达形式为：
其中，
和
分别表示图像(m，n)处的灰度值在垂直方向和水平方向的梯度。梯度值反映灰度值的变化快慢，通常图像的轮廓部分梯度值较大。因此，AG越大，图像中目标的边缘部分更清晰。
MSD用来衡量图像的灰度值起伏大小。表达形式为，
其中，μ表示图像像素值的均值。MSD越大，表示图像的灰度值起伏越大。
对于干扰抑制来说，需要在滤除干扰的同时尽量保证图像的细节部分不被损坏，因此通常需要较大的MSD。
GLD用来表示边缘的灰度值变化。表达形式为：
GLD越大，表示图像中目标的边缘信息更加清楚，细节信息越丰富。
用频域陷波法和本发明的方法的进行干扰抑制的评估指标值如下表。
干扰抑制效果评估指标表
| 频域陷波 | 本发明 | |
| AG(dB) | 9.38 | 9.78 |
| MSD(dB) | 0.051 | 0.056 |
| GLD(dB) | 83.68 | 86.48 |
从表中可以看出，利用本发明的方法处理后得到的成像结果的AG、MSD、GLD均大于频域陷波的对应数值，说明该方法能在抑制干扰的同时，图像中的细节信息也尽可能得以保留，进一步验证了本发明的有效性。
虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (8)
1.基于贝叶斯估计的SAR窄带射频干扰抑制方法，其特征在于，包括以下步骤：
步骤1，利用SAR回波和窄带射频干扰之间的统计分布差异，基于峭度判断每次SAR回波中是否存在窄带射频干扰，若是，则执行步骤2；
步骤2，建立存在窄带射频干扰的SAR回波概率统计模型；
步骤3，根据贝叶斯估计和最大后验概率估计所述SAR回波概率统计模型的模型参数，并据此重构窄带射频干扰；
步骤4，根据重构的窄带射频干扰，对SAR回波依次进行数据域干扰相消和幅度增益补偿，得到窄带射频干扰抑制和幅度恢复后的回波信号。
2.根据权利要求1所述的基于贝叶斯估计的SAR窄带射频干扰抑制方法，其特征在于，所述利用SAR回波和窄带射频干扰之间的统计分布差异，基于峭度判断每次SAR回波中是否存在窄带射频干扰，其具体步骤为：
子步骤1.1，每次SAR回波信号的峭度定义为：
其中，E{·}表示取期望，z为原始回波信号的频谱功率，||·||表示复幅度，μ为||z||的均值，σ为||z||的标准差，N是回波的采样个数，zi表示z的第i个采样点；
子步骤1.2，确定干扰检测阈值；
设虚警概率为α，干扰判断阈值为λ*；对于不存在干扰的回波，其峭度值κ0为均值为μ0、方差为
的高斯变量，即
对于存在窄带射频干扰的回波，其峭度值
为均值为
方差为
的高斯变量，即
因此，若峭度为v，则α关于λ*的表达形式为：
引入误差函数erf(·)，其具体定义为：
将结合以上两式，得到：
则在确定虚警概率α的情况下，即可得到最优阈值λ*：
其中，erf-1(·)为逆误差函数，α取值在10-6到10-8之间；
子步骤1.3，当SAR回波的峭度值大于所述干扰检测阈值时，判断为存在窄带射频干扰，否则，判断为无窄带射频干扰。
3.根据权利要求1所述的基于贝叶斯估计的SAR窄带射频干扰抑制方法，其特征在于，所述建立存在窄带射频干扰的SAR回波概率统计模型，具体过程为：
子步骤2.1，建立存在窄带射频干扰的SAR回波观测模型：
SAR目标回波具有复高斯特性，即其服从复高斯分布，设观测噪声服从复高斯分布，将目标回波和加性高斯噪声的和信号记作Ns，并对窄带射频门干扰信号进行稀疏表示，则SAR回波观测模型表示为：
X＝AJ+Ns
其中，A为频率字典矩阵，A∈CN×K，K回波信号中干扰分量的个数，J为干扰复系数，J＝[J1，J2，…，JK]T，Jk＝akexp(jθk)，k＝1，2，…，K；X＝[x1，x2，…，xN]T，[·]T表示取转置操作，N为距离向采样点数，Ns＝[Ns1，Ns2，…，NsN]T；
子步骤2.2，根据窄带射频干扰、SAR回波数据的统计特性和先验信息，建立存在窄带射频干扰的SAR回波概率统计模型；
由于
其中，协方差矩阵为
λ1为
的第一个特征值，则
SAR回波X的概率密度函数表示为：
设干扰复系数J服从
其中，∑J＝diag(σ1，σ2，…，σK)，σ1为∑J的第一个特征值，则J的概率密度函数表示为：
为约束干扰满足稀疏分布条件，引入超参数α和β，且α＜＜β，使得σi，i＝1，2，…，K服从Gamma分布，且Gamma分布与Gaussian分布为共轭先验，∑J的概率密度函数表示为：
其中，Γ(·)表示伽马函数，Tr(·)表示矩阵的迹。
4.根据权利要求3所述的基于贝叶斯估计的SAR窄带射频干扰抑制方法，其特征在于，根据贝叶斯估计和最大后验概率估计所述SAR回波概率统计模型的模型参数，具体为：
子步骤3.1，根据贝叶斯定律，构建窄带射频干扰信号的后验概率分布模型；
子步骤3.2，根据最大后验概率求解模型，通过梯度迭代求解获得参数集中每个参数的最大后验估计值；
子步骤3.3，根据估计出的窄带射频干扰信号参数，精确重构窄带射频干扰信号。
5.根据权利要求4所述的基于贝叶斯估计的SAR窄带射频干扰抑制方法，其特征在于，所述根据贝叶斯定律，构建窄带射频干扰信号的后验概率分布模型，其具体过程为：
(a)令参数集
根据贝叶斯定律，窄带射频干扰信号的后验概率分布由SAR原始回波概率分布和干扰的先验概率分布表示为：
(b)由SAR原始回波概率统计模型和干扰信号概率分布的具体形式，获得窄带射频干扰信号的对数最大似然函数：
其中，const＝-(N+K)lnπ+Kαlnβ-K lnΓ(α)。
6.根据权利要求5所述的基于贝叶斯估计的SAR窄带射频干扰抑制方法，其特征在于，所述根据最大后验概率求解模型，通过梯度迭代求解获得参数集中每个参数的最大后验估计值，具体为：
(a)最大后验概率求解模型问题表示为：
(b)利用最大后验概率分别对参数集中的每个参数求梯度，然后通过迭代求解获得每个参数的最大后验估计值，具体求解过程如下：
随机初始化后，按照以下步骤进行迭代求解：
(b1)求干扰复系数J：
令
则对于第m+1次迭代过程，解得
(b2)求目标回波与观测噪声的协方差矩阵
令
则对于第m+1次迭代，解得
(b3)求干扰协方差矩阵∑J：
令
则对于第m+1次迭代，解得
其中，m代表迭代次数；
直至相邻两次干扰复系数之差小于预设收敛条件，停止迭代，得到最优解即为每个参数的最大后验估计值。
7.根据权利要求4所述的基于贝叶斯估计的SAR窄带射频干扰抑制方法，其特征在于，所述精确重构窄带射频干扰信号为：
IMAP＝AJMAP；
其中，JMAP为窄带射频干扰复系数的最大后验估计值，A为频率字典矩阵。
8.根据权利要求1所述的基于贝叶斯估计的SAR窄带射频干扰抑制方法，其特征在于，所述对SAR回波依次进行数据域干扰相消和幅度增益补偿，具体步骤为：
子步骤4.1，通过原始SAR回波X与重构的窄带射频干扰IMAP相减，得到窄带射频干扰抑制后的回波数据
子步骤4.2，对窄带射频干扰抑制后的回波数据进行幅度增益补偿，得到窄带射频干扰抑制和幅度恢复后的回波信号：
其中，ε表示无窄带射频干扰的SAR回波与滤波后的SAR回波的平均幅度之比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011084799.9A CN112083392A (zh) | 2020-10-12 | 2020-10-12 | 基于贝叶斯估计的sar窄带射频干扰抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011084799.9A CN112083392A (zh) | 2020-10-12 | 2020-10-12 | 基于贝叶斯估计的sar窄带射频干扰抑制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112083392A true CN112083392A (zh) | 2020-12-15 |
Family
ID=73730962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011084799.9A Pending CN112083392A (zh) | 2020-10-12 | 2020-10-12 | 基于贝叶斯估计的sar窄带射频干扰抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112083392A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115017935A (zh) * | 2022-04-22 | 2022-09-06 | 大连海事大学 | 一种基于滑窗方差轨迹的射频信号发射时刻检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180198992A1 (en) * | 2016-08-30 | 2018-07-12 | Shenzhen University | Infrared image reconstruction method based on block-sparse compressive sensing and system thereof |
| CN111273238A (zh) * | 2020-01-06 | 2020-06-12 | 中国航天科工集团八五一一研究所 | 一种基于低秩恢复的sar宽窄带干扰同时抑制方法 |
-
2020
- 2020-10-12 CN CN202011084799.9A patent/CN112083392A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180198992A1 (en) * | 2016-08-30 | 2018-07-12 | Shenzhen University | Infrared image reconstruction method based on block-sparse compressive sensing and system thereof |
| CN111273238A (zh) * | 2020-01-06 | 2020-06-12 | 中国航天科工集团八五一一研究所 | 一种基于低秩恢复的sar宽窄带干扰同时抑制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 荣鹏帅: "SAR射频干扰抑制方法" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115017935A (zh) * | 2022-04-22 | 2022-09-06 | 大连海事大学 | 一种基于滑窗方差轨迹的射频信号发射时刻检测方法 |
| CN115017935B (zh) * | 2022-04-22 | 2024-04-26 | 大连海事大学 | 一种基于滑窗方差轨迹的射频信号发射时刻检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Junfei et al. | Barrage jamming detection and classification based on convolutional neural network for synthetic aperture radar | |
| CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
| CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
| CN110221256B (zh) | 基于深度残差网络的sar干扰抑制方法 | |
| CN109633633B (zh) | 一种基于分段分类增强处理的生命信号增强方法 | |
| CN101685158B (zh) | 基于隐马尔科夫树模型的sar图像去噪方法 | |
| CN107831473B (zh) | 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法 | |
| CN112578471B (zh) | 一种探地雷达杂波噪声去除方法 | |
| Zhang et al. | Synthetic aperture radar image despeckling with a residual learning of convolutional neural network | |
| CN103871031A (zh) | 基于核回归的sar图像相干斑抑制 | |
| CN108428221A (zh) | 一种基于shearlet变换的邻域双变量阈值去噪方法 | |
| CN112083392A (zh) | 基于贝叶斯估计的sar窄带射频干扰抑制方法 | |
| Abramova et al. | Automatic estimation of spatially correlated noise variance in spectral domain for images | |
| Mastriani et al. | Neural shrinkage for wavelet-based SAR despeckling | |
| Vasuki et al. | Automatic noise identification in images using moments and neural network | |
| Devapal et al. | Discontinuity adaptive SAR image despeckling using curvelet-based BM3D technique | |
| Ahirwar et al. | A novel wavelet-based denoising method of SAR image using interscale dependency | |
| CN113064122B (zh) | P波段sar干扰抑制算法的性能评价方法、系统及介质 | |
| CN112698330B (zh) | 基于比值对数积的极化sar图像非局部均值方法 | |
| CN106778870B (zh) | 一种基于rpca技术的sar图像舰船目标检测方法 | |
| CN113807206B (zh) | 一种基于去噪任务辅助的sar图像目标识别方法 | |
| CN114240990A (zh) | Sar图像点目标分割方法 | |
| Zhang et al. | Bayesian-based speckle suppression for SAR image using contourlet transform | |
| CN112734666A (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 | |
| Chouai et al. | Dual-energy x-ray images enhancement based on a discrete wavelet transform fusion technique for luggage inspection at airport |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201215 |