CN116908848A - 一种低过采Staggered SAR成像方法及系统 - Google Patents
一种低过采Staggered SAR成像方法及系统 Download PDFInfo
- Publication number
- CN116908848A CN116908848A CN202310881760.7A CN202310881760A CN116908848A CN 116908848 A CN116908848 A CN 116908848A CN 202310881760 A CN202310881760 A CN 202310881760A CN 116908848 A CN116908848 A CN 116908848A
- Authority
- CN
- China
- Prior art keywords
- scene
- echo
- sar
- matrix
- delay 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
- 238000005070 sampling Methods 0.000 title claims abstract description 138
- 238000003384 imaging method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000001427 coherent effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 107
- 238000009826 distribution Methods 0.000 claims description 31
- 230000005012 migration Effects 0.000 claims description 23
- 238000013508 migration Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 21
- 230000006835 compression Effects 0.000 claims description 15
- 238000007906 compression Methods 0.000 claims description 15
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000009827 uniform distribution Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 12
- 238000012952 Resampling Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241001203771 Eudonia echo Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G01S13/9004—SAR image acquisition techniques
-
- 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
- G01S13/9052—Spotlight mode
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Electromagnetism (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种低过采StaggeredSAR成像方法及系统，属于遥感成像处理领域。为进一步优化变重频采样方法，基于随机采样方法生成多个随机采样时刻，使盲区均匀随机地分布在整个场景上，增加成像处理的鲁棒性；在此基础上，采用稀疏贝叶斯学习算法实现相干叠加，挖掘非均匀随机采样方法的优势，进一步降低过采样率，从而实现二维聚焦，改善StaggeredSAR成像的鲁棒性，提高了成像质量。
Description
技术领域
本发明涉及遥感成像处理领域，特别是涉及一种低过采Staggered SAR成像方法、系统、设备及介质。
背景技术
Staggered SAR(Staggered Synthetic Aperture Radar)指的是在不需要方位多孔径长天线的情况下通过连续改变脉冲重复间隔(Pulse Repetition Interval，PRI)克服盲区问题，实现连续幅宽的超宽幅高分辨率成像雷达。其中，盲区问题是由雷达正在发射信号时，不能同时接收回波信号造成的。基于俯仰向数字波束形成(Digital Beamforming，DBF)技术，该工作模式利用PRI的连续变化，使得盲区随着采样时间而变化并分布在不同的斜距上，而不在一个固定斜距范围上，进一步通过信号重构算法以实现无缝隙的超幅宽覆盖。目前变重频采样方式主要有快速线性变化、慢速线性变化、精细线性变化三种变化采样方式，PRI的连续变化以及不同斜距上丢失数据位置的不同，导致Staggered SAR接收的是带间隙非均匀采样的原始数据。对于非均匀采样的原始数据，Staggered SAR将非均匀采样数据以重采样的信号重构方式采样到均匀网格上，其中信号重构方式主要有两点线性插值、多通道重建、最优线性无偏估计插值等方式，再采用传统的成像算法重构场景。重采样的信号重构方法需要高过采样率来重构无缝隙的均匀采样原始信号数据，以避免图像质量的下降，但是高过采样率情况下会导致系统的距离模糊和下行链路数据率增加。因此，低过采Staggered SAR越来越引起大家的关注。其中，变重频采样方式和重建算法是低过采Staggered SAR研究中的两个重要问题。变重频采样方式的优化有利于改善重建性能。现有变重频采样方式多为重频的线性变化，导致丢失的脉冲也呈线性变化，从而导致主瓣两边呈现高旁瓣。根据超分辨率理论，非均匀采样在避免频率混叠方面优于均匀采样。现有重建算法并没有充分挖掘非均匀采样的潜力。另外，现有重构算法对观测场景类型缺乏一定的鲁棒性。
因此，需要一种可以克服现有Staggered SAR采样方法和重建算法的局限性，改善Staggered SAR的鲁棒性，提高成像质量的方法。
发明内容
本发明的目的是提供一种低过采Staggered SAR成像方法、系统、设备及介质，可克服现有Staggered SAR采样方法和重建算法的局限性，改善Staggered SAR的鲁棒性，提高成像质量。
为实现上述目的，本发明提供了如下方案：
一种低过采Staggered SAR成像方法，包括：
以满足Staggered SAR的工作分辨率为目标，基于随机采样方法生成多个随机采样时刻；
根据在所有随机采样时刻采集的Staggered SAR的原始回波信号，构建回波矩阵；
确定Staggered SAR的观测场景，并构建每个随机采样时刻观测场景中各个场景点上对应的斜距矩阵；
根据所述回波矩阵和所述斜距矩阵，确定场景时延信号矩阵；
采用投影技术，对所述场景时延信号矩阵进行信号增强，获得投影后的场景时延信号矩阵；
对所述投影后的场景时延信号矩阵进行求和叠加，确定距离徙动校正后的回波信号；
根据所述距离徙动校正后的回波信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累，获得观测场景成像信息。
可选地，以满足Staggered SAR的工作分辨率为目标，基于随机采样方法生成多个随机采样时刻，具体包括：
根据随机概率分布生成一段时刻序列，或者多段时刻序列，使得每段时刻序列满足ηNa-η1≈λctcenter/4ρV；其中，所述随机概率分布包括高斯分布、均匀分布和瑞利分布；ηNa和η1分别为一段时刻序列中的最后一个和第一个随机采样时刻，λ为工作波长，c为光速，tcenter为仿真中心时刻，ρ为Staggered SAR的工作分辨率，V为卫星飞行速度；
当生成多段时刻序列时，从多段时刻序列中任选一段时刻序列；其中，任选的一段时刻序列中包括多个随机采样时刻。
可选地，当根据高斯分布生成一段时刻序列时，舍弃生成的小于0的随机数，选取大于0的随机数作为随机采样时刻；
当根据均匀分布生成一段时刻序列时，随机生成的变量分布范围在[ηmin,ηmax]，且ηmin≥ρ/V，ηmax≥ηmin；其中，ηmin和ηmax分别为变量分布范围的最小值和最大值。
可选地，根据所述回波矩阵和所述斜距矩阵，确定场景时延信号矩阵，具体包括：
根据所述斜距矩阵，利用公式t＝r(ηm)/2c，确定Staggered SAR从发射信号到接收反射信号的时延t；其中，r(ηm)为在随机采样时刻ηm观测场景中各个场景点上对应的斜距矩阵，c为光速；
将所述回波矩阵进行距离向傅里叶变换，得到距离向傅里叶变换后的回波信号；
将所述距离向傅里叶变换后的回波信号进行距离压缩的匹配滤波，得到滤波后的回波信息；
将所述滤波后的回波信息进行距离向傅里叶反变换，得到距离压缩后的回波信号；
从距离压缩后的回波信号中找到时延对应的各个场景点的回波信号；
构造一个Na×N2的第一空矩阵，并将时延对应的各个场景点的回波信号放入Na×N2的第一空矩阵，获得场景时延信号矩阵；其中，Na为发射脉冲数，N为观测场景沿着x轴或y轴的场景点数量。
可选地，采用投影技术，对所述场景时延信号矩阵进行信号增强，获得投影后的场景时延信号矩阵，具体包括：
构造投影矩阵D(n,n)为式中，λ为工作波长，/>和/>分别为在随机采样时刻η1、ηm和ηNa观测场景中第(n,n)个目标的斜距系数，[·]T表示转置运算；
依据公式Secho,projection(n,n)＝D(n,n)·([D(n,n)]H·Secho,interp(n,n))，对所述场景时延信号矩阵进行投影；式中，Secho,projection(n,n)为投影后的第n2列场景时延信号，[·]H表示共轭转置运算，Secho,interp(n,n)为场景时延信号矩阵中第n2列场景时延信号；
构造一个Na×N2的第二空矩阵，并将投影后的场景时延信号放入Na×N2的第二空矩阵，获得投影后的场景时延信号矩阵。
可选地，根据所述距离徙动校正后的回波信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累，获得观测场景成像信息，具体包括：
将所述距离徙动校正后的回波信号由复信号转换为实信号；
根据所述实信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累处理，获得观测场景成像信息。
一种低过采Staggered SAR成像系统，包括：
采样时刻生成模块，用于以满足Staggered SAR的工作分辨率为目标，基于随机采样方法生成多个随机采样时刻；
回波矩阵构建模块，用于根据在所有随机采样时刻采集的Staggered SAR的原始回波信号，构建回波矩阵；
观测场景确定模块，用于确定Staggered SAR的观测场景，并构建每个随机采样时刻观测场景中各个场景点上对应的斜距矩阵；
场景时延信号矩阵确定模块，用于根据所述回波矩阵和所述斜距矩阵，确定场景时延信号矩阵；
信号增强模块，用于采用投影技术，对所述场景时延信号矩阵进行信号增强，获得投影后的场景时延信号矩阵；
叠加模块，用于对所述投影后的场景时延信号矩阵进行求和叠加，确定距离徙动校正后的回波信号；
成像模块，用于根据所述距离徙动校正后的回波信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累，获得观测场景成像信息。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的低过采StaggeredSAR成像方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如前述的低过采Staggered SAR成像方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种低过采Staggered SAR成像方法及系统，为进一步优化变重频采样方法，基于随机采样方法生成多个随机采样时刻，使盲区均匀随机地分布在整个场景上，增加成像处理的鲁棒性；在此基础上，采用稀疏贝叶斯学习算法实现相干叠加，挖掘非均匀随机采样方法的优势，进一步降低过采样率，从而实现二维聚焦，改善Staggered SAR成像的鲁棒性，提高了成像质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种低过采Staggered SAR成像方法的流程图；
图2为本发明实施例提供的Staggered SAR系统观测场景示意图；
图3为本发明实施例提供的以舰船为目标，基于距离多普勒算法的传统固定重频合成孔径雷达成像结果示意图；
图4为本发明实施例提供的以舰船为目标，基于稀疏贝叶斯学习算法的低过采随机Staggered SAR成像结果示意图；
图5为本发明实施例提供的以城区建筑目标为目标，基于距离多普勒算法的传统固定重频合成孔径雷达成像结果示意图；
图6为本发明实施例提供的以城区建筑目标为目标，基于稀疏贝叶斯学习算法的低过采随机Staggered SAR成像结果示意图；
图7为本发明实施例提供的以机场周边区域为目标，基于距离多普勒算法的传统固定重频合成孔径雷达成像结果示意图；
图8为本发明实施例提供的以机场周边区域为目标，基于稀疏贝叶斯学习算法的低过采随机Staggered SAR成像结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于Staggered SAR为实现连续的宽幅观测，丢失部分数据，现有的线性变重频采样方法和重采样算法需要高过采样率去实现图像的聚焦，导致距离模糊和数据下传率，为此本发明研究低过采的Staggered SAR系统。针对低过采Staggered SAR中现有线性变重频导致规律分布的盲区以及在整个场景上分布不均匀的问题，通过优化非均匀变重频采样方法，基于压缩感知(Compressive Sensing，CS)理论，挖掘非均匀采样的潜力，尤其是在低过采样或者子奈奎斯特采样情况下，提出一种随机变重频采样方法。在优化变重频采样方法的基础上，基于稀疏贝叶斯学习算法(Sparse Bayesian learning，SBL)，使用共轭高斯多层形式的先验直接对非均匀采样数据在时域中进行重构，不需要重采样非均匀原始回波数据，避免了重采样的误差，改善Staggered SAR成像的有效性和可靠性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供了一种低过采Staggered SAR成像方法，包括：
步骤1：以满足Staggered SAR的工作分辨率为目标，基于随机采样方法生成多个随机采样时刻。
根据随机采样方法生成随机采样时刻ηm，ta＝[η1,η2,...,ηm,...ηNa]T，ta表示方位向随机采样时刻。随机采样的方法有很多种，电子设备根据随机概率分布生成一段序列，或者随机生成多段序列，人为地从多段序列中选择一段，其中随机概率分布，包括高斯分布，瑞利分布，均匀分布等连续变量分布，本申请实施例对此不作具体的设定。
分别以高斯分布和均匀分布为例。
对于由高斯分布随机生成的随机采样时刻，即各数据在采样时刻上的分布模式与高斯分布的特征相同，广义上变量分布在(-∞∞)。但采样时刻满足ηm≥0，所以对于生成小于0的随机数，就舍弃，直至生成Na个随机采样时刻。
对于由均匀分布随机生成的随机采样时刻，即各数据在采样时刻上的分布模式与均匀分布的特征相同，变量分布范围在[ηmin,ηmax]。在本实施例中，ηmin≥ρ/V，ηmax≥ηmin，直至生成Na个随机采样时刻。
另外，为了保证孔径时间以确保分辨率，生成的随机采样时刻需满足ηNa-η1≈λctcenter/4ρV，其中c是光速，可以保证足够的孔径长度，也就是说为实现分辨率ρ，至少需要观测时间为λctcenter/4ρV。可以理解的是，本申请实施例对方位向采样点数不作具体的设定，只需生成的随机采样时刻满足ηNa-η1≈λctcenter/4ρV即可，本领域技术人员可以根据实际情况进行合适的调整。
步骤2：根据在所有随机采样时刻采集的Staggered SAR的原始回波信号，构建回波矩阵。
Staggered SAR的回波像素点是二维矩阵，回波矩阵表示为：
其中，Secho,n,k表示采样时刻为ηm、中心斜距为τk·c/2目标点的回波，也就是回波矩阵Secho当中第m行、第k列的元素。另外，出于表示方便，将Secho也表示为元素行向量的列向量Secho＝[Secho,1,col … Secho,m,col … Secho,Na,col]T，以及元素为列向量的行向量Secho＝[Secho,row,1 … Secho,row,k … Secho,row,Nr]。其中Secho,n,col＝[Secho,m,1 … Secho,m,k …Secho,m,Nr]表示Secho的第m行，Secho,row,k＝[Secho,1,k … Secho,m,k … Secho,Na,k]T表示Secho的第k列。
步骤3：确定Staggered SAR的观测场景，并构建每个随机采样时刻观测场景中各个场景点上对应的斜距矩阵。
选取场景，建立Staggered SAR系统与地面场景(观测场景)之间的几何运动模型，构建每个随机采样时刻各个场景点上对应的斜距矩阵r(ηm)。
如图2所示，以参考场景中心点为中心，取一块不小于观测场景尺寸的区域，对该区域进行网格划分，假设沿着x轴有N个点，沿着y轴有N个点，网格与网格之间的间距要小于等于方位向分辨率ρ，网格之间的间距记为l，l≤ρa，但是网格间距l也不应取值过小，因为过小的网格间距并不能优化其重建性能，但是会影响算法的效率。依据场景中心坐标(xi,yi,0)，可以求出每个场景点的坐标为假设卫星采样初始位置为[xtrack,0,H]，那么卫星的依次采样位置坐标为{[xtrack+Veη1,0,H],[xtrack+Vη2,0,H],…,[xtrack+Vηm,0,H],…[xtrack+VηNa,0,H]}，其中假设η1是随机采样的零时刻，H是卫星的飞行高度。最后根据场景点坐标和卫星采样位置坐标求出所有场景点在每个采样时刻的斜距r(ηm)。
本发明中，在不转动地心坐标系中计算任意一个斜距ri(ηm)，同时所述r(ηm)需要考虑过近心点时刻和SAR系统开机时刻之间的时间差。斜距ri(ηm)的计算过程如下：
首先，利用公式计算地心坐标系下的斜距r；其中，a为椭圆轨道的半长轴，M为平均近心角。
其次，根据上面求解得到的r，依据下面的公式，将卫星采样位置坐标转换到不转动地心坐标系下：
最后一个公式中的(x,y,z)即为不转动地心坐标系下的卫星采样位置坐标。上述公式中(ξ,η,ζ)表示在参考系ξηζ中，椭圆轨道上的某一点的坐标。θ表示真近心角，ω表示近心角点距，Ω表示交点赤径，i表示轨道倾角，l1、l2、l3、m1、m2、m3、n1、n2、n3均为中间参量。
再次，根据不转动地心坐标系下的卫星采样位置坐标和场景点坐标，求出所有场景点在每个采样时刻的斜距r(ηm)。
在各个方位向随机采样时刻时，求出所有场景点在随机采样时刻的斜距系数是二维矩阵其中/>表示穿越时刻为ηm、布设场景目标中第(n,n)个目标的斜距系数，也就是斜距系数矩阵r当中第m行、第n2列的元素。另外，出于表示方便，将rn也表示为元素行向量的列向量以及元素为列向量的行向量r＝[rta,1,1 …rta,n,n … rta,N,N]。其中/>表示r的第m行，表示r的第n2列。
步骤4：根据所述回波矩阵和所述斜距矩阵，确定场景时延信号矩阵。
具体包括：
4.1根据所述斜距矩阵，利用公式t＝r(ηm)/2c，确定Staggered SAR从发射信号到接收反射信号的时延t；其中，r(ηm)为在随机采样时刻ηm观测场景中各个场景点上对应的斜距矩阵，c为光速。
4.2将所述回波矩阵进行距离向傅里叶变换，得到距离向傅里叶变换后的回波信号。
4.3将所述距离向傅里叶变换后的回波信号进行距离压缩的匹配滤波，得到滤波后的回波信息。
4.4将所述滤波后的回波信息进行距离向傅里叶反变换，得到距离压缩后的回波信号。
4.5从距离压缩后的回波信号中找到时延对应的各个场景点的回波信号。
4.6构造一个Na×N2的第一空矩阵，并将时延对应的各个场景点的回波信号放入Na×N2的第一空矩阵，获得场景时延信号矩阵；其中，Na为发射脉冲数，N为观测场景沿着x轴或y轴的场景点数量。
其中，子步骤4.2至子步骤4.4的具体实现过程如下：
(1)首先将回波矩阵Secho做距离向傅里叶变换，本发明实施例的傅里叶变换与快速傅里叶变换(FFT)有所不同，具体操作方法为：
提取Secho的第一行，将此行矩阵的前Nr/2个元素与后Nr/2个元素对换位置，然后对交换位置后的行矩阵进行FFT。做完FFT操作后，再次交换FFT后的行矩阵的前一半元素与后一半元素，即完成对回波信号第一行数据的距离向傅里叶变换。依次对回波矩阵的每一行数据进行上述操作即可完成对原始回波信号矩阵进行距离向傅里叶变换的操作，记距离向傅里叶变换后的信号为Secho,r_fft。
(2)然后构造实现距离压缩的匹配滤波器，滤波器表达式如下：
将Secho,r_fft的每行分别与Hrc逐点相乘，并将相乘后的二维矩阵记为Secho,rc_fft，然后再对Secho,rc_fft的距离向维度两端进行α倍的补零操作，补零之后的矩阵为再进行距离向傅里叶反变换即完成脉冲压缩，记完成距离压缩的信号记为Secho,rc，Secho,rc即是此模块的输出参量。距离向傅里叶反变换的方法与距离向傅里叶变换的步骤相同，只是将过程当中所用的FFT函数替换成IFFT函数即可。
步骤5：采用投影技术，对所述场景时延信号矩阵进行信号增强，获得投影后的场景时延信号矩阵。
首先，构造投影矩阵D(n,n)为式中，λ为工作波长，/>和/>分别为在随机采样时刻η1、ηm和ηNa观测场景中第(n,n)个目标的斜距系数，[·]T表示转置运算。
然后，依据公式Secho,projection(n,n)＝D(n,n)·([D(n,n)]H·Secho,interp(n,n))，对所述场景时延信号矩阵进行投影；式中，Secho,projection(n,n)为投影后的第n2列场景时延信号，[·]H表示共轭转置运算，Secho,interp(n,n)为场景时延信号矩阵中第n2列场景时延信号。
最后，构造一个Na×N2的第二空矩阵，并将投影后的场景时延信号放入Na×N2的第二空矩阵，获得投影后的场景时延信号矩阵。
步骤6：对所述投影后的场景时延信号矩阵进行求和叠加，确定距离徙动校正后的回波信号。
构造一个Na×N的空矩阵，记为Secho,rcm。在每个随机采样时刻ηm，将同一个距离门上的投影数据Secho,projection进行求和叠加放入到Secho,rcm中，例如是第一个距离门，也就是n＝1时，将n＝1上所有布设的场景点的数据取出求和叠加放入到Secho,rcm的第m行的第一列中，当是第二个距离门，将n＝2上所有布设的场景点的数据取出求和叠加放入到Secho,rcm的第m行的第二列中，依次类推，即完成距离徙动校正。记距离徙动校正后的信号记为Secho,rcm，Secho,rcm即是此模块的输出参量。
步骤7：根据所述距离徙动校正后的回波信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累，获得观测场景成像信息。
整个成像处理系统输入参数主要是雷达工作参数，包括Na是发射脉冲数，Nr是距离采样点数，Fs是距离向采样率，ρ是雷达工作分辨率，V是卫星飞行速度，Br是雷达工作带宽，Tp是发射脉冲宽度，Kr是距离向调频率，λ是工作波长，td为采样延时，tcenter为仿真中心时刻，tr表示距离向采样时刻，fr表示距离向采样频点，tr＝[τ1,τ2,…τk,…,τNr]，fr＝[fτ,1,fτ,2,…fτ,k,…,fτ,Nr]，其中τk＝td+(k-1)/Fs表示从接收窗开启时间起的第k个距离向采样时刻，fτ,k＝-Fs/2+(k-1)·Fs/Nr表示距离频域第k个频点，k＝1,2......,Nr。
该步骤的主要实现过程分为两大步：将所述距离徙动校正后的回波信号由复信号转换为实信号；根据所述实信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累处理，获得观测场景成像信息。
详细步骤为：
(1)根据回波Secho,rcm(n)和布设场景σ(n)之间的投影关系，首先确立二者之间的投影关系，即观测矩阵A。
本发明中，对于第n个距离门上的回波数据Secho,rcm(n)，在不同随机采样时刻，得到的观测矩阵An形式表示为：
其中表示穿越时刻为ηm、布设场景目标中第(n,n)个目标的斜距系数，也就是观测矩阵An当中第m行、第n列的元素。另外，出于表示方便，将An也表示为元素行向量的列向量/>以及元素为列向量的行向量An＝[Ata,1,n …Ata,n,n … Ata,N,n]。其中/>表示A的第m行，表示A的第n列。
本发明中，考虑到Staggered SAR系统实际工作中受天线系统的控制，所以采用天线决定的控制矩阵和多普勒运动矩阵Gn对观测矩阵An进行表示，则有An＝Gn*Wn，其中“*”为矩阵对应元素相乘，Gn为由多普勒运动造成的矩阵，Wn为相控阵天线造成的控制矩阵。
由多普勒运动造成的矩阵Gn表示为：
其中，ε为虚数单位，λ为SAR系统的波长，π的取值为3.1415。
相控阵天线造成的控制矩阵Wn表示为：
其中表示沿方位向上采集到的第ηm个随机方位时刻SAR系统的天线主瓣能否观测到第(n,n)个场景点，即穿越时刻为ηm、布设场景目标中第(n,n)个目标的控制矩阵系数，也就是控制矩阵Wn当中第m行、第n列的元素。当天线主瓣能否观测到第(n,n)个场景点/>否则/>
(2)复数信号转化为实数信号
σ(n)R＝[re(σ(n)) im(σ(n))]T，其中re(·)表示仅取复数的实部，im(·)表示仅取复数的虚部，[·]T表示转置运算。
(3)初始化
初始场景中第n个距离门上的目标幅度[·]H表示共轭转置运算，[·]T表示转置运算。初始化噪声的方差倒数/>和场景的方差倒数矩阵M0＝diag(α1,…,αn,…,αN)，/>其中，std(·)表示向量的标准差，sum(·)表示对矩阵的列向量求和。
(4)Staggered SAR场景的估计
在第g次迭代中，令Σg(n)＝(β(An R)TAn R+Mg)-1，其中，Σ(n)表示对角线上的第n个元素，表示σ(n)分布的方差，ug表示σ(n)分布的均值。
(5)根据各个迭代准则，对观测场景中第n个距离门进行判断循环，直到满足迭代准则，此时求出场景的估计σ(n)＝ug，第n个距离门的场景成像结果即为σn。一般选择固定的迭代次数或者最小均方误差为迭代准则。
(6)对于整个观测场景的成像，分别依次重复(1)～(5)即可。
如图3-图8所示，仿真实施参数以表1所示，场景1设置在分辨率为5m，代表着海洋上舰船目标低分辨率图像；场景2设置在迪拜棕榈岛附近的城区，分辨率3m，代表着建筑等结构化人造目标；场景3设置在机场附近的区域，分辨率3m。为了更好地展现重构效果，直接对比重构结果可以确定重构性能，与原始标准图像进行对比可以发现，本发明提出的方法可以很好地对低过采随机Staggered SAR的观测场景进行重构。
表1仿真参数
本发明针对Staggered SAR的高过采样率时的距离模糊和数据率高的问题，结合压缩感知理论的特点，提出基于随机采样方法的低过采Staggered SAR成像方法。相应地，基于随机采样方法的低过采Staggered SAR成像分为四个步骤：基于随机采样方法生成随机采样时刻、距离压缩、距离徙动校正和相干叠加。利于预设的随机变量生成方法生成随机采样时刻、距离压缩由传统的匹配滤波处理完成。距离徙动校正通过雷达卫星与目标相对位置确定徙动轨迹，并通过投影技术，进一步增强信号，减少徙动矫正误差。最后，面向Staggered SAR中线性变重频导致规律分布的盲区以及在整个场景上分布不均匀的问题，基于预设的随机采样时刻，构建staggered SAR基于后向投影的回波信号非均匀采样观测模型。面向规律分布的盲区分布导致较高的旁瓣，以及现有算法重采样信号重构方法带来的重采样误差，采用稀疏贝叶斯学习算法实现相干叠加，从而实现二维聚焦。本发明采用的基于随机采样方法的低过采Staggered SAR成像方法，改善了Staggered SAR成像的鲁棒性，保证了低过采Staggered SAR成像的有效性与可靠性。
本发明具有以下优势：
(1)该成像方法首先进行了距离向的脉冲压缩改善了增益，提高了信噪比，增加了Staggered SAR重构算法的可能性。
(2)基于随机采样方法，使盲区均匀随机的分布在整个场景上，挖掘了非均匀采样方法的优势，进一步降低了过采样率，增加了成像处理的稳定性。
(3)相较于现有重采样信号重构算法，基于稀疏贝叶斯学习算法的重建算法误差小，旁瓣低，重建性能好。
为了执行上述实施例对应的方法，以实现相应的功能和技术效果，下面提供一种低过采Staggered SAR成像系统，包括：
采样时刻生成模块，用于以满足Staggered SAR的工作分辨率为目标，基于随机采样方法生成多个随机采样时刻。
回波矩阵构建模块，用于根据在所有随机采样时刻采集的Staggered SAR的原始回波信号，构建回波矩阵。
观测场景确定模块，用于确定Staggered SAR的观测场景，并构建每个随机采样时刻观测场景中各个场景点上对应的斜距矩阵。
场景时延信号矩阵确定模块，用于根据所述回波矩阵和所述斜距矩阵，确定场景时延信号矩阵。
信号增强模块，用于采用投影技术，对所述场景时延信号矩阵进行信号增强，获得投影后的场景时延信号矩阵。
叠加模块，用于对所述投影后的场景时延信号矩阵进行求和叠加，确定距离徙动校正后的回波信号。
成像模块，用于根据所述距离徙动校正后的回波信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累，获得观测场景成像信息。
本发明实施例提供的多飞行器协同再入轨迹规划系统与上述实施例所述的多飞行器协同再入轨迹规划方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述方法实施例的介绍。
本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的低过采Staggered SAR成像方法。
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述的低过采Staggered SAR成像方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种低过采Staggered SAR成像方法，其特征在于，包括：
以满足Staggered SAR的工作分辨率为目标，基于随机采样方法生成多个随机采样时刻；
根据在所有随机采样时刻采集的Staggered SAR的原始回波信号，构建回波矩阵；
确定Staggered SAR的观测场景，并构建每个随机采样时刻观测场景中各个场景点上对应的斜距矩阵；
根据所述回波矩阵和所述斜距矩阵，确定场景时延信号矩阵；
采用投影技术，对所述场景时延信号矩阵进行信号增强，获得投影后的场景时延信号矩阵；
对所述投影后的场景时延信号矩阵进行求和叠加，确定距离徙动校正后的回波信号；
根据所述距离徙动校正后的回波信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累，获得观测场景成像信息。
2.根据权利要求1所述的低过采Staggered SAR成像方法，其特征在于，以满足Staggered SAR的工作分辨率为目标，基于随机采样方法生成多个随机采样时刻，具体包括：
根据随机概率分布生成一段时刻序列，或者多段时刻序列，使得每段时刻序列满足ηNa-η1≈λctcenter/4ρV；其中，所述随机概率分布包括高斯分布、均匀分布和瑞利分布；ηNa和η1分别为一段时刻序列中的最后一个和第一个随机采样时刻，λ为工作波长，c为光速，tcenter为仿真中心时刻，ρ为Staggered SAR的工作分辨率，V为卫星飞行速度；
当生成多段时刻序列时，从多段时刻序列中任选一段时刻序列；其中，任选的一段时刻序列中包括多个随机采样时刻。
3.根据权利要求2所述的低过采Staggered SAR成像方法，其特征在于，当根据高斯分布生成一段时刻序列时，舍弃生成的小于0的随机数，选取大于0的随机数作为随机采样时刻；
当根据均匀分布生成一段时刻序列时，随机生成的变量分布范围在[ηmin,ηmax]，且ηmin≥ρ/V，ηmax≥ηmin；其中，ηmin和ηmax分别为变量分布范围的最小值和最大值。
4.根据权利要求1所述的低过采Staggered SAR成像方法，其特征在于，根据所述回波矩阵和所述斜距矩阵，确定场景时延信号矩阵，具体包括：
根据所述斜距矩阵，利用公式t＝r(ηm)/2c，确定Staggered SAR从发射信号到接收反射信号的时延t；其中，r(ηm)为在随机采样时刻ηm观测场景中各个场景点上对应的斜距矩阵，c为光速；
将所述回波矩阵进行距离向傅里叶变换，得到距离向傅里叶变换后的回波信号；
将所述距离向傅里叶变换后的回波信号进行距离压缩的匹配滤波，得到滤波后的回波信息；
将所述滤波后的回波信息进行距离向傅里叶反变换，得到距离压缩后的回波信号；
从距离压缩后的回波信号中找到时延对应的各个场景点的回波信号；
构造一个Na×N2的第一空矩阵，并将时延对应的各个场景点的回波信号放入Na×N2的第一空矩阵，获得场景时延信号矩阵；其中，Na为发射脉冲数，N为观测场景沿着x轴或y轴的场景点数量。
5.根据权利要求4所述的低过采Staggered SAR成像方法，其特征在于，采用投影技术，对所述场景时延信号矩阵进行信号增强，获得投影后的场景时延信号矩阵，具体包括：
构造投影矩阵D(n,n)为式中，λ为工作波长，/>和/>分别为在随机采样时刻η1、ηm和ηNa观测场景中第(n,n)个目标的斜距系数，[·]T表示转置运算；
依据公式Secho,projection(n,n)＝D(n,n)·([D(n,n)]H·Secho,interp(n,n))，对所述场景时延信号矩阵进行投影；式中，Secho,projection(n,n)为投影后的第n2列场景时延信号，[·]H表示共轭转置运算，Secho,interp(n,n)为场景时延信号矩阵中第n2列场景时延信号；
构造一个Na×N2的第二空矩阵，并将投影后的场景时延信号放入Na×N2的第二空矩阵，获得投影后的场景时延信号矩阵。
6.根据权利要求4所述的低过采Staggered SAR成像方法，其特征在于，根据所述距离徙动校正后的回波信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累，获得观测场景成像信息，具体包括：
将所述距离徙动校正后的回波信号由复信号转换为实信号；
根据所述实信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累处理，获得观测场景成像信息。
7.一种低过采Staggered SAR成像系统，其特征在于，包括：
采样时刻生成模块，用于以满足Staggered SAR的工作分辨率为目标，基于随机采样方法生成多个随机采样时刻；
回波矩阵构建模块，用于根据在所有随机采样时刻采集的Staggered SAR的原始回波信号，构建回波矩阵；
观测场景确定模块，用于确定Staggered SAR的观测场景，并构建每个随机采样时刻观测场景中各个场景点上对应的斜距矩阵；
场景时延信号矩阵确定模块，用于根据所述回波矩阵和所述斜距矩阵，确定场景时延信号矩阵；
信号增强模块，用于采用投影技术，对所述场景时延信号矩阵进行信号增强，获得投影后的场景时延信号矩阵；
叠加模块，用于对所述投影后的场景时延信号矩阵进行求和叠加，确定距离徙动校正后的回波信号；
成像模块，用于根据所述距离徙动校正后的回波信号和Staggered SAR的工作参数，利用稀疏贝叶斯学习算法进行相位补偿和相干积累，获得观测场景成像信息。
8.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的低过采Staggered SAR成像方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至6中任一项所述的低过采Staggered SAR成像方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310881760.7A CN116908848B (zh) | 2023-07-18 | 2023-07-18 | 一种低过采Staggered SAR成像方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310881760.7A CN116908848B (zh) | 2023-07-18 | 2023-07-18 | 一种低过采Staggered SAR成像方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116908848A true CN116908848A (zh) | 2023-10-20 |
| CN116908848B CN116908848B (zh) | 2024-06-21 |
Family
ID=88366354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310881760.7A Active CN116908848B (zh) | 2023-07-18 | 2023-07-18 | 一种低过采Staggered SAR成像方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116908848B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117491999A (zh) * | 2023-11-03 | 2024-02-02 | 中国人民解放军战略支援部队航天工程大学士官学校 | 基于混沌调频信号的超大幅宽sar成像方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102778674A (zh) * | 2012-05-25 | 2012-11-14 | 安徽理工大学 | 非均匀采样的Chirp脉冲时延估计方法 |
| CN103364768A (zh) * | 2012-03-31 | 2013-10-23 | 中国科学院电子学研究所 | 压缩感知雷达重构方法 |
| CN107462887A (zh) * | 2017-07-07 | 2017-12-12 | 清华大学 | 基于压缩感知的宽幅星载合成孔径雷达成像方法 |
| US20170356984A1 (en) * | 2016-06-14 | 2017-12-14 | Raytheon Company | Non-uniform sampling for unambiguous doppler measurement |
| CN110208800A (zh) * | 2019-06-24 | 2019-09-06 | 西安空间无线电技术研究所 | 一种超高分辨率星载sar的分段变重频时序设计方法 |
| CN114488067A (zh) * | 2022-02-15 | 2022-05-13 | 哈尔滨工业大学 | 基于Staggered SAR体制低过采样率下数据重建方法 |
| CN115097453A (zh) * | 2022-07-04 | 2022-09-23 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种地球同步轨道合成孔径雷达增量成像处理方法及系统 |
| CN115097454A (zh) * | 2022-07-04 | 2022-09-23 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种基于逆白化的合成孔径雷达增量成像处理方法及系统 |
| CN115356729A (zh) * | 2022-08-09 | 2022-11-18 | 中国人民解放军国防科技大学 | 一种近场非均匀采样的直接稀疏成像方法 |
| CN115407299A (zh) * | 2022-09-15 | 2022-11-29 | 中国人民解放军国防科技大学 | 基于伯努利滤波器算法的弱小目标检测方法和装置 |
-
2023
- 2023-07-18 CN CN202310881760.7A patent/CN116908848B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103364768A (zh) * | 2012-03-31 | 2013-10-23 | 中国科学院电子学研究所 | 压缩感知雷达重构方法 |
| CN102778674A (zh) * | 2012-05-25 | 2012-11-14 | 安徽理工大学 | 非均匀采样的Chirp脉冲时延估计方法 |
| US20170356984A1 (en) * | 2016-06-14 | 2017-12-14 | Raytheon Company | Non-uniform sampling for unambiguous doppler measurement |
| CN107462887A (zh) * | 2017-07-07 | 2017-12-12 | 清华大学 | 基于压缩感知的宽幅星载合成孔径雷达成像方法 |
| CN110208800A (zh) * | 2019-06-24 | 2019-09-06 | 西安空间无线电技术研究所 | 一种超高分辨率星载sar的分段变重频时序设计方法 |
| CN114488067A (zh) * | 2022-02-15 | 2022-05-13 | 哈尔滨工业大学 | 基于Staggered SAR体制低过采样率下数据重建方法 |
| CN115097453A (zh) * | 2022-07-04 | 2022-09-23 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种地球同步轨道合成孔径雷达增量成像处理方法及系统 |
| CN115097454A (zh) * | 2022-07-04 | 2022-09-23 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种基于逆白化的合成孔径雷达增量成像处理方法及系统 |
| CN115356729A (zh) * | 2022-08-09 | 2022-11-18 | 中国人民解放军国防科技大学 | 一种近场非均匀采样的直接稀疏成像方法 |
| CN115407299A (zh) * | 2022-09-15 | 2022-11-29 | 中国人民解放军国防科技大学 | 基于伯努利滤波器算法的弱小目标检测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| ZHE LIU: "image reconstruction for low-oversampled staggered SAR via HDM-FISTA", IEEE TRANSACTION ON GEOSCIENCE AND REMOTE SENSING, 26 March 2021 (2021-03-26) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117491999A (zh) * | 2023-11-03 | 2024-02-02 | 中国人民解放军战略支援部队航天工程大学士官学校 | 基于混沌调频信号的超大幅宽sar成像方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116908848B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110275166B (zh) | 基于admm的快速稀疏孔径isar自聚焦与成像方法 | |
| Cumming et al. | Digital processing of SEASAT SAR data | |
| CN110068805B (zh) | 基于变分贝叶斯推论的高速目标hrrp重构方法 | |
| CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
| CN110095775B (zh) | 基于混合坐标系的颠簸平台sar快速时域成像方法 | |
| CN116908848B (zh) | 一种低过采Staggered SAR成像方法及系统 | |
| Moses et al. | An autoregressive formulation for SAR backprojection imaging | |
| Yang et al. | High-resolution and wide-swath SAR imaging via Poisson disk sampling and iterative shrinkage thresholding | |
| CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
| CN110082759B (zh) | 一种随机辐射雷达快速高分辨成像处理方法 | |
| CN110109098B (zh) | 一种扫描雷达快速超分辨成像方法 | |
| CN109001700A (zh) | 一种实现目标轮廓重构的雷达前视成像方法 | |
| Cetin et al. | Region-enhanced passive radar imaging | |
| CN114325704A (zh) | 一种基于波数谱拼接的合成孔径雷达快速时域成像方法 | |
| CN107229050B (zh) | 一种基于极坐标格式的雷达成像优化方法 | |
| CN114895305B (zh) | 一种基于l1范数正则化的稀疏sar自聚焦成像方法及装置 | |
| Dong et al. | High-resolution and wide-swath imaging of spaceborne SAR via random PRF variation constrained by the coverage diagram | |
| CN116027293A (zh) | 一种扫描雷达快速稀疏角超分辨方法 | |
| CN114895306A (zh) | 高分辨率宽测绘带成像方法、装置和存储介质 | |
| CN113484862B (zh) | 一种自适应的高分宽幅sar清晰重构成像方法 | |
| CN112946644B (zh) | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 | |
| CN114488067A (zh) | 基于Staggered SAR体制低过采样率下数据重建方法 | |
| Liu et al. | High resolution scan mode SAR using compressive sensing | |
| Yang et al. | Sparsity-driven high-resolution and wide-swath SAR imaging via Poisson disk sampling | |
| Wang et al. | An accelerate FFBP algorithm of bistatic forward-looking SAR based on azimuth equidistant coordinates |
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 |