CN116990817A - 一种雷达前视无网格重构sar成像方法和装置 - Google Patents
一种雷达前视无网格重构sar成像方法和装置 Download PDFInfo
- Publication number
- CN116990817A CN116990817A CN202311252594.0A CN202311252594A CN116990817A CN 116990817 A CN116990817 A CN 116990817A CN 202311252594 A CN202311252594 A CN 202311252594A CN 116990817 A CN116990817 A CN 116990817A
- Authority
- CN
- China
- Prior art keywords
- optimal
- matrix
- grid
- data
- sparse
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 23
- 230000001419 dependent effect Effects 0.000 claims description 10
- 230000001678 irradiating effect Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 17
- 238000005457 optimization Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
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
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种雷达前视无网格重构SAR成像方法和装置,所述方法包括:获得SAR回波数据,通过对SAR回波数据进行处理,得到沿航向‑距离向分辨单元数据;沿方位向将所述沿航向‑距离向分辨单元数据进行堆栈叠加,得到稀疏采样数据矩阵;将稀疏采样数据矩阵的协方差矩阵结合最优协方差拟合准则并展开,得到无网格重构框架,并得到第一加权项和第二加权项;利用半正定托普利兹矩阵的性质对第二加权项进行重写,代入到无网格重构框架中,得到最优无网格重构框架;利用基于二维交替方向乘子法的快速执行算法,求解所述最优无网格重构框架,获得最优解;根据最优解,基于范德蒙德分解求解散射体的位置和散射系数。本发明能够提高运算求解速度同时获得高质量的SAR图像。
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种雷达前视无网格重构SAR成像方法和装置。
背景技术
由于合成孔径雷达(Synthetic Aperture Radar,SAR)成像具有全天候、远距离、宽广观测带等优点,因此在军事和民用领域得到广泛的研究以及应用。在基于稀疏重构理论的增强成像领域中,传统均匀网格型稀疏重构方法尽管在分辨率、旁瓣性能方面实现了显著的提升,但针对实际的连续域场景时,预设网格一般难以真实匹配场景中的目标分布情况,将产生基失配/离网效应等问题。同时,因为需要网格划分,还是会受到RIP准则的限制。因此,打破网格划分的制约,实现无网格划分是当前研究的热点。
作为现有技术,CN116626646A公开了一种基于时频非均采样的雷达目标无网格化损失相参积累方法,CN114509729A公开了一种平面阵列下双基地MIMO雷达的高效无网格角度估计方法。
但是,当前的无网格方法的重构性能对正则化参数的选取较为依赖,并且只针对单一加权项进行优化处理,加权项在整个更新迭代过程中保持不变,同时,前视无网格重构SAR体制中存在大规模矩阵优化问题,具有较高的计算复杂度。
发明内容
本发明的目的是提供一种雷达前视无网格重构SAR成像方法和装置、计算机设备、计算机可读存储介质,能够提高运算求解速度同时获得高质量的SAR图像。
本发明的一个方面提供一种雷达前视无网格重构SAR成像方法,包括:
步骤S1:利用雷达机载稀疏非均匀线阵对目标区域进行照射,获得SAR回波数据,通过对SAR回波数据进行处理,得到沿航向-距离向分辨单元数据;
步骤S2:沿方位向将所述沿航向-距离向分辨单元数据进行堆栈叠加,得到稀疏采样数据矩阵;
步骤S3:将稀疏采样数据矩阵的协方差矩阵结合最优协方差拟合准则并展开,得到无网格重构框架,并得到第一加权项和第二加权项;
步骤S4:利用半正定托普利兹矩阵的性质对所述第二加权项进行重写,代入到步骤S3中得到的无网格重构框架中,得到最优无网格重构框架;
步骤S5:利用基于二维交替方向乘子法的快速执行算法,求解所述最优无网格重构框架,获得最优解;
步骤S6:根据最优解,基于范德蒙德分解求解散射体的位置所对应的频率和散射系数,从而获得散射体的位置和散射系数。
优选地,所述步骤S1中得到的沿航向-距离向分辨单元数据为:
其中,为一个分辨单元内包含的散射体的个数,/>为归一化角频率,,/>和/>分别表示第/>个散射体的散射系数和角频率,/>为阵元之间的距离,/>表示一个分辨单元数据中的信号分量,/>表示高斯白噪声,/>的取值范围为,/>表示均匀线阵的阵元个数。
优选地,在所述步骤S2中,将沿航向-距离向分辨单元数据堆栈叠加得到数据向量:/>,其中/>和/>分别代表回波信号向量和回波噪声向量,将数据向量/>转化为如下的矩阵模型:
其中,是由/>构成的/>的阵列流形,/>为其中第/>行第/>列元素,/>表示包含/>个非零值的散射系数稀疏向量,/>表示预设的网格数,若第/>个预设网格位置存在散射体,则/>,/>表示包含/>个非零值的噪声向量,
根据数据向量得到稀疏采样数据矩阵/>:
其中,是稀疏非均匀线阵对应的阵列流形子集,当/>时,/>等于1,/>表示稀疏非均匀线阵的阵元个数,/>表示稀疏采样噪声向量。
优选地,所述步骤S3中,稀疏采样数据矩阵的协方差矩阵/>表示为:
其中,和/>元素在对应位置满足/>,/>,/>表示共轭转置处理,/>为单位矩阵,/>表示一个托普利兹矩阵,其中因变量为/>,/>代表噪声方差,
根据最优协方差拟合准则并展开,得到无网格重构框架为:
其中,是真实协方差矩阵/>的估计,利用先验信息进行迭代估算,/>,,得到第一加权项/>和第二加权项/>。
优选地,在所述步骤S4中,将第二个加权项重写为:
其中是依赖于迭代解/>的权重因子,/>表示半正定,
代入到步骤S3中得到的无网格重构框架中,得到最优无网格重构框架为:
其中和/>都是依赖于迭代解/>的权重因子。
优选地,在所述步骤S5中,引入拉格朗日乘数和惩罚项/>,并通过增强拉格朗日函数对等式约束进行对偶化处理,得到如下公式:
其中,。
优选地,对得到的公式进行迭代求解,更新:
直到满足收敛条件。
优选地,依次更新、/>、/>:
直到满足收敛条件。
优选地,在所述步骤S6中,通过进行范德蒙德分解得到归一化角频率和散射系数/>,根据公式/>获得散射体的角频率/>,进一步根据公式/>,得到散射体的位置坐标/>,其中,/>为信号波长,/>为散射体与天线斜距在沿航向零多普勒时刻切面内的投影长度。
本发明的另一个方面提供一种雷达前视无网格重构SAR成像装置,包括:
分辨单元数据获得模块:利用雷达机载稀疏非均匀线阵对目标区域进行照射,获得SAR回波数据,通过对SAR回波数据进行处理,得到沿航向-距离向分辨单元数据;
稀疏采样数据矩阵获得模块:沿方位向将所述沿航向-距离向分辨单元数据进行堆栈叠加,得到稀疏采样数据矩阵;
加权项获得模块:将稀疏采样数据矩阵的协方差矩阵结合最优协方差拟合准则并展开,得到无网格重构框架,并得到第一加权项和第二加权项;
最优重构框架获得模块:根据半正定托普利兹矩阵对所述第二加权项进行重写,代入到加权项获得模块得到的无网格重构框架中,得到最优无网格重构框架;
最优解获得模块:利用基于二维交替方向乘子法的快速执行算法,求解所述最优无网格重构框架,获得最优解;
位置和散射系数获得模块:根据最优解,基于范德蒙德分解求解散射体的位置所对应的频率和散射系数,从而获得散射体的位置和散射系数。
本发明的又一个方面提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
本发明的又一个方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
根据本发明上述方面的雷达前视无网格重构SAR成像方法和装置、计算机设备、计算机可读存储介质,能够提高运算求解速度同时获得高质量的SAR图像。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明实施例的描述中所使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其他的附图:
图1是本发明一种实施方式的雷达前视无网格重构SAR成像方法的流程图;
图2 是本发明方法与已有方法的方位向成像性能对比图;
图3是本发明方法与已有方法在稀疏度不同条件下的重构成功率对比图;
图4 是本发明方法与已有方法在信噪比不同条件下的重构成功率对比图;
图5是本发明一种实施方式的雷达前视无网格重构SAR成像装置的结构图;
图6是本发明一种实施方式的计算机设备的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图,对本发明的技术方案进行清楚、完整的描述,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。
本发明的实施方式提供一种雷达前视无网格重构SAR成像方法,图1是本发明一种实施方式的雷达前视无网格重构SAR成像方法的流程图。如图1所示,本发明实施方式的雷达前视无网格重构SAR成像方法包括步骤S1-S6。
在步骤S1中,利用雷达机载稀疏非均匀线阵对目标区域进行照射,获得SAR回波数据,通过对SAR回波数据进行处理,得到沿航向-距离向分辨单元数据。
在一个实施例中,首先,在获得原始SAR回波数据后,将回波数据变换到频域,利用惯导信息及天线阵元位置信息获得补偿函数进行补偿,然后变换回时域,得到任意沿航向-距离向分辨单元数据可表示为:
其中,为距离频率,/>为光速,/>为慢时间/>时刻任意天线阵元的距离误差信息,可由惯导信息获得,/>表示高斯白噪声,/>表示天线阵元沿方位向坐标位置,/>和/>分别表示第/>个散射体的散射系数和角频率,假定一个分辨单元内包含/>个散射体,/>表示一个分辨单元数据中的信号分量,/>的取值范围为/>,/>表示均匀线阵的阵元个数。
然后,由于通常采用的机载前视雷达阵列为对称分布,可替换掉并乘以来对数据进行归一化相位处理,得到:
其中,归一化角频率为,/>为阵元之间的距离。
在步骤S2中,沿方位向将得到的沿航向-距离向分辨单元数据进行堆栈叠加,将图像重构问题转换为高精度参数估计问题。
在一个实施例中,首先,沿方位向将堆栈叠加到一个向量中可得/>(/>和分别代表回波信号向量和回波噪声向量)。/>中的元素/>是由/>个正弦曲线组成的曲线簇,其具有不同的频率和散射系数。
其次,将数据向量转化为如下的矩阵模型:
其中由构成的矩阵/>是一个/>的阵列流形(也可以称为过完备字典或基矩阵,/>表示预设的网格数) ,/>为其中第/>行第/>列元素,采用矩阵/>的凸包(连续字典)来代替预先设计的离散化网格。/>表示包含/>个非零值的散射系数稀疏向量。若第/>个预设网格位置存在散射体,则/>。/>表示包含/>个非零值的噪声向量。由此,方位向图像重构问题转换成为一个高精度参数估计问题。
对于前视线阵SAR中稀疏且非均匀分布的天线结构,其对应的阵列流形子集可表示为,其中当/>时/>等于1,/>表示稀疏非均匀线阵的阵元个数。下标代表稀疏采样的数据,用以和全采样数据进行区分。/>表示稀疏采样数据矩阵,/>表示稀疏采样噪声向量。
从而得到稀疏采样数据矩阵:
在步骤S3中,将稀疏采样数据矩阵的协方差矩阵结合最优协方差拟合准则并展开,得到无网格重构框架,并得到第一加权项和第二加权项。
在一个实施例中,稀疏采样数据矩阵的协方差矩阵/>可表示为:
其中和/>元素在对应位置满足/>,/>,/>表示共轭转置处理。表示一个托普利兹矩阵,其中因变量为/>。
在通常情况下,目标服从高斯分布,稀疏贝叶斯学习假设目标服从参数化高斯先验分布,即。这时,回波信号/>,其中/>代表噪声方差,/>为单位矩阵。
根据最优协方差拟合准则并展开,得到无网格重构框架为:
其中是真实协方差矩阵/>的估计,可利用先验信息进行迭代估算,/>,。由此,得到了两个加权项/>和/>(/>)。
在步骤S4中,利用半正定托普利兹矩阵的性质对所述第二加权项进行重写,代入到步骤S3中得到的无网格重构框架中,得到最优无网格重构框架。
在一个实施例中,通常不是可逆矩阵,所以第二个加权项/>难以获得精确的解析解,同时为了转换到无网格空间,根据引理:任意半正定托普利兹矩阵/>,如果/>是有限的且/>在矩阵/>所定义空间内,则可以得到以下结论
其中表示一个待求解的标量。
根据以上引理,将第二个加权项重写为:
其中是一个依赖于迭代解/>的新的权重因子,/>表示半正定。
将上面的结果再次迭代,并代入到步骤S3中得到的无网格重构框架中,可进一步得到最优无网格重构框架为:
其中和/>都是依赖于迭代解/>的权重因子,从而问题转换为一个半正定规划问题。
在步骤S5中,利用基于二维交替方向乘子法的快速执行算法,求解所述最优无网格重构框架,获得最优解。
在一个实施例中,首先,将需要求解的所述最优无网格重构框架改写如下:
然后,引入拉格朗日乘数和惩罚项/>,并通过增强拉格朗日函数对等式约束进行对偶化处理:
对上式进行迭代求解:
1)更新
注意,这里将的求解放在一起进行处理。
2)更新
3)更新
4)更新
对上述的四步进行迭代处理,直到满足收敛条件。
在步骤S6中,根据最优解,基于范德蒙德分解求解散射体的位置相对应的频率和散射系数,即可获得散射体的位置和散射系数信息,完成目标成像。
在一个实施例中,根据范德蒙德分解定理:任何秩的半正定托普利兹矩阵都可以进行以下范德蒙德分解:
其中,。当/>时候上述分解是唯一的。
对于本发明中的稀疏数据,根据最优解进行范德蒙德分解时,获得的解是唯一的。可以根据分解得到的唯一解/>和/>,依据公式/>获得散射体的角频率/>,进一步根据公式/>,得到散射体位置坐标/>,其中,/>为信号波长,/>为散射体与天线斜距在沿航向零多普勒时刻切面内的投影长度。根据公式/>得到散射体的散射系数,从而得到高分辨三维图像。
根据本发明上述实施方式的雷达前视无网格重构SAR成像方法,在获得原始SAR回波数据的前提下,结合最优协方差拟合准则和无网格框架,使用稀疏贝叶斯学习方法结合信号的先验信息,构建起一种统计最优的无网格重构框架,将稀疏阵列成像过程投影到该框架下转换为半正定规划问题。同时,针对前视无网格重构SAR体制中存在的大规模矩阵优化问题,为降低计算复杂度,推导并提出基于二维交替方向乘子法(ADMM)的快速求解方法,实现问题的快速求解,从而快速且精准地重构目标三维像。
通过以下仿真实验对本发明实施方式的雷达前视无网格重构SAR成像方法(以下也简称“本发明方法”)的效果进行验证说明。
1.仿真条件:
本发明仿真实验的硬件平台为:Intel Core i9-10900K、3.70 GHz,内存为128G。
本发明仿真实验的软件平台为:Windows 10 操作系统和 MATLAB R2018b。
本发明的仿真实验所使用的参数如表1所示。
表1本发明仿真实验参数一览表
仿真参数 | 取值 |
信号载频 | 32.5 GHz |
信号带宽 | 450 MHz |
脉冲重复频率 | 800 Hz |
雷达平台高度 | 1000 |
雷达平台速度 | 45 m/s |
发射阵元间步进频率 | 100 kHz |
方位向阵列阵元间隔 | 0.025 m |
方位向阵列阵元个数 | 128 |
2.仿真内容与结果分析:
仿真1
布置四个具有相同沿航向和距离向(高度向)位置,但不同方位向位置(5.2 m,7.0m,8.8 m和10.6 m)的散射体。试验采用上表设置的仿真参数,从表中的参数可知,其方位向理论瑞利分辨率约为1.45 m。信噪比(SNR)设置为20 dB。试验中,随机选择50%天线相位中心,并设置算法最大迭代次数为8次。结果如图2所示,同时选取了三种方法作为对照试验,分别为:原子范数最小化 (ANM)、无网格稀疏重构(GLS)、重加权原子范数最小化(RAM)。并且对比了四种方法的运行时间,如表2所示。其中,图2的(a)、(b)、(c)、(d)分别是基于ANM、GLS、RAM和本发明方法的方位向目标中心位置剖面包络图像。
表2 运行时间性能分析
仿真分析
图2中结果分别显示了ANM、GLS、RAM和本发明方法所获取的方位向目标中心位置剖面包络图像,黑色虚线代表目标的真实位置。如图2的四幅图所示,这四个散射体都可以有效地被无网格稀疏重构算法重构。但是,基于ANM算法的图像(a)中出现了明显估计误差,并产生大量的虚假目标点,这是由于算法中正则化参数的选取与噪声相关,难以精确获得,使得在该参数选取不准确时很难获取最优值。为解决这一问题,后续提出的RAM算法使用迭代重加权处理来获得更好的估计精度,极大地降低了背景噪声的水平,但其对于噪声参数的正确选取依然十分敏感。同时,由于GLS中使用的次优统计属性,GLS对于噪声的抑制效果有了较大的提升。然而,与其他无网格稀疏重构算法相比,由于本发明方法采用最优的稀疏优化准则和贝叶斯学习先验信息,所提出的算法不仅能够精确地重建散射体,而且在抑制虚假目标点方面也优于其他算法。图2中(d)的结果也验证了本发明方法的优越性。通过与其他算法对比,可以发现,本发明方法可以更好地抑制虚假目标,提升图像的信噪比,并且可以准确的重构出目标的真实位置。并且,如表2所示,本发明方法通过采用二维交替方向乘子法(ADMM),收敛速度得到了较大的提升。
仿真2
设置不同的信噪比SNR (Signal Noise Ratio)和稀疏度来对其进行分析评估。频率间隔设置为(/>表示满阵时阵元的个数,/>表示稀疏线阵的阵元个数,实验中,/>),仿真得到的稀疏度对重构成功概率分布图如图3所示;频率间隔设置为,仿真得到的信噪比对重构成功概率分布图如图4所示。
在图3中,采用蒙特卡罗实验首先分析了在不同稀疏度(对应于/>个角频率)的情况下算法的超分辨率性能,并假设当MSE(均方误差)小于/>时重构成功。图3绘制了ANM、GLS、RAM和本发明方法的结果,表明在较小的稀疏度下,它们都更容易重构成功。同时,RAM和本发明方法利用迭代重加权过程可显著提高图像重构的成功率,并降低对稀疏性的要求。此外,由于本发明方法利用了目标先验信息,它的性能要优于RAM,因此本发明方法可以获得更高的重构成功率(位于图3中最上方的是本发明方法的结果)。
图4中分析了在不同信噪比的情况下算法的超分辨率性能。实验结果表明,在较高的SNR下,更容易地成功重构图像。同时,通过对比可以发现其他无网格稀疏重构算法的最大成功率约为0.6,而本发明方法的成功率略有提高。综上所述,与其他无网格稀疏重构算法相比,本发明方法在超分辨率性能和抑制虚假目标点方面具有更好的表现(位于图4中最上方的是本发明方法的结果)。
仿真3
仿真分析稀疏率(即天线相位中心(APC)的采样率)对成像性能的影响。这里基于复杂飞机目标模型(该模型中的方位向散射点以1 m间隔分布),并采用本发明方法分别对稀疏比[10%-90%]范围的结果进行研究分析。为了提高成像的可观测性和分辨率,在该试验中调整飞行高度为650m,其对应的方位向分辨率约为0.83m。仿真试验结果表明,本发明方法对于阵元稀疏率并不敏感,即使在稀疏率等于10%时,也可以有效地重构图像,并且它们的图像几乎完全相同。
因此,仿真实验验证了本发明方法的正确性、有效性和可靠性。
综上所述,本发明与现有技术相比具有以下优点:
(1)本发明的优化模型针对多个加权项都进行了优化迭代。相比其他方法只针对单一加权项的优化处理,本发明的模型具备更好的统计特性,并且加权项的优化处理在迭代进展中呈现数据依赖特性,可根据上步迭代结果进行更新,即后续加权项的更新迭代都与数据本身息息相关,这使得本发明的模型具有更强的适应性。
(2)本发明以稀疏贝叶斯学习为基础,相比于其它类方法,本发明方法不依赖于RIP准则来保证可靠的估计性能,能够很好地结合关于信号的先验知识,也能够更好地适应信号分量之间具有高相关性的情况,并且所得解能够与真实信号模型完全吻合,也不存在如何选择最佳正则化因子的问题,具有较强的实用性,能够以较大的概率成功重构出图像。同时,本发明方法的模型也避免了协方差矩阵不可逆的问题。
(3)本发明针对大规模矩阵优化效率低的问题,推导并提出了一种基于二维交替方向乘子法的快速执行算法,极大地提高运算效率。
本发明的实施方式还提供一种雷达前视无网格重构SAR成像装置。图5是本发明一种实施方式的雷达前视无网格重构SAR成像装置的结构图。如图5所示,本实施方式的雷达前视无网格重构SAR成像装置包括:
分辨单元数据获得模块101:利用雷达机载稀疏非均匀线阵对目标区域进行照射,获得SAR回波数据,通过对SAR回波数据进行处理,得到沿航向-距离向分辨单元数据;
稀疏采样数据矩阵获得模块102:沿方位向将所述沿航向-距离向分辨单元数据进行堆栈叠加,得到稀疏采样数据矩阵;
加权项获得模块103:将稀疏采样数据矩阵的协方差矩阵结合最优协方差拟合准则并展开,得到无网格重构框架,并得到第一加权项和第二加权项;
最优重构框架获得模块104:利用半正定托普利兹矩阵的性质对所述第二加权项进行重写,代入到加权项获得模块得到的无网格重构框架中,得到最优无网格重构框架;
最优解获得模块105:利用基于二维交替方向乘子法的快速执行算法,求解所述最优无网格重构框架,获得最优解;
位置和散射系数获得模块106:根据最优解,基于范德蒙德分解求解散射体的位置所对应的频率和散射系数,从而获得散射体的位置和散射系数。
本实施方式的雷达前视无网格重构SAR成像装置的具体实施例可以参见上文中对于雷达前视无网格重构SAR成像方法的限定,在此不再赘述。上述雷达前视无网格重构SAR成像装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明的实施方式还提供一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各个框架的运行参数数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本实施方式的雷达前视无网格重构SAR成像方法的步骤。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明的实施方式还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施方式的雷达前视无网格重构SAR成像方法的步骤。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (10)
1.一种雷达前视无网格重构SAR成像方法,其特征在于,包括:
步骤S1:利用雷达机载稀疏非均匀线阵对目标区域进行照射,获得SAR回波数据,通过对SAR回波数据进行处理,得到沿航向-距离向分辨单元数据;
步骤S2:沿方位向将所述沿航向-距离向分辨单元数据进行堆栈叠加,得到稀疏采样数据矩阵;
步骤S3:将稀疏采样数据矩阵的协方差矩阵结合最优协方差拟合准则并展开,得到无网格重构框架,并得到第一加权项和第二加权项;
步骤S4:利用半正定托普利兹矩阵的性质对所述第二加权项进行重写,代入到步骤S3中得到的无网格重构框架中,得到最优无网格重构框架;
步骤S5:利用基于二维交替方向乘子法的快速执行算法,求解所述最优无网格重构框架,获得最优解;
步骤S6:根据最优解,基于范德蒙德分解求解散射体的位置所对应的频率和散射系数,从而获得散射体的位置和散射系数。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1中得到的沿航向-距离向分辨单元数据为:
其中,为一个分辨单元内包含的散射体的个数,/>为归一化角频率,,/>和/>分别表示第/>个散射体的散射系数和角频率,/>为阵元之间的距离,/>表示一个分辨单元数据中的信号分量,/>表示高斯白噪声,/>的取值范围为,/>表示均匀线阵的阵元个数。
3.根据权利要求2所述的方法,其特征在于,在所述步骤S2中,将沿航向-距离向分辨单元数据堆栈叠加得到数据向量:/>,其中/>和/>分别代表回波信号向量和回波噪声向量,将数据向量/>转化为如下的矩阵模型:
其中,是由/>构成的/>的阵列流形,/>为其中第/>行第/>列元素,表示包含/>个非零值的散射系数稀疏向量,/>表示预设的网格数,若第/>个预设网格位置存在散射体,则/>,/>表示包含/>个非零值的噪声向量,
根据数据向量得到稀疏采样数据矩阵/>:
其中,是稀疏非均匀线阵对应的阵列流形子集,当/>时,/>等于1,/>表示稀疏非均匀线阵的阵元个数,/>表示稀疏采样噪声向量。
4.根据权利要求3所述的方法,其特征在于,所述步骤S3中,稀疏采样数据矩阵的协方差矩阵/>表示为:
其中,和/>元素在对应位置满足/>,/>,/>表示共轭转置处理,/>为单位矩阵,/>表示一个托普利兹矩阵,其中因变量为/>,/>代表噪声方差,
根据最优协方差拟合准则并展开,得到无网格重构框架为:
其中,是真实协方差矩阵/>的估计,利用先验信息进行迭代估算,/>,,得到第一加权项/>和第二加权项/>。
5.根据权利要求4所述的方法,其特征在于,在所述步骤S4中,将第二个加权项重写为:
其中是依赖于迭代解/>的权重因子,/>表示半正定,
代入到步骤S3中得到的无网格重构框架中,得到最优无网格重构框架为:
其中和/>都是依赖于迭代解/>的权重因子。
6.根据权利要求5所述的方法,其特征在于,在所述步骤S5中,引入拉格朗日乘数和惩罚项/>,并通过增强拉格朗日函数对等式约束进行对偶化处理,得到如下公式:
其中,。
7.根据权利要求6所述的方法,其特征在于,对得到的公式进行迭代求解,更新:
直到满足收敛条件。
8.根据权利要求7所述的方法,其特征在于,依次更新、/>、/>:
直到满足收敛条件。
9.根据权利要求8所述的方法,其特征在于,在所述步骤S6中,通过进行范德蒙德分解得到归一化角频率和散射系数/>,根据公式/>获得散射体的角频率/>,进一步根据公式/>,得到散射体的位置坐标/>,其中,/>为信号波长,/>为散射体与天线斜距在沿航向零多普勒时刻切面内的投影长度。
10.一种雷达前视无网格重构SAR成像装置,其特征在于,包括:
分辨单元数据获得模块:利用雷达机载稀疏非均匀线阵对目标区域进行照射,获得SAR回波数据,通过对SAR回波数据进行处理,得到沿航向-距离向分辨单元数据;
稀疏采样数据矩阵获得模块:沿方位向将所述沿航向-距离向分辨单元数据进行堆栈叠加,得到稀疏采样数据矩阵;
加权项获得模块:将稀疏采样数据矩阵的协方差矩阵结合最优协方差拟合准则并展开,得到无网格重构框架,并得到第一加权项和第二加权项;
最优重构框架获得模块:利用半正定托普利兹矩阵的性质对所述第二加权项进行重写,代入到加权项获得模块得到的无网格重构框架中,得到最优无网格重构框架;
最优解获得模块:利用基于二维交替方向乘子法的快速执行算法,求解所述最优无网格重构框架,获得最优解;
位置和散射系数获得模块:根据最优解,基于范德蒙德分解求解散射体的位置所对应的频率和散射系数,从而获得散射体的位置和散射系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311252594.0A CN116990817B (zh) | 2023-09-26 | 2023-09-26 | 一种雷达前视无网格重构sar成像方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311252594.0A CN116990817B (zh) | 2023-09-26 | 2023-09-26 | 一种雷达前视无网格重构sar成像方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116990817A true CN116990817A (zh) | 2023-11-03 |
CN116990817B CN116990817B (zh) | 2023-12-22 |
Family
ID=88532522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311252594.0A Active CN116990817B (zh) | 2023-09-26 | 2023-09-26 | 一种雷达前视无网格重构sar成像方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116990817B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105842699A (zh) * | 2016-06-02 | 2016-08-10 | 中国科学院电子学研究所 | 合成孔径雷达稀疏成像方法 |
CN108226927A (zh) * | 2017-12-14 | 2018-06-29 | 电子科技大学 | 基于加权迭代最小稀疏贝叶斯重构算法的sar成像方法 |
CN109444885A (zh) * | 2018-12-17 | 2019-03-08 | 中国人民解放军空军工程大学 | 基于稀疏矩阵重构的超分辨成像方法、装置及电子设备 |
DE102018219773A1 (de) * | 2018-11-19 | 2020-05-20 | Audi Ag | Verfahren zum Kartographieren einer örtlichen Verteilung von Ereignissen eines vorbestimmten Ereignistyps in einem vorbestimmten Umgebungsbereich eines Kraftfahrzeugs sowie dazu ausgelegtes Steuergerät und Kraftfahrzeug |
CN115657023A (zh) * | 2022-07-22 | 2023-01-31 | 中国人民解放军空军预警学院雷达士官学校 | 基于二维加权原子范数最小化的快速无网格稀疏成像方法 |
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 |
-
2023
- 2023-09-26 CN CN202311252594.0A patent/CN116990817B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105842699A (zh) * | 2016-06-02 | 2016-08-10 | 中国科学院电子学研究所 | 合成孔径雷达稀疏成像方法 |
CN108226927A (zh) * | 2017-12-14 | 2018-06-29 | 电子科技大学 | 基于加权迭代最小稀疏贝叶斯重构算法的sar成像方法 |
DE102018219773A1 (de) * | 2018-11-19 | 2020-05-20 | Audi Ag | Verfahren zum Kartographieren einer örtlichen Verteilung von Ereignissen eines vorbestimmten Ereignistyps in einem vorbestimmten Umgebungsbereich eines Kraftfahrzeugs sowie dazu ausgelegtes Steuergerät und Kraftfahrzeug |
CN109444885A (zh) * | 2018-12-17 | 2019-03-08 | 中国人民解放军空军工程大学 | 基于稀疏矩阵重构的超分辨成像方法、装置及电子设备 |
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 |
CN115657023A (zh) * | 2022-07-22 | 2023-01-31 | 中国人民解放军空军预警学院雷达士官学校 | 基于二维加权原子范数最小化的快速无网格稀疏成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116990817B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103713288B (zh) | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 | |
CN110275166B (zh) | 基于admm的快速稀疏孔径isar自聚焦与成像方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN110113085B (zh) | 一种基于协方差矩阵重构的波束形成方法及系统 | |
CN110068805B (zh) | 基于变分贝叶斯推论的高速目标hrrp重构方法 | |
Hysell et al. | Optimal aperture synthesis radar imaging | |
CN110208735A (zh) | 一种基于稀疏贝叶斯学习的相干信号doa估计方法 | |
CN109613532A (zh) | 一种机载雷达实时多普勒波束锐化超分辨成像方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
CN115453528A (zh) | 基于快速sbl算法实现分段观测isar高分辨成像方法及装置 | |
CN114609594A (zh) | 非均匀性杂波中知识辅助宽带雷达目标检测器及设计方法 | |
CN112904298B (zh) | 一种基于局部网格分裂的网格偏离空时自适应处理方法 | |
CN113671485B (zh) | 基于admm的米波面阵雷达二维doa估计方法 | |
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 | |
CN113376569A (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
CN116990817B (zh) | 一种雷达前视无网格重构sar成像方法和装置 | |
CN112800599A (zh) | 一种阵元失配情况下基于admm的无网格doa估计方法 | |
CN110046326B (zh) | 一种时频doa估计方法 | |
CN104035078A (zh) | 一种基于阵元阶数递推的降维空时自适应权值计算方法 | |
CN116027293A (zh) | 一种扫描雷达快速稀疏角超分辨方法 | |
CN110850421A (zh) | 基于混响对称谱的空时自适应处理的水下目标检测方法 | |
CN115453527A (zh) | 一种周期性分段观测isar高分辨成像方法 | |
CN114966687A (zh) | 基于低秩和非局部自相似的稀疏isar成像方法及系统 | |
CN115267706A (zh) | 合成孔径雷达的距离空变相位误差估计方法、装置及介质 | |
Zha et al. | An iterative shrinkage deconvolution for angular superresolution imaging in forward-looking scanning radar |
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 |