基于自学习稀疏先验的三维SAR成像方法

合成孔径雷达三维成像技术(3D SAR)能通过孔径维度扩展实现三维成像能力,但数据维度大、系统实现难、成像分辨率低。压缩感知稀疏重构技术在简化3D SAR系统、提升成像质量等方面展现出巨大潜力,但面临计算复杂度高、参数设置困难、弱稀疏场景适应差等新问题,制约了其实际应用。针对上述问题,该文结合卷积神经网络的特征学习及迭代算法的深度展开理论,提出了基于自学习稀疏先验的3D SAR成像方法。首先,探讨了常规3D SAR稀疏成像中矩阵向量线性表征模型的局限性,引入成像算子提升成像算法处理效率。其次,讨论了迭代算法映射网络的深度展开模型和实现方式,包括网络拓扑结构设计、算法参数的优化约束及网络的训练方法。最后,通过仿真数据和地面实验,证明了所提方法在提升成像精度的同时,其运行时间较传统稀疏成像算法降低一个数量级。      

基于子图像变标的非线性轨迹SAR成像及其自聚焦方法

合成孔径雷达(SAR)的非线性轨迹运动可能会在雷达回波信号中引入严重的二维空变特性,因此基于方位平移不变性假设的传统频域成像算法不再适用于非线性轨迹SAR的高精度成像。现有非线性轨迹SAR成像算法通常采用复杂的非线性变标(NCS)校正回波信号的方位空变特性,然而NCS参数过多导致算法复杂,使得其当存在较大平台运动测量误差时无法与现有自聚焦算法有效结合。针对该问题,该文提出一种基于子图像NCS的非线性轨迹SAR成像及其自聚焦方法,在保证成像精度的前提下能够减少NCS的参数数量,更有利于后续的自聚焦处理。仿真与实测数据处理验证了所提方法的有效性。     

基于迭代近端投影的二维欠采样合成孔径雷达成像

合成孔径成像雷达(SAR)具有数据量大、采样率高等特点,针对传统压缩感知(CS)的SAR成像存在精度低及抗噪性能差的问题,该文提出一种基于迭代近端投影(IPP)的2维欠采样合成孔径雷达成像重建方法。即通过对雷达回波构建为距离频域-方位多普勒域的2维稀疏表示模型,在此基础上将成像问题转化为距离向和方位向压缩感知稀疏重构问题,利用迭代近端投影算法的函数优化模型来表示合成孔径雷达成像中的稀疏表示,最后采用平滑削边绝对偏离(SCAD)罚函数获得近端算子以求解该模型并进行成像。仿真与实测数据处理结果表明,所提方法成像效果更好。     

连续场景的稀疏阵列SAR侧视三维成像研究

合成孔径雷达的回波数据和图像数据都是复数,由于各个分辨单元散射点的初始相位是随机的,致使连续变化地物场景的信号带宽较大,传统的单天线SAR很难实现空间稀疏降采样。该文采用交轨向多天线观测结构,分析了交轨向稀疏阵列SAR的成像模型,首次提出利用信号重构方法,去除散射点随机初相位,降低复信号带宽,以较大间隔的空间稀疏采样实现稀疏阵列SAR侧视3维成像。干涉SAR 2维成像实际数据处理结果验证了通过信号重构可以降低复信号带宽,稀疏阵列SAR侧视3维成像的仿真结果验证了该文方法的有效性。     

基于BP和CS相结合的圆周SAR三维成像算法

与传统的直线SAR相比,圆周SAR(CSAR)具有对场景进行三维成像的能力,但对于一般的目标,其有效孔径只是一定角度的圆弧而非完整圆周孔径,使得圆周SAR只能获得航迹向和斜距向的高分辨率,影响了其三维成像能力,所以现在通常采用沿着不同高度角进行多次观测的多航过圆周SAR模式来实现三维成像。针对多航过圆周SAR由于多航过稀疏并且非均匀采样而严重影响成像质量的问题,提出一种将BP算法和压缩传感算法(CS)结合的三维成像算法。该算法先利用BP算法实现每一次航过数据的二维成像,再利用压缩传感算法进行高度向聚焦,来改善高度向的聚焦质量,最后将实测数据成像结果和传统的三维BP算法的结果进行比较,证明该算法可以有效地抑制旁瓣,得到超分辨的三维成像结果。     

基于压缩感知的下视三维SAR成像新方法

下视3维合成孔径雷达(Synthetic Aperture Radar, SAR)可对平台正下方目标进行3维重构,具有广阔的应用前景。为有效减少线阵天线所需阵元数,该文提出了一种基于稀疏阵列的下视3维SAR成像方法。为了抑制稀疏阵列导致的栅瓣效应,该方法结合压缩感知(Compressed Sensing, CS)理论,实现对下方3维目标的成像。分析了稀疏阵列配置对稀疏信号处理的影响以及3维成像采用稀疏信号处理的可行性。最后通过仿真实验验证了该文分析的正确性及算法的有效性。     

一种改善SAR对舰船目标成像质量的新方法研究

常规合成孔径雷达(SAR)成像技术适用于静止场景目标成像,在对海上舰船等运动目标成像时,由于目标存在自身转动分量,使得积累时间内回波多普勒频率不为常数,导致常规成像处理后,目标出现散焦、分辨力下降的现象.通过分析存在平动、转动分量目标回波的多普勒频率特征,可以把SAR对舰船目标成像问题转化为稀疏信号表示问题,利用信号重构回波散射系数实现二维成像.将基于贝叶斯学习的稀疏信号表示用在SAR对舰船目标成像上,采用该方法处理实测数据可获得较清晰的目标像,通过与传统方法的比较验证了该方法的有效性.     

前视阵列SAR回波稀疏采样及其三维成像方法

针对高分辨前视阵列SAR三维成像系统面临的距离采样率高和回波数据量大的问题,本文利用地面散射源在三维空间中的稀疏性,提出距离频域和沿航向时域二维稀疏采样并稀疏重构地面三维图像的方法.从前视阵列SAR角度观察三维地面,地面散射源在距离向和沿航向二维空间中是稀疏的,在该二维方向上联合稀疏采样有望实现最佳的稀疏采样效果.为避免距离向时域稀疏采样造成的三维成像复杂化,提出利用子脉冲结合距离频域稀疏采样的方法来实现距离向稀疏采样.同时,结合地面散射源连续性特点,提出低信噪比情况下稳健的信号重构方法.与传统三维匹配滤波成像方法相比,本方法降低了距离采样率和回波数据量,并直接重构地面散射源信息以实现三维成像.     

基于半正定规划的压缩感知线阵三维SAR自聚焦成像算法

线阵合成孔径雷达(Linear Array Synthetic Aperture Radar, LASAR)3维成像技术是一种具有重要潜在应用价值的新体制成像雷达,压缩感知稀疏重构是近几年实现LASAR高分辨3维成像的热点研究之一。但相对于传统2维SAR,受线阵稀疏分布及阵列-平台2维联动,压缩感知LASAR成像面临回波数据欠采样、多维度高阶相位误差等问题,传统SAR自聚焦算法难以适用于压缩感知LASAR 3维稀疏自聚焦成像。为克服欠采样条件下多维度高阶相位误差对LASAR成像的影响,该文提出了一种基于半正定规划的压缩感知LASAR自聚焦成像算法。首先,结合压缩感知成像理论、图像最大锐度及最小均方误差准则,构造欠采样条件下稀疏目标的相位误差估计模型;其次,利用松弛半正定规划方法估计相位误差;最后,利用迭代逼近方法提高相位误差估计精度,实现压缩感知LASAR高精度稀疏自聚焦成像。另外,通过主散射目标区域提取,仅采用主散射区域进行相位误差估计,进一步提高自聚焦算法运算效率。仿真数据和实测数据验证了该文算法的有效性。      

机载SAR多模式统一化成像处理技术研究

合成孔径雷达(SAR)技术能够实现感兴趣区域(ROI)的多模式成像与超高分辨观测。然而,超高分辨成像因多脉冲长时间相干积累而面临方位频谱混叠问题,且对于斜视情况下的凝视和滑动聚束模式,传统频域成像算法难以实现统一化处理。据此,本文提出了一种SAR多模式统一化成像处理算法。首先,采用线性距离走动校正削弱斜视数据的两维耦合。然后,结合基于方位Deramp技术的混叠频谱重建方法与方位重采样,实现混叠信号的恢复及聚焦深度问题的解决。最后,利用扩展的距离徙动算法进一步完成ROI精聚焦。本文所提算法能够对斜视的凝视和滑动聚束数据进行统一化的成像处理。基于点目标仿真与机载SAR多模式实测数据处理结果,验证了所提方法的有效性。     

一种深度欠采样的快速SAR成像算法

以减少SAR成像所需数据量,缩短成像时间为目的,本文构建了深度欠采样回波信号的模型,提出了一种二维脉冲压缩算法,该算法利用OMP和BCS算法对欠采样回波做距离向和方位向压缩,实现了二维SAR快速成像。通过对点目标模型SAR回波的仿真验证了方案的有效性。     

超高分辨率星载SAR系统多子带信号处理技术研究

多子带信号拼接是星载合成孔径雷达（Synthetic Aperture Radar, SAR）实现超高距离分辨率的重要方式,但受限于硬件系统、大气传输等非理想因素的影响,接收各子带信号在子带内会存在幅度和相位误差,子带间也存在幅度、相位和时延不一致误差。这些误差严重影响多子带合成后的信号质量以及最终的图像质量。本文基于星载多子带SAR系统模型,首先提出了一种先单子带成像,再多子带信号拼接的成像处理策略;然后在此基础上,针对子带内/子带间幅相和时延误差提出一种基于各子带强目标点数据的误差估计与补偿方法。该方法主要包括基于质量相位梯度自聚焦（Quality Phase Gradient Autofocus, QPGA）准则的强目标点数据提取、基于PGA的子带内误差估计、子带间误差估计和误差补偿与频谱合成四个步骤。理论仿真分析数据实验验证了本方法的有效性。      

解卷积锐化算法在导引头前视成像中的应用

传统的合成孔径雷达成像、多普勒波束锐化成像等方式虽然能有效地提高雷达的方位分辨率,但存在前视成像盲区。而传统的实波束成像角分辨率低,无法区分处于同一个波束内的两个目标。本文分析了单通道解卷积病态的原因,提出了改善方法.本文同时比较了该算法与常用的单脉冲测角算法的优劣。文章最后对实测数据的处理结果表明,解卷积算法对波束锐化有明显效果。     

稀疏先验引导CNN学习的SAR图像目标识别方法

深度学习技术的应用给SAR图像目标识别带来了大幅度的性能提升,但其对实际应用中车辆目标局部部件的变化适应能力仍有待加强。利用数据内在先验知识,在高维语义特征中学习其内在的低维子空间结构,可以提升分类模型在车辆目标变体条件下的泛化性能。本文基于目标特征的稀疏性,提出了一种稀疏先验引导卷积神经网络（Convolution Neural Network,CNN）学习的SAR目标识别方法（CNN-TDDL）。首先,该方法利用CNN提取SAR图像目标的高维语义特征。其次,通过稀疏先验引导模块,利用特征稀疏性,对目标特征内在的低维子空间结构进行学习。分类任务驱动的字典学习层（Task-Driven Dictionary Learning,TDDL）将目标特征的低维子空间以稀疏编码的形式表示,再利用非负弹性正则网增强了稀疏编码的稳定性,使稀疏编码不仅有效地表征目标的低维子空间结构,并且能够提取更具判别性的类别特征。基于运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集以及仿真和实测配对和标记实验 （Synthetic and Measured Paired and Labeled Experiment,SAMPLE） 数据集的实验表明,相比于传统字典学习方法和典型深度学习方法,CNN-TDDL在MSTAR标准操作条件（Standard Operating Conditions, SOC）下识别精度提升0.85%~5.28%,型号识别精度提升3.97%以上,表现出更好的泛化性能。特征可视化分析表明稀疏先验引导模块显著提升了异类目标特征表示的可分性。      

LFMCW SAR非线性校正成像方法研究

线性调频连续波合成孔径雷达（LFMCW SAR）是一种新近提出来的成像雷达体制,它结合调频连续波与合成孔径成像技术,具有体积小、重量轻、成本低、分辨率高等一系列优点。然而,由于受系统的影响,调频信号的频率和时间并不完全满足线性关系。在详细分析了LFMCW的调频非线性对距离分辨率及FMCW SAR成像质量的影响之后,提出使用分段线性拟合的方法估计调频信号的非线性,并提出了非线性的校正方法,研究了存在非线性时的FMCW SAR成像算法,并给出了仿真结果,验证了该方法的有效性。     

基于局部直角坐标和子区域处理的弹载SAR频域成像算法

针对弹载SAR平台非直线轨迹运动和大斜视成像的特点,该文提出一种基于局部直角坐标和子区域处理的频域成像算法。对大斜视成像模式,采用局部直角坐标系建模的方法,使距离走动校正后的方位信号具有更高的近似精度;为精确补偿包络和相位的方位空变,采用子区域成像的方式,可显著提高场景边缘处的聚焦质量;将各子区域图像校正至统一的地面坐标系下,即可得到最终的SAR图像。点目标仿真和实测数据验证了所提算法的有效性。     

基于空时等效采样复用的星载SAR宽域运动目标检测与成像

高分辨宽测绘带静态场景成像与运动目标检测与成像是星载合成孔径雷达(SAR)两个重要功能需求,也是新体制SAR的前沿和重点.现有的基于阵列接收多相位中心技术可解决方位分辨率与测绘带宽的矛盾,但其空时等效单通道数据难以实现运动目标的有效检测.现有的多通道SAR能改善杂波抑制和运动目标检测性能,但其对静态场景成像时仍存在方位分辨率与测绘带宽的矛盾.本文提出一种基于空时等效采样复用的信号处理新方法,同时改善了星载SAR在高分辨率宽测绘带静态场景成像与运动目标检测与成像两方面的性能.进而,本文深入研究目标径向速度在等效回波信号中引入的周期调制产生的目标方位像的"假峰"效应,并提出了有效的抑制"假峰"的补偿方法.最后,数值仿真试验验证了新方法的有效性.