基于全变分的高分辨SAR联合特征增强成像算法

稀疏约束下的合成孔径雷达（Synthetic Aperture Radar, SAR）成像技术,通过对稀疏先验建模的稀疏特征进行增强,能有效获取目标特显点的有用信息,但无法对目标的结构特征进行恢复,且对不可避免的非系统误差十分敏感。为此,提出一种依靠交替方向多乘子法（Alternating Direction Method of Multipliers,ADMM）面向结构特征增强的稀疏恢复高分辨SAR成像（Structure-feature Enhancement-ADMM,SE-ADMM）算法。该算法引入全变分（Total Variation,TV）正则项建模结构特征,起到增强结构的作用;引入范数建模稀疏特征,起到压制噪声作用;引入最小熵范数建模聚焦特征,以保证算法对非系统乘性误差的不敏感性。在ADMM多特征优化框架下,利用“局部-全局”的运算机制,首先分别进行三个特征的邻近算子推导,以获得对应特征解析解,再进行目标全局优化保证特征解之间的协调平衡,以实现目标的多特征增强。另外,ADMM多特征优化框架下变量分裂和多正则项的引入,保证了算法的效率和稳健性。实验部分先后选取SAR仿真数据与实测数据来验证算法的有效性,通过相变热力图定量分析所提算法的恢复性能,进而验证了所提SE-ADMM算法的稳健性与优越性。     

多任务协同优化学习高分辨SAR稀疏自聚焦成像算法

针对传统高分辨合成孔径雷达(SAR)稀疏自聚焦成像算法难以有效平衡稀疏与聚焦特征的问题,该文提出一种基于交替方向多乘子方法(ADMM)的多任务协同优化学习稀疏自聚焦(MtL-SA)算法.该算法通过引入熵范数表征SAR成像结果聚焦特征,在ADMM优化框架下,利用近端算法求解聚焦特征解析解.针对原熵范数正则优化目标函数的非凸问题,该文合理设计代价函数,从而保证熵范数近端算子的闭合解析解.同时,应用e1范数表征成像结果稀疏特征,并建立面向复数SAR成像数据的复数软阈值近端算子.该文所提MtL-SA成像算法可实现对目标场景后向散射场对应稀疏特征和聚焦特征的解析求解,并有效提升自聚焦算法的可靠性和稳健性.两种特征增强处理相互调和,保证了算法运行过程中有效降低误差传播,进而保证联合特征增强精度.仿真及实测机载SAR成像数据实验,验证了算法的有效性和实用性,同时应用相变分析方法分别定量和定性地分析了该文所提算法相比其他传统算法的优越性.     

基于交替方向乘子法的Capon层析SAR成像方法

合成孔径雷达（Sythetic Aperture Radar, SAR）层析成像（TomoSAR）是一种多基线干涉测量技术,可沿垂直于视线（Perpendicular to the Line?Of?Sight, PLOS）方向估计功率谱图（Power Spectrum Pattern, PSP）即后向散射系数,从而实现三维成像。本文提出一种改进的波束形成优化算法,在双约束鲁棒Capon波束形成算法（Doubly Constrained Robust Capon Beamforming, DCRCB）的基础上,结合L1范数的约束函数,构建交替方向乘子法（Alternating Direction Method of Multipliers, ADMM）的代价函数,将DCRCB恢复的后向散射系数进行进一步稀疏优化,实现层析SAR的三维成像。ADMM算法以增广拉格朗日算法为基础,将较为复杂的全局求解问题转换为两个或多个更易求解的简单局部子问题。ADMM算法在迭代中,各子问题可分别完成稀疏重构和降噪运算,被分离的局部子问题代数式都较为简单,均能较容易地求出确定的解,且不必对其进行收敛运算与约束操作。因此,ADMM算法具有重建精度高的优势。本文采用2021年中国科学院空天信息创新研究院发布的山西运城地区的8通道机载阵列干涉SAR数据进行了实验验证,实验结果验证了算法的有效性。     

稳健型双层叠组LASSO逆合成孔径雷达高分辨成像算法

经典的逆合成孔径雷达(ISAR)稀疏成像算法一般通过求解范数约束的最小化问题获取稀疏恢复结果,e1但此类算法在恢复过程中很容易将某些散射强度较低的分辨单元当作背景噪声一并消除,从而导致目标部分弱散射结构特征丢失.针对这一问题,该文提出一种基于稳健型双层叠组LASSO回归模型的交替方向多乘子算法(RTGL-ADMM).该算法在ISAR目标稀疏先验的基础上,进一步引入目标散射体空间连续性结构特征先验知识,并应用e1/eF混合范数进行定量表征.接下来,在ADMM框架下引入非平滑的e1/eF混合范数惩罚项,并将距离向和方位向雷达回波复数据分别进行分组处理后再使其双层叠加,然后对混合范数对应的邻近算子进行对偶迭代运算,实现"分解-协同"框架下结构与组稀疏特征的有机调和,从而在对ISAR数据稀疏成像的同时实现结构特征增强.实验验证采用ISAR仿真复数据与Yak-42实测数据,针对RTGL-ADMM成像进行定性分析.继而采用相变曲线图定量分析RTGL-ADMM在不同参数调节下的成像能力,从而验证了该文所提算法应用于ISAR高分辨成像时的稳健性与优越性.     

基于OMP-CADMM的非合作运动人体ViSAR成像方法

合成孔径雷达（Synthetic Aperture Radar,SAR）人体成像技术凭借其高分辨、强穿透、易部署和高安全性，已成为SAR拓展至日常民用领域的关键技术之一.然而现有SAR人体成像方法大多针对固定场景下的静态人体目标进行合作式成像，难以满足开放场景非合作成像应用的需求.为此，本文基于人体运动的块稀疏性与一致性约束，提出了一种面向非合作运动人体的视频SAR(Video SAR,ViSAR)成像方法 .该方法首先结合ViSAR子孔径快速成像技术，简化人体非刚性运动模型，建立非刚性运动相位误差参量模型；随后结合人体运动的块稀疏性与时间连续性，基于正交匹配追踪（Orthogonal Matching Pursuit,OMP）稀疏恢复算法估计人体运动相位误差；最后基于一致性交替方向乘子法（Consensus Alternating Direction Multiplier Method,CADMM）优化框架，保留人体目标局部结果的一致性共有特征，从多个局部补偿结果集中优化出人体的全局聚焦成像结果，实现人体的非刚性运动补偿与全局精细优化.实验结果表明该文所提方法可实现非合作走动人体的视...     

应用双稀疏模型和ADMM优化的图像复原

基于稀疏表示的图像复原算法大都只利用了图像整体稀疏性和局部稀疏性中的一种,未充分利用图像的先验知识,基于此,本文在稀疏表示框架下,同时引入Cosparse解析模型及平移不变小波变换两种稀疏模型,前者对每个图像块进行稀疏表示,后者对整幅图像进行稀疏表示,从而提出一种新的图像复原算法。该算法将图像复原问题归结为双稀疏正则化问题。为求解复杂的双稀疏优化问题,本文运用交替方向乘子法 (ADMM, Alternating Direction Method of Multipliers)算法将该约束优化问题分解为若干子问题,通过交替迭代求解获得复原图像。实验中对不同类型的模糊图像进行了复原,其结果表明该算法对于各类模糊图像的复原比现有复原算法效果更好,从而验证了算法的有效性。      

一种机载SAR层析三维成像算法

针对机载平台难以同时满足多基线SAR层析3维成像所要求的短基线及大孔径问题,本文提出一种基于稀疏信号表示的机载SAR层析3维成像算法。首先基于高频率SAR目标的多散射中心假设,将目标在第3维成像方向上建模为稀疏分布模型,进而根据观测系统几何及信号频率特征构建了冗余字典,从而实现了成像问题到稀疏信号表示问题的转化,并最终通过求解以稀疏性度量函数为正则项的不适定方程获得成像结果。通过仿真实例的成像结果阐述了算法参数对成像的影响,并通过对SAR层析3维成像的仿真结果证明了算法的有效性。     

面向高分辨SAR成像的正则参数自学习

针对基于正则优化的高分辨SAR成像惩罚项系数自学习难点问题,本文提出一种贝叶斯边缘估计（Marginal Estimation Bayes,MEB）算法,以实现目标多先验模型的高精度特征拟合,提升成像特征恢复精度。该方法根据观测数据进行交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）凸优化框架建模,并利用贝叶斯理论推导参数的最大边缘似然分布,同时采用Moreau-Yoshida未经调整的朗之万算法（Moreau-Yoshida Unadjusted Langevin Algorithm,MYULA）实现后验采样求解,引入梯度投影法解决正则参数自学习问题,最后利用自学习参数进行优化成像。该算法可实现多正则项优化多参数协同自适应参数估计。另外,针对可能存在的目标先验非可微问题,本文利用近端算法中的次梯度优化,通过邻近算子来求解非可微先验的次梯度,可实现非可微正则函数的参数自学习。实验部分利用点目标仿真与美国Sandia实验室公布的实际数据。实验结果表明,相对于遍历最优结果,本文所提方法得到的结果与最优值的误差均在15%之内。另外,通过相变热力图（Phase Transition Diagram,PTD）定量验证了算法的有效性,同时将本文算法与其他自学习算法进行对比,验证了算法的实用性。      

信号压缩与重构的交替方向外点持续法

针对压缩感知（Compressed Sensing,CS）中信号重构的l1-正则化问题中的l1-正则项非光滑,求解比较困难,提出了交替方向外点持续法（Alternating Direction Exterior Point Continuation Method,ADEPCM）.该算法首先将信号的稀疏域的l1-正则化问题通过变量分裂（Variable Splitting,VS）技术转化为与之等价的约束优化问题;然后采用一步Gauss-Seidel思想,对优化问题中的变量最小化,并采用持续的思想更新罚参数,重构出信号的稀疏系数;最后进行正交反变换,重构出原始信号.并将ADEPCM用于图像重构,进行了仿真实验及对实验结果进行了分析.实验结果表明：与现有的一些重构算法相比,ADEPCM具有稍高的峰值信噪比（Peak Signal to Noise Ratio,PSNR）和更快速的收敛速度.     

基于分层贝叶斯Lasso的稀疏ISAR成像算法

逆合成孔径雷达(ISAR)目标回波具有明显的稀疏特征,传统的凸优化稀疏ISAR成像算法涉及繁琐的正则项系数调整,严重限制了超分辨成像的精度及便捷程度.针对此问题,该文面向非约束Lasso正则化模型,建立分层贝叶斯概率模型,将非约束的范数正则化问题等效转化成稀疏拉普拉斯先验建模问题,并在分层贝叶斯e1 Lasso模型中建立正则项系数依赖的概率分布,从而为实现完全自动化参数调整提供便利条件.考虑到目标稀疏散射特征和多超参数的高维统计特性,该文应用吉布斯(Gibbs)随机采样方法,实现对ISAR目标稀疏特征的求解,并同步获取包括正则项系数在内的多参数估计.基于该文研究方法可实现全部参数均通过数据学习获得,从而有效避免繁琐的参数调整过程,提升算法的自动化程度.仿真及实测数据均可证明该方法的有效性和优越性.