基于稀疏约束最优化的ISAR相位自聚焦成像算法

本文提出了一种基于稀疏约束的ISAR方位自聚焦算法,能够应用于稀疏孔径ISAR成像中。该算法利用ISAR图像的稀疏特征建立最小1范数成像模型,并将相位误差作为模型误差。然后通过数值迭代的方式进行自适应相位误差估计,最终获得聚焦良好的ISAR图像。同时,成像代价函数的建立基于矩阵模型,有利于采用方位FFT和矩阵的Hardmard乘积操作进行快速求解。由于利用稀疏约束,该方法在低信噪比的条件下仍然能够取得良好的聚焦结果。基于仿真数据和实测数据的结果验证了本文算法的有效性。     

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。      

基于压缩感知的稀疏采样数据大转角ISAR 成像研究

针对方位向稀疏采样条件下,大带宽大转角逆合成孔径雷达(ISAR)高分辨成像时,一维距离像中目标散射点的距离徙动问题,提出了基于贝叶斯压缩感知的稀疏ISAR 成像方法。对于方位向稀疏采样数据,该方法在包络对齐和相位补偿后,通过傅里叶变换将数据变换到距离频率域,对每一距离单元数据,根据方位向稀疏采样的位置构造相应的Keystone基矩阵,利用贝叶斯压缩感知算法重建目标在各距离频域单元的多普勒域系数,最后,通过距离向逆傅里叶变换和方位向自聚焦完成ISAR 成像。计算机仿真验证了该方法的有效性。     

基于快速SBL的双基地ISAR成像

针对稀疏孔径条件下双基地ISAR成像分辨率低、运算时间长等问题,提出了一种基于快速稀疏贝叶斯学习的高分辨成像算法。首先,建立基于压缩感知的双基地ISAR稀疏孔径回波模型,然后将整个二维回波数据进行分块处理,并假设目标图像各像元服从高斯先验,建立稀疏贝叶斯模型,再利用快速边缘似然函数最大化方法求解得到高质量目标图像,最后将所求的每块回波对应的目标图像合成整个二维图像。由于采取了分块处理,在每块图像重构时减少了数据存储量和计算量。另外,相比于传统的稀疏贝叶斯学习求解方法,本文所提快速算法在保证重构质量的同时进一步缩短了运算时间,仿真实验验证了算法的有效性和优越性。     

基于块稀疏贝叶斯模型的ISAR成像方法

传统ISAR稀疏成像主要针对独立散射点散射系数的重构问题,然而实际情况下目标散射点之间并不是独立存在的,而是以区域或块的形式存在,在该情形下利用常用的稀疏重构算法并不能完全地刻画块状目标的真实结构,因此该文考虑采用块稀疏重构算法进行目标散射系数重建。基于块稀疏贝叶斯模型和变分推理的重构方法(VBGS),包含了稀疏贝叶斯学习(SBL)方法中参数学习的优点,其利用分层的先验分布来表征未知信号的稀疏块状信息,因而相对于现有的恢复算法能够更好地重建块稀疏信号。该方法基于变分贝叶斯推理原理,根据观测量能自动地估计信号未知参数,而无需人工参数设置。针对稀疏块状目标,该文结合压缩感知(CS)理论将VBGS方法用于ISAR成像,仿真实验成像结果表明该方法优于传统的成像结果,适合于具有块状结构的ISAR目标成像。     

基于稀疏贝叶斯学习的无源雷达高分辨成像

针对无源雷达压缩感知成像,该文提出一种基于稀疏贝叶斯学习的高分辨成像算法。基于一次快拍模式下的无源雷达回波模型,文中首先考虑目标散射系数的统计特性及其对微波频率的依赖关系,将无源雷达成像转化为MMV(Multiple Measurement Vector)联合稀疏优化问题;然后对目标建立了级联形式的稀疏先验模型,并利用稀疏贝叶斯学习技术进行求解。相比之前基于目标确定性假设的稀疏恢复方法,所提算法更好地利用了目标的统计先验信息,具有能够自适应调整参数(目标模型参数和未知噪声功率)和高分辨反演目标等优点。仿真结果验证了该算法的有效性。     

基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法

基于贝叶斯框架下的稀疏重构方法,由于考虑了稀疏信号的先验信息以及测量过程中的加性噪声,因而能够更好地重建目标系数,然而传统的稀疏贝叶斯学习(SBL)算法参数多,时效性差。该文考虑一种新的稀疏贝叶斯学习方法方差成分扩张压缩(ExCoV),其不同于SBL中赋予所有的信号元素各自的方差分量参数,ExCoV方法仅仅赋予有重要意义的信号元素不同的方差分量,并拥有比SBL方法更少的参数。基于计算机层析成像技术框架下的ISAR成像模型,该文将ExCoV方法结合压缩感知(CS)理论将其进行ISAR成像,并从适用性和成像效果等方面与常用的极坐标格式算法(PFA),卷积逆投影算法(CBPA)和传统的稀疏重构算法进行比较,点目标仿真结果表明基于ExCoV的方法得到的ISAR像具有低旁瓣,高分辨率的特点,真实数据的成像结果表明该方法是一种比SBL更有效的ISAR成像算法。     

InSAR通道联合稀疏贝叶斯特征化成像

针对干涉合成孔径雷达(InSAR)成像,该文提出了一种通道联合结构化稀疏的贝叶斯成像算法,可实现图像稀疏特征化增强,以提升干涉相位噪声滤波和相干斑抑制性能。基于贝叶斯准则,利用多层级统计模型建立稀疏成像模型,结构化稀疏表示InSAR图像。在稀疏成像求解中,利用最大期望(EM)算法进行图像重构和多层级统计参数估计。由于能够联合利用通道稀疏统计特性,所提算法能够有效提升InSAR幅度和相位噪声滤波性能。最后,通过实验分析进一步验证该文算法的有效性。      

基于混合范数稀疏约束的ISAR高分辨成像算法

基于逆合成孔径雷达(ISAR)信号的稀疏性，提出了一种基于混合范数稀疏约束的ISAR高分辨成像算法。该方法通过利用压缩感知理论建立了一个基于l_2,0混合范数稀疏约束下的最优化ISAR信号模型，通过求解该最优化模型实现短相干积累时间下ISAR图像的高分辨重建。该模型利用了l_2,0混合范数的优势，运算时可实现更快收敛，大大提高了模型求解的运算速度；同时，该最优化模型在求解时采用了共轭梯度下降法和快速傅里叶变换操作，提高了算法的求解运算效率。仿真和实测数据都验证了方法的有效性。     

ISAR成像最小熵自聚焦与相位补偿的一致性分析

该文对ISAR成像的最小熵自聚焦(Minimum Entropy Auto-focusing,MEA)与相位补偿之间的一致性问题进行深入研究,文中的数学推导证明了对于ISAR距离-多普勒成像,相位补偿后的剩余相位误差为0时的相位补偿量不一定是ISAR图像熵函数的极小点,这与ISAR成像目标有关.仿真实验也表明使ISAR图像熵最小时的相位补偿剩余相位误差却未必为0,只有当目标本身的图像熵不大于任何非零剩余相位误差所对应的成像结果的熵时,ISAR成像的最小熵自聚焦才与相位补偿一致.     

一种非均匀转动目标的ISAR自聚焦算法

在ISAR成像中,目标的非均匀转动会引入与散射点位置有关相位误差,无法用统一的相位误差函数表示,因此通常的自聚焦方法难以消除。针对加速转动目标,本文提出了一种基于离散调频傅立叶变换(discrete chirp-Fourier trans- form)的自聚焦算法。在预先选定的距离单元上,利用离散调频傅立叶变换提取最大功率散射点对应的调频信号,并以之为参考信号消除目标平动引起的相位误差。然后,利用同样的方法,在多个距离单元上提取最大功率散射点对应的调频信号,根据该散射点信号估计目标非均匀转动的参数,并进行非均匀采样,去除非均匀转动的相位误差。将该算法应用于仿真试验和实测数据的ISAR成像中,都得到了较好的聚焦结果。     

基于联合块稀疏模型的随机调频步进ISAR成像方法

在回波数据稀疏、低信噪比等不利条件下,利用随机调频步进信号进行ISAR成像时,成像性能将会严重下降。针对上述问题,该文在充分分析随机调频步进信号回波特性的基础上,提出利用目标距离向具有的联合块稀疏特征来获得高质量ISAR图像的新方法。首先,推导了在随机调频步进信号发射波形条件下目标回波信号的联合块稀疏成像模型并分析了该模型特征;其次,提出了联合块稀疏正交匹配追踪稀疏重构算法(JBOMP)实现对模型的求解。该算法利用ISAR回波信号具有的块稀疏以及联合稀疏等先验信息,因此在低量测值、低信噪比条件下的ISAR成像性能得到了增强。所提算法还可以实现对多维信号的联合处理,且具有较快的运算速度。理论分析与仿真实验均验证了所提方法的有效性。     

稀疏线性调频步进信号ISAR成像观测矩阵自适应优化方法

基于压缩感知(CS)理论的稀疏线性调频步进信号(SFCS)逆合成孔径雷达(ISAR)成像技术能够从少量观测数据中高概率重构出目标像,其中,观测矩阵的优化设计是提高成像质量和减少观测数据量的有效途径。然而,现有的观测矩阵优化设计研究通常没有考虑目标特征信息的有效利用,对目标的自适应能力不足。因此,该文在充分利用目标特征信息的基础上,结合稀疏SFCS信号的实际物理观测过程,提出一种ISAR成像观测矩阵自适应优化方法。该方法首先建立参数化稀疏表征成像模型以解决稀疏SFCS信号多普勒敏感问题,在此基础上,以在达到成像质量要求条件下使用最少观测数据量获得最优成像结果为目标对观测矩阵进行自适应优化设计,最终能够利用最少的数据量获得满意的目标成像结果。仿真实验验证了该算法的有效性。     

基于二维空变运动补偿的机动平台大斜视SAR稀疏自聚焦方法

大斜视角和空间3维加速度的存在使机动平台SAR的运动误差具有明显的2维空变性,极大地增加了成像难度。为此,该文提出了一种基于2维空变运动误差估计与补偿的稀疏自聚焦方法。该方法基于Keystone变换和频域相位滤波法构造了能够校正成像参数空变性的频域近似观测算子。在自聚焦过程中,首先,构建基于频域近似观测算子的稀疏自聚焦模型并采用迭代软阈值方法(ISTA)进行求解,从而实现图像的粗聚焦和非空变运动误差的估计;然后,采用稀疏自聚焦模型估计多个子区域的精确相位误差曲线,并基于最小二乘法估计空变的运动误差参数;最后,通过对近似观测算子的修正实现空变运动误差的补偿。仿真实验验证了该方法的有效性。     

改进的相位梯度自聚焦加窗方法

相位校正是ISAR（逆合成孔径雷达）成像中的关键步骤,校正的精度直接关系到成像的质量。相位梯度自聚焦算法是一种广泛使用的相位校正算法,可以有效地补偿目标复杂运动所造成的相位误差。本文在研究传统PGA（相位梯度自聚焦）算法的基本步骤所起作用的基础上,对加窗方法进行改进,提出以归一化平均能量来估计误差支撑区域的方法。该方法综合考虑了非目标区域与目标区域的归一化平均能量,并将两者的均值作为提取误差支撑区域的阈值。对实测数据进行成像的处理结果表明,该方法可以提高自聚焦算法的收敛速度,使其更具有鲁棒性和实时性。     

Sparse representation-based algorithm for joint SAR image formation and autofocus

Inaccuracies in the observation model of the synthetic aperture radar (SAR) due to inaccuracies of the velocity and position of the platform or atmospheric turbulence cause degradations in reconstructed images which necessitate the use of autofocus algorithms. In this paper we propose a novel signal processing algorithm for joint SAR image formation and autofocus in a synthesis dictionary based sparse representation framework. Proposed algorithm can be applied broadly to scenes that exhibit sparsity with respect to any dictionary. This is done by extending our previously developed sparse representation-based SAR imaging framework to joint SAR image formation and autofocus. To this end, the phase error vector is separated from the unknown phase of the complex-valued back-scattered field. Phase error vector is estimated using a MAP estimator and compensated through an iterative algorithm to produce focused images. We demonstrate the effectiveness of the proposed approach on synthetic and real imagery.     

基于Chirplet变换和压缩感知的空中颤振目标稀疏成像

针对在逆合成孔径雷达（ISAR）成像过程中目标非合作性机动导致的方位孔径稀疏现象与目标主体颤振引起的微多普勒效应相叠加对成像造成的影响,建立了颤振目标稀疏ISAR成像模型,分析了孔径稀疏和目标颤振对成像造成的影响,提出了一种基于Chirplet变换和压缩感知（CS）重构的成像方法,获得了颤振目标的高质量成像结果。仿真实验验证了该方法的有效性。     

基于稀疏孔径的联合稀疏约束干涉ISAR机动目标三维成像

InISAR系统能够实现对目标的3维几何估计,更加有利于目标的分类和识别。同时多功能ISAR/InISAR系统针对的多是机动性很强的目标,在某些情况下对单个目标仅能获取稀疏孔径观测,尤其是在目标存在机动特性的情况下,更是增加了ISAR成像的难度,这些对传统的ISAR成像算法提出了挑战。为了解决上述这些问题,该文针对机动目标提出一种基于稀疏孔径的联合稀疏约束InISAR 3维成像方法。对匀加速转动的目标,回波的多普勒调制可以建模成线性调频的形式,并用chirp-傅里叶字典来表征其机动性。接着将联合的多通道InISAR 2维成像转化为联合稀疏约束的最优化求解问题,并用改进的OMP算法进行求解。然后利用各个通道估计的ISAR图像和调频参数实现对目标的3维几何重构。相比于单通道独立成像,联合多通道稀疏约束成像能获得更好的2维和3维成像结果。最后,进行实测数据实验以验证该文算法的有效性。