基于广义最小最大凹惩罚的SAR成像方法技术

本公开提供了一种开基于广义最小最大凹惩罚的SAR成像方法。该基于广义最小最大凹惩罚的SAR成像方法包括：利用SAR回波数据构建基于GMC的SAR成像模型；利用前向‑后向算法求解基于GMC的SAR成像模型，在满足迭代终止条件时，终止迭代计算；以及迭代终止后，得到关于SAR场景的表达式。本公开相比于基于L1正则化的SAR成像方法，基于GMC的SAR成像方法，可以避免在噪声的条件下对场景中目标散射强度幅度信息的低估，提高幅度估计精度。

【技术实现步骤摘要】
基于广义最小最大凹惩罚的SAR成像方法
本公开涉及雷达成像
，尤其涉及一种基于广义最小最大凹惩罚(Generalizedmini-maxconcavepenalty，简称GMC)的合成孔径雷达(Syntheticapertureradar，简称SAR)成像方法。
技术介绍
SAR是一种主动式微波成像系统，具有全天时、全天候和高分辨率成像的特点，被广泛应用于军事侦察、环境监测和土地资源管理等方面。随着SAR技术的发展，要求雷达系统的分辨率和测绘带宽不断提高，大数据量的瓶颈也越专利技术显。基于L1正则化的SAR成像方法，可以在满采样的条件下，有效抑制噪声和杂波，提升图像质量，在降采样率的情况下，有效重构SAR图像，保持目标细节。但是L1正则化方法是一种凸优化方法，不可避免的对SAR重建目标的幅度进行低估，造成信号处理端的误差，进而对SAR定标的精度造成影响。公开内容(一)要解决的技术问题本公开提供了一种基于广义最小最大凹惩罚的SAR成像方法，以至少部分解决以上所提出的技术问题。(二)技术方案本公开基于广义最小最大凹惩罚的SAR成像方法包括：利用SAR回波数据构建基于GMC的SAR成像模型；利用前向-后向算法求解基于GMC的SAR成像模型，在满足迭代终止条件时，终止迭代计算；以及迭代终止后，得到关于SAR场景的表达式。在本公开的一些实施例中，所述基于GMC的SAR成像模型为：其中，y为SAR回波数据，x为SAR场景，Φ为回波和场景对应的观测矩阵，λ为正则化参数；ψB(·)为广义最小最大凹惩罚项，其定义为：ψB(x)＝||x||1-SB(x)其中，inf为下确界函数；v为下确界函数中的变量，x为下确界函数中的常量；γ为迭代效果调整参数；R表示实数。在本公开的一些实施例中，0≤γ≤1。在本公开的一些实施例中，所述利用前向-后向算法求解基于GMC的SAR成像模型，在满足迭代终止条件时，终止迭代计算的步骤包括：子步骤B1，初始化迭代参数；子步骤B2，利用前向-后向算法对基于GMC的SAR成像模型进行迭代；子步骤B3，计算迭代参数；以及子步骤B4，判断是否满足迭代终止条件，如果是，则执行步骤C，否则，执行子步骤B2。在本公开的一些实施例中，所述子步骤B1中：雷达场景初始化为x0＝0，中间变量v0＝0，w0＝0，u0＝0；设定最大迭代步数为Tmax，令迭代步数初始值t＝0，ρ＝max{1，γ/(1-γ)}||ΦHΦ||，迭代步长μ：0＜μ＜2/ρ，场景中预估目标数量为K，满足：1≤K≤N，N为向量x中有效元素个数。在本公开的一些实施例中，所述最大迭代步数Tmax满足：Tmax≥102，所述场景中预估目标数量K满足：1≤K≤N，N为向量x中元素个数。在本公开的一些实施例中，所述利用前向-后向算法对基于GMC的SAR成像模型进行迭代的步骤包括：利用下式进行迭代：wt＝xt-μΦH(Φ(xt+γ(vt-xt))-y)ut＝vt-μγΦH(Φ(vt-xt))λμ＝|xt|K+1xt＝fλμ(wt)vt＝fλμ(μt)其中，sgn(·)表示符号函数，|xt|K+1表示向量xt的第K+1个最大值。在本公开的一些实施例中，所述计算迭代参数的步骤中，迭代参数包括：Res＝||xt+1-xt||2t＝t+1；所述判断是否满足迭代终止条件的步骤中，迭代终止条件为同时满足：Res＞ε和t＜Tmax，其中，ε为设定的收敛值。在本公开的一些实施例中，ε≤10-5。在本公开的一些实施例中，所述迭代终止后，得到关于SAR场景的表达式的步骤中，所述关于SAR场景的表达式为迭代终止时xt的取值。(三)有益效果从上述技术方案可以看出，相比于基于L1正则化的SAR成像方法，基于GMC的SAR成像方法，可以避免在噪声的条件下对场景中目标散射强度幅度信息的低估，提高幅度估计精度。附图说明图1为根据本公开实施例基于GMC的SAR成像方法的流程图。图2为采用正则化的SAR成像方法与采用本公开实施例基于GMC的SAR成像方法对场景散射目标幅度重构结果。图3为在不同信噪比条件下，基于L1正则化的重构误差与基于GMC的重构误差对比图。具体实施方式基于GMC是一种非凸优化惩罚项，同时基于GMC的最小二乘损失函数是一种凸优化函数，对稀疏向量进行重构时，可以避免对重构稀疏向量幅度的低估。因此，基于GMC的SAR成像方法，具有保持场景目标散射强度幅度的应用潜力。本公开提供了一种基于GMC的SAR成像方法，该方法首先建立基于GMC的成像模型，然后利用前向-后向算法求解该模型。相比于传统L1正则化方法，该方法可以精确重构目标散射强度幅度信息，避免对目标散射强度幅度信息的低估。为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。在本公开的一个示例性实施例中，提供了一种基于GMC的SAR成像方法。图1为根据本公开实施例基于GMC的SAR成像方法的流程图。如图1所示，本实施例基于GMC的SAR成像方法包括：步骤A：利用SAR回波数据构建基于GMC的SAR成像模型；在雷达成像领域，基本SAR成像模型：y＝Φx+n(1)其中，y为SAR回波数据，x为SAR场景，Φ为回波和场景对应的观测矩阵，n向量化的加性噪声。在上述基本SAR成像模型基础上，构建基于GMC的SAR成像模型：其中，λ为正则化参数；ψB(·)为广义最小最大凹惩罚项，其定义为：ψB(x)＝||x||1-SB(x)(3)而其中，inf为下确界函数；v为下确界函数中的变量，x为下确界函数中的常量；γ为迭代效果调整参数；R表示实数。步骤B：利用前向-后向算法求解基于GMC的SAR成像模型，在满足迭代终止条件时，终止迭代计算；子步骤B1：初始化迭代参数：雷达回波为y，观测矩阵为Φ，雷达场景初始化为x0＝0，中间变量v0＝0，w0＝0，u0＝0，正则化参数为λ，设定最大迭代步数为Tmax，令迭代步数初始值t＝0，ρ＝max{1，γ/(1-γ)}||ΦHΦ||，迭代步长μ：0＜μ＜2/ρ，场景中预估目标数量为K。所述最大迭代步数Tmax满足：Tmax≥102，所述场景中预估目标数量K满足：1≤K≤N，N为向量x中有效元素个数。子步骤B2：利用前向-后向算法对基于GMC的SAR成像模型进行迭代；具体来说，利用下式进行迭代：wt＝xt-μΦH(Φ(xt+γ(vt-xt))-y)(5)ut＝vt-μγΦH(Φ(vt-xt))(6)λμ＝xt|K+1(7)xt＝fλμ(wt)(8)vt＝fλμ(μt)(9)其中，sgn(·)表示符号函数，|xt|K+1表示向量xt的第K+1个最大值。子步骤B3：计算迭代参数：Res＝||xt+1-xt||2(5)t＝t+1(6)子步骤B4：判断迭代参数是否满足迭代终止条件；是否同时满足Res＞ε和t＜Tmax，如果是，执行步骤C；否则进入子步骤B2，继续迭代，其中，ε＝10-5。本领域技术人员应当清楚，对于其中的参数ε，其取值只要满足：ε≤10-5即可，并不一定局限于本实施例中的取值。步骤C：迭代终止后，得到关于SAR场景的表达式xt′，xt′为迭代终止时xt的取值。下面通过仿真实验对本公开中提供的一种基于广义最小最大凹惩罚的SAR成像方法进行验证本文档来自技高网...

【技术保护点】
一种基于广义最小最大凹惩罚(GMC)的SAR成像方法，包括：利用SAR回波数据构建基于GMC的SAR成像模型；利用前向‑后向算法求解基于GMC的SAR成像模型，在满足迭代终止条件时，终止迭代计算；以及迭代终止后，得到关于SAR场景的表达式。

【技术特征摘要】
1.一种基于广义最小最大凹惩罚(GMC)的SAR成像方法，包括：利用SAR回波数据构建基于GMC的SAR成像模型；利用前向-后向算法求解基于GMC的SAR成像模型，在满足迭代终止条件时，终止迭代计算；以及迭代终止后，得到关于SAR场景的表达式。2.根据权利要求1所述的SAR成像方法，所述基于GMC的SAR成像模型为：其中，y为SAR回波数据，x为SAR场景，Φ为回波和场景对应的观测矩阵，λ为正则化参数；ψB(·)为广义最小最大凹惩罚项，其定义为：ψB(x)＝||x||1-SB(x)其中，inf为下确界函数；v为下确界函数中的变量，x为下确界函数中的常量；γ为迭代效果调整参数；R表示实数。3.根据权利要求2所述的SAR成像方法，其中，0≤γ≤1。4.根据权利要求2所述的SAR成像方法，其中，所述利用前向-后向算法求解基于GMC的SAR成像模型，在满足迭代终止条件时，终止迭代计算的步骤包括：子步骤B1，初始化迭代参数；子步骤B2，利用前向-后向算法对基于GMC的SAR成像模型进行迭代；子步骤B3，计算迭代参数；以及子步骤B4，判断是否满足迭代终止条件，如果是，则执行步骤C，否则，执行子步骤B2。5.根据权利要求4所述的SAR成像方法，其中，所述子步骤B1中：雷达场景初始化为x0＝0，中间变量v0＝0，w0＝0，u0＝0；设定最大迭代步数为T...

【专利技术属性】
技术研发人员：张冰尘，魏中浩，吴一戎，
申请(专利权)人：中国科学院电子学研究所，
类型：发明
国别省市：北京,11