基于变分贝叶斯学习的多基ISAR融合成像方法技术

本发明专利技术公开了一种基于变分贝叶斯学习算法的多基ISAR融合成像方法，主要解决现有低信噪比条件下多基ISAR图像融合和目标转动参数及雷达观测视角差估计复杂的问题。其方案包括：1)接收两部雷达回波并进行距离向脉冲压缩；2)将距离向脉冲压缩后的回波进行矢量化操作并拼接得到观测向量；3)构建两部雷达的字典矩阵；4)根据观测向量和两部雷达的字典矩阵构建融合成像模型；5)估计目标转动角度和第二部雷达观测视角；6)求解融合成像模型中的融合后的散射系数向量，得到融合成像结果。本发明专利技术估计简单，能够获得目标转动参数及雷达观测视角差的最优估计，并且在低信噪比下实现目标的高分辨融合成像，可用于目标形状特征提取和识别。

Multi base ISAR fusion imaging method based on variable decibels learning

【技术实现步骤摘要】
基于变分贝叶斯学习的多基ISAR融合成像方法
本专利技术属于雷达
，更进一步涉及多基ISAR高分辨融合成像方法，可用于目标形状特征提取与识别。
技术介绍
随着逆合成孔径雷达ISAR的飞速发展，尽管现有的成像雷达能够提供较高的分辨率，但是在对太空碎片、小卫星、航天器等航天目标进行观测时，需要得到更高分辨率的二维雷达图像以对其特征进行准确地描述。现有研究表明：大范围多视角观测的目标高分辨图像可有效提高目标识别的可靠性，同时融合不同视角下目标观测数据可提高成像结果的分辨率，为高性能目标识别奠定基础。通常来说，获取转台目标大范围多视角观测有两种方式，第一种是单部雷达接收机通过长时间观测获得较大的视角观测，另一种是通过配置位于不同位置的多部雷达接收机在较短的时间内获得较大的视角观测。作为一种基本目标模型，转台目标模型对于实际非合作运动目标，如飞机，舰船等建模通常是建立在短时间间隔基础上的。因为长的观测时间内，目标的运动特性可能发生明显变化，从而使得平动补偿过程变得困难。因此，在实际应用中，成像系统大都采用以增加硬件为代价的第二种观测方法，即空间分置的多接收机成像系统。因此，研究多基ISAR高分辨融合成像具有重要的意义。ZhixiLi,ScottPapson在其发表的论文“Data-LevelFusionofMultilookInverseSyntheticApertureRadarImages”(IEEETransactionsonGeoscienceandRemoteSensing,2008,46(5):1394-1406)中提出了一种基于矩阵傅里叶变换的双视角ISAR融合成像方法。该方法的实现步骤为：构建双视角ISAR观测几何模型和回波信号模型；确定双视角ISAR数据融合规则；利用矩阵傅里叶变换求解融合图像。但该方法由于仅考虑理想转台模型不同视角下的ISAR融合成像问题，忽略了对于目标转动参数和不同ISAR观测视角差的估计，不适用于非合作运动目标的成像。清华大学在其申请的专利技术专利公开号：101685154A，申请号：200810223234.7中公开了“一种双/多基地逆合成孔径雷达ISAR图像融合方法”，该方法的具体步骤为：对各个基地雷达接收到的目标信号等分，获得两幅等分辨率的距离-多普勒图像；对所有多普勒图像进行散射点提取并关联，进行不同雷达之间的视角差、目标转速以及等效旋转中心的估计；利用卷积-逆投影方法得到目标融合成像结果。但该方法需要提取散射点的位置，在存在噪声等条件不利的情况下，影响最终成像结果。
技术实现思路
本专利技术的目的在于提出一种基于变分贝叶斯学习算法的多基ISAR高分辨融合成像方法，以实现在低信噪比、目标转动参数和不同雷达观测视角差未知情况下对目标的精确成像，最终获得聚焦良好的二维ISAR图像。本专利技术的基本思路是：基于压缩感知理论，将多基ISAR高分辨融合成像问题转化为稀疏信号表述问题，将未知参数估计问题与融合成像问题联合进行求解，在得到未知参数最优估计值的同时，得到融合后的高分辨二维ISAR图像。其实现方案包括如下：(1)通过逆合成孔径雷达ISAR录取第一部雷达的回波信号S1和第二部雷达的回波信号S2，S1和S2的维数均为Nr×Na，其中Nr为距离向采样点数，Na为方位向采样点数；(2)对两部雷达的回波信号S1和S2分别作距离向脉冲压缩，得到距离向脉冲压缩后第一部雷达回波信号S1′和第二部雷达回波信号S2′；并将这两个回波信号S1′和S2′分别按列拼接为两个列向量Y1和Y2，Y1和Y2的维数均为N×1，其中N＝Nr×Na；(3)将上述两个列向量Y1和Y2按列相连，得到观测向量该观测向量的维数为M×1，其中M＝2N；(4)将成像场景沿x方向等分为K段，每段长度为A；沿y方向等分为L段，每段长度为R，成像区域的散射系数表示为矩阵Ω，将散射系数矩阵按列拼接为列向量σ，其中Ω的维数为K×L，σ的维数为Q×1，其中Q＝K×L；(5)构造第一部雷达的字典矩阵Φ1和第二部雷达的字典矩阵Φ2，并将这两部雷达的字典矩阵Φ1和Φ2按列拼接，得到维数为M×1的观测向量所对应的字典矩阵其中Φ的维数为M×Q，Φ1和Φ2的维数均为N×Q；(6)根据观测向量Y和字典矩阵Φ构造融合成像模型：Y＝Φσ+n，其中n为噪声向量，其维数为M×1；(7)设定转动角度θ和第二部雷达观测视角β2并对其进行优化获取最优估计值和(7a)设定转动角度θ的起始估计区间为[θmin,θmax]，估计步长为Δθ，第二部雷达观测视角β2起始估计区间为[β2min,β2max]，估计步长为Δβ2，起始迭代次数i＝1；(7b)根据(7a)设定的转动角度θ和第二部雷达观测视角β2估计区间和估计步长计算第i次迭代的转动角度θ的值θi＝θmin+iΔθ和第二部雷达观测视角β2的值β2i＝β2min+iΔβ2；(7c)构造第i次迭代融合成像模型对应的字典矩阵Φ，求解第i次迭代融合成像模型对应的散射系数向量σ；(7d)计算第i次迭代观测向量Y和字典矩阵Φ与散射系数向量σ乘积的均方误差：并记录相应的转动角度θ的值θi和第二部雷达观测视角β2的值β2i，其中表示向量2范数的平方；(7e)判断是否满足迭代终止条件：若同时满足θi＞θmax和β2i＞β2max，迭代终止，获取转动角度θ和第二部雷达观测视角β2的初步最优估计值，否则，令i＝i+1，返回步骤(7b)；(7f)逐步缩小转动角度θ和第二部雷达观测视角β2的估计区间和估计步长，重复(7b)-(7e),获取转动角度θ和第二部雷达观测视角β2最优估计值和(8)根据(7)获取的转动角度最优估计值和第二部雷达观测视角最优估计值构造最优融合成像模型：Y′＝Φ′σ′+n对应的字典矩阵Φ′，使用变分推断方法求解最优融合成像模型对应的融合后的散射系数向量σ′，将σ′还原为融合后的散射系数矩阵Ω′，得到最终的融合成像结果。本专利技术具有如下优点：1.本专利技术由于使用参数化字典，实现雷达探测过程中目标转动角度和雷达观测视角差的动态学习，因而不需要进行复杂的散射点提取过程，便可得到目标转动角度和雷达观测视角差的最优估计值。2.本专利技术采用变分推断方法估计融合后的散射系数向量，在低信噪比等复杂观测条件下实现了稳健成像。3.本专利技术利用多基地雷达进行融合成像，通过融合不同视角下的信息进行成像，提高了目标的成像质量，能够更为准确的获取目标信息。附图说明图1是本专利技术的实现流程图；图2是本专利技术中的目标等效散射中心分布图；图3是本专利技术中第一部雷达成像结果图；图4是本专利技术中第二部雷达成像结果图；图5是利用本专利技术得到的未知参数估计的均方误差图；图6是利用本专利技术得到的两部雷达融合成像结果图。具体实施方式以下结合附图对本专利技术的具体实施例和效果作进一步详细描述。参照图1，对本专利技术的实施步骤如下：步骤1，ISAR录取本文档来自技高网...

【技术保护点】
1.基于变分贝叶斯学习的多基ISAR融合成像方法，其特征在于，包括如下：/n(1)通过逆合成孔径雷达ISAR录取第一部雷达的回波信号S

【技术特征摘要】
1.基于变分贝叶斯学习的多基ISAR融合成像方法，其特征在于，包括如下：
(1)通过逆合成孔径雷达ISAR录取第一部雷达的回波信号S1和第二部雷达的回波信号S2，S1和S2的维数均为Nr×Na，其中Nr为距离向采样点数，Na为方位向采样点数；
(2)对两部雷达的回波信号S1和S2分别作距离向脉冲压缩，得到距离向脉冲压缩后第一部雷达回波信号S1′和第二部雷达回波信号S2′；并将这两个回波信号S1′和S2′分别按列拼接为两个列向量Y1和Y2，Y1和Y2的维数均为N×1，其中N＝Nr×Na；
(3)将上述两个列向量Y1和Y2按列相连，得到观测向量该观测向量的维数为M×1，其中M＝2N；
(4)将成像场景沿x方向等分为K段，每段长度为A；沿y方向等分为L段，每段长度为R，成像区域的散射系数表示为矩阵Ω，将散射系数矩阵按列拼接为列向量σ，其中Ω的维数为K×L，σ的维数为Q×1，其中Q＝K×L；
(5)构造第一部雷达的字典矩阵Φ1和第二部雷达的字典矩阵Φ2，并将这两部雷达的字典矩阵Φ1和Φ2按列拼接，得到维数为M×1的观测向量所对应的字典矩阵其中Φ的维数为M×Q，Φ1和Φ2的维数均为N×Q；
(6)根据观测向量Y和字典矩阵Φ构造融合成像模型：Y＝Φσ+n，其中n为噪声向量，其维数为M×1；
(7)设定转动角度θ和第二部雷达观测视角β2并对其进行优化获取最优估计值和(7a)设定转动角度θ的起始估计区间为[θmin,θmax]，估计步长为Δθ，第二部雷达观测视角β2起始估计区间为估计步长为Δβ2，起始迭代次数i＝1；
(7b)根据(7a)设定的转动角度θ和第二部雷达观测视角β2估计区间和估计步长计算第i次迭代的转动角度θ的值θi＝θmin+iΔθ和第二部雷达观测视角β2的值
(7c)构造第i次迭代融合成像模型对应的字典矩阵Φ，求解第i次迭代融合成像模型对应的散射系数向量σ；
(7d)计算第i次迭代观测向量Y和字典矩阵Φ与散射系数向量σ乘积的均方误差：并记录相应的转动角度θ的值θi和第二部雷达观测视角β2的值β2i，其中表示向量2范数的平方；
(7e)判断是否满足迭代终止条件：
若同时满足θi＞θmax和迭代终止，获取转动角度θ和第二部雷达观测视角β2的初步最优估计值，否则，令i＝i+1，返回步骤(7b)；
(7f)逐步缩小转动角度θ和第二部雷达观测视角β2的估计区间和估计步长，重复(7b)-(7e),获取转动角度θ和第二部雷达观测视角β2最优估计值和
(8)根据(7)获取的转动角度最优估计值和第二部雷达观测视角最优估计值构造最优融合成像模型：Y′＝Φ′σ′+n对应的字典矩阵Φ′，使用变分推断方法求解最优融合成像模型对应的融合后的散射系数向量σ′，将σ′还原为融合后的散射系数矩阵Ω′，得到最终的融合成像结果。


2.根据权利要求1所述的方法，其特征在于，步骤(2)中对两部雷达回波信号作距离向脉冲压缩，按如下步骤进行：
(2a)将逆合成孔...

【专利技术属性】
技术研发人员：白雪茹，赵志强，祁浩凡，周峰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61