【技术实现步骤摘要】
一种基于盲压缩感知的层析SAR三维成像方法
[0001]本专利技术涉及层析SAR成像
,特别涉及一种基于盲压缩感知的层析SAR三维成像方法。
技术介绍
[0002]层析合成孔径雷达成像(tomography synthetic aperture radar,TomoSAR)是将合成孔径原理应用于高程向,利用同一场景的多幅二维SAR图像从不同的入射角在高程向上进行孔径合成,获取高程向分辨率。它能够重建散射体的三维信息并反演高程向剖面,其可以有效解决在二维SAR成像中处于同一散射单元内的目标散射点与雷达间斜距相等时存在的叠掩效应,从而实现三维成像。相比于干涉合成孔径雷达(Interferometric SAR,InSAR),层析SAR成像技术不仅可以获得目标散射体的高程信息,同时还可以获得散射体在高程向上的分布,能够完全恢复真实三维场景。
[0003]盲压缩感知(Blind Compressed Sensing,BCS)是将信号建模为大型字典的高程基函数的稀疏线性组合,该理论结合了字典构造理论,字典构造指的是在稀疏表示下构造最优的稀疏基,它需要满足系数唯一性的条件,并且进行解的最优化,得到更精确的结果。传统的压缩感知技术是利用固定的解析稀疏变换来重建图像,信号往往是未知和复杂的,而盲压缩感知中潜在的稀疏模型是先验未知的,其理论不是假设一个固定的字典,也不是根据先验信息单独进行字典学习,而是建立在字典更替学习基础上的自适应压缩感知模型,避免了在采样和恢复过程都需要字典,且此字典中的稀疏基对应于特定的场景目标, ...
【技术保护点】
【技术特征摘要】
1.一种基于盲压缩感知的层析SAR三维成像方法,其特征在于,步骤如下:S1:对获取的观测对象中的同一成像区域的若干个航过SAR序列数据集进行预处理,每幅SAR图像中的像素按照顺序逐个构建高纬度信号并排列成矩阵形式;S2:利用对观测对象相邻方位
‑
距离单元高程向的相关性,使用盲压缩感知框架对图像信息进行重构,将图像信号建模成一个稀疏矩阵和一个字典矩阵的乘积;建立基于盲压缩感知的层析SAR成像模型;所述的图像信号为预处理后的数据集中的图像信号;S3:对所述的基于盲压缩感知的层析SAR成像模型继续变换和求解;运用交替乘子法对目标最优化问题进行求解,通过变量交替循环进行求解,循环对子问题进行最优化求解,得到高分辨层析SAR成像结果。2.根据权利要求1所述的一种基于盲压缩感知的层析SAR三维成像方法,其特征在于,所述的预处理包括:单视复图像序列配准、去邪、相位补偿、基线估计。3.根据权利要求1所述的一种基于盲压缩感知的层析SAR三维成像方法,其特征在于,所述的基于盲压缩感知的层析SAR成像模型的表达式为:式(1)中,U为数据保真项与稀疏系数,V为字典矩阵,A代表层析SAR的层析算子,y是回波数据,λ是正则化参数,s.t.是约束条件;字典矩阵V加了一个单位的F
‑
范数;式(1)中的用于确保数据的一致性;通过在U上使用非凸项l
P
(p<1)的半范数来促进空间系数的稀疏性;通过引入约束S=UV,将U和V进行解耦,其中S是UV的辅助变量。4.根据权利要求3所述的一种基于盲压缩感知的层析SAR三维成像方法,其特征在于,对所述的基于盲压缩感知的层析SAR成像模型的求解步骤,如下:S301:通过变量分解进行解耦加速方程的收敛,引入约束Z=S,其中Z是辅助变量,约束优化问题写成:将式(2)中U的p惩罚近似化为其中L是辅助变量,β是正则化参数;S302:使用增强拉格朗日框架来强制执行S301中的约束,AL函数的表达式为:式中,Q是V的辅助变量,Λ
S
、Λ
V
、Λ
Z
是增广拉格朗日乘数,Λ
′
S
、Λ
′
V
、Λ
′
Z
是拉格朗日
乘数的逆运算,β
S
、β
V
、β
U
、β
Z
是惩罚参数,使用交替学习最小化的策略来求解变量U、V、Q、L、S、Z;S303:分解为六个子问题,所有的子问题都通过最小化式(3)进行解析求解,一次解析其中一个变量,保持其他变量固定不变;所述的六个子问题包括:L子问题、U子问题、Q子问题、V子问题、S子问题、Z子问题。5.根据权利要求4所述的一种基于盲压缩感知的层析SAR三维成像方法,其特征在于,解析L变量的方法如下:L子问题:忽略所有与L变量无关的项,式(3)写成:使用收缩规则求解:式中的“+”定义为(τ)
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。