高分辨ISAR稀疏目标成像

摘要

高分辨的ISAR图像在目标分类识别中有重要的意义，传统的逆合成孔径雷达（ISAR）成像方法，方位向的分辨率受限于相干积累时间。由于成像目标的非合作性和强机动性，依靠增加相干积累时间来提高 IS AR图像方位向的分辨率，对于雷达系统和成像算法是不现实的。本文是基于强散射点在ISAR图像中只占有很小的一部分，也就是 ISAR图像是稀疏的这一先验知识，分析了利用压缩感知，共稀疏和小波域混合高斯模型，在短相干积累时间内实现 ISAR超分辨成像可行性，并分别给出了基于这些理论的ISAR超分辨成像的方法。通过实测IS AR数据来验证这些算法的有效性，实验结果显示我们提出的算法可以得到高质量的超分辨ISAR图像。
　　本文首先在传统的基于压缩感知成像的基础上，提出了一种基于多层压缩感知成像的方法。把ISAR成像过程分为多个阶段，使得ISAR图像方位向的分辨率逐步提高。在每个阶段把 IS A R成像看作一个稀疏编码的过程，散射系数就是编码系数。编码矩阵和解码矩阵构成一个多层感知器，利用误差反向传播算法（BP）优化解码矩阵和编码矩阵，使得重构的 ISAR回波数据误差最小。在编码过程之后加入了激励函数，大大简化了稀疏度控制稀疏选择的难度。解码矩阵看作一个稀疏字典，基于压缩感知理论，利用平滑零范数算法（SL0），恢复出IS AR图像，然后方位向进行逆傅里叶变换，得到等效回波数据，作为下个阶段的输入。方位向的分辨率在每个阶段都高于前一阶段，最后输出超分辨的ISAR图像。
　　本文接着提出了一种基于共稀疏的 ISAR超分辨成像方法。不同于传统的基于压缩感知的成像方法是一种逆问题求解，我们构造一种正向求解的成像模型。我们把相位误差的调节和解析操作算子的学习结合起来，学习得到的解析算子可以把回波映射到高维多普勒空间。此外为了加强算法对噪声的鲁棒性，我们加入了正则项，利用增强拉格朗日算法来逼近去噪的信号。为了利用 ISAR图像的稀疏性，我们受到正交匹配追踪算法的启发，对其作了一些改进，使其适应我们的正向模型，利用修改的正交匹配追踪算法恢复出目标强散射点，得到聚焦好，噪声少的高质量的超分辨ISAR图像。
　　本文的最后提出了一种基于小波域混合高斯模型的 IS A R超分辨成像方法。传统的基于压缩感知的ISAR成像，是利用约束来实现去噪的，当信噪比很低的条件下，压缩感知会把一些噪声点也作为强散射目标点恢复出来。在共稀疏超分辨成像的基础上，把恢复的散射系数距离多普勒域转换到小波域，小波低频部分是 ISAR图像的平滑部分，利用小波低频系数建立混合高斯模型，用期望最大算法（EM）估计参数，成功的分离了目标点和噪声点，背景点，然后再反向调节解析操作算子，使得解析操作算子得到优化，然后利用共稀疏理论恢复出 IS AR图像小波系数，经过小波逆变换得到 ISAR图像，使得我们可以在很低信噪比的条件下仍能得到清晰的ISAR超分辨图像。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 高分辨ISAR成像背景

1.2 高分辨ISAR成像技术现状

1.3 本文研究内容

第二章 ISAR成像模型

2.1 ISAR成像原理

2.2短CPI成像模型及其评价指标

2.3 本章小结

第三章 多层压缩感知成像算法

3.1 引言

3.2基于BP算法的单层压缩感知成像

3.3 多层压缩感知成像

3.4实测数据成像结果及其分析

3.5 本章小结

第四章 共稀疏的ISAR成像算法

4.1 引言

4.2 基于共稀疏的ISAR成像

4.3实测数据成像结果及其分析

4.4 本章小结

第五章 小波域高斯混合模型成像算法

5.1 引言

5.2小波域混合高斯模型成像

5.3实测数据成像结果及其分析

5.4 本章小结

第六章 结论和展望

6.1 研究结论

6.2研究展望

参考文献

致谢

作者简介