压缩感知阵列三维SAR高分辨率成像算法研究

摘要

阵列三维SAR作为一种具有三维空间成像能力的SAR成像系统，可克服传统二维SAR成像中阴影遮挡、空间模糊等问题，在军事和民用领域有着巨大的应用前景。但阵列三维SAR传统的成像方法受到瑞利准则的限制，面临着采样率高、成像分辨率低等问题。根据压缩感知理论可知，如果信号本身稀疏或者在某个变换域稀疏，则信号可以采用远低于Nyquist采样定律所要求的采样率实现无失真重构。而通常在阵列三维SAR成像场景中，目标具有很强的空间稀疏性，因此压缩感知理论可应用在三维SAR成像中，来减少采样阵元，降低硬件成本，并且可以打破传统成像算法分辨率限制，提高SAR成像质量。本文研究了基于压缩感知理论阵列三维SAR成像算法，且对减少算法运算量、提高算法成像质量进行了进一步的研究，主要研究内容和创新如下： 1、简述了阵列三维SAR成像的基础原理和压缩感知信号处理理论。首先，给出了阵列三维SAR的几何模型以及回波信号模型；其次通过雷达模糊函数分析传统基于匹配滤波成像算法受分辨率限制的问题；最后阐述了压缩感知基本理论，基于压缩感知成像方法，给出了阵列三维SAR的线性观测模型，提供了压缩感知在阵列三维SAR成像中的理论基础。 2、研究了基于压缩感知理论的SAR成像算法。首先，介绍了经典压缩感知理论算法正交匹配追踪（OMP）算法的流程，分析了OMP算法在具有运算效率高，流程简单的优点的同时，也存在需要预设稀疏度，对噪声敏感等问题。而基于贝叶斯理论的基于迭代最小化稀疏贝叶斯重构（SBRIM）算法，可以根据测量信号的先验概率，合理进行建模，相对于OMP算法，不需要预设稀疏度且在信噪比较低的情况下进行成像，但是在运用SBRIM算法进行SAR三维场景成像时，需要利用全部的距离单元对测量矩阵进行构造，占用内存大，运算效率低。 3、提出一种基于自适应阈值的压缩感知成像算法。针对SBRIM算法进行SAR三维场景成像时运算效率低的问题，提出一种基于自适应阈值的快速压缩感知SAR三维成像方法。此方法采用模糊聚类的思想对SAR回波信号进行聚类分析，根据SAR回波信号幅值信息，利用非相似性代价函数最小准则自适应产生一个阈值，将高于阈值的信号选出来构造测量矩阵，大大减少算法运算量。与目前成像质量较高SBRIM算法相比，仿真和实测数据的处理结果都表明本文所提方法在提高了成像质量的同时明显的提高了算法运行效率。 4、提出了一种基于互质阵列的子阵列分解与融合的三维SAR稀疏成像算法。相较于压缩感知成像中通常采用的随机采样阵列，互质阵列构造简单，硬件实现容易，并且对均匀稀疏采样阵列中出现的成像栅瓣有一定抑制作用，但是在采用互质阵列直接结合压缩感知算法成像时，还存在一些弱的虚假目标。针对此问题，本文提出了一种基于互质阵列的子阵列分解与融合的三维SAR稀疏成像算法，首先将互质阵列分解成满足互质条件的两个均匀稀疏阵列，然后将互质阵及两个子阵对应的回波数据分别进行稀疏成像，再将成像结果进行融合实现了对栅瓣和虚假目标的抑制。基于均匀阵和互质阵，本章分别采用SBRIM算法和第三章中所提成像算法对目标进行成像分析，成像结果表明本文所提的阵列互质分解及融合方法，保证了阵列构造简单，硬件实现容易的优势，有效地抑制了栅瓣和虚假目标，提高了成像质量，并且在基于本章方法进行三维成像时第三章所提成像算法相较于SBRIM算法成像，既具有以上优势，又保留了算法效率高的优点。

目录

声明

第一章 绪论

1.1 研究背景与意义

1.2.1 三维SAR研究与发展态势

1.2.2 稀疏重构理论在SAR成像的发展概述

1.3 本论文的结构安排

第二章 压缩感知理论与阵列三维SAR成像原理

2.1 引言

2.2.1 线性调频信号

2.2.2 几何结构和回波信号模型

2.3 SAR传统成像方法原理

2.3.1 三维RD算法

2.3.2 三维BP算法

2.3.3 分辨率分析

2.4.1 稀疏表示

2.4.2 测量矩阵

2.4.3 阵列三维SAR线性信号模型

2.5 本章小结

第三章 基于自适应阈值的快速压缩感知SAR三维成像方法

3.1 引言

3.2.1 OMP算法及其仿真成像结果

3.2.2 迭代最小稀疏贝叶斯（SBRIM）重构算法

3.2.3 OMP与SBRIM重构算法性能仿真分析

3.3 基于自适应阈值的快速压缩感知SAR三维成像方法

3.3.1 模糊C均值聚类算法

3.3.2 基于自适应阈值的三维SAR成像算法

3.4.1 仿真实验分析

3.4.2 实测实验分析

3.5 本章小结

第四章 基于互质阵列的子阵列分解与融合的三维SAR稀疏成像方法

4.1 引言

4.2 互质阵列原理

4.2.1 稀疏阵元分布与栅瓣位置分析

4.2.2 互质线性阵列

4.3.1 算法分析以及流程

4.3.2 SBRIM算法实验结果分析

4.3.3 FCSIAT算法实验结果分析

4.4 本章小结

第五章 总结与展望

5.1 全文总结

5.2 工作展望

致谢

参考文献

攻读硕士学位期间取得的成果