一种基于自聚焦的SAR平台初始高度误差估计方法

摘要

本发明提出了一种基于自聚焦的SAR平台初始高度误差估计方法，它首先对SAR原始回波信号进行距离压缩；初始化粗估计参数，划分场景目标观测区间并进行后向投影(BP)成像，利用BP成像结果计算图像锐度值，然后用遗传算法对初始高度误差进行初步估计得到初始高度误差粗估计值；利用SAR平台初始高度误差粗估计值调整精估计参数，重新划分观测场景目标空间，进行初始高度误差精估计，最终得到SAR平台初始高度误差精估计值。与传统方法相比，本发明具有计算量较小、运行速度快、而且对SAR初始高度误差估计精度较高的特点，因此更适用于大场景、大斜视角、高精度SAR成像。

说明书

技术领域

本技术发明属于雷达技术领域，它特别涉及了合成孔径雷达(SAR)成像技术领域。

背景技术

合成孔径雷达(SAR)是一种高分辨率微波成像雷达，具有全天时和全天候工作的优点，已被广泛应用各个领域，如地形测绘、制导、环境遥感和资源勘探等。SAR应用的重要前提和信号处理的主要目标是通过成像算法获取高分辨、高精度的微波图像。其获得的高分辨微波图像已经被广泛应用于诸多领域，如生成数字高程图、观测火山活动和洪灾情况、监测陆地和海洋交通等。

高速俯冲SAR(HSD-SAR)具有很高的应用价值，它可以应用于民用飞机导航等领域。通过进行目标识别、定位以及场景匹配，SAR图像可以用于提高导航精度。HSD-SAR通常工作在高斜视角状态。由于HSD-SAR的高速和高斜视角的特性，频域成像算法很难得到聚焦效果很好的宽测绘带HSD-SAR图像，而后向投影(BP)算法通过对于每个像素点进行精确匹配可以得到很好的HSD-SAR图像。在BP成像算法中，目标与观测场景之间的相对位置必须被精确测量。

后向投影(BP)算法是一种精确的SAR时域成像算法，它首先将合成孔径雷达原始数据沿距离向进行距离压缩(脉冲压缩)，然后通过选择不同慢时间观测空间中任意像素点在距离压缩后SAR数据空间中的数据，补偿方位向多普勒相位，并进行相干积累，最终获得各像素点散射系数的成像算法。由于在精确已知天线相位中心(Antenna Phase Center,APC)的前提下，BP算法可以有效补偿运动误差，因而已被广泛应用，详见“师君.双基地SAR与线阵SAR原理及成像技术研究[D].电子科技大学博士论文.2009”。

自聚焦技术利用SAR数据本身估计并去除残余相位误差。其中，相位误差估计的精度依赖于具体的成像场景及采用的自聚焦方法。现有的自聚焦方法可划分为两大类:参数模型法，包括子孔径相关法(MD)、多子孔径相关法(MAM)和相位差法(PD)；非参数模型法，包括相位梯度自聚焦算法(PGA)。

自聚焦BP算法是一类基于空域图像质量的自聚焦算法，也可以看作是一类针对BP算法的运动补偿方法，其主要过程是根据图像质量指标优化方位向相位补偿误差向量，当图像质量指标达到最优时，SAR图像聚焦最好。目前主要的自聚焦BP算法有基于最小图像熵的自聚焦BP算法(详见“M.Liu,C.S.Li,X.H.Shi,A back-projection fast autofocusalgorithm based on minimum entropy for SAR imaging[C].3rd APSARConference.2011:1-4”)、结合自聚焦和快速BP的高精度成像算法(详见“L.Zhang,H.L.Li,Z.J.Qiao,M.D.Xing,Z.Bao,Integrating autofocus techniques with fast factorizedback-projection for high-resolution spotlight SAR imaging[J].IEEE Geoscienceand Remote Sensing Letters.2013,10(6):1394-1398”)和基于图像锐度的自聚焦BP算法(详见“J.N.Ash,An autofocus method for back projection imagery in syntheticaperture radar[J].IEEE Geoscience and Remote Sensing Letters.2012,9(1):104-108”)。其中基于图像锐度的自聚焦BP算法成像效果最好。

遗传(Genetic Algorithm，GA)算法是进化计算的四大主要分支之一，它也是近十余年迅速发展起来的主要的进化算法。它与进化策略、进化规划以及遗传程序设计一起迅速发展并逐渐走向融合，形成了一种新颖的模拟进化的计算理论。遗传算法是一种随机搜索算法。但它同时又是一种通过迭代寻优的过程，具有自适应的特征。

GPS(Global Positioning System)定位系统可以为许多民用领域提供相对精确的目标与场景之间的相对位置，但是在许多领域例如制导中使用惯性导航系统被用于替换GPS定位系统。然而由于惯性导航系统中所积累的系统误差，所测量得到的目标位置将会存在数千米的偏移。这些位置的误差尤其是高速误差将会导致图像中存在散焦、位置偏移和几何失真。基于存在的这些问题，本文中提出了一种基于自聚焦和遗传(GA)算法的平台初始高度误差(IAE)估计方法。

发明内容

由于SAR初始平台高度误差将会导致SAR图像出现散焦、位置偏移和几何失真等问题进而影响SAR图像的成像精度，本发明提出了一种基于自聚焦的SAR平台初始高度误差估计方法，它主要运用遗传(GA)算法与后向投影(BP)算法，用遗传算法对SAR平台的初始高度误差进行估计选择初始高度误差最优解，将最优解作为初始平台高度误差估计值，这一方法可以有效地解决由于初始高度误差引起的高速SAR图像中存在的散焦、几何失真、位置偏移的问题。

为了方便描述本发明的内容，首先作以下术语定义：

定义1、合成孔径雷达(SAR)

合成孔径雷达是将雷达是将雷达固定于载荷运动平台上，结合运动平台的运动以合成线性阵列以达到运动向的分辨率，再利用雷达波束向回波延时实现距离一维成像，从而实现观测目标二维成像的一种合成孔径雷达技术。

定义2、合成孔径雷达回波数据距离压缩

标准合成孔径雷达距离压缩方法是指利用合成孔径雷达发射信号参数，采用匹配滤波技术对合成孔径雷达的距离向信号进行信号聚焦成像过程。详见文献“雷达成像技术”，保铮，邢孟道，王彤，电子工业出版社，2005。

定义3、范数

设X是数域上线性空间，其中表示复数域，若它满足如下性质：||X||≥0，且||X||＝0仅有X＝0；||aX||＝|a|||X||，a为任意常数；||X₁+X₂||≤||X₁||+||X₂||，则称||X||为X空间上的范数(norm)，其中X₁和X₂为X空间上的任意两个值。对于定义1中的N×1维离散信号向量X＝[x₁,x₂,…,x_N]^T，向量X的LP范数表达式为其中x_i为向量X的第i个元素，∑|·|表示绝对值求和运算符号，向量X的L1范数表达式为向量X的L2范数表达式为向量X的L0范数表达式为且x_i≠0。详见文献“矩阵理论”，黄廷祝等编著，高等教育出版社出版。

定义4、合成孔径雷达后向投影(BP)成像算法

合成孔径雷达的后向投影成像算法，简称BP成像算法。BP成像算法首先利用雷达平台的轨迹信息求出雷达平台的与场景像素点的距离历史，然后通过距离历史找出回波数据中对应的复数数据，对回波数据进行相位补偿后进行相干累加，从而得到该像素点的复图像值。详见“师君，双基地SAR与线阵SAR原理及成像技术[D].电子科技大学博士论文.2009”。

定义5、方位向、距离向

将雷达平台运动的方向叫做方位向，将垂直于方位向的方向叫做距离向。

定义6、合成孔径雷达的距离向快时刻和方位向慢时刻

合成孔径雷达的距离向快时刻是指在一个雷达系统工作的脉冲重复周期内，距离向回波信号采样过程中不同采样点的时间间隔变量。合成孔径雷达系统以一定时间长度的重复周期发射和接收脉冲信号，方位向慢时刻表示一个以脉冲重复周期为步长的离散化时间变量，其中每一个脉冲重复周期离散时间变量值为一个方位向慢时刻。详见文献“合成孔径雷达成像原理”，皮亦鸣编著，电子科技大学出息社出版。

定义7、种群

基本遗传算法采用随机方法生成若干个个体的集合，该集合称为初始种群。在遗传算法中,一个种群也就包含了实际问题在某一代的解的空间,也是可能的解的集合。种群为遗传算法提供了搜索解的遗传进化搜索空间。

定义8、遗传算法(Genetic Algorithm)

遗传算法(GA)是一种受生物进化启发的学习方法，在本质上是一种不依赖具体问题的直接搜索方法，它是通过变异和重组当前已知的最好假设来生成后续的假设。遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从求解种群中选取最优的个体，利用遗传算子(选择算子、交叉算子和变异算子)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止，具体执行过程可参考文献：“MATLAB遗传算法工具箱及应用”,雷英杰等编著，西安电子科技大学出版社。

定义9、适应度函数

适应度函数是指根据最优化问题中的目标函数确定的用于区分群体中个体好坏的标准。遗传算法仅使用所求问题的目标函数值,就可得到下一步的有关搜索信息。对目标函数值的使用是通过评价个体的适应度来实现的。

定义10、代沟率

在遗传算法中，一个新的种群通过对旧种群的个体进行选择和重组产生，如果新种群的个体数少于原始种群的大小，新种群和旧种群大小的差异被称为代沟，而差异的大小则称为代沟率。

定义11自聚焦

自聚焦技术利用SAR数据本身估计并去除残余相位误差。其中，相位误差估计的精度依赖于具体的成像场景及采用的自聚焦方法。自聚焦方法分为参数模型法、非参数模型法、最优参数搜索法。最优参数搜索法通过设置一个衡量图像聚焦与否的标准，在某一区间上进行误差系数搜索以获得相位误差的估计，进而实现图像的聚焦。

本发明提供的一种基于自聚焦SAR平台初始高度误差估计方法，它包括以下步骤：

步骤1、初始化SAR系统参数：

初始化SAR系统参数包括：平台速度矢量，记做V；雷达初始位置矢量，记做P(0)；雷达工作中心频率，记做f_c；雷达载频波长，记做λ；雷达发射基带信号的信号带宽，记做B_r；雷达发射信号脉冲宽度，记做T_r；雷达发射信号的调频斜率，记做f_dr；雷达接收系统的采样频率，记做f_s；0雷达发射系统的脉冲重复频率，记做PRF；电磁波在空气中的传播速度，记做C；距离向快时刻，记做t，t＝1,2,…,N_r，N_r为距离向快时刻总数；方位向慢时刻，记做l，l＝1,2,…,N_a，N_a为方位向慢时刻总数；上述参数均为SAR系统标准参数，其中雷达中心频率f_c，雷达载频波长λ，雷达发射基带信号的信号带宽B_r，雷达发射信号脉冲宽度T_r，雷达发射信号调频斜率f_dr，雷达接收波门持续宽度T_o，雷达接收系统的采样频率f_s，雷达系统的脉冲重复频率PRF在线阵SAR系统设计过程中已经确定；平台速度矢量V、雷达初始位置矢量P(0)、距离向快时刻t及方位向慢时刻l在SAR观测方案设计中已经确定；根据SAR成像系统方案和观测方案，SAR成像方法需要的初始化成像系统参数均为已知；SAR初始回波信号矩阵为S；

步骤2、初始化SAR的观测场景目标空间参数：

初始化SAR的观测场景目标空间参数，包括：以雷达波束照射场区域地平面构成的二维空间作为SAR的观测场景目标空间Ω；将观测场景目标空间Ω均匀划分成大小相等的单元格，单元网格在x方向、y方向边长分别记为d_x、d_y，单元格大小选择为线阵SAR系统传统理论成像分辨率的二分之一；观测场景目标空间Ω中第m个单元格的坐标矢量，记做P_m，m表示观测场景目标空间Ω中第m个单元格，m＝1,2,…,M,M为观测场景目标空间Ω中的单元格总数；观测场景目标空间Ω中所有单元格的散射系数按位置顺序排列组成向量，记做α，向量α由M行1列组成；散射系数向量α中第m个元素的散射系数，记做α_m；观测场景目标空间Ω在SAR成像方案设计中已经确定；

步骤3、对原始回波数据进行距离压缩：

采用SAR标准距离压缩方法对SAR初始回波信号S进行距离向脉冲压缩，得到距离压缩后的回波数据，记做E，其中S为步骤1初始化得到的SAR初始回波信号矩阵；

步骤4、平台初始高度误差粗估计：

步骤4.1、初始化粗估计参数：

初始化平台初始高度误差估计参数包括：遗传算法种群个体数目，记为N₁；遗传算法代沟率，记为Gp₁；遗传算法最大迭代次数，记为Mg₁；平台初始高度误差粗估计的样本域，记为[-H,H]；利用BP算法进行成像需要将观测场景目标空间Ω均匀划分成大小相等的网格，网格在横向的划分单元数记为Nx₁，间隔大小记为Δx₁＝10d_x，在纵向的划分单元数记为Ny₁,间隔大小记为Δy₁＝10d_y，将观测目标空间划分为Nx₁行Ny₁列的二维网格，其中Ω为步骤2定义的观测场景目标空间，其中d_x为步骤2定义的单元格在x方向的边长,其中d_y为步骤2定义的单元格在y方向边长；

步骤4.2、利用BP算法进行成像，并计算图像锐度值：

根据步骤1中初始化的平台速度矢量V，雷达初始位置矢量P(0)和雷达系统的脉冲重复频率PRF，采用公式P_c(l)＝P(0)+V·l/PRF，l＝1,2,…,N_a，计算得到雷达在第l个方位向慢时刻的位置矢量，即为雷达的测量天线相位中心，记为P_c，P_c＝[P_c(1),P_c(2),…,P_c(N_a)]；

利用Nx₁、Ny₁、d_x、d_y,根据公式Pa_i1＝(i-N_x1/2)*Δ_x1、Pa_j1＝(j-N_y1/2)*Δ_y1，计算得到划分后的目标空间的x方向第i个、y方向第j个网格点的位置(Pa_i1,Pa_j1)，按顺序将网格点的位置矢量依次排列组成一个向量，即为重新划分目标空间后的网格点位置矢量，即为(Pa_x1,Pa_y1)，其中Nx₁为步骤4.1定义的网格在横向的划分单元数，其中Ny₁为步骤4.1定义的网格纵向的划分单元数，其中Δx₁为步骤4.1定义的单元格在x方向的边长，其中Δy₁为步骤4.1定义的单元格在y方向边长；

利用测量的天线相位中心P_c、网格点位置(Pa_x1,Pa_y1)和经过距离压缩后的回波数据E，用传统的合成孔径雷达后向投影-BP算法进行成像，得到SAR图像数据，记为B₁，B₁为Nx₁行Ny₁列的二维复数矩阵，其中E为步骤3得到的初始SAR回波信号距离压缩后的回波数据；

采用公式计算SAR图像的锐度值函数，其中|·|⁴表示对一个复数取模后的4次方；

步骤4.3、利用遗传算法对平台初始高度误差进行粗估计：

步骤4.3.1：根据N₁与[-H,H]，采用传统的遗传算法随机初始化种群，记为D₀，其中N₁为步骤4.1初始化得到的种群个体数目，其中[-H,H]为步骤4.1初始化得到的平台初始高度误差粗估计的样本域；

步骤4.3.2：初始化遗传算法迭代次数，记为gen₁；

步骤4.3.3：根据公式J₁＝-f₁定义遗传算法中种群个体适应度函数，遗传算法中种群个体适应度函数记为J₁，其中f₁是步骤4.2得到的SAR图像锐度值；

步骤4.3.4：根据J₁与Gp₁，采用传统的遗传算法选择算子对D₀进行选择操作，得到更优种群D₁，其中J₁为步骤4.3.3得到的种群个体适应度函数，其中Gp₁为步骤4.1初始化得到的遗传算法代沟率函数，其中D₀为步骤4.3.1初始化得到的初始化种群；

步骤4.3.5：采用传统的遗传算法中的交叉算子对D₁进行交差操作，然后再对交差操作完成后得到的种群进行传统的遗传算法的变异操作，得到新的种群D₂，其中D₁为步骤4.3.4得到的更优种群；

步骤4.3.6：终止条件判断，若gen₁满足gen₁＜Mg₁，则重复进行步骤4.3.4～步骤4.3.5且gen₁＝gen₁+1；当gen₁＝Mg₁时，转到步骤4.3.7，其中gen₁为步骤4.3.2定义的初始化遗传算法迭代次数，其中Mg₁为步骤4.1初始化得到的最大迭代次数,；

步骤4.3.7:终止迭代后，得到最优估计个体，即为平台初始高度误差粗估计值，计为V₁；

步骤5、平台初始高度误差高精度估计：

步骤5.1、初始化高精度估计参数：

遗传算法种群个体数目，记为N₂；遗传算法代沟率，记为Gp₂；最大迭代次数，记为Mg₂；根据平台初始高度误差粗估计值调整平台初始高度误差高精度估计的样本域，记为[V₁-h,V₁+h]，其中V₁为步骤4.3.7估计得到的平台初始高度误差粗估计值；利用BP算法进行成像需要将观测场景目标空间Ω均匀划分成大小相等的网格，网格在横向的划分单元数记为Nx₂间隔大小记为Δx₂＝2d_x，在纵向的划分单元数记为Ny₂，间隔大小记为Δy₂＝2d_y，这样就将观测目标空间划分为Nx₂行Ny₂列的二维网格，用于接下来的BP成像，其中Ω为步骤2定义的观测场景目标空间；

步骤5.2、利用BP算法进行成像，并计算图像锐度值：

根据公式Pa_i2＝(i-N_x2/2)*Δ_x2、Pa_j2＝(j-N_y2/2)*Δ_y2，计算得到重新划分后的目标空间的x方向第i个、y方向第j个网格点的位置(Pa_i2,Pa_j2)，按顺序将网格点的位置矢量依次排列组成一个向量，即为重新划分目标空间后的网格点位置矢量，即为(Pa_x2,Pa_y2)，其中Nx₂为步骤5.1定义的网格在横向的划分单元数，其中Ny₂为步骤5.1定义的网格纵向的划分单元数，其中Δx₂为步骤5.1定义的单元格在x方向的边长，其中Δy₂为步骤5.1定义的单元格在y方向边长；

利用测量的天线相位中心P_c、网格点位置(Pa_x2,Pa_y2)和距离压缩后的回波数据E，用传统的合成孔径雷达后向投影-BP算法进行成像，得到SAR图像数据，记为B₂，B₂为Nx₂行Ny₂列的二维复数矩阵，其中E为步骤3得到的初始SAR回波信号距离压缩后的回波数据，P_c为步骤4.2得到的天线相位中心位置；

采用公式计算SAR图像的锐度值函数，其中|·|⁴表示对一个复数取模后的4次方；

步骤5.3、利用遗传算法对平台初始高度误差进行粗估计：

步骤5.3.1：根据N₂与[V₁-h,V₁+h]，采用传统的遗传算法随机初始化种群，记为G₀，其中N₂为步骤5.1初始化得到的种群个体数目，其中[V₁-h,V₁+h]为步骤5.1初始化得到的平台初始高度误差粗估计的样本域；

步骤5.3.2：初始化遗传算法迭代次数，记为gen₂；

步骤5.3.3：根据公式J₂＝-f₂定义遗传算法中种群个体适应度函数，遗传算法中种群个体适应度函数记为J₂，其中f₂步骤5.2得到的SAR图像锐度值；

步骤5.3.4：根据J₂与Gp₂，采用传统遗传算法中的选择算子，对G₀进行选择操作得到更优种群G₁，其中J₂为步骤5.3.3得到的种群个体适应度函数，其中Gp₂为步骤5.1初始化得到的遗传算法代沟率函数，其中G₀为步骤5.3.1初始化得到的初始化种群；

步骤5.3.5：利用传统遗传算法中的交叉算子对G₁进行交差操作后，对交差操作完成后得到的种群进行传统遗传算法中变异操作，得到新的种群G₂其中G₁为步骤5.3.4得到的更优种群；

步骤5.3.6：终止条件判断，若gen₂满足gen₂＜Mg₂，则重复进行步骤5.3.4～步骤5.3.5且gen₂＝gen₂+1；当gen₂＝Mg₂时，转到步骤5.3.7，其中gen₂为步骤5.3.2定义的初始化遗传算法迭代次数，其中Mg₂为步骤5.1初始化得到的最大迭代次数；

步骤5.3.7:终止迭代后，得到最优估计个体，即为平台初始高度误差粗估计值，计为V₂；

至此，我们得到了平台初始高度误差的最终估计值。

本发明方法的主要思路是：对原始回波信号进行距离压缩后，利用粗估计参数划分观测场景目标空间后对距离压缩后的信号进行SAR后向投影-BP成像，通过计算图像锐度得到遗传算法所需的适应度函数；然后用遗传算法对初始高度误差进行初步估计得到初始高度误差粗估计值；利用SAR平台初始高度误差粗估计值调整精估计参数，重新划分观测场景目标空间，进行初始高度误差精估计，最终得到SAR平台初始高度误差精估计值。

本发明的优点在于利用自聚焦算法对SAR平台初始高度误差进行估计，通过计算图像锐度后利用遗传算法对初始高度误差进行估计，可以得到SAR初始高速误差精估计值，本发明计算量较小，运行速度快，而且对SAR初始高度误差估计精度较高，因此更适用于大场景、大斜视角、高精度SAR成像。

附图说明

图1为本发明流程图；

具体实施方式

本发明主要采用计算机仿真的方法进行验证，所有步骤、结论都在MATLAB-R2012b上验证正确。具体实施步骤如下：

步骤1、初始化SAR系统参数：

初始化SAR系统参数包括：平台速度矢量，记做V＝[740；1100；-1500]m/s；雷达初始位置矢量，记做P(0)＝[-7001.8；41000；57564]m；雷达工作中心频率，记做f_c＝60×10⁹Hz；雷达载频波长，记做λ＝0.005m；雷达发射基带信号的信号带宽，记做B_r＝100MHz；雷达发射信号脉冲宽度，记做T_r＝10μs；雷达发射信号的调频斜率，记做f_dr＝100×10¹¹Hz/s；雷达接收系统的采样频率，记做f_s＝120MHz；雷达发射系统的脉冲重复频率，记做PRF＝5848Hz；电磁波在空气中的传播速度，记做C＝3×10⁸m/s；距离向快时刻，记做t，t＝1,2,…,N_r，N_r＝4096为距离向快时刻总数；方位向慢时刻，记做l，l＝1,2,…,N_a，N_a＝2924为方位向慢时刻总数；上述参数均为SAR系统标准参数，其中雷达中心频率f_c，雷达载频波长λ，雷达发射基带信号的信号带宽B_r，雷达发射信号脉冲宽度T_r，雷达发射信号调频斜率f_dr，雷达接收波门持续宽度T_o，雷达接收系统的采样频率f_s，雷达系统的脉冲重复频率PRF在线阵SAR系统设计过程中已经确定；平台速度矢量V、雷达初始位置矢量P(0)、距离向快时刻t及方位向慢时刻l在SAR观测方案设计中已经确定；根据SAR成像系统方案和观测方案，SAR成像方法需要的初始化成像系统参数均为已知；SAR初始回波信号矩阵为S；

步骤2、初始化SAR的观测场景目标空间参数：

初始化SAR的观测场景目标空间参数，包括：以雷达波束照射场区域地平面构成的二维直角坐标作为SAR的观测场景目标空间Ω；初始化观测场景目标空间Ω的大小为50×50×1像素，观测场景目标空间Ω的中心坐标位置位于[0,0,0]，将观测场景目标空间Ω均匀划分成大小相等的单元格，单元网格在横向、纵向边长分别记为d_x＝0.5m、d_y＝0.5m、d_z＝0.5m，计算得到观测场景目标空间单元格总数M为M＝20000；观测场景目标空间Ω中第m个单元格的坐标矢量，记做P_m，m表示观测场景目标空间Ω中第m个单元格，m＝1,2,…,20000M为观测场景目标空间Ω中的单元格总数；观测场景目标空间Ω中所有单元格的散射系数按位置顺序排列组成向量，记做α，向量α由20000行1列组成；散射系数向量α中第m个元素的散射系数，记做α_m；观测场景目标空间Ω在SAR成像方案设计中已经确定；

步骤3、对原始回波数据进行距离压缩：

采用SAR标准距离压缩方法对SAR初始回波信号S进行距离向脉冲压缩，得到距离压缩后的回波数据，记做E，其中S为步骤1初始化得到的SAR初始回波信号矩阵；

步骤4、平台初始高度误差粗估计：

步骤4.1、初始化粗估计参数：

初始化平台初始高度误差估计参数包括：遗传算法种群个体数目，记为N₁＝5；遗传算法代沟率，记为Gp₁＝1；遗传算法最大迭代次数，记为Mg₁＝5；平台初始高度误差粗估计的样本域，记为[-3000,3000]；利用BP算法进行成像需要将观测场景目标空间Ω均匀划分成大小相等的网格，网格在横向的划分单元数记为Nx₁＝10，间隔大小记为Δx₁＝10d_x＝5，在纵向的划分单元数记为Ny₁＝10，间隔大小记为Δy₁＝10d_y＝5，这样就将观测目标空间划分为10行10列的二维网格，用于接下来的标准BP成像，其中Ω为步骤2定义的观测场景目标空间，其中d_x＝0.5为步骤2定义的单元格在x方向的边长，其中d_y＝0.5为步骤2定义的单元格在y方向边长；

步骤4.2、利用BP算法进行成像，并计算图像锐度值：

根据步骤1中初始化的平台速度矢量V，雷达初始位置矢量P(0)和雷达系统的脉冲重复频率PRF，采用公式P_c(l)＝P(0)+V·l/PRF，l＝1,2,…,2924，计算得到雷达在第l个方位向慢时刻的位置矢量，即为雷达的测量天线相位中心，记为P_c，P_c＝[P_c(1),P_c(2),…,P_c(2924)]，利用Nx₁、Ny₁、d_x、d_y，根据公式Pa_i1＝(i-N_x1/2)*Δ_x1、Pa_j1＝(j-N_y1/2)*Δ_y1，计算得到划分后的目标空间的x方向第i个、y方向第j个网格点的位置(Pa_i1,Pa_j1)，按顺序将网格点的位置矢量存储成一个向量，即为重新划分目标空间后的网格点位置矢量，即为(Pa_x1,Pa_y1)，其中Nx₁＝10为步骤4.1定义的网格在横向的划分单元数，Ny₁＝10为步骤4.1定义的网格纵向的划分单元数，其中Δx₁＝5为步骤4.1定义的单元格在x方向的边长，其中Δy₁＝5为步骤4.1定义的单元格在y方向边长；利用测量的天线相位中心P_c、网格点位置(Pa_x1,Pa_y1)和经过距离压缩后的回波数据E，用BP算法进行成像，得到SAR图像数据，记为B₁，B₁为Nx₁行Ny₁列的二维复数矩阵，其中E为步骤3得到的初始SAR回波信号距离压缩后的回波数据，记为B₁，B₁为10行10列的二维复数矩阵，其中E为步骤3初始化得到的初始SAR回波信号距离压缩后的回波数据；采用公式计算SAR图像的锐度值，其中|·|⁴表示对一个复数取模后的4次方；

步骤4.3、利用遗传算法对平台初始高度误差进行粗估计：

步骤4.3.1：根据N₁与[-3000,3000]，采用传统的遗传算法随机初始化种群，记为D₀，其中N₁＝5为步骤4.1初始化得到的种群个体数目，其中[-3000,3000]为步骤4.1初始化得到的平台初始高度误差粗估计的样本域；

步骤4.3.2：初始化遗传算法迭代次数，记为gen₁＝0；

步骤4.3.3：根据公式J₁＝-f₁定义遗传算法中种群个体适应度函数，遗传算法中种群个体适应度函数记为J₁，其中f₁步骤4.2得到的SAR图像锐度值；

步骤4.3.4：根据J₁与Gp₁，采用传统的遗传算法选择算子对D₀进行选择操作得到更优种群D₁，其中J₁为步骤4.3.3得到的种群个体适应度函数，其中Gp₁＝1为步骤4.1初始化得到的遗传算法代沟率函数，其中D₀为步骤4.3.1初始化得到的初始化种群；

步骤4.3.5：采用传统的遗传算法中的交叉算子对D₁进行交差操作后，对交差操作完成后得到的种群进行传统的遗传算法中的变异操作得到新的种群D₂其中D₁为步骤4.3.4得到的更优种群；

步骤4.3.6：终止条件判断，若gen₁满足gen₁＜Mg₁，则重复进行步骤4.3.4～步骤4.3.5且gen₁＝gen₁+1；当gen₁＝Mg₁时，转到步骤4.3.7，其中gen₁＝0为步骤4.3.2定义的初始化遗传算法迭代次数，其中Mg₁＝5为步骤4.1初始化得到的最大迭代次数；

步骤4.3.7:终止迭代后，寻找出最优估计个体，即为平台初始高度误差粗估计值，计为V₁；

步骤5、平台初始高度误差高精度估计：

步骤5.1、初始化高精度估计参数：

遗传算法种群个体数目，记为N₂＝5；遗传算法代沟率，记为Gp₂＝1；最大迭代次数，记为Mg₂＝5；利用平台初始高度误差粗估计值调整平台初始高度误差高精度估计的样本域，记为[V₁-500,V₁+500]，其中V₁为步骤4.3.7估计得到的平台初始高度误差粗估计值；将观测场景目标空间Ω均匀划分成大小相等的网格，网格在横向的划分单元数记为Nx₂＝50，间隔大小记为Δx₂＝2d_x＝1，在纵向的划分单元数记为Ny₂＝50，间隔大小记为Δy₂＝2d_y＝1，这样就将观测目标空间划分为50行50列的二维网格，用于接下来的标准后向投影成像，其中Ω为步骤2定义的观测场景目标空间；

步骤5.2、利用BP算法进行成像，并计算图像锐度值：

根据公式Pa_i2＝(i-N_x2/2)*Δ_x2、Pa_j2＝(j-N_y2/2)*Δ_y2，计算得到重新划分后的目标空间的x方向第i个、y方向第j个网格点的位置(Pa_i2,Pa_j2)，按顺序将网格点的位置矢量存储成一个向量，即为重新划分目标空间后的网格点位置矢量，即为(Pa_x2,Pa_y2)，其中Nx₂＝50为步骤5.1定义的网格在横向的划分单元数，其中Ny₂＝50为步骤5.1定义的网格纵向的划分单元数，其中Δx₂＝1为步骤5.1定义的单元格在x方向的边长，其中Δy₂＝1为步骤5.1定义的单元格在y方向边长；利用测量的天线相位中心P_c、网格点位置(Pa_x2,Pa_y2)和距离压缩后的回波数据E，用BP算法进行成像，得到SAR图像数据，记为B₂，B₂为50行50列的二维复数矩阵，其中E为步骤3初始化得到的初始SAR回波信号距离压缩后的回波数据，P_c为步骤4.2初始化得到的天线相位中心位置；采用公式计算SAR图像的锐度值函数，其中|·|⁴表示对一个复数取模后的4次方；

步骤5.3、利用遗传算法对平台初始高度误差进行粗估计：

步骤5.3.1：根据N₂与[V₁-500,V₁+500]，采用传统的遗传算法随机初始化种群，记为G₀，其中N₂＝5为步骤5.1初始化得到的种群个体数目，其中[V₁-500,V₁+500]为步骤5.1初始化得到的平台初始高度误差精估计的样本域；

步骤5.3.2：初始化遗传算法迭代次数，记为gen₂＝0；

步骤5.3.3：根据公式J₂＝-f₂定义遗传算法中种群个体适应度函数，遗传算法中种群个体适应度函数记为J₂，其中f₂步骤5.2得到的SAR图像锐度值；

步骤5.3.4：根据J₂与Gp₂＝1，采用传统的遗传算法的选择算子，对G₀进行选择操作得到更优种群G₁，其中J₂为步骤5.3.3得到的种群个体适应度函数，其中Gp₂为步骤5.1初始化得到的遗传算法代沟率函数，其中G₀为步骤5.3.1初始化得到的初始化种群；

步骤5.3.5：采用传统的遗传算法的交叉算子对G₁进行交差操作后，对交差操作完成后得到的种群进行变异操作得到新的种群G₂，其中G₁为步骤5.3.4得到的更优种群；

步骤5.3.6：终止条件判断，若gen₂满足gen₂＜Mg₂＝5，则重复进行步骤5.3.4～步骤5.3.5且gen₂＝gen₂+1；当gen₂＝5时，转到步骤5.3.7，其中gen₂＝0为步骤5.3.2定义的初始化遗传算法迭代次数，其中Mg₂＝5为步骤5.1初始化得到的最大迭代次数；

步骤5.3.7:终止迭代后，寻找出最优估计个体，即为平台初始高度误差粗估计值，计为V₂；

至此，我们得到了平台初始高度误差的最终估计值，整个方法结束。

经过计算机仿真结果证明，本发明通过自聚焦的方法计算图像锐度函数，并利用遗传算法实验SAR初始高度误差估计，实现了对SAR平台初始高度误差的精估计，本发明可以快速且高精度的估计SAR平台初始高度误差。