基于稀疏约束的合成孔径雷达成像和动目标杂波抑制

【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)是一种具备全天时和全天候运行能力的遥感成像系统,无论在军用还是民用领域均获得了大规模应用。压缩感知(Compressed Sensing,CS)技术的快速发展,在一定程度上突破了传统SAR技术的瓶颈,给SAR成像带来了新的发展思路。基于CS的SAR成像可以用很少的回波数据重建高质量的SAR图像,并抑制响应函数旁瓣和噪声。但与传统的SAR成像算法相比,该方法所需的计算复杂度和存储成本要高得多,且运算效率低。另外,当成像场景中存在多个运动目标(Moving Target,MT)时,往往会导致构建的图像中出现拖尾和几何位置偏差,对回波中静止目标杂波的抑制和动目标图像的重聚焦处理变得至关重要。最后,随着深度学习技术的蓬勃发展,其在语音识别、自然语言处理、图像处理等常见领域均取得了重大突破。近年来,该技术也成功被引入了SAR成像、自动目标识别等领域。本文的研究内容如下:(1)提出基于近似观测的聚束SAR压缩感知成像算法。首先,该算法将传统CS-SAR框架中的精确观测替换为极坐标格式算法(Polar Format Algorithm,PFA)成像逆过程的近似观测。其次,将CS和PFA成像过程纳入一个稀疏的正则化框架中并通过迭代软阈值收缩算法(Iterative Soft Thresholding Algorithm,ISTA)求解。仿真结果证明,提出的CS-PFA成像方法不仅可以获取测量值显着减少的高质量和高分辨率图像,还能够显著降低算法的计算复杂度和存储成本。(2)提出单通道条件下基于近似观测的聚束SAR杂波抑制和动目标重聚焦算法。首先,以单基地PFA动目标成像的运动误差谱为基础构建方位向滤波函数。其次,将基于分数阶傅里叶变换(Fractional Fourier Transform,FRFT)的动目标参数估计与滤波操作相结合,通过划分网格的方法构建动目标雷达投影矩阵的字典。之后,构建动静目标联合投影算子,并将近似观测的过程纳入ISTA框架中。该算法不仅可以同时实现不同速度的动目标的杂波抑制和重聚焦,还能够大大降低计算复杂度和存储内存。通过对点目标和实测数据进行仿真,验证了该算法的有效性,即在低信杂比情况下(Signal-to-Clutter Ratio,SCR)可以获得分离的静止目标和重聚焦的动目标图像并降低旁瓣值。(3)验证了深度学习在SAR成像处理中的可行性。首先,采用基于模型驱动的深度学习方法,将快速迭代软阈值收缩算法(Fast Iterative Soft Thresholding Algorithm,FISTA)的每一个迭代步骤映射为深度网络中的一层,进而构建出循环神经网络(Recurrent Neural Networks,RNN),得到感兴趣变量。其次,通过额外插入一个线性级,得到估计的测量值。随后将该测量值与输入的真实测量值放入失配函数中进行对比,将该网络可以看作是一个循环的自动编码器,实现了无监督的学习。最后,通过点目标的仿真验证了该RNN框架可以更好的适应图像重建的问题,达到较好的成像结果。