CN110275166A - 基于admm的快速稀疏孔径isar自聚焦与成像方法 - Google Patents
基于admm的快速稀疏孔径isar自聚焦与成像方法 Download PDFInfo
- Publication number
- CN110275166A CN110275166A CN201910629019.5A CN201910629019A CN110275166A CN 110275166 A CN110275166 A CN 110275166A CN 201910629019 A CN201910629019 A CN 201910629019A CN 110275166 A CN110275166 A CN 110275166A
- Authority
- CN
- China
- Prior art keywords
- matrix
- isar
- formula
- target
- initial phase
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达信号处理领域,具体涉及一种基于ADMM的快速稀疏孔径ISAR自聚焦与成像方法。包括以下步骤:S1对稀疏孔径雷达回波进行建模;S2通过ADMM重构目标ISAR图像X;S3通过最小熵准则估计初相误差φ。本发明取得的有益效果为:通过本发明可从稀疏孔径雷达回波中有效估计初相误差,实现ISAR自聚焦,且可有效消除欠采样引入的旁瓣与栅瓣影响,获取高分辨ISAR图像;鲁棒性强,在低信噪比条件下仍然可以实现ISAR自聚焦与成像;运算效率高,可应用于实时ISAR成像***,有重要工程应用价值。
Description
技术领域
本发明属于雷达信号处理领域,具体涉及一种基于交替方向乘子 (AlternatingDirection Method of Multipliers,ADMM)的快速稀疏孔径ISAR自聚焦与成像 方法。
背景技术
逆合成孔径雷达(ISAR)可获取运动目标的高分辨率二维图像,与光学设备相比,ISAR 具有全天时、全天候、强穿透的优势,已经成为空间目标识别的重要探测设备,在空间目标 监视、导弹防御、雷达天文学等领域获得广泛应用。目前,对于完整雷达回波信号(或称全 孔径信号),传统ISAR成像方法已经可以获取运动目标的高分辨图像,但是对于稀疏孔径信 号,传统方法基本失效,仍然缺乏有效成像手段。
在ISAR***中,许多因素将导致稀疏孔径信号产生,如环境噪声、接收机噪声导致部 分雷达回波信噪比低,无法满足成像条件;强对抗条件下,有源、无源干扰等导致部分回波 失效,脉冲呈现非均匀采样的形式,形成稀疏孔径。另外,广泛应用的多功能雷达的工作模 式也将产生稀疏孔径信号,一般而言,多功能雷达为满足多目标探测、跟踪、成像与识别的 功能需求,必须将有限的雷达发射能量在不同目标间来回切换,导致照射同一目标的信号稀 疏且非均匀,从而形成稀疏孔径信号。稀疏孔径严重影响传统ISAR成像方法性能,一方面, 非均匀采样导致传统基于快速傅里叶变换(FFT)的距离-多普勒(RD)ISAR成像方法受到 较强旁瓣、栅瓣的影响,图像分辨率降低;另一方面,稀疏孔径条件下,雷达回波脉冲之间 的相干性降低,导致传统ISAR自聚焦方法失效,无法有效补偿目标平动引起的初相误差, 导致ISAR图像散焦。随着压缩感知技术的发展,目前已有方法将压缩感知技术引入ISAR成 像,充分利用ISAR图像的稀疏性,通过稀疏恢复算法,从欠采样雷达回波中重构了聚焦良 好的ISAR图像。但目前已有稀疏孔径ISAR成像方法均面临运算效率低的问题,无法适应实 时ISAR成像***的需求,运算效率已经成为制约稀疏孔径ISAR成像技术工程应用的瓶颈, 亟待解决。
发明内容
本发明要解决的技术问题是稀疏孔径条件下,传统RD ISAR成像方法性能下降,ISAR 图像质量降低,而基于压缩感知技术的ISAR成像方法虽然能获取高质量ISAR图像,但运算 效率低,难以满足工程实际需求。
本发明的思路是针对稀疏孔径ISAR成像方法运算效率低的问题,提出了一种基于ADMM的快速稀疏孔径ISAR自聚焦与成像方法。该方法对稀疏孔径雷达回波进行一般化建模,通过l1范数正则化约束实现对ISAR图像的稀疏特性建模,在此基础上,利用ADMM方 法求解基于l1范数正则化约束的寻优问题。为提升该方法的运算效率,充分利用傅里叶矩阵、相位误差矩阵与降采样矩阵的特性,将迭代过程中运算效率较低的矩阵求逆转换为矩阵元素 除法,并采用二维批处理方式避免了沿距离单元方向的迭代求解,进一步提升了运算效率。 最后在迭代过程中,基于最小熵准则估计雷达回波中的初相误差,联合实现了稀疏孔径ISAR 自聚焦。
本发明解决其技术问题所采取的技术方案是:一种基于ADMM的快速稀疏孔径ISAR自 聚焦与成像方法,包括以下步骤(为方便简洁,统一规定:矩阵或向量用粗体字母表示,对 任意向量a,ai表示a的第i个元素,对任意矩阵A,Ai,j表示A的第(i,j)个元素):
S1对稀疏孔径雷达回波进行建模:
在高频雷达信号照射下,金属目标一般可以等效成数个离散的散射点之和,假设目标包 含P个散射点,其中第p个散射点相对目标旋转中心的坐标为(xp,yp),则目标的一维距离像 序列可表示为P个散射点一维距离像的叠加:
其中表示目标一维距离像序列,tm分别表示快时间(即脉内时间)与慢时间(即 脉间时间),σp表示目标第p个散射点的后向散射系数,j、fc、c分别为虚数单位、雷达发 射信号载频与电磁波传播速度,ω表示平动补偿后目标的等效转速,φ(tm)表示初相误差,其 既包括目标平动引入的相位误差,又包含环境噪声相位误差。式(1)可进一步离散化为:
其中,h(m,n)表示目标离散一维距离像序列,n、m分别为快时间与慢时间序号:n=1,2,…,N、 m=1,2,…,M,N、M分别为快时间与慢时间总数。Pr表示雷达发射信号脉冲重复频率。
在稀疏孔径条件下,雷达回波信号沿慢时间维呈现欠采样形式,假设此时雷达回波包含 L个脉冲(L<M),且各脉冲序号组合形成的向量为V,则有在此基础上, 稀疏孔径条件下的目标离散一维距离像序列可表示为:
h=ESFx+n (3)
其中表示目标离散一维距离像序列矩阵沿列堆叠所形成的向量,即 h=Vec(H),其中Vec(·)表示对矩阵沿列堆叠的向量化;为分块初相误差矩阵: 其中IN表示N×N的单位矩阵,表示矩阵克罗内克积,表示初相误差 矩阵:e=diag[exp(jφ)],其中diag(·)表示由向量构成对角矩阵,其对角线元素由括号中向量 元素构成,φ表示初相误差向量;为分块降采样矩阵:其中为 降采样矩阵:为分块傅里叶矩阵:其中为M阶傅里叶矩阵;表示目标ISAR图像沿列堆叠所形成 的向量,即x=Vec(X);为列堆叠后的噪声向量。
为方便表示,式(3)所示为稀疏孔径目标离散一维距离像序列的向量表达式,但是在实际 的算法的执行过程中,仍然是按矩阵形式进行处理。后续步骤将给出矩阵形式的计算表达式。
S2通过ADMM重构目标ISAR图像X:
ISAR图像通常只包含少量目标散射点,且背景简单,呈现较强稀疏特性,因此可以利用 稀疏恢复方法实现稀疏孔径条件下的ISAR图像重构。本发明采用l1范数正则化方法对ISAR 图像的稀疏特性进行约束,在此条件下,稀疏孔径ISAR图像重构等效于求解如下寻优问题:
其中||·||1、||·||2分别为l1、l2范数;λ为正则化参数,决定所得ISAR图像的稀疏程度。具体步 骤如下:
S2.1通过ADMM方法求解式(4)所示寻优问题:
ADMM方法通过引入辅助变量z,将式(4)所示寻优问题等效为如下寻优问题:
其扩展拉格朗日表达式为:
其中α为拉格朗日乘子,ρ为惩戒因子。ADMM方法求解下述三个子问题实现对式(4)的求解:
其中k表示第k次迭代。分别求取Lρ(x,z,α)关于x、z的一阶导,并令导数为零可得式(7)中 第一、二个方程的解,如下式所示:
其中S(·)表示软门限函数,对任意变量y与参数a,有:
S2.2将式(8)所示更新式转换为矩阵形式:
式(8)中,第一个方程包含尺寸为MN×MN的矩阵的求逆,运算效率低。为简化运算,考 虑矩阵E、F、S具有如下性质:
EHE=EEH=ILN (9)
FHF=FFH=IMN (10)
其中ILN、IMN分别为尺寸为LN×LN、MN×MN的单位矩阵,为对角阵,其对角线元素为将式(9)-(11)代入式(8)中的第一个方程,可得:
此时,待求逆的矩阵已转化为对角矩阵,对其求逆可以通过矩阵元素除法实现。因此, 式(12)的向量形式可重新表示为矩阵形式,如下式所示:
其中Z、A分别为辅助变量z与拉格朗日乘子α的矩阵形式,表示两个矩阵的元素分别相 除。Mask为抽样矩阵,其元素取值为1或0,分别表示抽取或者舍弃相应位 置的元素,则将该抽样矩阵与完整的目标一维距离像序列按各元素分别相乘,即可获得补零 的稀疏孔径一维距离像序列。1M×N表示尺寸为M×N的全1矩阵。式(13)中仅包含最大尺寸 为M×N的矩阵乘法,因而与式(8)第一个方程相比,运算效率得到显著提升。此外,式(13)中 f与fH分别可通过FFT和快速逆傅里叶变换(IFFT)实现,以进一步提升运算效率。
同样,式(8)中第二、三个方程可进一步表示成矩阵形式:
S3通过最小熵准则估计初相误差φ:
在迭代过程中通过最小熵准则估计初相误差φ,以实现稀疏孔径条件下的ISAR自聚焦, 如下式所示:
其中,表示第k+1次迭代所得ISAR图像的熵,其定义如下:
其中sum(·)表示对括号内矩阵的各元素求和,⊙为矩阵的哈达玛积,即矩阵各元素分别相乘; C为ISAR图像总能量:C=sum(|X(k+1)|2),其与初相误差φ无关;const表示与初相误差φ无 关的常数。具体步骤如下:
S3.1计算关于第l个脉冲的初相误差φl的导数:
对式(16)所示寻优问题进行求解,首先计算关于第l个脉冲的初相误差φl的导 数,如下式所示:
其中Re(·)表示取括号内复数的实部,X(k+1)*表示第k+1次迭代所得ISAR图像X(k+1)的共轭。
S3.2计算第k+1次迭代所得ISAR图像X(k+1)关于第l个脉冲的初相误差φl的导数:
式(18)中包含第k+1次迭代所得ISAR图像X(k+1)关于第l个脉冲的初相误差φl的导数,计 算如下:
其中0(l-1)×N、0(L-l)×N分别表示尺寸为(l-1)×N与(L-l)×N的全零矩阵。
S3.3计算第k+1次迭代所得初相误差φl (k+1):
将式(19)代入式(18),并令导数可得第l个脉冲的初相误差φl的迭代更新 表达式:
其中angle(·)表示取括号内虚数的相位。
由此,基于交替方向乘子的快速稀疏孔径ISAR自聚焦与成像过程即:循环迭代式(13)-(15) 以及式(20),直至收敛,由式(13)所得X即为重构的ISAR图像。
在迭代求解前,首先需要对参数进行初始化设置,其中辅助变量Z、拉格朗日乘子A以 及初相误差矩阵e均可初始化为全零矩阵,正则化参数λ初始化为μvar(H),其中var(·)为方 差算子,μ取0.005<μ<0.01,惩戒因子ρ=1。
本发明取得的有益效果为:通过本发明可从稀疏孔径雷达回波中有效估计初相误差,实 现ISAR自聚焦,且可有效消除欠采样引入的旁瓣与栅瓣影响,获取高分辨ISAR图像;鲁棒 性强,在低信噪比条件下仍然可以实现ISAR自聚焦与成像;运算效率高,可应用于实时ISAR 成像***,有重要工程应用价值。
附图说明
图1本发明的实施流程图;
图2(a)飞机平面图;(b)飞机散射点模型;
图3全孔径条件下:(a)一维距离像序列;(b)ISAR图像;
图4不同稀疏孔径条件下不同算法所得ISAR图像;
图5不同采样率条件下的算法性能比较:(a)相关系数;(b)图像熵;(c)计算时间;
图6不同信噪比(SNR)条件下不同算法所得ISAR图像;
图7不同SNR条件下的算法性能比较:(a)相关系数;(b)图像熵;(c)计算时间;
图8(a)飞机光学图像;(b)车载雷达;
图9全孔径条件下:(a)一维距离像序列;(b)ISAR图像;
图10不同稀疏孔径条件下不同算法所得ISAR图像。
具体实施方式
下面结合附图对本发明进行进一步说明:
图1为本发明总处理流程。
本发明所述一种基于ADMM的快速稀疏孔径ISAR成像方法,包括以下步骤:
S1对稀疏孔径雷达回波进行建模;
S2通过ADMM重构目标ISAR图像X;
S3通过最小熵准则估计初相误差φ。
首先采用仿真数据进行实验,实验过程中,依据图2(a)所示某飞机平面图,构建图2 (b)所示散射点模型。假设对雷达回波进行平动补偿后,目标沿旋转中心以0.06rad/s的转 速作匀速旋转;雷达参数设置如下:设中心频率为9GHz,带宽为800MHz,脉冲为100μs,脉冲重复频率为150Hz。设全孔径雷达回波脉冲数为256,每个脉冲包含256个采样点。
首先对全孔径雷达回波数据进行ISAR成像处理,作为稀疏孔径条件下成像结果的参照。 全孔径条件下,目标一维距离像序列与ISAR图像分别如图3(a)、图3(b)所示,其中,ISAR 成像采用传统RD成像方法(S.Zhang,Y.Liu,and X.Li,“Fast entropy minimizationbased autofocusing technique for ISAR imaging,IEEE Trans.Signal Process.,vol.63,no.13,pp. 34253434,Jul.2015)。由图可知,在全孔径条件下,传统RD方法可获取聚焦效果良好的ISAR 图像。
进一步分别以随机、分段与混合三种方式从全孔径一维距离像序列中抽取部分数据,以 模拟稀疏孔径一维距离像序列,如图4第一列所示。实验过程中,回波采样率设为0.25,初 相误差服从均值为零、方差为π的高斯分布,雷达回波SNR设为15dB。分别采用RD方法、 AFSBL方法(L.Zhao,L.Wang,G.Bi,and L.Yang,“An autofocus technique forhighresolution inverse synthetic aperture radar imagery,IEEETrans.Geosci.Remote Sens.,vol.52,no.10,pp. 63926403,Oct.2014.)以及本发明所提ADMM方法从三种稀疏孔径数据中重构目标ISAR图 像,成像结果分别如图4第二、三、四列所示。由图可知,在三种方法中,RD方法所得ISAR 图像基本散焦,而本发明所提ADMM方法获得了聚焦效果最佳的ISAR图像,尤其是在混合 稀疏条件下,ADMM方法所得ISAR像明显较AFSBL方法清晰。
在不同采样率条件下,分别进行100次蒙特卡洛实验,记录三种算法所得ISAR像与图3 (b)所示参考ISAR像的相关系数、图像熵以及计算时间关于采样率的变化曲线,分别如图 5(a)、图5(b)与图5(c)所示。由图可知,本发明所提ADMM方法在所有给定采样率条 件下均获得了最高的相关系数、最低的图像熵,且计算时间保持在10s以内,比AFSBL方法 提升10-20倍。
图6所示为三种方法在雷达回波SNR分别为10dB、5dB、0dB的条件下的ISAR成像结果,其中,稀疏孔径一维距离像序列通过随机采样获取,采样率为0.25。由图可知,当SNR 低于5dB时,RD与AFSBL方法基本失效,无法实现ISAR图像聚焦,而本发明所提ADMM 方法在三种SNR条件下均获得了聚焦效果良好的ISAR图像,表明其对噪声的鲁棒性较强。
图7(a)、图7(b)、图7(c)分别给出了不同SNR条件下,三种方法在100次蒙特卡 洛实验中所得平均相关系数、图像熵以及计算时间。由图可知,本发明再一次获得了最高相关系数、最低图像熵,且运算效率与AFSBL方法相比提升近10倍,进一步验证了其较强的 鲁棒性与较高的运算效率。
进一步采用某飞机实测数据进行算法性能验证。飞机光学图像如图8(a)所示,采用某 车载X波段雷达***进行测量,如图8(b)所示。发射的雷达信号参数如下:中心频率为9GHz、 带宽为1GHz、脉宽为100μs、脉冲重复频率为100Hz。全孔径雷达回波包含256个脉冲,每 个脉冲包含512个采样点。图9(a)、图9(b)所示分别为全孔径条件下的目标一维距离像序列和ISAR图像,作为稀疏孔径条件下ISAR成像结果的参考。
采用随机、分段与混合三种方式从图8(a)所示全孔径一维距离像中抽取数据,以模拟 稀疏孔径一维距离像序列,其中采样率为0.25。图10给出了三种稀疏孔径条件下的目标一维 像序列以及三种方法所得ISAR图像,由图可知,本发明所提ADMM方法所得ISAR图像聚 焦效果优于RD与AFSBL方法所得图像,且更接近图9(a)所示ISAR像,进一步验证了其 较优的算法性能。
以上实验结果表明,本发明可实现稀疏孔径条件下的ISAR成像,所得图像聚焦效果优 于传统RD方法与代表性稀疏孔径ISAR成像方法,对噪声鲁棒性强,在低信噪比条件下仍 然适用,且运算效率与代表性方法相比提升10-20倍,具有较高工程应用价值。
Claims (4)
1.一种基于ADMM的快速稀疏孔径ISAR自聚焦与成像方法,其特征在于,该方法包括以下步骤:
S1 对稀疏孔径雷达回波进行建模:
在高频雷达信号照射下,金属目标一般可以等效成数个离散的散射点之和,假设目标包含P个散射点,其中第p个散射点相对目标旋转中心的坐标为(xp,yp),则目标的一维距离像序列可表示为P个散射点一维距离像的叠加:
其中表示目标一维距离像序列,tm分别表示快时间与慢时间,σp表示目标第p个散射点的后向散射系数,j、fc、c分别为虚数单位、雷达发射信号载频与电磁波传播速度,ω表示平动补偿后目标的等效转速,φ(tm)表示初相误差,其既包括目标平动引入的相位误差,又包含环境噪声相位误差;式(1)可进一步离散化为:
其中,h(m,n)表示目标离散一维距离像序列,n、m分别为快时间与慢时间序号:n=1,2,…,N、m=1,2,…,M,N、M分别为快时间与慢时间总数,Pr表示雷达发射信号脉冲重复频率;
在稀疏孔径条件下,雷达回波信号沿慢时间维呈现欠采样形式,假设此时雷达回波包含L个脉冲,L<M,且各脉冲序号组合形成的向量为V,则有在此基础上,稀疏孔径条件下的目标离散一维距离像序列可表示为:
h=ESFx+n (3)
其中表示目标离散一维距离像序列矩阵沿列堆叠所形成的向量,即h=Vec(H),其中Vec(·)表示对矩阵沿列堆叠的向量化;为分块初相误差矩阵:其中IN表示N×N的单位矩阵,表示矩阵克罗内克积,表示初相误差矩阵:e=diag[exp(jφ)],其中diag(·)表示由向量构成对角矩阵,其对角线元素由括号中向量元素构成,φ表示初相误差向量;为分块降采样矩阵:其中为降采样矩阵: 为分块傅里叶矩阵:其中为M阶傅里叶矩阵;表示目标ISAR图像沿列堆叠所形成的向量,即x=Vec(X);为列堆叠后的噪声向量;
S2 通过ADMM重构目标ISAR图像X:
采用l1范数正则化方法对ISAR图像的稀疏特性进行约束,在此条件下,稀疏孔径ISAR图像重构等效于求解如下寻优问题:
其中||·||1、||·||2分别为l1、l2范数;λ为正则化参数,决定所得ISAR图像的稀疏程度;具体步骤如下:
S2.1 通过ADMM方法求解式(4)所示寻优问题:
ADMM方法通过引入辅助变量z,将式(4)所示寻优问题等效为如下寻优问题:
其扩展拉格朗日表达式为:
其中α为拉格朗日乘子,ρ为惩戒因子;ADMM方法求解下述三个子问题实现对式(4)的求解:
其中k表示第k次迭代;分别求取Lρ(x,z,α)关于x、z的一阶导,并令导数为零可得式(7)中第一、二个方程的解,如下式所示:
其中S(·)表示软门限函数;
S2.2 将式(8)所示更新式转换为矩阵形式:
式(8)中,第一个方程包含尺寸为MN×MN的矩阵的求逆,运算效率低;为简化运算,考虑矩阵E、F、S具有如下性质:
EHE=EEH=ILN (9)
FHF=FFH=IMN (10)
其中ILN、IMN分别为尺寸为LN×LN、MN×MN的单位矩阵,为对角阵,其对角线元素为将式(9)-(11)代入式(8)中的第一个方程,可得:
此时,待求逆的矩阵已转化为对角矩阵,对其求逆可以通过矩阵元素除法实现;因此,式(12)的向量形式可重新表示为矩阵形式,如下式所示:
其中Z、A分别为辅助变量z与拉格朗日乘子α的矩阵形式,表示两个矩阵的元素分别相除,Mask为抽样矩阵,其元素取值为1或0,分别表示抽取或者舍弃相应位置的元素,则将该抽样矩阵与完整的目标一维距离像序列按各元素分别相乘,即可获得补零的稀疏孔径一维距离像序列,1M×N表示尺寸为M×N的全1矩阵;
同样,式(8)中第二、三个方程可进一步表示成矩阵形式:
A(k+1)=A(k)+ρ(X(k+1)-Z(k+1)); (15)
S3 通过最小熵准则估计初相误差φ:
在迭代过程中通过最小熵准则估计初相误差φ,以实现稀疏孔径条件下的ISAR自聚焦,如下式所示:
其中,表示第k+1次迭代所得ISAR图像的熵,其定义如下:
其中sum(·)表示对括号内矩阵的各元素求和,⊙为矩阵的哈达玛积,即矩阵各元素分别相乘;C为ISAR图像总能量:C=sum(|X(k+1)|2),其与初相误差φ无关;const表示与初相误差φ无关的常数;具体步骤如下:
S3.1 计算关于第l个脉冲的初相误差φl的导数:
对式(16)所示寻优问题进行求解,首先计算关于第l个脉冲的初相误差φl的导数,如下式所示:
其中Re(·)表示取括号内复数的实部,X(k+1)*表示第k+1次迭代所得ISAR图像X(k+1)的共轭;
S3.2 计算第k+1次迭代所得ISAR图像X(k+1)关于第l个脉冲的初相误差φl的导数:
式(18)中包含第k+1次迭代所得ISAR图像X(k+1)关于第l个脉冲的初相误差φl的导数,计算如下:
其中0(l-1)×N、0(L-l)×N分别表示尺寸为(l-1)×N与(L-l)×N的全零矩阵;
S3.3 计算第k+1次迭代所得初相误差φl (k+1):
将式(19)代入式(18),并令导数可得第l个脉冲的初相误差φl的迭代更新表达式:
其中angle(·)表示取括号内虚数的相位;
由此,基于交替方向乘子的快速稀疏孔径ISAR自聚焦与成像过程即:循环迭代式(13)-(15)以及式(20),直至收敛,由式(13)所得X即为重构的ISAR图像。
2.一种根据权利要求1所述基于ADMM的快速稀疏孔径ISAR自聚焦与成像方法,其特征在于:在迭代求解前,先对参数进行初始化设置,其中辅助变量Z、拉格朗日乘子A以及初相误差矩阵e均可初始化为全零矩阵,正则化参数λ初始化为μvar(H),其中var(·)为方差算子,μ取0.005<μ<0.01,惩戒因子ρ=1。
3.一种根据权利要求1或2所述基于ADMM的快速稀疏孔径ISAR自聚焦与成像方法,其特征在于:S2.1中,对任意变量y与参数a,有:
4.一种根据权利要求1或2所述基于ADMM的快速稀疏孔径ISAR自聚焦与成像方法,其特征在于:S2.2中,式(13)中f与fH分别可通过FFT和IFFT实现,以进一步提升运算效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910629019.5A CN110275166B (zh) | 2019-07-12 | 2019-07-12 | 基于admm的快速稀疏孔径isar自聚焦与成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910629019.5A CN110275166B (zh) | 2019-07-12 | 2019-07-12 | 基于admm的快速稀疏孔径isar自聚焦与成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110275166A true CN110275166A (zh) | 2019-09-24 |
CN110275166B CN110275166B (zh) | 2021-03-19 |
Family
ID=67964292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910629019.5A Active CN110275166B (zh) | 2019-07-12 | 2019-07-12 | 基于admm的快速稀疏孔径isar自聚焦与成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275166B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703249A (zh) * | 2019-11-05 | 2020-01-17 | 中国民航大学 | 稳健高效合成孔径雷达多元特征增强成像方法 |
CN110726992A (zh) * | 2019-10-25 | 2020-01-24 | 中国人民解放军国防科技大学 | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 |
CN111157992A (zh) * | 2020-01-14 | 2020-05-15 | 中国人民解放军海军工程大学 | 一种基于迭代相位自聚焦的机动目标isar成像方法 |
CN111610522A (zh) * | 2020-06-04 | 2020-09-01 | 中国人民解放军国防科技大学 | 基于低秩与稀疏联合约束的带微动部件目标sa-isar成像方法 |
CN111796278A (zh) * | 2020-07-02 | 2020-10-20 | 南京理工大学 | 基于原子范数与图像熵联合约束的稀疏孔径isar自聚焦方法 |
CN112099008A (zh) * | 2020-09-16 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
CN112099010A (zh) * | 2020-09-16 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于结构化非凸低秩表征的带微动部件目标isar成像方法 |
CN112162280A (zh) * | 2020-08-25 | 2021-01-01 | 中国人民解放军空军预警学院雷达士官学校 | 基于原子范数最小化的sf isar一维高分辨距离成像方法 |
CN112684445A (zh) * | 2020-12-02 | 2021-04-20 | 中国人民解放军国防科技大学 | 基于md-admm的mimo-isar三维成像方法 |
CN112946644A (zh) * | 2021-01-28 | 2021-06-11 | 中国人民解放军国防科技大学 | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 |
CN113075635A (zh) * | 2021-03-30 | 2021-07-06 | 南京航空航天大学 | 基于相参积累的捷变频雷达目标信息重构方法 |
CN114114187A (zh) * | 2021-11-18 | 2022-03-01 | 中国人民解放军国防科技大学 | 网格失配情况下基于深度展开admm网络测向方法 |
CN115421115A (zh) * | 2022-05-23 | 2022-12-02 | 中国人民解放军空军预警学院 | 一种用于联合相位校正与isar成像的重赋权交替方向乘子法 |
CN117148347A (zh) * | 2023-06-13 | 2023-12-01 | 中国人民解放军空军预警学院 | 一种基于深度学习网络的二维联合成像与自聚焦方法 |
CN117849800A (zh) * | 2024-03-07 | 2024-04-09 | 中国科学院空天信息创新研究院 | 多角度sar图像序列生成方法、装置、设备及存储介质 |
CN118068290A (zh) * | 2024-04-25 | 2024-05-24 | 西安电子科技大学 | 一种宽带雷达高速目标长时间相参积累方法及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111458A (zh) * | 2014-07-29 | 2014-10-22 | 西安电子科技大学 | 基于双重稀疏约束的压缩感知合成孔径雷达成像方法 |
CN105005048A (zh) * | 2015-08-07 | 2015-10-28 | 苏州闻捷传感技术有限公司 | 基于显著图的Laplacian协同压缩雷达成像方法 |
CN106355196A (zh) * | 2016-08-23 | 2017-01-25 | 大连理工大学 | 基于耦合字典学习的合成孔径雷达图像目标识别方法 |
CN109085589A (zh) * | 2018-10-16 | 2018-12-25 | 中国人民解放军国防科技大学 | 基于图像质量引导的稀疏孔径isar成像相位自聚焦方法 |
CN109100718A (zh) * | 2018-07-10 | 2018-12-28 | 中国人民解放军国防科技大学 | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 |
CN109683161A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种基于深度admm网络的逆合成孔径雷达成像的方法 |
CN109917383A (zh) * | 2019-03-28 | 2019-06-21 | 中国人民解放军国防科技大学 | 基于回波降采样积累的低信噪比isar成像方法 |
-
2019
- 2019-07-12 CN CN201910629019.5A patent/CN110275166B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111458A (zh) * | 2014-07-29 | 2014-10-22 | 西安电子科技大学 | 基于双重稀疏约束的压缩感知合成孔径雷达成像方法 |
CN105005048A (zh) * | 2015-08-07 | 2015-10-28 | 苏州闻捷传感技术有限公司 | 基于显著图的Laplacian协同压缩雷达成像方法 |
CN106355196A (zh) * | 2016-08-23 | 2017-01-25 | 大连理工大学 | 基于耦合字典学习的合成孔径雷达图像目标识别方法 |
CN109100718A (zh) * | 2018-07-10 | 2018-12-28 | 中国人民解放军国防科技大学 | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 |
CN109085589A (zh) * | 2018-10-16 | 2018-12-25 | 中国人民解放军国防科技大学 | 基于图像质量引导的稀疏孔径isar成像相位自聚焦方法 |
CN109683161A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种基于深度admm网络的逆合成孔径雷达成像的方法 |
CN109917383A (zh) * | 2019-03-28 | 2019-06-21 | 中国人民解放军国防科技大学 | 基于回波降采样积累的低信噪比isar成像方法 |
Non-Patent Citations (2)
Title |
---|
CHANGYU HU ET AL.: "Inverse Synthetic Aperture Radar Imaging Using a Deep ADMM Network", 《THE 20TH INTERNATIONAL RADAR SYMPOSIUM IRS 2019》 * |
王天云 等: "压缩感知成像雷达研究进展", 《电光与控制》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726992B (zh) * | 2019-10-25 | 2021-05-25 | 中国人民解放军国防科技大学 | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 |
CN110726992A (zh) * | 2019-10-25 | 2020-01-24 | 中国人民解放军国防科技大学 | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 |
CN110703249B (zh) * | 2019-11-05 | 2023-03-24 | 中国民航大学 | 稳健高效合成孔径雷达多元特征增强成像方法 |
CN110703249A (zh) * | 2019-11-05 | 2020-01-17 | 中国民航大学 | 稳健高效合成孔径雷达多元特征增强成像方法 |
CN111157992B (zh) * | 2020-01-14 | 2021-11-30 | 中国人民解放军海军工程大学 | 一种基于迭代相位自聚焦的机动目标isar成像方法 |
CN111157992A (zh) * | 2020-01-14 | 2020-05-15 | 中国人民解放军海军工程大学 | 一种基于迭代相位自聚焦的机动目标isar成像方法 |
CN111610522A (zh) * | 2020-06-04 | 2020-09-01 | 中国人民解放军国防科技大学 | 基于低秩与稀疏联合约束的带微动部件目标sa-isar成像方法 |
CN111796278A (zh) * | 2020-07-02 | 2020-10-20 | 南京理工大学 | 基于原子范数与图像熵联合约束的稀疏孔径isar自聚焦方法 |
CN112162280A (zh) * | 2020-08-25 | 2021-01-01 | 中国人民解放军空军预警学院雷达士官学校 | 基于原子范数最小化的sf isar一维高分辨距离成像方法 |
CN112162280B (zh) * | 2020-08-25 | 2022-09-13 | 中国人民解放军空军预警学院雷达士官学校 | 基于原子范数最小化的sf isar一维高分辨距离成像方法 |
CN112099010A (zh) * | 2020-09-16 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于结构化非凸低秩表征的带微动部件目标isar成像方法 |
CN112099010B (zh) * | 2020-09-16 | 2021-05-25 | 中国人民解放军国防科技大学 | 基于结构化非凸低秩表征的带微动部件目标isar成像方法 |
CN112099008B (zh) * | 2020-09-16 | 2022-05-27 | 中国人民解放军国防科技大学 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
CN112099008A (zh) * | 2020-09-16 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
CN112684445A (zh) * | 2020-12-02 | 2021-04-20 | 中国人民解放军国防科技大学 | 基于md-admm的mimo-isar三维成像方法 |
CN112684445B (zh) * | 2020-12-02 | 2021-09-07 | 中国人民解放军国防科技大学 | 基于md-admm的mimo-isar三维成像方法 |
CN112946644B (zh) * | 2021-01-28 | 2022-04-19 | 中国人民解放军国防科技大学 | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 |
CN112946644A (zh) * | 2021-01-28 | 2021-06-11 | 中国人民解放军国防科技大学 | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 |
CN113075635B (zh) * | 2021-03-30 | 2024-04-12 | 南京航空航天大学 | 基于相参积累的捷变频雷达目标信息重构方法 |
CN113075635A (zh) * | 2021-03-30 | 2021-07-06 | 南京航空航天大学 | 基于相参积累的捷变频雷达目标信息重构方法 |
CN114114187B (zh) * | 2021-11-18 | 2022-05-17 | 中国人民解放军国防科技大学 | 网格失配情况下基于深度展开admm网络测向方法 |
CN114114187A (zh) * | 2021-11-18 | 2022-03-01 | 中国人民解放军国防科技大学 | 网格失配情况下基于深度展开admm网络测向方法 |
CN115421115A (zh) * | 2022-05-23 | 2022-12-02 | 中国人民解放军空军预警学院 | 一种用于联合相位校正与isar成像的重赋权交替方向乘子法 |
CN115421115B (zh) * | 2022-05-23 | 2024-06-11 | 中国人民解放军空军预警学院 | 一种用于联合相位校正与isar成像的重赋权交替方向乘子法 |
CN117148347A (zh) * | 2023-06-13 | 2023-12-01 | 中国人民解放军空军预警学院 | 一种基于深度学习网络的二维联合成像与自聚焦方法 |
CN117849800A (zh) * | 2024-03-07 | 2024-04-09 | 中国科学院空天信息创新研究院 | 多角度sar图像序列生成方法、装置、设备及存储介质 |
CN117849800B (zh) * | 2024-03-07 | 2024-05-14 | 中国科学院空天信息创新研究院 | 多角度sar图像序列生成方法、装置、设备及存储介质 |
CN118068290A (zh) * | 2024-04-25 | 2024-05-24 | 西安电子科技大学 | 一种宽带雷达高速目标长时间相参积累方法及设备 |
CN118068290B (zh) * | 2024-04-25 | 2024-07-09 | 西安电子科技大学 | 一种宽带雷达高速目标长时间相参积累方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110275166B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275166A (zh) | 基于admm的快速稀疏孔径isar自聚焦与成像方法 | |
Liu et al. | MIMO radar calibration and imagery for near-field scattering diagnosis | |
Jin et al. | Time reversal in multiple-input multiple-output radar | |
Zhang et al. | Ultrawideband impulse radar through‐the‐wall imaging with compressive sensing | |
Zhang et al. | BP algorithm for the multireceiver SAS | |
Yang et al. | Knowledge‐aided STAP with sparse‐recovery by exploiting spatio‐temporal sparsity | |
WO2023045431A1 (zh) | 逆合成孔径雷达成像方法、装置、电子设备及存储介质 | |
Smith et al. | Robust through-the-wall radar image classification using a target-model alignment procedure | |
Ma et al. | Three-dimensional imaging using colocated MIMO radar and ISAR technique | |
CN110068805B (zh) | 基于变分贝叶斯推论的高速目标hrrp重构方法 | |
CN108828593B (zh) | 一种随机辐射雷达关联成像方法 | |
Kang et al. | Ground moving target imaging based on compressive sensing framework with single-channel SAR | |
Zhang et al. | Matrix completion for downward-looking 3-D SAR imaging with a random sparse linear array | |
CN109669182B (zh) | 无源双基地sar动/静目标联合稀疏成像方法 | |
Yang et al. | Sparsity‐based space–time adaptive processing using complex‐valued Homotopy technique for airborne radar | |
CN108562884A (zh) | 一种基于最大后验概率的机载前视海面目标角超分辨方法 | |
Ding et al. | Super‐resolution 3D imaging in MIMO radar using spectrum estimation theory | |
Wu et al. | Super-resolution TOA and AOA estimation for OFDM radar systems based on compressed sensing | |
Xiong et al. | BSBL‐based multiband fusion ISAR imaging | |
Li et al. | Enhanced beamspace MUSIC for cost‐effective FMCW automotive radar | |
Ozdemir et al. | ASAR-antenna synthetic aperture radar imaging | |
Yang et al. | High‐resolution multiple‐input–multiple‐output–inverse synthetic aperture radar imaging based on sparse representation | |
Yan et al. | Orthogonal waveform separation in multiple‐input and multiple‐output imaging sonar with fractional Fourier filtering | |
Xu et al. | Backward projection imaging of through-wall radar based on airspace nonuniform sampling | |
Beheshti et al. | Enhanced compressed sensing autofocus for high-resolution airborne synthetic aperture radar |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |