[发明专利]基于广义最小最大凹惩罚的SAR成像方法

说明书

本公开提供了一种开基于广义最小最大凹惩罚的SAR成像方法。该基于广义最小最大凹惩罚的SAR成像方法包括：利用SAR回波数据构建基于GMC的SAR成像模型；利用前向‑后向算法求解基于GMC的SAR成像模型，在满足迭代终止条件时，终止迭代计算；以及迭代终止后，得到关于SAR场景的表达式。本公开相比于基于L₁正则化的SAR成像方法，基于GMC的SAR成像方法，可以避免在噪声的条件下对场景中目标散射强度幅度信息的低估，提高幅度估计精度。

技术领域

本公开涉及雷达成像技术领域，尤其涉及一种基于广义最小最大凹惩罚(Generalized mini-max concave penalty，简称GMC)的合成孔径雷达(Syntheticaperture radar，简称SAR)成像方法。

背景技术

SAR是一种主动式微波成像系统，具有全天时、全天候和高分辨率成像的特点，被广泛应用于军事侦察、环境监测和土地资源管理等方面。随着SAR技术的发展，要求雷达系统的分辨率和测绘带宽不断提高，大数据量的瓶颈也越发明显。

基于L₁正则化的SAR成像方法，可以在满采样的条件下，有效抑制噪声和杂波，提升图像质量，在降采样率的情况下，有效重构SAR图像，保持目标细节。但是L₁正则化方法是一种凸优化方法，不可避免的对SAR重建目标的幅度进行低估，造成信号处理端的误差，进而对SAR定标的精度造成影响。

公开内容

(一)要解决的技术问题

本公开提供了一种基于广义最小最大凹惩罚的SAR成像方法，以至少部分解决以上所提出的技术问题。

(二)技术方案

本公开基于广义最小最大凹惩罚的SAR成像方法包括：利用SAR回波数据构建基于GMC的SAR成像模型；利用前向-后向算法求解基于GMC的SAR成像模型，在满足迭代终止条件时，终止迭代计算；以及迭代终止后，得到关于SAR场景的表达式。

在本公开的一些实施例中，所述基于GMC的SAR成像模型为：

其中，y为SAR回波数据，x为SAR场景，Φ为回波和场景对应的观测矩阵，λ为正则化参数；ψ_B(·)为广义最小最大凹惩罚项，其定义为：

ψ_B(x)＝||x||₁-S_B(x)

其中，inf为下确界函数；v为下确界函数中的变量，x为下确界函数中的常量；γ为迭代效果调整参数；R表示实数。

在本公开的一些实施例中，0≤γ≤1。

在本公开的一些实施例中，所述利用前向-后向算法求解基于GMC的SAR成像模型，在满足迭代终止条件时，终止迭代计算的步骤包括：

子步骤B1，初始化迭代参数；

子步骤B2，利用前向-后向算法对基于GMC的SAR成像模型进行迭代；

子步骤B3，计算迭代参数；以及

子步骤B4，判断是否满足迭代终止条件，如果是，则执行步骤C，否则，执行子步骤B2。

在本公开的一些实施例中，所述子步骤B1中：

雷达场景初始化为x⁰＝0，中间变量v⁰＝0，w⁰＝0，u⁰＝0；