[发明专利]改进的稀疏贝叶斯学习ISAR成像散射系数估计方法

说明书

本发明提供了一种改进的稀疏贝叶斯学习ISAR成像散射系数估计方法，首先将回波信号谱模型及二维成像场景离散化，随后对回波信号谱进行距离维脉冲压缩处理，并为其建立稀疏贝叶斯学习模型，初始化散射系数先验方差和噪声先验方差。基于散射系数先验方差和噪声先验方差，估计散射系数的后验均值和后验方差；采用L0范数最小化处理，改变散射系数的后验均值；再基于散射系数的后验均值和后验方差，反过来更新散射系数先验方差和噪声先验方差；如此反复迭代，不断优化更新相关参数。迭代收敛后，散射系数的后验均值矩阵即为所需成像结果。本发明方法减少运算复杂度，改进ISAR成像效果。

技术领域

本发明属于雷达成像技术领域，涉及一种改进的稀疏贝叶斯学习逆合成孔径雷达(ISAR)成像散射系数估计方法。

背景技术

近年来，压缩感知技术得到广泛的研究并被成功地应用于信号和图像重建。压缩感知理论指出，若信号是稀疏的，或可由稀疏信号良好近似(可压缩的)，则可以用一个与变换矩阵不相关的采样矩阵将高维信号投影到低维空间上。然后通过求解一个稀疏约束的优化问题就可以从这些少量的投影数据中以较高的概率恢复出原信号。由于雷达散射中心在空间中具有稀疏分布的特性，压缩感知方法适用于ISAR高分辨成像，并且具有更优越的性能。时至今日，基于压缩感知理论的成像方法已经有很多。

虽然压缩感知在雷达成像领域得到良好的应用，但其方法多将待重建信号堆叠为一维信号，使得迭代运算需要处理大规模矩阵，增加了运算复杂度；或者直接在二维矩阵模型上运算，引入了条纹干扰。因此，现有的压缩感知方法在做雷达成像时仍然存在一些缺陷。

稀疏贝叶斯学习(SBL)方法作为压缩感知方法中的一种，采用参数估计的方式进行信号重建，具有良好的性能。但传统的稀疏贝叶斯学习方法依然限于一维信号的重建，应用到雷达成像领域需要处理庞大的矩阵，无法满足需求。

发明内容

为解决上述问题，本发明提出一种改进的稀疏贝叶斯学习ISAR成像散射系数估计方法，该方法不需要将回波信号谱堆叠成一维信号进行处理，还可以减少运算量，加快迭代速度，并使成像结果更加清晰。。

为了达到上述目的，本发明提供如下技术方案：

改进的稀疏贝叶斯学习ISAR成像散射系数估计方法，包括如下步骤：

步骤1，回波模型离散化

离散化以后的观测信号二维谱数学模型表示如下：

Y₀＝Θ^a X(Θ^f)^T+V₀

其中，Y₀∈C^M×N表示二维谱，X∈C^P×Q表示待重建的散射系数，V₀∈C^M×N表示加性噪声，Θ^a∈C^M×P和Θ^f∈C^N×Q分别表示方位维和距离维字典；

步骤2，距离维脉冲压缩

将回波方程的两边同乘以Θ^f的共轭(Θ^f)^*，即对距离维进行脉冲压缩，到回波方程的改写形式：

Y＝Θ^aX+V

其中，Y∈C^M×Q和V∈C^M×Q分别表示距离维脉冲压缩后的二维谱和加性噪声；

步骤3，建立稀疏贝叶斯学习模型