[发明专利]稳健高效合成孔径雷达多元特征增强成像方法

说明书

一种稳健高效合成孔径雷达多元特征增强成像方法。其包括：建立回波信号及目标多元特征增强框架；建立目标多元特征增强求解方程，求解目标图像数据；应用熵范数量化建模合成孔径雷达图像聚焦特征正则化先验，建立代价函数，求解其邻近算子获得相位误差和聚焦特征解；应用l₁范数量化建模合成孔径雷达图像稀疏特征正则化先验，利用软阈值函数和步骤3)得到的相位误差求解出稀疏特征解；利用高斯‑赛德尔方法对目标图像数据进行迭代，获得联合稀疏和聚焦特征增强的合成孔径雷达图像等步骤。本发明方法在实验中恢复合成孔径雷达图像的稀疏和聚焦效果明显，能够快速并且有效地增强图像的聚焦特征和稀疏特征。

技术领域

本发明属于合成孔径雷达(Synthetic Aperture Radar，简称SAR)图像增强技术领域，特别是涉及一种在交替方向乘子法(Alternating Direction Method ofMultipliers，简称ADMM)的框架下在回波信号复数据域针对稀疏特征和聚焦特征进行联合增强的成像方法。

背景技术

合成孔径雷达是一种全天时、全天候、远距离、高分辨的成像雷达，可以利用有限长孔径天线实现高分辨率的地面场景成像，具有较强的气象和气候适应能力以及抗干扰能力，目前已被广泛地应用在军事和民用领域。

为了利用合成孔径雷达实现目标识别及分类等应用，如何稳健并高效地获取目标相关有用特征成为合成孔径雷达研究热点之一。稀疏特征是目标散射特性的主要特征，针对稀疏特征的增强算法发展至今，较为有代表性的包括贪婪算法、稀疏贝叶斯算法以及凸优化算法等，但这些算法或稀疏恢复精度受人为因素影响严重，或存在复杂的高维矩阵求逆而导致的运算复杂度较高。另外，由于合成孔径雷达平台在工作过程中的偏离预计航线运动会造成图像的散焦，因此在实际应用中增强图像的聚焦特性具有重要意义。传统的自聚焦算法大致分为两类：基于特显点的相位梯度自聚焦(Phase Gradient Autofocus，PGA)算法和基于图像聚焦特征优化的最小熵自聚焦(Minimum Entropy Autofocus，MEA)算法，在更接近实际环境的低信噪比情况下，PGA算法并不能很好地提取特显点的相位历程，而MEA算法在低信噪比情况下，能够估计出相位误差，并且具有较强的鲁棒性。

总之，现有的特征增强算法很难实现目标多元特征的联合增强，ADMM框架具有良好的问题分解能力，且计算效率高，稳健性强，如何利用ADMM框架的可分解性高效地实现合成孔径雷达成像中稀疏特征和聚焦特征的联合增强是一项新的挑战。

发明内容

为了解决上述问题，本发明的目的在于提供一种稳健高效合成孔径雷达多元特征增强成像方法。

为了达到上述目的，本发明提供的稳健高效合成孔径雷达多元特征增强成像方法包括按顺序进行的下列步骤：

步骤1)针对合成孔径雷达回波信号复数据建立回波信号模型及基于交替方向乘子法的目标多元特征增强框架；

步骤2)基于步骤1)得到的目标多元特征增强框架，利用最小二乘法估计法建立目标多元特征增强求解方程，并利用该方程求解出目标多元特征增强框架中的目标图像数据；

步骤3)基于步骤1)得到的目标多元特征增强框架，应用熵范数量化建模合成孔径雷达图像聚焦特征正则化先验，并建立相应的代价函数，求解其邻近算子获得相位误差和聚焦特征解；

步骤4)基于步骤1)得到的目标多元特征增强框架，应用l₁范数量化建模合成孔径雷达图像稀疏特征正则化先验，利用软阈值函数和步骤3)得到的相位误差求解出稀疏特征解；

步骤5)基于步骤3)得到的聚焦特征解和步骤4)得到的稀疏特征解，利用高斯-赛德尔方法对步骤2)得到的目标图像数据进行迭代，最终获得联合稀疏和聚焦特征增强的合成孔径雷达图像。

在步骤1)中，所述的针对合成孔径雷达回波信号复数据建立回波信号模型及基于交替方向乘子法的目标多元特征增强框架的方法是：