[发明专利]基于非凸全变差正则化的SAR成像方法

说明书

一种基于非凸全变差正则化的SAR成像方法，包括以下步骤：构建SAR观测模型；构建基于非凸全变差正则化的SAR成像模型；利用变量分离及广义阈值迭代收缩算法求解基于非凸全变差正则化的SAR成像模型，完成SAR成像。相比于Lsubgt;1/subgt;TV正则化方法，本发明提出的方法可以精确重构目标散射强度幅度信息，避免对目标散射强度幅度信息的低估；相比于传统匹配滤波算法，本发明提出的方法既可以有效抑制加性噪声和杂波，又可以抑制斑点噪声，保持面目标后向散射系数的连续性、均匀性，可以实现同时增强点目标与面目标的特性。

技术领域

本发明涉及雷达成像技术领域，尤其涉及一种基于非凸全变差正则化(Nonconvextotal variation regularization)的SAR成像方法。

背景技术

合成孔径雷达(Synthetic aperture radar，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。L₁正则化可以增强SAR图像中点目标特征；全变差(Total variation，TV)正则化可以增强SAR图像中的面目标特征，保持面目标后向散射系数的连续性、均匀性。将L₁范数惩罚项和TV范数惩罚项进行简单线性组合生成一个复合惩罚函数，可以得到L₁TV正则化模型，该模型既可以增强点目标特征，又可以增强面目标特征。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。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于非凸全变差正则化的SAR成像方法，以期部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一方面，提供了一种基于非凸全变差正则化的SAR成像方法，包括以下步骤：

构建SAR观测模型；

构建基于非凸全变差正则化的SAR成像模型；

利用变量分离及广义阈值迭代收缩算法求解基于非凸全变差正则化的SAR成像模型，完成SAR成像。

其中，根据SAR几何关系，构建SAR二维观测模型如下：

Y＝ΞA+N；

其中，Y为SAR二维回波，A为SAR二维场景，Ξ为根据SAR观测几何构建的观测矩阵，N为二维加性噪声。

其中，将所述SAR二维观测模型向量化，得到一维观测模型如下：

y＝Φα+n；

其中，y为二维回波向量化结果，α为二维场景向量化结果，Φ为对回波和场景进行向量化之后对应的观测矩阵，n向量化的加性噪声。

其中，所述基于非凸全变差正则化的SAR成像模型如下：

其中，λ₁，λ₂为正则化参数，p(α)为非凸惩罚项，TV(|α|)为全变差范数惩罚项。

其中，所述非凸惩罚项包括L_q范数惩罚项，对数和惩罚项，最小最大凹惩罚项和平滑裁剪绝对偏差惩罚项。

其中，所述最小最大凹惩罚项的定义为：