[发明专利]一种基于混合稀疏表示的SAR非稀疏场景成像方法

说明书

本发明提供一种基于混合稀疏表示的非稀疏场景SAR成像方法；包括：第一步，对非稀疏场景的SAR回波分别进行距离向和方位向的随机降采样；第二步，构造线性调频变标成像算子和逆成像算子，基于近似观测模型构造二维压缩感知优化模型；第三步，求解构造的优化模型，首先对非稀疏SAR场景进行初始化，并对其进行点、线、面的分解，再对线分量进行曲波变换，对面分量进行小波变换，然后通过迭代阈值算法对点、线、面分量依次进行重建，直到算法收敛。最后将得到的点、线、面分量进行组合，得到最终重建的SAR图像。实现了降采样率条件下对包含复杂特征的非稀疏场景进行SAR成像，此发明能够减少对非稀疏场景成像时的数据量，同时能够增强图像的特征。

技术领域

本发明涉及信号与信息处理技术，具体涉及一种基于混合稀疏表示的SAR非稀疏场景成像方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式、全天时、全天候、高分辨的对地观测雷达系统，应用广泛。奈奎斯特采样定律限制了距离像分辨率的提高和距离幅宽的增加，因为这会增加数据量和雷达系统的负担。近年来提出的压缩感知(Compressed Sensing，CS)理论能够突破奈奎斯特采样定律，对稀疏信号重建具有优越性，该理论的基本观点是可以利用少量观测数据高概率重建原稀疏的信号或在某个变换域稀疏的信号。

现有的压缩感知SAR成像技术主要为对稀疏场景直接进行稀疏重构(参见FANGJian的《Fast compressed sensing SAR imaging based on approximatedobservation》，发表在《IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing》，2014，第七卷，第1期)和对非稀疏场景先进行稀疏表示之后再进行稀疏重构(参见LI Bo的《Mixed sparse representation for approximatedobservation based compressed sensing radar imaging》，发表在《Journal of AppliedRemote Sensing》，2018，第十二卷，第3期)，这些方法的核心都是对稀疏信号运用压缩感知理论建立优化问题，再通过求解优化问题得到恢复的原稀疏信号，如果原信号是非稀疏的，那么还需要多一个对原信号进行稀疏表示的步骤。

一般情况下，SAR场景都不是稀疏的，直接运用压缩感知理论对其进行稀疏重构不能得到高质量SAR图像，当非稀疏场景的地物特征比较复杂时，很难给包含复杂特征的SAR场景找到一个通用的稀疏表示方法。基于联合字典的稀疏表示方法融合了适应多种不同图像特征的字典，基于字典学习的方法通过数据训练学习到适应不同SAR场景的稀疏表示字典，然而固定字典具有稀疏表示能力有限的缺点，字典学习方法具有依赖训练数据集和泛化能力有限的缺点。近期提出的基于混合稀疏表示的遥感图像重建方法(参见《Aframework of mixed sparse representations for remote sensing images》，发表在《IEEE Transactions on Geoscience and Remote Sensing》，2017，第五十五卷，第2期)将图像分解为点、线、面分量的组合，对线和面分量先进行稀疏表示，变换到稀疏域后再进行重建，对复杂遥感图像的稀疏重建有很好的效果。但这种方法不能直接用于大场景SAR成像，一是没有考虑相位的重建，二是这种方法是一维压缩感知重建，场景的增大导致感知矩阵维度剧增，运算和存储消耗随之增加。

发明内容

本发明的目的在于克服上述现有技术中的不足之处，提出一种基于混合稀疏表示的SAR非稀疏场景成像方法。

本发明是通过如下方式实现的：

一种基于混合稀疏表示的SAR非稀疏场景成像方法，包括下列步骤：

步骤一：对非稀疏场景的SAR回波分别进行距离向和方位向的随机降采样，存储降采样后的回波，存储随机降采样矩阵；