低秩矩阵补全高分辨SAR成像特征重建

在对抗电磁环境中,机载合成孔径雷达(SAR)容易受到电子干扰,造成若干回波脉冲不可用,导致SAR回波部分数据丢失,成像性能受限。由此,该文提出了一种基于低秩矩阵补全的特征重建SAR(FR-SAR)成像算法。考虑到SAR回波数据的低秩特性,引入矩阵分解获取行或列的非零数,应用因式组稀疏正则化(FGSR)算法对非零列数取凸优化,可获取SAR回波数据之间的相关性,从而实现SAR回波数据的补全。同时为了提升该算法的抑噪声性能和高分辨能力,将稀疏先验引入正则化模型。利用交替方向多乘子法(ADMM)实现矩阵补全和稀疏特征增强协同求解。FR-SAR算法由于未使用奇异值分解(SVD),运算效率更高。仿真和实测实验验证了FR-SAR算法的有效性,同时利用相变分析方法(PTD)对所提算法和传统算法的恢复能力进行定量对比,均验证了FR-SAR算法的优越性。

稳健高效通用SAR图像稀疏特征增强算法

针对合成孔径雷达(SAR)成像中的稀疏特征增强问题,传统方法难以在精度与效率之间实现有效的平衡。该文提出基于复数交替方向多乘子方法(C-ADMM),针对SAR稀疏特征增强建立增广的拉格朗日优化方程,并引入复数范数邻近算子,基于高斯-赛德尔思想进行对偶迭代运算,从而在复数回波数据域内对多种SAR模式的实测数据进行成像。实验部分首先通过仿真数据的相变图(PTD)验证C-ADMM算法对于复数数据的稀疏恢复性能,然后选取地面静止场景和地面运动目标的原始SAR图像和逆SAR图像实测数据,与凸优化(CVX)方法和贝叶斯压缩感知(BCS)方法进行对比试验,最后验证了该文所提算法在稀疏特征增强应用中的稳健性、高效性和通用性。

基于全变分的高分辨SAR联合特征增强成像算法

稀疏约束下的合成孔径雷达(SyntheticApertureRadar,SAR)成像技术,通过对稀疏先验建模的稀疏特征进行增强,能有效获取目标特显点的有用信息,但无法对目标的结构特征进行恢复,且对不可避免的非系统误差十分敏感。为此,提出一种依靠交替方向多乘子法(Alternating Direction Method of Multipliers,ADMM)面向结构特征增强的稀疏恢复高分辨SAR成像(Structure-feature Enhancement-ADMM,SE-ADMM)算法。该算法引入全变分(Total Variation,TV)正则项建模结构特征,起到增强结构的作用;引入ℓ1范数建模稀疏特征,起到压制噪声作用;引入最小熵范数建模聚焦特征,以保证算法对非系统乘性误差的不敏感性。在ADMM多特征优化框架下,利用“局部-全局”的运算机制,首先分别进行三个特征的邻近算子推导,以获得对应特征解析解,再进行目标全局优化保证特征解之间的协调平衡,以实现目标的多特征增强。另外,ADMM多特征优化框架下变量分裂和多正则项的引入,保证了算法的效率和稳健性。实验部分先后选取SAR仿真数据与实测数据来验证算法的有效性,通过相变热力图定量分析所提算法的恢复性能,进而验证了所提SE-ADMM算法的稳健性与优越性。

稳健型双层叠组LASSO逆合成孔径雷达高分辨成像算法

经典的逆合成孔径雷达(ISAR)稀疏成像算法一般通过求解范数约束的最小化问题获取稀疏恢复结果,但此类算法在恢复过程中很容易将某些散射强度较低的分辨单元当作背景噪声一并消除,从而导致目标部分弱散射结构特征丢失。针对这一问题,该文提出一种基于稳健型双层叠组LASSO回归模型的交替方向多乘子算法(RTGL-ADMM)。该算法在ISAR目标稀疏先验的基础上,进一步引入目标散射体空间连续性结构特征先验知识,并应用l_(1)/l_(F)混合范数进行定量表征。接下来,在ADMM框架下引入非平滑的l_(1)/l_(F)混合范数惩罚项,并将距离向和方位向雷达回波复数据分别进行分组处理后再使其双层叠加,然后对混合范数对应的邻近算子进行对偶迭代运算,实现“分解-协同”框架下结构与组稀疏特征的有机调和,从而在对ISAR数据稀疏成像的同时实现结构特征增强。实验验证采用ISAR仿真复数据与Yak-42实测数据,针对RTGL-ADMM成像进行定性分析。继而采用相变曲线图定量分析RTGL-ADMM在不同参数调节下的成像能力,从而验证了该文所提算法应用于ISAR高分辨成像时的稳健性与优越性。

高分辨SAR目标复杂结构特征增强成像算法

提出面向合成孔径雷达(Synthetic Aperture Radar,SAR)回波数据的复杂结构特征增强算法(Complex Structure Feature Enhancement Algorithm,CEA),面向SAR成像目标的复杂结构特征,算法利用高阶方向全变分(High-order Total Direction Variation,HOTDV)正则算子表示,面向SAR成像目标的稀疏特征,算法用ℓ_(1)正则算子表示。算法利用交替方向多乘子法(Alternating Direction Method of Multipliers,ADMM)建立多正则约束优化框架,设计复杂结构分裂变量和稀疏分裂变量,并求出分裂变量解析更新解以实现SAR成像目标的复杂结构特征与稀疏特征的增强。多正则约束优化框架中的对偶分解保证多特征多任务处理能力,增广拉格朗日项的使用则保证了算法的收敛性和稳健性。最后,设计了仿真和实测SAR数据特征增强实验以验证算法的有效性,对比多种传统结构特征增强算法以验证所提复杂结构特征增强算法的优越性。

双层稀疏组Lasso高分辨SAR结构特征增强成像

针对合成孔径雷达(synthetic aperture radar,SAR)成像中,基于■正则化线性回归(简称为Lasso)的凸优化类算法在进行稀疏特征增强时会导致弱散射体结构特征丢失,进而影响稀疏信号恢复精度的问题,本文提出一种基于双层稀疏组Lasso罚高斯回归模型的交替方向多乘子算法。该算法以散射体的块结构(组)特征为先验,首先针对SAR数据分类特征引入■范数对应的近端算子,通过在交替方向多乘子方法框架中利用高斯-赛德尔思想对其近端算子进行对偶迭代运算,实现第一层和第二层SAR组间的稀疏特征增强。另外混合范数中的■范数为高斯惩罚项,可对SAR回波复数据整体进行平滑,实现SAR结构特征增强成像。因此,所提算法可在SAR回波复数据处理中同时实现稀疏特征和结构特征联合增强。实验选取SAR、SAR地面动目标成像(SAR ground moving target imaging,SAR-GMTIm)和逆SAR的仿真数据与实测数据,分别从定性和定量两种角度对所提算法和传统算法进行对比,其中定量分析时采用相变图(phase transition diagram,PTD)方法来验证所提算法的重建能力,从而验证了本文所提算法应用于SAR稀疏与结构特征增强的有效性与优越性。

基于形态学自适应分块的高分辨SAR多特征增强算法

传统基于■1范数正则化算子(least absolute shrinkage and selection operator,LASSO)模型的合成孔径雷达(synthetic aperture radar,SAR)压缩感知类稀疏成像算法易丢失弱散射点。基于扩展型组LASSO系列模型的算法虽可增强SAR结构特征以保留弱散射点,但由于其增强过程中本质上采用了欧式距离方法进行特征分块,致使分块较为“机械”,不能很好地提取目标结构,从而影响最终高分辨SAR成像质量。针对上述问题,提出一种基于形态学自适应分块的交替方向多乘子法(morphological auto-blocking alternating direction method of multipliers,MAB-ADMM)来实现高分辨SAR多特征表征。该算法通过建立基于形态学分块的■M/■F混合结构范数和■1稀疏范数来分别引入结构和稀疏先验,从而实现结构与稀疏多特征增强。由于采用了基于测地距离的形态学分块方式,MAB-ADMM算法能够更加有效地识别感兴趣的目标轮廓,从而提高结构增强的准确度和完整度。实验部分通过采用仿真复数据和实测SAR数据对所提算法和传统算法的成像结果进行定性对比,从而验证所提算法具有优越的多特征增强能力。此外,采用相变热力图对所提算法和传统算法的恢复能力进行定量对比,并利用MSTAR数据验证了所提算法可有效针对分类算法进行结果提升。