SAR图像超分辨技术

临近空间高分辨率SAR成像技术研究的开题报告一、研究背景当前，随着卫星科技的不断发展和应用需求的不断增加，对于地球资源的高分辨率成像技术需求与日俱增，其中高分辨率合成孔径雷达（SAR）技术成为了一种十分重要的技术手段。

空间高分辨率SAR成像技术是一种在距离较远的情况下，通过合成孔径对地面物体进行成像的技术，其分辨率可达到亚米级。

该技术应用广泛，可用于军事侦察、天气预测、环境监测、海洋资源调查等领域。

目前，国内外对于空间高分辨率SAR成像技术的研究正日益深入。

二、研究目的本文旨在通过对空间高分辨率SAR成像技术的研究，探究其成像原理与技术难点，分析国内外研究进展，为未来研究的开展提供参考。

三、研究内容（一）空间高分辨率SAR成像技术原理研究1. 合成孔径雷达（SAR）成像原理2. 空间高分辨率SAR成像技术成像原理（二）空间高分辨率SAR成像技术难点研究1. SAR系统参数设计问题2. SAR图像处理方法研究3. SAR信噪比提高方法研究（三）国内外研究现状分析1. 空间高分辨率SAR成像技术国内外研究历程2. 空间高分辨率SAR成像技术发展趋势分析四、预期研究结果通过研究空间高分辨率SAR成像技术，提出SAR系统参数设计方案、SAR图像处理优化方法和SAR信噪比提高策略等一系列研究成果，为空间高分辨率SAR成像技术的发展提供思路和参考。

五、研究方法本文将采用文献法和调研法，结合数学分析和计算机模拟等方法，对该技术进行系统分析和研究。

六、研究计划本研究共计12个月，工作计划如下：第1-2个月：了解空间高分辨率SAR成像技术及其应用领域。

第3-4个月：掌握空间高分辨率SAR成像技术的基本原理和相关技术。

第5-6个月：深入研究SAR系统参数设计问题及图像处理优化方法第7-8个月：研究SAR信噪比提高策略第9-10个月：分析国内外研究现状，总结发展趋势第11-12个月：撰写论文并进行答辩。

七、论文结构第一章：研究背景及目的第二章：空间高分辨率SAR成像技术原理研究第三章：空间高分辨率SAR成像技术难点研究第四章：国内外研究现状分析第五章：预期研究成果及展望参考文献。

合成孔径雷达原理合成孔径雷达（Synthetic Aperture Radar，简称SAR）是一种利用合成孔径技术获取地面目标信息的雷达系统。

合成孔径雷达通过利用雷达与飞行器（如卫星、飞机等）的运动合成一个大孔径，在距离上实现超分辨能力，从而实现对地面目标的高分辨率成像。

合成孔径雷达的工作原理如下：首先，发射器发射一束雷达波束，并接收目标反射回来的信号。

接收到的信号经过放大和混频等处理后，得到一连串雷达回波数据。

然后，这些回波数据被存储下来。

为了实现合成孔径雷达的高分辨率成像，需要通过飞行器的运动合成一个大孔径。

首先，飞行器沿着固定轨迹匀速飞行，在飞行的过程中，持续接收并记录目标的回波数据。

这些回波数据来自不同位置、不同时间上的目标反射。

在数据处理阶段，首先根据飞行器的速度和航向信息对回波数据进行校正，以消除因飞行器运动而引入的效应。

然后，将校正后的回波数据进行时域信号处理，如滤波、相位校正等。

接着，利用这些回波数据，进行合成孔径处理。

合成孔径处理的目标是将由不同位置和时间上的多个小孔径雷达所获取的回波数据合成为一个大孔径。

通常采用的方法是将这些回波数据叠加在一起，通过加权平均的方式获取高分辨率成像结果。

加权的原则是使得距离较远的目标点，其在不同位置和时间上的回波数据相位一致，从而进行叠加时能够增强目标特征。

最后，根据合成孔径雷达的系统参数和地面场景的需求，进行进一步的数据处理，如图像去噪、图像增强等操作，得到清晰的高分辨率合成孔径雷达图像。

总之，合成孔径雷达通过利用合成孔径技术，通过飞行器的运动合成一个大孔径，实现了对地面目标的高分辨率成像。

这种雷达系统在军事、航空、地质勘探等领域具有广泛的应用前景。

收稿日期:2004-09-15;修返日期:2004-10-29基金项目:国家自然科学基金委员会与中国节能投资公司联合研究资金资助项目(60107003);陕西省自然科学研究资助项目简单有效的序列图像超分辨率重建算法*林 虹,李庆辉,樊松波(西安电子科技大学技术物理学院,陕西西安710071)摘 要:提出了一种基于运动估计和图像重叠取中值相结合的超分辨率重建算法(采用预滤波梯度法进行运动估计)。

仿真实验的结果表明,该方法不仅能够通过较小的运算量得到较为清晰的重建图像,而且对图像噪声有着十分理想的抑制作用。

关键词:超分辨率;预滤波梯度法;运动估计;中值滤波中图法分类号:TP391 文献标识码: A 文章编号:1001-3695(2005)09-0152-02A Sim ple and Effective Algor it hm of Super-resolut ion Im age Recon st ru ctionLIN Hong,L I Qing-hui,FAN S ong-bo(School of Technical Physics,Xidian Univers ity,Xi ’an Shanxi 710071,C hina)Abst ract :A com bina tion of pre-filt er g radient m otion es tim at ion a nd picking m edia n of serial im ages is present ed to recon-s truct a high-resolution im a ge from a s et of degra ded,low-resolut ion im a ges.A bett er reconst ruction im ag e is g iv en with les scom puta tion.And the noise of im a ges can also be rest rained effect ively.Key wo rds:S uper-res olut ion;Pre-filt er Gra dient Method;Motion Est im at ion;Media n Filt er1 引言在红外系统成像中,人们总希望能够得到高分辨率的图像进行分析和研究。

高分辨率SAR图像的目标特征增强与提取研究的开题报告一、选题背景和意义随着卫星遥感技术的不断发展，高分辨率SAR（Synthetic Aperture Radar，合成孔径雷达）图像已经成为遥感领域得到越来越广泛应用的一种数据形式。

SAR图像在地理信息、城市规划、生态环境、军事等领域有着广泛的应用，其特点是具有全天候、全天时、能做到“看得见”实地细节等优势，但同时也存在着复杂的噪声和辐射照度的不均匀性等问题，这些问题限制了其在目标识别等方面的应用。

因此，如何提高高分辨率SAR图像的质量，增强目标特征，提高目标识别精度成为当前遥感领域研究的热点问题。

本研究的目的就是采用图像处理和计算机视觉理论，针对高分辨率SAR图像的特点，提出一种能够解决噪声和辐射照度等问题，增强目标特征，准确提取目标的方法。

二、研究内容和研究方法本论文的研究内容主要包括以下三个方面：1.高分辨率SAR图像的预处理：对高分辨率SAR图像进行滤波、去噪、几何校正等预处理工作，以提高图像质量。

2.高分辨率SAR图像的目标特征增强：在预处理的基础上，采用图像增强技术，提高图像的对比度、亮度等特征，从而更准确地显示和识别目标。

3.高分辨率SAR图像的目标提取：利用计算机视觉理论和相关算法，对增强后的图像进行特征提取与目标检测，以实现对目标的快速、准确检测。

研究方法主要是基于现有的SAR图像处理技术和计算机视觉理论，结合研究问题的特点，采用Matlab等计算机软件进行算法设计和模拟实验。

三、预期结果和创新性本研究预期可以实现高分辨率SAR图像的目标识别精度的提高，通过预处理、特征增强和目标检测等环节的优化，可以准确地提取目标信息，为后续的应用提供有效的数据支持，具有一定的应用价值。

本研究的创新点也主要表现在以下两个方面：1.将图像处理和计算机视觉理论有机结合，针对高分辨率SAR图像的特点，提出了一种新的目标特征增强和提取方法，相对于传统方法能够更好地满足实际需求。

一种高分辨SAR层析成像方法孙希龙;余安喜;董臻;孙造宇;梁甸农【摘要】在城区建筑三维重建中,如何利用非均匀的少量观测数据,在保持方位向-距离向分辨率的同时实现高度向的高分辨成像是SAR层析面临的一个主要难题.在确定性点目标模型下,基于RELAX算法,提出了一种适用于城区建筑三维重建的SAR层析高分辨成像方法.与统计模型下的空间谱估计方法相比,该方法无需多视处理,能够保持方位向-距离向分辨率.与奇异值分解方法相比,该方法具有更优的高度向分辨能力.在仿真数据和Envisat-ASAR实测数据处理实验中,该方法的有效性得到了验证.%In the three-dimensional reconstruction of urban areas and man-made infrastructure, the urgent problem of SAR tomography is how to achieve satisfactory elevation resolution with a small number of non-uniform passes and preserve azimuth-range resolution simultaneously. An imaging method for SAR tomography based on RELAX algorithm is proposed in the framework of deterministic models. Compared with the spatial spectral estimation method that works statistically, this method does not need to deal with a spatial multilooking and maintains high resolution of direction dimension-distance dimension. Compared with the singular value decomposition method, this method has much better resolution of elevation dimension. Results obtained by processing simulated data and real data of ENV1SAT-ASAR verified the promising potentiality of this imaging method.【期刊名称】《国防科技大学学报》【年(卷),期】2012(034)003【总页数】6页(P125-130)【关键词】合成孔径雷达;层析;高分辨;松弛算法【作者】孙希龙;余安喜;董臻;孙造宇;梁甸农【作者单位】国防科技大学电子科学与工程学院,湖南长沙410073;国防科技大学电子科学与工程学院,湖南长沙410073;国防科技大学电子科学与工程学院,湖南长沙410073;国防科技大学电子科学与工程学院,湖南长沙410073;国防科技大学电子科学与工程学院,湖南长沙410073【正文语种】中文【中图分类】TN95720世纪末，层析成像技术被引入到合成孔径雷达(Synthetic Aperture Radar，SAR)中，产生了SAR 层析技术(SAR Tomography，TomoSAR)［1］，该技术利用在不同空间位置获得的多次观测将传统SAR的方位向一维合成孔径扩展成方位-高度平面内的二维合成孔径，克服了传统SAR二维成像中高度向分辨能力丧失的难题，真正实现了对观测目标的三维成像，近年来受到了国内外众多研究机构和研究者的关注。

sar成像原理SAR成像原理。

合成孔径雷达（SAR）是一种利用雷达波进行成像的技术，它具有独特的成像原理和优势。

在SAR成像中，雷达发射的脉冲信号经过地面目标的反射后，被接收回来并记录下来。

通过处理这些回波信号，可以得到地面目标的高分辨率图像，无论是在白天还是夜晚，无论是在晴天还是阴天，SAR都能够实现可靠的成像。

SAR成像的原理主要包括以下几个方面：1. 雷达波的发射和接收，SAR系统通过发射一系列的脉冲信号，并记录每个脉冲信号的回波信号。

这些回波信号包含了地面目标的信息，通过处理这些信号，就可以获取地面目标的图像。

2. 雷达波的回波信号处理，SAR系统通过接收和记录地面目标反射回来的回波信号，然后对这些信号进行处理，包括时域处理、频域处理、相位处理等。

这些处理过程可以提取出地面目标的特征信息，从而实现高分辨率的成像。

3. 雷达波的合成孔径，SAR系统通过对多个脉冲信号的回波信号进行合成，可以实现合成孔径雷达的成像原理。

这种合成孔径的方式可以有效地提高成像的分辨率，使得SAR系统可以获取高质量的地面目标图像。

4. 地面目标图像的重建，通过对处理后的回波信号进行进一步处理和重建，SAR系统可以得到地面目标的高分辨率图像。

这些图像可以用于地质勘探、环境监测、军事侦察等领域。

总的来说，SAR成像原理是通过发射和接收雷达波，对回波信号进行处理和合成，最终实现对地面目标高分辨率成像的技术。

这种成像技术具有独特的优势，可以在各种复杂环境下实现可靠的成像，因此在军事、民用领域都有着广泛的应用前景。

随着雷达技术的不断发展和完善，SAR成像技术也将迎来更加广阔的发展空间，为人类社会的发展和进步提供更多的支持和帮助。

SAR遥感图像解析与地物提取技术SAR (Synthetic Aperture Radar) 是一种通过雷达信号获取地面反射回波数据的遥感技术。

与光学遥感相比，SAR具有天气无关性、全天候性和云覆盖下的观测能力。

由于这些优势，SAR遥感图像在地物提取、土地利用监测、环境变化研究等领域具有广泛应用。

本文将介绍SAR遥感图像解析与地物提取技术的基本原理和主要方法。

一、SAR遥感图像解析基本原理SAR遥感图像解析是指通过对SAR图像中的数据进行处理和分析，揭示出隐藏在图像中的地物信息的过程。

SAR图像的基本原理是利用雷达脉冲信号与地面目标发生相互反射形成回波信号，通过处理回波信号的幅度、相位和极化等信息，获取地物的特征和位置。

SAR遥感图像的解析过程涉及信号去噪、几何校正、辐射校正、数据配准和特征提取等多个步骤。

首先，对原始SAR图像进行预处理，去除噪声和伪迹，以提高图像质量。

然后，进行几何校正和辐射校正，确保图像具有准确的位置和亮度信息。

接下来，对图像进行配准，将SAR图像与其他遥感数据或地理信息系统(GIS) 数据进行对比和分析。

最后，通过特征提取算法，将图像中的地物信息提取出来。

二、SAR地物提取技术SAR地物提取技术是指利用SAR图像的特征信息，将地物从图像中分割或分类出来。

常用的SAR地物提取方法包括基于像素的技术和基于目标的技术。

1. 基于像素的地物提取技术基于像素的地物提取技术是指利用SAR图像中每个像素点的信息进行分类。

常见的方法包括阈值分割、聚类分析和机器学习。

阈值分割是根据图像灰度值与预先设定的阈值进行分类。

聚类分析是将图像中的像素点划分为不同的类别，使得同一类别内的像素点具有相似的特征。

机器学习方法是通过训练样本，建立分类模型，对SAR图像进行分类。

2. 基于目标的地物提取技术基于目标的地物提取技术是指将SAR图像中的地物进行分割，形成具有独立目标特征的图像，以方便后续分析和应用。

图像超分辨率重建技术在卫星影像处理中的应用及优化摘要：图像超分辨率重建技术是一种通过提高图像的空间分辨率来改善图像质量的方法。

在卫星影像处理中，图像超分辨率重建技术具有广泛应用的潜力。

本文将介绍图像超分辨率重建技术在卫星影像处理中的应用，并提出相关的优化方法。

1. 引言随着遥感技术的发展，卫星影像在地理信息系统、环境监测、农业、城市规划等领域中起到了至关重要的作用。

然而，由于卫星的遥远距离和限制的传感器分辨率，卫星影像常常受到分辨率低下的问题影响。

为了提高卫星影像的空间分辨率，图像超分辨率重建技术得到了广泛应用。

2. 图像超分辨率重建技术概述图像超分辨率重建技术是指通过一定的算法和方法，将低分辨率的图像恢复到高分辨率的图像。

常用的超分辨率重建算法包括插值法、基于边缘的方法、基于统计的方法和基于学习的方法等。

这些方法通过使用多帧图像、空间域和频域特征来重建高分辨率图像。

3. 图像超分辨率重建在卫星影像处理中的应用图像超分辨率重建技术在卫星影像处理中有着广泛的应用。

首先，它可以提高卫星影像的视觉效果。

通过增加图像的细节和清晰度，可以更好地分析和识别物体、地形和环境。

其次，图像超分辨率重建还可以提供高分辨率的地图数据，用于地理信息系统的构建和更新。

另外，图像超分辨率重建技术在军事侦查、环境监测和自然灾害预警等领域中也得到了应用。

4. 图像超分辨率重建技术的优化方法为了进一步提高图像超分辨率重建技术在卫星影像处理中的应用效果，一些优化方法被提出。

首先，可以使用深度学习方法来实现更精确的图像重建。

深度学习可以通过大量的训练数据来构建高效的模型，提高重建图像的质量。

其次，可以采用多尺度的方法来融合不同分辨率的图像信息，从而提高图像的细节和清晰度。

此外，优化算法的选择和参数调整也是提高图像超分辨率重建效果的重要因素。

5. 应用案例以地理信息系统为例，图像超分辨率重建技术在卫星影像处理中的应用具有重要意义。

通过提高卫星影像的空间分辨率，可以更准确地构建地图数据，为城市规划、土地利用、环境保护等方面提供准确的基础数据。

【超分辨率】—图像超分辨率（Super-Resolution）技术研究⼀、相关概念1.分辨率图像分辨率指图像中存储的信息量，是每英⼨图像内有多少个像素点，分辨率的单位为PPI(Pixels Per Inch)，通常叫做像素每英⼨。

⼀般情况下，图像分辨率越⾼，图像中包含的细节就越多，信息量也越⼤。

图像分辨率分为空间分辨率和时间分辨率。

通常，分辨率被表⽰成每⼀个⽅向上的像素数量，例如64*64的⼆维图像。

但分辨率的⾼低其实并不等同于像素数量的多少，例如⼀个通过插值放⼤了5倍的图像并不表⽰它包含的细节增加了多少。

图像超分辨率重建关注的是恢复图像中丢失的细节，即⾼频信息。

在⼤量的电⼦图像应⽤领域，⼈们经常期望得到⾼分辨率（简称HR）图像。

但由于设备、传感器等原因，我们得到的图像往往是低分辨率图像（LR）。

增加空间分辨率最直接的解决⽅法就是通过传感器制造技术减少像素尺⼨（例如增加每单元⾯积的像素数量）；另外⼀个增加空间分辨率的⽅法是增加芯⽚的尺⼨，从⽽增加图像的容量。

因为很难提⾼⼤容量的偶合转换率，所以这种⽅法⼀般不认为是有效的，因此，引出了图像超分辨率技术。

2.图像超分辨率图像超分辨率（Image Super Resolution）是指由⼀幅低分辨率图像或图像序列恢复出⾼分辨率图像。

图像超分辨率技术分为超分辨率复原和超分辨率重建。

⽬前，图像超分辨率研究可分为 3个主要范畴：基于插值、基于重建和基于学习的⽅法。

超分辨率(Super-Resolution)即通过硬件或软件的⽅法提⾼原有图像的分辨率，通过⼀系列低分辨率的图像来得到⼀幅⾼分辨率的图像过程就是超分辨率重建。

超分辨率重建的核⼼思想就是⽤时间带宽(获取同⼀场景的多帧图像序列)换取空间分辨率,实现时间分辨率向空间分辨率的转换。

3.与其他图像处理技术的关系图像修复技术 VS 图像超分辨率技术：图像修复的⽬标是恢复⼀个被模糊或者噪声破坏的图像，但是它不改变图像的尺⼨。

前视扫描SAR超分辨成像徐刚;陈倩倩;侯育星;李亚超;邢孟道【摘要】A novel algorithm for super-resolution imaging based on the Compressive sensing theory for forward-looking SAR is proposed. Azimuth resolution is achieved by laying the practical linear array in a Multiple-Input and Multiple-Output mode. A narrow radiation pattern could be obtained using the beam-form technique to observe the small scene, which provides the sparsity prior of the SAR image. Then regularization is constructed by exploiting the sparsity prior and super-resolution could be realized by solving the optimization, Enhanced imaging resolution could be captured with a limited length of array, lowing the cost and complexity of the system. Numeric simulation results confirm the validation of the proposed algorithm.%提出了一种前视SAR超分辨成像算法.方位维分辨通过安置线性阵列,采用“多发多收”的工作方式,通过波束形成技术得到较窄的发射波束以覆盖有限观测场景,利用目标的稀疏先验信息建立正则化问题,然后通过求解最优化问题实现超分辨成像.该算法在有限阵列长度的条件下可以获得更优的成像结果,有效降低了系统的成本和复杂度.仿真结果验证了该文分析的正确性和算法的有效性.【期刊名称】《西安电子科技大学学报（自然科学版）》【年(卷),期】2012(039)005【总页数】7页(P79-84,95)【关键词】压缩感知;前视;超分辨;正则化【作者】徐刚;陈倩倩;侯育星;李亚超;邢孟道【作者单位】西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071【正文语种】中文【中图分类】TP701合成孔径雷达(SAR)作为一种主动探测工具,具有全天候、全天时和远距离作用的特点,可以大大提高雷达的信息获取能力,在军事和民用方面发挥着非常重要的作用[1].传统的SAR采取侧视工作模式,依靠成像平台相对目标运动所提供的多普勒信息以实现方位维的高分辨,然而对于平台正前方的目标而言,传统的SAR无法获取目标的多普勒信息,因此对平台运动正前方的场景无法进行探测,具有一定的局限性.然而在许多应用场合,需要SAR采取前视或者下视工作模式,例如敌情探测、地形勘测、导弹制导、城市规划以及环境勘测等.文献[2-3]提出了一种利用在垂直平台运动方向摆放线性阵列的前视SAR成像体制,通过对各个阵元的回波信号进行常规成像处理以实现前视二维成像.然而,前视SAR方位维的分辨率与阵列长度密切相关,由于系统成本、成像平台的载重以及空间等因素的限制,阵列长度往往不能太长,从而导致方位维分辨受到很大影响.近几年来,压缩感知理论(CS)自提出以后得到很大发展.由CS理论可知,在满足限制等距(RIP)准则的条件下,通过构造有效的稀疏表征基利用求解最小l1-范数正则化问题,目标信号可以从有限的观测样本以极大概率得到完美恢复,并且具有良好的抗噪性能[4].更加值得注意的是,雷达成像作为一种逆问题,CS理论很快在其得到应用,相继有人提出压缩感知雷达[5-6]的概念;文献[7]提出了一种目标特征增强的SAR 成像算法,通过对SAR成像目标和边缘进行稀疏表征处理,实现了分辨率的提高、副瓣的降低、相干斑抑制以及区域的增强等;文献[8]提出了一种ISAR超分辨成像算法,利用有限观测样本进行谱估计得到更优的成像效果.可见,利用CS理论可以有效提高雷达成像的质量.笔者基于CS理论提出了一种前视扫描SAR超分辨成像算法,利用对有限观测场景的稀疏约束建立正则化目标函数,通过求解最优化问题实现超分辨成像.该系统采用“多发多收”的工作方式,发射阵列为密集阵列,通过波束形成技术在不同时刻得到不同方向的窄波束以实现对场景的扫描观测;为了降低系统的复杂度和成本,接收阵列为稀疏阵列,并且部分接收阵元和发射阵元复用;通过设置合理的系统参数,解决了因为接收阵元不满足瑞利准则而导致的栅瓣问题;利用发射窄波束覆盖有限场景提供的SAR图像的稀疏先验信息建立正则化问题;最后,利用基于更新的Hessian矩阵的拟牛顿算法求解最优化问题,在有限阵元的条件下获得更优的成像结果,降低了系统的成本.前视SAR成像几何模型如图1所示,x轴定义为载机航向,y轴定义为垂直于航线的水平方向,z轴定义为高度方向.假设载机速度为v,高度为h,某一时刻前视俯仰角为α,线性阵列沿y轴方向排列,采用“多天线发射多天线接收”的扫描工作方式,其中发射阵元沿阵列中心等间隔分布,其分布间隔d1＜λ/2;接收阵元同样沿阵列中心等间隔排列,其分布间隔d2＞λ/2.部分接收阵元和发射阵元复用,并且设置接收阵列的长度L2大于发射阵列的长度L1.距离维定义为发射波束的中心方向,方位维定义为线性阵列安置的方向.距离维高分辨依靠发射宽频带的线性调频信号得以实现,同时方位维分辨依靠实际线性阵列实现.在载机平台飞行的不同时刻,利用波束形成技术通过对各发射阵元的信号进行加权处理,形成不同方位的扫描波束以覆盖大范围的观测场景,这样就可以保证较高的发射功率,能有效提高回波信号的信噪比.然而,由于接收阵元间隔d2＞λ/2,会引起栅瓣存在,因此有必要对系统的参数设计进行研究,来解决接收信号的栅瓣问题,以便于后续的SAR成像处理.以发射波束为例,建立发射波束的方向图函数,其几何关系如图2所示.为了便于表示,假设发射信号为单频信号exp[j2πfct],对于斜视角为θ的目标(由于作用距离比较远,平面波假设成立),线性阵列的各个发射阵元的信号组成的响应向量可以表示为其中,M1为发射阵元个数.假设此处仅以传统波束形成方法为例(当然并不局限于其他的波束形成方法),利用加权向量w=s(θd),形成斜视角为θd的发射波束,则发射波束天线方向图的功率响应函数可以表示为[9]由式(2)可得,发射波束天线方向图的主瓣大小主要由发射阵列长度L1=M1d1决定,L1越大,波束形成的空间分辨率越高.由瑞利分布可知,当阵元间隔设置为d1＜λ/2时,发射波形无栅瓣模糊存在.同理,在阵列接收时对各个阵元的回波信号采用多组不同的权值进行加权处理,来形成不同方向的接收波束(在数字信号处理中可通过快速傅里叶变换(FFT)操作能有效实现).同样地,接收波束的主瓣大小由接收阵列长度L2=M2d2决定.所以在系统设计的时候,可以通过设置L1＜L2来保证有效的较大场景的扫描范围观测.同时考虑到接收阵元间隔d2＞λ/2会导致栅瓣模糊存在问题,所以在系统设计时需保证发射波束覆盖的空间方位角度范围小于接收阵列的一个模糊周期对应的角度范围,从而有效避免了接收信号在空间方位角度的模糊.下面分析前视SAR成像的信号模型.假设载机在某一方位tm时刻,场景中某一目标p位置为(xn,yn, zn),经过相干检波后其回波信号可以表示为式(10)表示经过距离维脉冲压缩后得到的一维距离像回波信号,直接对式(10)进行方位维FFT,可以得到二维SAR图像.忽略发射天线方向图的调制影响,式(10)可以表示为其中,s表示按照同一距离单元重新排列的回波信号;a表示需要重构的SAR图像;n 为观测噪声矩阵,一般可以假设为高斯矩阵[11];T为观测矩阵,FN2N1为部分傅里叶变换矩阵,维数为N2×N1,其中N2＜N1,可见T为降维矩阵.由CS理论可知,目标信号可通过构造稀疏基利用稀疏约束从有限的观测样本以极大的概率得到完美恢复[12],而不需要满足奈奎斯特采样定理.文献[11]通过构造稀疏表征基将信号的稀疏表征应用于SAR成像中,可有效实现SAR成像的质量;同时,信号的稀疏表征在ISAR成像处理中同样得到应用,文献[12]提出一种利用加权CS的ISAR超分辨成像算法.可见,信号的稀疏表征在提高SAR/ISAR成像质量方面起着重要的作用.文中设计的前视阵列扫描SAR体制通过对各个发射阵元的信号进行波束形成处理,得到较窄的发射波束,其优势主要有:(1)通过合理设计发射阵元间隔d1、接收阵元间隔d2、发射阵列长度L1以及接收阵列长度L2,可以有效解决由于接收阵元间隔d2＞λ/2导致的栅瓣模糊问题,从而减少接收阵元的数目,降低系统的成本和复杂度;(2)可以保证较高的发射功率,提高回波信号的信噪比,从而提高成像的质量;(3)通过合理地设计系统参数,可提供较为稀疏的观测场景,从而有利于后续的SAR超分辨成像处理.通过合理地设计系统参数,能得到较窄的发射波束以覆盖较小的SAR场景.因此,对式(11)所示回波数据进行方位维FFT处理,可以得到粗分辨的扫描SAR场景,并且成像SAR目标仅占据SAR图像的部分区域,从这一方面而言,成像SAR目标具有稀疏特性.此外,SAR成像目标的某些特征同样具有稀疏特性,例如边缘特征[7].基于观测场景的稀疏先验信息和成像目标边缘特征的稀疏特性,利用式(11)通过最大后验概率估计建立目标方程为其中,D为二维导数算子,可以分为距离维和方位维两个部分,并统一用D表示.式(12)中,第1项为观测误差;第2项为目标信号的稀疏约束;第3项是考虑到SAR场景一般具有较强的区域特征,为提高SAR目标恢复的性能而对其进行的区域增强处理.λ1和λ2主要作用是平衡三者之间的关系,可以通过统计参数估计得到.式(12)的求解需要数值迭代算法,由文献[7]可知,基于常规的Hessian矩阵的牛顿或者拟牛顿算法,其求解结果一般比较差.这里基于文献[7],利用基于更新的Hessian矩阵的拟牛顿算法对式(12)所示目标问题进行求解.为了避免lk-范数(k≤1)在零处不可导问题,可以采用以下近似:其中,δ是一个很小的正数.为了求解式(12)表示的目标函数的共轭梯度,式(12)可以改写为其中,P*(a)=diag[ex p(-jφ(ai))]为对角矩阵,其中[]*表示矩阵的共轭操作,P表示需要重构的SAR图像的相位矩阵.因为P是未知的,所以在进行SAR图像重构时应估计相位P.式(14)表示的代价函数的共轭梯度矩阵可以表示为其中,和.因为H(a)为a的函数,所以利用式(15)难以直接求出a,因而需要数值迭代的方法.为了提高优化求解算法的性能,采用H(a)作为近似的Hessian矩阵,并利用拟牛顿的方法求解目标函数.由前面的分析可知,在求解a时,需要知道a的相位矩阵P 的先验信息,然而P是未知的,所以在迭代求解过程中利用代替P.那么可得a的迭代表达式为其中,γ为迭代步长因子;分别为第g次和g+1次迭代中a的估计值.考虑到式(16)的迭代操作需要求解[H(^ag)]-1,将式(15)代入式(16)并经过化简可得式(17)的求解操作可以通过共轭梯度(CG)算法实现,并且可以得到有效简化.由式(15)和(17)可知,迭代操作需要构造导数矩阵D和导数矩阵的转置共轭矩阵DH.由文献[7]可知,对于维数为M×N1的二维SAR图像,因为D对向量操作,其维数为O(MN1)×O(MN1).当MN1比较大时,D的维数很大,一般难以实现.解决的方法是,CG操作通过句柄实现,在句柄操作中对二维图像在距离维和方位维的每一列分别进行导数操作,D对二维图像操作,因此构造的导数算子的维数为O(M1/2N1/21),这样就容易实现.式(17)的迭代终止条件设置为其中,ρ是预先设置的迭代终止门限,一般很小.利用文中的超分辨成像算法可以得到不同扫描时刻对应的各个子图像的较高分辨的成像结果,然后利用惯导信息或者通过估计各个子图像的多普勒中心信息得到相应的几何关系,对各个子图像进行几何形变校正和拼接处理.为了便于拼接处理,相邻时刻的波束扫描覆盖范围可以设置部分相同的场景区域.首先进行点目标仿真,其仿真系统参数如下:波长为0.008 m,载机高度为1000 m,发射信号带宽为60 MHz,发射天线阵元个数为64,采样频率为72 MHz,发射天线阵元间距为0.004 m,脉冲重复频率为1500 Hz,接收天线阵元个数为128,前视下视角度为60°,接收天线阵元间距为0.016 m.在系统设置中,发射阵元间隔为λ/2,而接收阵元间隔为2λ.通过式(2)计算可知,发射阵列波束无栅瓣模糊,而接收阵列会出现栅瓣模糊,其模糊数为4,栅瓣之间的空间间隔近似为(为便于分析和说明,假设各个方向子波束的空间分辨率近似相同)(π/4)ra d.假设发射波束以波束中心角0°为例,发射波束宽度为λ/L1=0.008/(64×0.004)=(1/32)rad＜(π/4)rad.因此,通过限制发射阵列的阵元分布满足瑞利准则,在接收阵列进行波束形成时可以有效抑制栅瓣模糊.在仿真中,在场景中心周围放置9个点目标,目标的散射系数设置相同,其距离维间隔设置为8 m,方位维间距设置为4 m,仿真结果见图3.由图3(b)和(c)可知,传统成像算法无法将方位向的各个目标点分开,由图3(d)可知,经过文中的超分辨成像处理,方位向的几个点目标可以被区分开,并且目标散射系数的幅度基本保持一致.下面进行面目标仿真,其仿真系统参数同上.仿真中,利用实测数据处理得到的聚焦良好的SAR图像作为仿真的基准场景,并且SAR图像经过量化处理.考虑到观测场景的目标散射系数的相位一般服从均匀分布,因此对仿真的SAR图像的幅度添加平均分布的相位调制.此外,SAR成像中通常存在相干斑效应,主要是由于相邻的散射目标位于相同分辨单元而引起的,所以在仿真中相同分辨单元放置若干个散射点,仿真结果见图4.通过比较可知,文中方法可提高前视SAR成像的分辨率,能增强SAR图像的某些特征,如目标的边缘特征.由前面分析可知,接收阵列的总的波束范围大于发射阵子波束的大小,对于扫描子波束而言,其成像结果的场景分布有限,所以子孔径成像结果具有稀疏特性,考虑到目标的边缘特征具有稀疏特性,因此利用文中方法在提高分辨率的同时,可以有效增强目标的边缘特征.基于CS理论,提出了一种前视超分辨成像算法.方位维分辨依靠安置的线性阵列,然而方位维分辨率会受到实际阵列长度的限制.通过波束形成技术,设置较窄的发射波束覆盖有限的场景区域,利用对小场景的稀疏约束建立正则化问题,最终通过求解最优化问题实现方位维的超分辨成像.【相关文献】[1]Petillot I,Trouve E,Bolon P,et al.Radar-coding and Geocoding Lookup Tables for the Gusion of GISand SAR Data In Mountain Areas[J].IEEE Trans on Geoscience and Remote Sensing Letters,2010,7(2):309-313.[2]Ren X Z,Tan L L,Yang R L.Research of Three-dimensional Imaging Processing for Airborne Forward-looking SAR [J].IET International on Radar Conference,2009(20-22):1-4.[3]Hai P H,Chang W Q,Qiang Z,et al.Signal Analysis of Downward-looking and Forward-looking Array FMCW SAR [C]//International Congress on Image and SignalProcessing(CISP).Yantai:IEEE,2010:4267-4270.[4]Ji S H,Ya X,Lawrence C.Bayesian Compressive Sensing[J].IEEE Trans on Signal Processing,2008,56(6):2346-2356.[5]Tello A M,López D P.A Novel Strategy for Radar Imaging Based on Compressive Sensing[J].IEEE Trans on Geoscience and Remote Sensing,2010,48(12):4285-4295.[6]Hong X B,Xia B,Ran T.A Novel Algorithm for Synthetic Aperture Radarimaging Based on Compressed Sensing[C]// IEEE 10th International Conference on SignalProcessing(ICSP).Beijing:IEEE,2010:210-213.[7]Cetin M,Kard W C.Feature-enhanced Sunthetic Aperture Radar Image Formation Basedon Nonquadratic Regularization [J].IEEE Trans on Image Processing,2001,10(4):623-631. [8]Zhang L,Xing M D,Qiu C W,et al.Achieving Higher Resolution ISAR Imaging with Limited Pluses via Compressed Sampling[J].IEEE Trans on Geoscience and Remote Sensing Letters,2009,6(3):567-571.[9]Berger S D.Nonuniform Sampling Reconstruction Applied to Sparse Array Beamforming[C]//IEEE Radar Conference on Proceedings.California:IEEE,2002:98-103.[10]李真芳.分布式小卫星SAR-InSAR-GMTI的处理方法[D].西安:西安电子科技大学,2006.[11]Sanadi S,Cetin M,Masnadi-Shirazi M A.Sparse Signal Representation for Complex-Valued Imaging[J].Digital Signal Processing Workshop and 5th IEEE Signal Processing Education Workshop,2009,4(7):365-370.[12]Zhang L,Xing M D,Qiu C W,et al.Resolution Enhancement for Inversed Synthetic Aperture Radar Imaging Under Low SNR via Improved Compressive Sensing[J].IEEE Trans on Geoscience and Remote Sensing,2010,48(10):3824-3838.。