基于稀疏表示的高效稳健SAR成像技术研究

It has been a frontier issue for the national scientific development to achieve high resolution synthetic aperture radar (SAR) imaging. Conventional sparse representation (SR) based SAR imaging techniques can achieve high resolution while still suffer from high complexity and require massive storage space, which hampers its wide application in practical engineering. To address this problem, we investigate the imaging model, and propose a novel efficient and robust high-resolution SAR imaging method by incorporating the image information and optimization theory. Specifically, to promote the capability in dealing with large-scale and complex scenes, a novel low-complexity separable SR based SAR imaging model is proposed by using Kronecker product property, where the physical mechanism of imaging and image information is also investigated. Besides, by incorporating the additional sparsity of the SAR image, a robust algorithm without complicated parameter tuning according to the hierarchical sparse Bayesian learning theory is established. Finally, by implementing convex projection strategy over a sparse matrix, an efficient high resolution algorithm is developed to satisfy the real-time requirement of the SAR system. According to this project, the theoretical basis and technical support for the application of SAR imaging technology based on sparse representation in practical engineering also will be provided.

高分辨合成孔径雷达(SAR)成像技术一直是国家科学发展重点关注的一个前沿问题。本项目旨在突破现有基于稀疏表示SAR成像方法受复杂度高、存储资源消耗大等缺点影响，无法实现工程推广的局限性，通过优化物理成像建模，结合图像域信息认知及优化理论提出一套快速稳健的高分辨SAR成像技术。针对大尺寸场景成像效率低的问题，通过研究成像的物理机制和图像域的结构信息，结合Kronecker积特性，提出低复杂度的基于可分离结构的稀疏表示SAR成像模型；通过挖掘图像域的额外稀疏信息，结合分层贝叶斯理论，设计无需调参的稳健成像算法；同时为满足系统的实时性要求，研究基于矩阵稀疏的凸集投影优化策略，设计快速的高分辨成像算法。通过本项目的研究，可为基于稀疏表示的SAR成像技术在实际工程应用的推广提供理论依据和技术支撑。

基于稀疏表示/压缩感知理论的雷达成像技术通过挖掘场景的稀疏先验，在有限的观测数据下可以实现高分辨成像。然而现有的稀疏表示成像方法是将雷达场景进行向量化处理。当场景尺寸增大时，向量化处理会导致稀疏表示和观测矩阵维数呈指数增长，导致算法复杂度急剧增长，重构时间变大。针对该问题，本课题首先研究了雷达成像的机理，基于雷达回波的物理观测过程，设计了具有可分离结构的回波感知模型；研究复杂场景的纹理、结构特征，通过挖掘场景的稀疏性，建立了二维的压缩感知成像模型。并将压缩感知成像问题转化为正则化问题的求解，最终提出了一种低复杂的二维稀疏表示成像算法；由于正则化问题求解时存在运算量大且优化性能对参数选择依赖性大的问题，课题组针对成像的场景或目标不变或者缓慢变化的特点，研究发现脉冲回波具有统计相关性，利用回波数据的结构相似性，通过引入多任务贝叶斯的方法，采用分层先验模型，利用已知的样本及先验概率，估计目标信号的后验概率，从而获得高分辨率的重构，相比正则化方法，基于贝叶斯的稀疏表示成像算法效率更低且更加稳健；此外，课题组将可分离建模的思想引入到二维波达方向估计中,利用目标在空域的稀疏性，利用一阶Talyor展开近似的方法构建了方位维和俯仰维的阵列流型矩阵，然后通过交替迭代的思想对阵列流型矩阵进行方位维和俯仰维的偏差矫正，最终获得高精度的二维波达方向估计。本项目的研究成果丰富和完善高分辨SAR成像的理论框架和体系，对稀疏表示SAR成像在民用和军事领域的实际推广具有重要的理论意义和应用价值。