[发明专利]一种分块稀疏贝叶斯学习ISAR成像散射系数估计方法

说明书

本发明提供了一种分块稀疏贝叶斯学习ISAR成像散射系数估计方法，首先将雷达回波谱模型以及二维成像场景离散化，随后对回波谱进行距离维脉冲压缩处理，并利用块稀疏贝叶斯学习方法完成散射系数估计，再将回波谱矩阵进行转置，并且作方位维脉冲压缩处理，同样利用块稀疏贝叶斯学习方法完成散射系数估计。最后，对两次估计所得结果取交集运算，得到最终的二维ISAR成像结果。本发明方法极大地降低了运算复杂度，减小运算量，成功地消除了图像中的条纹干扰，改善成像效果，提高散射系数估计精度。

技术领域

本发明属于雷达成像技术领域，涉及一种改进的块稀疏贝叶斯学习逆合成孔径雷达(ISAR)成像方法。

背景技术

经过多年的发展，压缩感知理论衍生了许多性能良好的子算法。其中，稀疏贝叶斯学习方法由于具有精确度高，收敛快，无需手动调节参数等优点，受到了研究者的广泛关注。与其他基于压缩感知理论的参数估计方法不同的是，稀疏贝叶斯学习方法需要建立在待重建数据的先验信息基础上。

即便稀疏贝叶斯学习方法性能优越，但直接将其应用在雷达成像上依然存在一些问题。通常，复杂目标的散射中心具有群聚效应，而并非是一个个互相孤立的点。经典的稀疏贝叶斯学习方法没有考虑目标的这一特点，它是将目标散射系数的每一个点独立进行参数估计的，无法直接应用在雷达成像中。

发明内容

为解决上述问题，本发明考虑到ISAR成像中散射点的分块特性，提出一种分块稀疏贝叶斯学习ISAR成像散射系数估计方法，以一种用于一维参数估计的分块稀疏贝叶斯学习发光法为基础，首先设定一维参数的具体块结构形式，并推广到二维参数模型上，然后将这种块稀疏贝叶斯学习方法应用到逆合成孔径雷达成像上以降低运算量和提高成像精度。

本发明首先将扫频扫角的雷达回波信号二维谱模型以及二维成像场景离散化，并为场景散射系数建立分块稀疏贝叶斯学习(BSBL)模型。对二维谱模型进行距离向脉冲压缩，以及BSBL模型参数初始化，然后通过分块稀疏贝叶斯学习算法进行散射系数估计，得到一幅ISAR图像。对二维谱模型进行方位向脉冲压缩，以及BSBL模型参数初始化，然后通过分块稀疏贝叶斯学习方法进行散射系数估计，得到另一幅ISAR图像。将这两幅ISAR图像进行交叠处理，得到最终的ISAR成像结果。

为了达到上述目的，本发明提供如下技术方案：

一种分块稀疏贝叶斯学习ISAR成像散射系数估计方法，包括如下步骤：

步骤1，回波模型离散化

离散化以后的观测信号二维谱数学模型表示成如下矩阵形式

Y＝Θ^a X(Θ^f)^T+V

其中，Y∈C^M×N表示二维谱，X∈C^P×Q表示待重建的散射系数，V∈C^M×N表示加性噪声，Θ^a∈C^M×P和Θ^f∈C^N×Q分别表示方位维和距离维字典，()^T表示矩阵转置运算；

步骤2，观测信号谱的脉冲压缩处理

对观测信号二维谱进行脉冲压缩处理，将其转变成如下两种形式：

Y₁＝Θ^a X+V₁

Y₂＝Θ^f X^T+V₂