新·SAR Image Formation Via semi-parametric spectral estimation翻译.docVIP

基于半参数谱估计的SAR成像算法 SAR Image formation via semi-parametric spectral estimation 摘要 本文提出了一种用于合成孔径雷达（SAR）的目标特征提取和复成像的新算法，称为SPAR（半参数）算法。该算法基于一个灵活的数据模型，该模型设定目标散射体为一个随机的，在方位向为幅度未知、相位恒定，距离向为幅度、相位均恒定的二维（2-D）复正弦信号。通过处理一个角反射器，例如对一个二面角或者三面角，在一个处理时间，该算法灵活的数据模型可以有效的减弱SAR成像中的伪影问题。同时，SPAR还可以为其他参数特征提取方法提供初始值，以减小总的计算量。仿真数据和实采数据的实验结果均证明了该算法的有效性。 引言 合成孔径雷达（SAR）成像和目标特征提取技术在战场信息感知等方面发挥着很重要的作用。传统的基于傅里叶变换的方法具有一定的有效性和稳健性，但是存在低分辨率、低精度、高副瓣的问题。很多现代信号谱估计方法用于目标特征提取和SAR成像技术来提高分辨率和精度，同时降低副瓣。在文献[2,3]中，对比了多种参数化和非参数化的谱估计方法，并论述了它们在SAR成像技术中的优缺点。非参数化方法和参数化方法均已应用于SAR成像技术和目标特征提取。其中，非参数化方法中有改进的降秩Capon法[4-6]、自适应低副瓣法、以及基于复信号谱估计的匹配滤波器组法[8]，包括Capon[9]和APES（幅度和相位估计）方法。参数化方法中有基于文献[11,12]的自回归（AR）模型法，基于文献[4-6,13]的特征分解法，包括多重信号分类法（MUSIC）[14]和旋转不变技术信号参数估计法（ESPRIT）[15]。此外还有基于文献[16,17]的非线性最小二乘法（NLS）。通常参数化方法在分辨率和精度方面性能优于非参数化方法，但是它对数据模型误差更为敏感。 常用的参数化SAR目标特征提取算法是基于二维复正弦信号模型，并假设目标由多个三面角反射器组成（理想点散射），其在方位向和距离向的幅度和相位均恒定。但是该假设条件在实际情况中并不总是成立的。例如：对于车辆和建筑群等很多人造目标，除了目标的三面角反射造成能量反射以外，还有大部分的能量反射是由二面角反射引起的。一般情况下，幅度和相位恒定的复正弦信号模型在距离向基本是有效的。但是，在方位向确定一个适用的参数化模型是很困难的。一个三面角反射器可以建模为一个在方位向幅度和相位均恒定的复正弦信号。一个理想的二面角反射器在方位向可以近似建模为一个幅度为满足sinc函数（）、相位恒定的复正弦信号。文献[17]中提出了RELAX-NLS参数化方法（基于NLS的RELAX方法），建立了在方位向同时使用恒定和sinc函数的混合数据模型，用于由二面角和三面角反射器组成的目标进行特征提取。由于RELAX-NLS算法使用了复杂的数据模型，需要较大的计算量。此外，和其它的参数化方法一样， RELAX-NLS算法的稳健性较非参数化方法差。 相较于上述在方位向的近似建模的算法，本文中提出了一种更灵活的数据模型，该模型是对每一个目标散射体建模为一个在方位向为任意幅度和相位、在距离向为幅度和相位恒定的二维复正弦信号。因为在方位向假设为任意幅度，所以该数据模型在本质上为半参数模型，灵活的建模使该算法较其它的参数化方法在数据模型误差方面的稳健性更强。新算法称为SPAR（半参数）算法，用于SAR目标特征提取和高分辨率成像。通过结合参数化和非参数化谱估计方法的优点，SPAR谱估计的准确度和分辨率均优于非参数化方法，且稳健性优于参数化方法。通过对一个处理时间内单个角反射器的处理，SPAR算法可以有效的减弱在高分辨率SAR成像中的伪影问题。此外，SPAR算法还可以为其他参数化方法获得初始值，例如RELAX-NLS算法，以减小目标特征提取所需的计算量。 本文的其余部分组成如下：第二节描述问题原理；第三节讨论了灵活数据模型可能出现的模糊问题及其对SAR目标特征提取和高分辨成像的影响；第四节提出了SPAR算法；第五节提出了改进的RELAX-NLS算法；第六节分别使用仿真数据和实采数据仿真验证了算法性能；最后，第七节对本文进行了总结。 问题描述 为了对感兴趣的目标得到高分辨率的SAR成像，需要对目标散射体建立适合的数据模型。但是，如引言所述，在目标散射体方位向很难建立好的参数化模型。对从单个目标散射体接收到的反射信号建模，表示为 （1） 其中，和分别表示在方位向和距离向的有效样本长度；为意未知的实函数，由散射体的雷达目标有效截面（RCS）决定；为恒定的相位；为散射体二维定位（方位向和距离向）的频率对比值。由于在方位向的小参数化，该数据模型