基于幅相分离的属性散射中心参数估计新方法

蒋文 李王哲

引用本文:
Citation:

基于幅相分离的属性散射中心参数估计新方法

    作者简介: 蒋 文(1994–),女,2016年获得西安电子科技大学学士学位,现于中国科学院大学攻读硕士学位。研究方向是微波成像技术。E-mail: jiangwen16@mails.ucas.ac.cn;李王哲(1983–),男,青年千人,现为中国科学院电子学研究所研究员,微波成像技术国家级重点实验室主任。研究方向有基于光子技术的合成孔径雷达(SAR),基于微波成像的微波光子传感器,微波光子模块芯片集成。 E-mail: wzli@mail.ie.ac.cn.
    通讯作者: 李王哲, wzli@mail.ie.ac.cn
  • 基金项目:

    国家自然科学基金(61701476, 61690191)

  • 中图分类号: TN957.52

A New Method for Parameter Estimation of Attributed Scattering Centers Based on Amplitude-phase Separation

    Corresponding author: LI Wangzhe, wzli@mail.ie.ac.cn
  • Fund Project: The National Natural Science Foundation of China (61701476, 61690191)

    CLC number: TN957.52

  • 摘要: 利用属性散射中心(ASC)参数估计来识别目标上的散射结构是实现合成孔径雷达(SAR)自动目标体识别(ATR)的重要步骤。为提高属性散射中心参数估计的速度并抑制杂散影响,该文首先从图像中提取多个属性散射中心,然后分别估计各个属性散射中心的参数。为提高单个属性散射中心的参数估计速率,考虑到其幅度和相位相关参数可分离,该文提出幅度相位分离的属性散射中心参数估计思想,与传统方法相比,该思想使参数估计算法复杂度和参数估计时间降低了1个数量级。引入迭代半阈值(IHT)算法提高参数估计精度。根据各个属性散射中心的参数估计结果可识别目标上各种散射结构并确定其在目标上的位置分布。仿真数据、实测数据以及MSTAR数据集得到的参数估计的高效性和高准确性,验证了该文所提方法的有效性。
  • 图 1  本文所提ASC参数估计流程图

    Figure 1.  Flow chart of the method for estimation of ASC parameters proposed in this paper

    图 2  原始算法与本文算法性能比较图

    Figure 2.  Performance comparison of the traditional method and the method this paper proposed

    图 3  实验场景及成像结果

    Figure 3.  Experimental filed and ISAR images

    图 4  T72光学图像

    Figure 4.  T72 optical image

    图 5  多幅T72 SAR图像

    Figure 5.  Various T72 SAR images

    图 6  各个ASC对应散射结构位置分布图

    Figure 6.  Estimated position distribution map of scattering geometries corresponding to the ASCs

    表 1  简单散射结构α取值表

    Table 1.  Discrimination of canonical scattering geometries from α

    $\alpha $的值对应的散射结构
    1.0宽边平板,二面角
    0.5单曲表面反射
    0点,球,直边镜面
    –0.5边缘衍射
    –1.0拐角衍射
    下载: 导出CSV

    表 2  不同L和α对应典型散射结构

    Table 2.  Discrimination of canonical scattering geometries from L and α

    L$\alpha $
    1.00.50
    =0三面角帽顶双曲面
    >0二面角圆柱直边
    下载: 导出CSV

    表 3  仿真参数取值

    Table 3.  Values of the simulation parameters

    参数分辨率范围取值个数
    |A|0.1[1, 6]51
    L0.1 m[0, 2] m21
    $\alpha $0.5[–1, 1]5
    $\bar \phi $0.5°[–10.5°, 10.5°]43
    x0.2 m[–2, 2] m41
    y0.2 m[–2, 2] m41
    phase(A)0.314$[{{π}} , {{π}} ]$21
    下载: 导出CSV

    表 4  两种字典构造方法性能对比

    Table 4.  Performance comparison of the two dictionary construction methods

    对比内容高维联合字典幅度相位分离字典
    运行时间(s)1029492
    MSE0.060.05
    下载: 导出CSV

    表 5  基于传统方法的多个ASC参数估计结果

    Table 5.  Estimation results of ASCs parameters using traditional method

    ASC参数S1S1估计值S2S2估计值S3S3估计值
    |A|1.001.006.006.121.000.92
    L001100.2
    $\bar \phi $000.5°0.5°00.5°
    $\alpha $0.50.50.50.50.50.5
    x1100–1–1
    y000111
    下载: 导出CSV

    表 6  基于本文方法的多个ASC参数估计结果

    Table 6.  Estimation results of ASCs parameters using the method this paper proposed

    ASC参数S1S1估计值S2S2估计值S3S3估计值
    |A|1.001.016.006.001.000.98
    L001100.1
    $\bar \phi $000.5°0.5°00
    $\alpha $0.50.50.50.50.50.5
    x1100–1–1
    y000011
    下载: 导出CSV

    表 7  2种ASC参数估计方法性能对比

    Table 7.  Performance comparison of the two ASC parameters estimation methods

    对比内容传统方法本文方法
    运行时间(s)1.470.17
    MSE0.35360.0170
    下载: 导出CSV

    表 8  3个ASC对应散射结构识别结果

    Table 8.  Recognition results of the scattering geometries corresponding to the three ASCs

    S1S2S3
    帽顶圆柱帽顶
    下载: 导出CSV

    表 9  ASC参数估计结果

    Table 9.  Estimated parameters of the 2 ASCs

    参数12
    A–3.132+3.41j4.0558
    L (m)0.40
    $\bar \phi $–0.5°0.5°
    $\gamma $04.1034e–10
    $\alpha $0.50
    x (m)119.6248120.1499
    y (m)–0.298450.2863
    下载: 导出CSV

    表 10  ASC对应散射结构判定结果

    Table 10.  Recognition results of the scattering geometries corresponding to the 2 ASCs

    12
    圆柱
    下载: 导出CSV

    表 11  ASC参数估计结果及对应散射结构判定结果

    Table 11.  Estimation results of the ASCs parameters and the recognitionresults of the scattering geometries corresponding to these ASCs

    第几个散射中心12345678
    L(m)2.674000000
    $\alpha $0.50.5–0.510.5011
    散射结构类型圆柱圆柱边缘绕射三角面帽顶双曲面三角面三角面
    第几个散射中心910111213141516
    L(m)0.890.890.4400000
    $\alpha $00001010.5
    散射结构类型直边直边直边双曲面三角面双曲面三角面帽顶
    下载: 导出CSV
  • [1] 钟金荣. 目标三维电磁散射参数化模型反演方法研究[D]. [博士论文], 国防科学技术大学, 2016: 1–7.ZHONG Jinrong. Inverse methods for three dimensional parametric scattering model of target[D]. [Ph.D. dissertation], National University of Defense Technology, 2016: 1–7.
    [2] FRIEDLANDER R D, LEVY M, SUDKAMP E, et al. Deep learning model-based algorithm for SAR ATR[C]. Proceedings of Algorithms for Synthetic Aperture Radar Imagery XXV, Orlando, United States, 2018: 106470B. doi: 10.1117/12.2315265.
    [3] PEI Jifang, HUANG Yulin, HUO Weibo, et al. SAR automatic target recognition based on multiview deep learning framework[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(4): 2196–2210. doi: 10.1109/TGRS.2017.2776357
    [4] ZHAO Pengfei, LIU Kai, ZOU Hao, et al. Multi-stream convolutional neural network for SAR automatic target recognition[J]. Remote Sensing, 2018, 10(9): 1473. doi: 10.3390/rs10091473
    [5] DUAN Jia, ZHANG Lei, XING Mengdao, et al. Polarimetric target decomposition based on attributed scattering center model for synthetic aperture radar targets[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(12): 2095–2099. doi: 10.1109/lgrs.2014.2320053
    [6] DING Baiyuan and WEN Gongjian. Target reconstruction based on 3-D scattering center model for robust SAR ATR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(7): 3772–3785. doi: 10.1109/TGRS.2018.2810181
    [7] 文贡坚, 朱国强, 殷红成, 等. 基于三维电磁散射参数化模型的SAR目标识别方法[J]. 雷达学报, 2017, 6(2): 115–135. doi: 10.12000/JR17034WEN Gongjian, ZHU Guoqiang, YIN Hongcheng, et al. SAR ATR based on 3D parametric electromagnetic scattering model[J]. Journal of Radars, 2017, 6(2): 115–135. doi: 10.12000/JR17034
    [8] 张亚军. 基于属性散射中心模型的SAR自动目标识别[D]. [硕士论文], 西安电子科技大学, 2014: 5–23.ZHANG Yajun. SAR automatic target recognition based on attributed scattering center models[D]. [Master dissertation], Xidian University, 2014: 5–23.
    [9] AKYILDIZ Y and MOSES R L. Scattering center model for SAR imagery[C]. Proceedings of SPIE 3869, SAR Image Analysis, Modeling, and Techniques II, Florence, Italy, 1999: 76–85. doi: 10.1117/12.373151.
    [10] CHIANG H C, MOSES R L, and POTTER L C. Model-based classification of radar images[J]. IEEE Transactions on Information Theory, 2000, 46(5): 1842–1854. doi: 10.1109/18.857795
    [11] DING Baiyuan, WEN Gongjian, HUANG Xiaohong, et al. Target recognition in synthetic aperture radar images via matching of attributed scattering centers[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(7): 3334–3347. doi: 10.1109/JSTARS.2017.2671919
    [12] DING Baiyuan, WEN Gongjian, ZHONG Jinrong, et al. A robust similarity measure for attributed scattering center sets with application to SAR ATR[J]. Neurocomputing, 2017, 219: 130–143. doi: 10.1016/j.neucom.2016.09.007
    [13] 段佳, 张磊, 盛佳恋, 等. 独立属性散射中心参数降耦合估计方法[J]. 电子与信息学报, 2012, 34(8): 1853–1859. doi: 10.3724/SP.J.1146.2011.01302DUAN Jia, ZHANG Lei, SHENG Jialian, et al. Parameters decouple and estimation of independent attributed scattering centers[J]. Journal of Electronics &Information Technology, 2012, 34(8): 1853–1859. doi: 10.3724/SP.J.1146.2011.01302
    [14] 段佳, 张磊, 邢孟道, 等. 合成孔径雷达目标特征提取新方法[J]. 西安电子科技大学学报: 自然科学版, 2014, 41(4): 13–19. doi: 10.3969/j.issn.1001-2400.2014.04.003DUAN Jia, ZHANG Lei, XING Mengdao, et al. Novel feature extraction method for synthetic aperture radar targets[J]. Journal of Xidian University, 2014, 41(4): 13–19. doi: 10.3969/j.issn.1001-2400.2014.04.003
    [15] 海鸿璋. 基于ISAR图像的舰船目标特征提取方法研究[D]. [硕士论文], 西安电子科技大学, 2014: 44–49.HAI Hongzhang. Study on feature extraction of ships based on ISAR images[D]. [Master dissertation], Xidian University, 2014: 44–49.
    [16] 李飞, 纠博, 刘宏伟, 等. 基于稀疏表示的SAR图像属性散射中心参数估计算法[J]. 电子与信息学报, 2014, 36(4): 931–937. doi: 10.3724/SP.J.1146.2013.00576LI Fei, JIU Bo, LIU Hongwei, et al. Sparse representation based algorithm for estimation of attributed scattering center parameter on SAR imagery[J]. Journal of Electronics & Information Technology, 2014, 36(4): 931–937. doi: 10.3724/SP.J.1146.2013.00576
    [17] 李飞. 雷达图像目标特征提取方法研究[D]. [博士论文], 西安电子科技大学, 2014: 50–66.LI Fei. Study on target feature extraction based on radar image[D]. [Ph.D. dissertation], Xidian University, 2014: 50–66.
    [18] LIU Hongwei, JIU Bo, LI Fei, et al. Attributed scattering center extraction algorithm based on sparse representation with dictionary refinement[J]. IEEE Transactions on Antennas and Propagation, 2017, 65(5): 2604–2614. doi: 10.1109/TAP.2017.2673764
    [19] 苏伍各. 基于稀疏贝叶斯重构方法的雷达成像技术研究[D]. [博士论文], 国防科学技术大学, 2015: 3–14.SU Wuge. Radar imaging techiniques based on sparse Bayesian reconstruction methods[D]. [Ph.D. dissertation], National University of Defense Technology, 2015: 3–14.
    [20] LI Zenghui, JIN Kan, XU Bin, et al. An improved attributed scattering model optimized by incremental sparse Bayesian learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(5): 2973–2987. doi: 10.1109/TGRS.2015.2509539
    [21] XU Zongben. Data Modeling: Visual Psychology Approach and L1/2 Regularization Theory[M]. BHATIA R, PAL A, RANGARAJAN G, et al. Proceedings of the International Congress of Mathematicians. Hyderabad, India: World Scientific, 2010: 3151–3184. doi: 10.1142/9789814324359_0184.
    [22] 徐宗本, 吴一戎, 张冰尘, 等. 基于L1/2正则化理论的稀疏雷达成像[J]. 科学通报, 2018, 63(14): 1307–1319. doi: 10.1360/N972018-00372XU Zongben, WU Yirong, ZHANG Bingchen, et al. Sparse radar imaging based on L1/2 regularization theory[J]. Chinese Science Bulletin, 2018, 63(14): 1307–1319. doi: 10.1360/N972018-00372
    [23] GERRY M J, POTTER L C, GUPTA I J, et al. A parametric model for synthetic aperture radar measurements[J]. IEEE Transactions on Antennas and Propagation, 1999, 47(7): 1179–1188. doi: 10.1109/8.785750
    [24] POTTER L C and MOSES R L. Attributed scattering centers for SAR ATR[J]. IEEE Transactions on Image Processing, 1997, 6(1): 79–91. doi: 10.1109/83.552098
    [25] KELLER J B. Geometrical theory of diffraction[J]. Journal of the Optical Society of America, 1962, 52(2): 116–130. doi: 10.1364/JOSA.52.000116
    [26] ÇETİN M. Feature-enhanced synthetic aperture radar imaging[D]. [Ph.D. dissertation], Boston University, 2001.
    [27] 清风亦客. T-72主战坦克[EB/OL]. https://baike.baidu.com/item/T-72主战坦克/2031530?fr=aladdin, 2019.Qing Fengyike. T-72 main battle tank[EB/OL]. https://baike.baidu.com/item/T-72主战坦克/2031530?fr=aladdin, 2019.
  • [1] 丁柏圆钟金荣马聪慧文贡坚 . 基于属性散射中心模型的SAR 目标重构可视化增强方法. 雷达学报, doi: 10.3724/SP.J.1300.2013.13071
    [2] 丁柏圆文贡坚余连生马聪慧 . 属性散射中心匹配及其在SAR目标识别中的应用. 雷达学报, doi: 10.12000/JR16104
    [3] 刘晓明文贡坚钟金荣 . 基于SAR 数据的三维散射中心模型位置重构方法. 雷达学报, doi: 10.3724/SP.J.1300.2013.20080
    [4] 周雨王海鹏陈思喆 . 基于数值散射模拟与模型匹配的SAR自动目标识别研究. 雷达学报, doi: 10.12000/JR15080
    [5] 文贡坚朱国强殷红成邢孟道杨虎马聪慧闫华丁柏圆钟金荣 . 基于三维电磁散射参数化模型的SAR目标识别方法. 雷达学报, doi: 10.12000/JR17034
    [6] 闫华陈勇李胜胡利平李焕敏殷红成 . 基于弹跳射线法的海面舰船目标三维散射中心快速建模方法. 雷达学报, doi: 10.12000/JR18078
    [7] 闫敏韦顺军田博坤张晓玲师君 . 基于稀疏贝叶斯正则化的阵列SAR高分辨三维成像算法. 雷达学报, doi: 10.12000/JR18067
    [8] 高敬坤邓彬秦玉亮王宏强黎湘 . THz全尺寸凸体粗糙目标雷达回波散射建模与成像仿真. 雷达学报, doi: 10.12000/JR17086
    [9] 卜运成王宇张福博冀广宇陈龙永梁兴东 . 基于子空间正交的阵列干涉SAR系统相位中心位置定标方法. 雷达学报, doi: 10.12000/JR18007
    [10] 朱柯弘王杰梁兴东吴一戎 . 用于SAR与通信一体化系统的滤波器组多载波波形. 雷达学报, doi: 10.12000/JR18038
    [11] 崔姗姗周建江朱劼昊 . 基于半参数化SLC 的雷达目标识别. 雷达学报, doi: 10.3724/SP.J.1300.2012.20097
    [12] 李强范怀涛 . 基于辅助数字高程模型的方位多通道SAR相位失配校正方法. 雷达学报, doi: 10.12000/JR19009
    [13] 任笑真杨汝良 . 一种基于幅度和相位迭代重建的四维合成孔径雷达成像方法. 雷达学报, doi: 10.12000/JR15135
    [14] 赵飞翔刘永祥霍凯 . 基于栈式降噪稀疏自动编码器的雷达目标识别方法. 雷达学报, doi: 10.12000/JR16151
    [15] 刘家麒陈渤介茜 . 基于注意力机制和双向GRU模型的雷达HRRP目标识别. 雷达学报, doi: 10.12000/JR19014
    [16] 贺思三赵会宁张永顺 . 基于时频域联合滤波的中段群目标信号分离. 雷达学报, doi: 10.12000/JR15008
    [17] 张金松邢孟道孙光才 . 一种基于密集深度分离卷积的SAR图像水域分割算法. 雷达学报, doi: 10.12000/JR19008
    [18] 周明马亮王宁杨予昊 . 面向海面目标检测的陆海分离和海面分区算法研究. 雷达学报, doi: 10.12000/JR19036
    [19] 张磊董纯柱侯兆国王超殷红成 . 多层介质平板结构的传输线等效面模型及相位修正算法. 雷达学报, doi: 10.12000/JR15038
    [20] 李自琦梅进杰胡登鹏沈序驰李晓柏 . 基于分组格雷编码的OFDM 雷达通信一体化系统峰均功率比抑制. 雷达学报, doi: 10.3724/SP.J.1300.2014.14059
  • 加载中
图(6)表(11)
计量
  • 文章访问数:  122
  • HTML浏览量:  9
  • PDF下载量:  19
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-11-15
  • 录用日期:  2019-04-09
  • 网络出版日期:  1970-01-01

基于幅相分离的属性散射中心参数估计新方法

    通讯作者: 李王哲, wzli@mail.ie.ac.cn
    作者简介: 蒋 文(1994–),女,2016年获得西安电子科技大学学士学位,现于中国科学院大学攻读硕士学位。研究方向是微波成像技术。E-mail: jiangwen16@mails.ucas.ac.cn;李王哲(1983–),男,青年千人,现为中国科学院电子学研究所研究员,微波成像技术国家级重点实验室主任。研究方向有基于光子技术的合成孔径雷达(SAR),基于微波成像的微波光子传感器,微波光子模块芯片集成。 E-mail: wzli@mail.ie.ac.cn
  • 微波成像技术国家级重点实验室   北京   100190
  • 中国科学院电子学研究所 北京 100190
  • 中国科学院大学 北京 100049
基金项目:  国家自然科学基金(61701476, 61690191)

摘要: 利用属性散射中心(ASC)参数估计来识别目标上的散射结构是实现合成孔径雷达(SAR)自动目标体识别(ATR)的重要步骤。为提高属性散射中心参数估计的速度并抑制杂散影响,该文首先从图像中提取多个属性散射中心,然后分别估计各个属性散射中心的参数。为提高单个属性散射中心的参数估计速率,考虑到其幅度和相位相关参数可分离,该文提出幅度相位分离的属性散射中心参数估计思想,与传统方法相比,该思想使参数估计算法复杂度和参数估计时间降低了1个数量级。引入迭代半阈值(IHT)算法提高参数估计精度。根据各个属性散射中心的参数估计结果可识别目标上各种散射结构并确定其在目标上的位置分布。仿真数据、实测数据以及MSTAR数据集得到的参数估计的高效性和高准确性,验证了该文所提方法的有效性。

English Abstract

    • 根据目标先验信息数据库建立的方式,合成孔径雷达(Synthetic Aperture Radar, SAR)目标识别可分为基于模板的目标识别和基于模型的目标识别两类[1]。模板数量的有限性限制了第1种方法的应用[26],基于模型的目标识别可以避免这个问题[7],采用合适的模型并调整模型参数预测目标在各种姿态及环境下的图像和特征,并将待识别目标的已知图像或特征与其预测图像或特征作对比即可识别目标。属性散射中心(Attributed Scattering Center, ASC)模型参数可精确描述目标散射结构特征且灵活性高,故被广泛应用在基于模型的SAR目标识别中[6]。考虑到从待识别目标的已知SAR图像或回波中提取ASC参数是基于ASC模型的SAR目标识别中的基础步骤,本文主要研究ASC参数估计问题。

      ASC参数估计实际上是一个参数优化问题[8],但模型参数多(包含描述ASC几何物理特征的7个参数),给参数估计的高速性和准确性都带来了极大的挑战,为了解决这个问题,已有大量文献进行了相关研究[920]。研究方法分为基于图像分割的参数估计方法和基于稀疏理论的参数估计方法。

      基于图像分割的ASC参数估计方法通过先将SAR图像分割再分块处理的方式降低了干扰影响并提高了算法速度[9],但该方法中使用近似最大似然法,算法抗噪性能低且不能保证全局最优解[13]。对部分参数降耦合可降低算法复杂度,但在高斯白噪声存在时构造的代价函数维度是频率采样点数与方位角采样点数乘积的平方,当频率采样点数和方位采样点数较高时,算法复杂度高[13];为了实现部分参数的降耦合,位置参数的估计准确度完全取决于除散射幅度以外的其他参数的估计准确度,存在累积误差[13,14]

      基于稀疏理论的ASC参数估计方法通过引入压缩感知领域算法并构造高维联合字典进行参数估计[15],由于模型参数维数较高,构造的高维联合字典将消耗较多系统资源[16]。通过分别构建包含位置信息与方位属性参数信息的2个低维字典可降低系统资源[18],但这种字典降维方法只适合相对带宽较小(0.06)的情况,当相对带宽增大时,该方法失效;且此时在估计频率与方位依赖参数时构造的字典维度分别为$M{N_4},M{N_5}\left( {{N_4} < < M,{N_5} < < M} \right)$,不满足完备字典维度条件,使用正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法不合理[19]。通过引入增量式稀疏贝叶斯学习(Incremental Sparse Bayesian Learning, ISBL)算法也可降低系统资源,但不能保证得到全局最优解[20]

      综上所述,通过基于图像分割的参数估计方法可提高参数估计速度并降低干扰影响[10],但不能保证求解精度[19],改进的方法代价函数维度和累计误差大;基于稀疏理论的参数估计方法虽然可以在一定程度上避免图像分块带来的误差,但字典的高维度特性限制了该方法的使用,改进方案的适用范围有限且不能保证全局最优解[18,20]

      为提高ASC的参数估计速度并抑制杂散影响,首先提取多个ASC再分别估计各个ASC的参数,但单个ASC的参数估计问题仍然是一个高阶问题,复杂度高。考虑到单个ASC的幅度和相位相关项可分离,本文提出基于幅度相位分离的ASC参数估计思想,根据幅度数据估计幅度相关参数,根据相位数据估计相位相关参数,将算法时间复杂度降低了1个数量级。该思想还可降低累积误差并保证相对带宽较大情况下参数估计的可行性。为了保证参数估计的准确度,引入迭代半阈值(Iterative Half Thresholding, IHT)算法估计参数值[21,22]。通过依次估计各ASC的参数最终可识别目标上所有散射结构并判断其位置分布。使用所提方法对仿真数据和实测数据以及MSTAR数据集进行ASC参数估计,估计效率及精度较已有方法有明显提高,证实了本文所提方法的有效性。

    • 根据几何绕射理论(Geometrical Theory of Diffraction,GTD)和物理光学理论,考虑雷达回波对频率和方位角的依赖关系,ASC模型为[9,2325]

      ${{E}}\left( {{{f}}, {{ϕ}} ;{{{θ}} }} \right) = \sum\limits_{i = 1}^N {{{{E}}_i}\left( {{{f}}, {{ϕ}} ;{{{{θ}} }_i}} \right)} $

      其中,${{θ}} = \left[ {{{θ}} _1^{\rm{T}}, {{θ}} _2^{\rm{T}},·\!·\!· , {{θ}} _N^{\rm{T}}} \right]$是ASC参数集,E是雷达回波,f是雷达频率,${{ϕ}} $是方位角,${{{E}}_i}$代表第$i$个ASC

      $ \begin{align} {{{E}}_i}\left( {{{f}}, {{ϕ}} ;{{{θ}} _i}} \right) =& {A_i} \cdot {\left( {{\rm{j}}\frac{{{f}}}{{{f_{\rm{c}}}}}} \right)^{{\alpha _i}}} \\ &\cdot \exp\left( { - {\rm{j}}\frac{{4{{{{π}} }}{{f}}}}{{\rm{c}}}\left( {{x_i}\cos{{ϕ}} + {y_i}\sin{{ϕ}} } \right)} \right) \\ & \cdot {\rm{sinc}}\left( {\frac{{2{{{{π}} }}{{f}}}}{{\rm{c}}}{L_i}\sin\left( {{{ϕ}} - {{\bar \phi }_i}} \right)} \right) \\ & \cdot \exp\left( { - 2{{{{π}} }}{{f}}{\gamma _i}\sin{{ϕ}} } \right) \end{align} $

      其中,${f_{\rm{c}}}$是雷达的中心频率,${\rm{c}} = 3 \times 1{0^8} $ m/s表示光速。${{{θ}} _i} = \left\{ {{A_i}, {\alpha _i}, {L_i}, {{\bar \phi }_i}, {\gamma _i}, {x_i}, {y_i}} \right\}(i = 1, 2, ·\!·\!·, N)$是参数集${{θ}} $中第i个参数矢量,N是ASC的个数,A表示ASC的复幅度,$\left\{ {L, \bar \phi , \gamma } \right\}$为方位属性参数,表示了ASC和方位角的依赖关系,xy分别表示散射中心在距离维和方位维的坐标。ASC分为2类:局部式散射中心和分布式散射中心,局部式散射中心一般在SAR图像上表示为单个像素点,分布式散射中心通常占有多个像素点。对于局部式散射中心,其方位属性参数为$L = 0$, $\bar \phi = 0$$\gamma $表示方位依赖性;对于分布式散射中心,其方位属性参数为$L$表示散射中心长度,$\bar \phi $表示其倾斜角,$\gamma = 0$$\alpha $描述散射强度的频率依赖性,一般$ \alpha \in \left\{ { - 1.0, - 0.5, }\right.$$\left.{0, 0.5, 1.0} \right\}$,可用$\alpha $区分几种简单散射结构,见表1

      $\alpha $的值对应的散射结构
      1.0宽边平板,二面角
      0.5单曲表面反射
      0点,球,直边镜面
      –0.5边缘衍射
      –1.0拐角衍射

      表 1  简单散射结构α取值表

      Table 1.  Discrimination of canonical scattering geometries from α

      参数L$\alpha $可以准确详细地区分不同类型的典型散射结构[8]表2给出了几种典型散射结构的L$\alpha $取值,只要准确得到ASC的L$\alpha $,就可反演出其对应的散射结构。

      L$\alpha $
      1.00.50
      =0三面角帽顶双曲面
      >0二面角圆柱直边

      表 2  不同L和α对应典型散射结构

      Table 2.  Discrimination of canonical scattering geometries from L and α

    • 分析式(2)可知单个ASC的幅度与相位相关参数不相关,根据该思想对式(2)进行改造

      $ \begin{align} {{{E}}_i}\left( {{{f}}, {{ϕ}} ;{{{θ}} _i}} \right) =& {A_i} \cdot {\left( {{\rm{j}}\frac{{{f}}}{{{f_{{\rm{c}}}}}}} \right)^{{\alpha _i}}} \\ &\cdot \exp\left( { - {\rm{j}}\frac{{4{{π}} {{f}}}}{{\rm{c}}}\left( {{x_i}\cos{{ϕ}} + {y_i}\sin{{ϕ}} } \right)} \right) \\ & \cdot {\rm{sinc}}\left( {\frac{{2{{π}} {{f}}}}{{\rm{c}}}{L_i}\sin\left( {{{ϕ}} - {{\bar \phi }_i}} \right)} \right) \\ & \cdot \exp\left( { - 2{{π}} {{f}}{\gamma _i}\sin{{ϕ}} } \right) \\ =& \left| {{A_i}} \right| \cdot {\left( {\frac{{{f}}}{{{f_{\rm{c}}}}}} \right)^{{\alpha _i}}} \\ & \cdot {\rm{sinc}}\left( {\frac{{2{{π}} {{f}}}}{{\rm{c}}}{L_i}\sin\left( {{{ϕ}} - {{\bar \phi }_i}} \right)} \right) \\ & \cdot \exp\left( { - 2{{π}} {{f}}{\gamma _i}\sin{{ϕ}} } \right) \\ & \cdot \exp\left( - {\rm{j}}\frac{{4{{π}} {{f}}}}{{\rm{c}}}\left( {{x_i}\cos{{ϕ}} + {y_i}\sin{{ϕ}} } \right)\right. \\ & + {\rm{j}}\frac{{{π}} }{2}{\alpha _i} + {\rm{j}} \cdot {\rm{phase}}\left( {{A_i}} \right) \biggr) \\ =& {{{E}}_{\rm{f}}} \cdot {{{E}}_{\rm{p}}} \end{align} $

      其中,$ {{{E}}_{\rm{f}}} = \left| {{A_i}} \right| \cdot {\left( {{{{f}} / {{f_{\rm{c}}}}}} \right)^{{\alpha _i}}} \cdot {\rm{sinc}}\left( {{\left( {2{{π}} {{f}}} \right)} / {\rm{c}}} \cdot {L_i}\right.$$\left.\sin\left( {{{ϕ}} \!-\! {{\bar \phi }_i}} \right) \right)\!\cdot\! \exp\left( { - 2{{π}} {{f}}{\gamma _i}\sin{{ϕ}} } \right)$, $ {{{E}}_{\rm{p}}} \!=\! \exp\left( - {\rm{j}}{{4{{π}} {{f}}} / {\rm{c}}}\right.$$\left. {\left( {{x_i}\cos{{ϕ}} + {y_i}\sin{{ϕ}} } \right) + {\rm{j}}{{{π}} / 2} \cdot {\alpha _i} + {\rm{j}} \cdot {\rm{phase}}\left( {{A_i}} \right)} \right)$, |Ai|表示A的幅度,phase(Ai)表示A的相位。利用ASC中幅度相关项组成Ef,与之相关的参数有$\left\{ {\left| {{A_i}} \right|, {\alpha _i}, {L_i}, {{\bar \phi }_i}, {\gamma _i}} \right\}$,简写为${{{θ}} _{\rm{f}}}$;相位相关项组成Ep,与之相关的参数$\{ {\rm{phase}}\left( {{A_i}} \right), {\alpha _i}, {x_i}, {y_i}\} $,简写为${{{θ}} _{\rm{p}}}$。因此由Ef可估计${{{θ}} _{{\rm{f}}}}$,由Ep可估计${{{θ}} _{{\rm{p}}}}$

    • 如式(1)所示,在高频电磁区,雷达目标的回波信号是少数几个ASC的叠加[16],ASC参数估计实际上是一个多维参数优化问题[8],为保证参数估计的准确性,引入IHT算法[21,22]

      $ \hat {{δ}} = \arg\mathop {\min}\limits_\delta \left\| {{{D}}\left( {{θ}} \right) \cdot {{δ}} - {{Y}}} \right\|_2^2 + \lambda \left\| {{δ}} \right\|_{{1 / 2}}^{{1 / 2}} $

      其中,${{Y}} = {\rm{ }}{\rm{vec}}\{ {{E}}({{f}}, {{ϕ}} ;{{θ}} )\} $, vec{·}为列向量化操作,||·||p表示lp范数,p≥0, ${{D}}({{θ}} )$是由ASC参数集${{\theta}} $构造的高维联合字典,其中每列都对应一组参数,$\lambda $是求解过程中产生的系数,${{δ}} $为稀疏系数向量,$ {\hat{δ}}e $${{δ}} $的估计值,所求ASC参数在${{D}}({{θ}} )$中的位置与${\hat{δ}} $中非零元素的位置相对应。

    • 由2.2节和3.1节可知,使用Ef(Ep)的值与IHT算法可估计${{{θ}} _{\rm{f}}}({{{θ}} _{\rm{p}}})$。即

      $ {\hat {{δ}} _{{\rm{f}}}} = \arg\mathop {\min}\limits_\delta \left\| {{{{D}}_{{\rm{f}}}}\left( {{{{θ}} _{{\rm{f}}}}} \right) \cdot {{{δ}} _{{\rm{f}}}} - {{{E}}_{{\rm{f}}}}} \right\|_2^2 + {{{λ}} _{{\rm{f}}}}\left\| {{{{δ}} _{{\rm{f}}}}} \right\|_{{1 / 2}}^{{1 / 2}} \hspace{12pt} $

      $ {\hat {{δ}} _{{\rm{p}}}} = \arg\mathop {\min}\limits_\delta \left\| {{{{D}}_{{\rm{p}}}}\left( {{{{θ}} _{{\rm{p}}}}} \right) \cdot {{{δ}} _{{\rm{p}}}} - {{{E}}_{{\rm{p}}}}} \right\|_2^2 + {{{λ}} _{{\rm{p}}}}\left\| {{{{δ}} _{{\rm{p}}}}} \right\|_{{1 / 2}}^{{1 / 2}} $

      其中,Df是由幅度相关参数构造的幅度字典,Dp是由相位相关参数构造的相位字典,${{{δ}} _{\rm{f}}}$${{{δ}} _{\rm{p}}}$分别是求解${{{θ}} _{\rm{f}}}$${{{θ}} _{\rm{p}}}$时的稀疏系数向量,${{\hat{{δ}}}_{\rm{f}}}$${{\hat{{δ}}} _{\rm{p}}}$是它们的估计值。

      根据式(3)构造的DfDp分别为

      $ \begin{align} {{{D}}_{{\rm{f}}}}\left( {{{L}}, {{α}} , {{γ}} , \bar {{φ}} } \right) =& \left\{ {{d}}_{{L_1}, {\alpha _1}, {\gamma _1}, {{\bar \phi }_1}}^{\rm{T}} ·\!·\!·{{d}}_{{L_{{n_L}}}, {\alpha _1}, {\gamma _1}, {{\bar \phi }_1}}^{\rm{T}} ·\!··\right. \hspace{13pt} \\ & \left.{{d}}_{{L_{{n_L}}}, {\alpha _{{ {n}_ {a}}}}, {\gamma _{{ {n}_\gamma }}}, {{\bar \phi }_{{ {n}_{\bar \phi }}}}}^{\rm T} \right\} \end{align} $

      $ \begin{align} {{{d}}_{{L_1}, {\alpha _1}, {\gamma _1}, {{\bar \phi }_1}}} =& {\rm{vec}}\left\{ {{\left( {\frac{{{f}}}{{{{f}_{\rm{c}}}}}} \right)}^{{\alpha _1}}}\right. \\ & \cdot {\rm{abs}}\left( {{\rm{sinc}}\left( {\frac{{2{{π}} {{f}}}}{{\rm{c}}}{L_1}\sin\left( {{{ϕ}} - {{\bar \phi }_1}} \right)} \right)} \right) \\ & \cdot \exp\left( { - 2{{π}} {{f}}{\gamma _1}\sin{{ϕ}} } \right) \biggr\} \end{align} $

      $ \begin{align} &{{{D}}_{{\rm{p}}}}\left( {{{x}}, {{y}}, {{phase}}\left( {{A}} \right)} \right) \\ & \quad= \left\{ \begin{array}{l} {{d}}_{ + {x_1}, {y_1}, {\rm{phase}}\left( {{A_1}} \right)}^{\rm{T}} ·\!·\!· {{d}}_{ + {x_{{{n}_{x}}}}, {y_{{{n}_{y}}}}, {\rm{phase}}{{\left( A \right)}_{{{n}_{{\rm{phase}}\left( A \right)}}}}}^{\rm{T}} \\ {{d}}_{ - {x_1}, {y_1}, {\rm{phase}}\left( {{A_1}} \right)}^{\rm{T}} ·\!·\!· {{d}}_{ - {x_{{{n}_{x}}}}, {y_{{{n}_{y}}}}, {\rm{phase}}{{\left( A \right)}_{{{n}_{{\rm{phase}}\left( A \right)}}}}}^{\rm{T}} \end{array} \right\}\quad\quad \end{align} $

      $ \begin{align} &{{{d}}_{ + {x_1}, {y_1}, {\rm{phase}}\left( {{A_1}} \right)}} \\ &\quad= {\rm{vec}}\left\{ \exp\left( - {\rm{j}}\frac{{4{{π}} {{f}}}}{{\rm{c}}}\left( {x_1}\cos{{ϕ}}+ {y_1}\sin{{ϕ}} \right)\right.\right. \hspace{40pt}\\ & \quad\quad + {\rm{j}}\left( {\frac{{{π}} }{2}{\alpha _1} + {\rm{phase}}\left( {{A_1}} \right)} \right) \biggr) \biggr\} \end{align} $

      $ \begin{align} & {{{d}}_{ - {x_1}, {y_1}, {\rm{phase}}\left( {{A_1}} \right)}} \\ & \quad= {\rm{vec}}\left\{ \exp\left( - {\rm{j}}\frac{{4{{π}} {{f}}}}{{\rm{c}}}\left( {{x_1}\cos{{ϕ}} + {y_1}\sin{{ϕ}} } \right) \right.\right. \hspace{40pt}\\ & \quad\quad+ {\rm{j}}\left( {\frac{{{π}} }{2}{\alpha _1} + {\rm{phase}}\left( {{A_1}} \right) + {{π}} } \right) \biggr) \biggr\} \end{align} $

      其中,abs(·)表示取幅度操作,phase(·)表示取相位操作。从式(7)—式(11)可知DfDp的维度为$\left( {{\rm{length}}_{f} \!\cdot\! {\rm{length}}_{{ϕ}} } \right) \!\cdot\! \left( {{\rm{length}}_{x} \!\cdot\! {\rm{length}}_{y} \!\cdot\! {\rm{length}}_{{\rm{phase}}\left( {A} \right)} }\right. $+$\left.{ {\rm{length}}_{α} \!\cdot\! {\rm{length}}_{L} \!\cdot\! {\rm{length}}_{\bar {φ} } \!\cdot\! {\rm{length}}_{γ} } \right)$$ {\rm{length}}_f \!\cdot\! {\rm{length}}_{{ϕ}}$=$ M, {\rm{length}}_{L} \!\cdot\! {\rm{length}}_{α} \!\cdot\! {\rm{length}}_{γ} \!\cdot\! {\rm{length}}_{\bar {φ}} = {N_1}, {\rm{length}}_{x} $$ \cdot {\rm{length}}_{y} = {N_2}$, lengthphase(A)=N3,则DfDp的维数为M(N1+N2+N3), N3<<N1,若不使用幅度相位分离思想,则D的维度为MN1N2[15],前者比后者低1个数量级,因此幅度相位分离思想可节约参数估计的系统资源和时间复杂度。

    • 对于回波中包含的多个ASC,本文提出的参数估计方法如图1所示,具体步骤如下:

      图  1  本文所提ASC参数估计流程图

      Figure 1.  Flow chart of the method for estimation of ASC parameters proposed in this paper

      步骤1 小转角时利用傅里叶变换(FT)算法成像,大转角时采用复数后向投影(Back Projection, BP)变换成像,从图像中获取参数xy的大致范围;

      步骤2 采用分水岭算法[9]从图像中分割出N个ASC;

      步骤3 FFT得到各ASC的回波数据;

      步骤4 使用3.2节介绍的方法构造字典DfDp

      步骤5 将各ASC对应的回波数据向量化构成向量Yi, i=1:N,令t=1;

      步骤6 分别估计各ASC幅度相关参数和相位相关参数:

      (1) 利用IHT算法基于DfEf的值;

      (2) 将参数${\alpha _t}$的估计值代入到字典Dp中;

      (3) 利用IHT算法基于DpEp估计{xt, yt, phase(At)}的值。

      步骤7 判断tN是否成立,若成立则转到步骤6继续执行,否则进行下一步;

      步骤8 根据各ASC估计参数识别其对应散射结构类型。

    • 仿真实验分为3部分:比较DDfDp的维度;在IHT算法的条件下分别基于2种字典求解单个ASC参数,并根据运算速率和准确性来证明幅度相位分离思想的优越性;最后分别使用传统方法[15]和本文所提方法估计多个ASC参数并比较2种方法的速率和有效性,各个ASC对应的典型散射结构的识别可根据L$\alpha $实现。仿真参数为:中心频率9 GHz,带宽2 GHz,成像积累角3°,采样点数50×120。

    • 在上述仿真参数条件下取各参数范围如表3所示,由此可得D的维度为2.8754e+12,DfDp的维度为1.9223e+09,后者比前者低3个数量级,节省了系统资源,其对参数估计速率的影响见4.1.2节。

      参数分辨率范围取值个数
      |A|0.1[1, 6]51
      L0.1 m[0, 2] m21
      $\alpha $0.5[–1, 1]5
      $\bar \phi $0.5°[–10.5°, 10.5°]43
      x0.2 m[–2, 2] m41
      y0.2 m[–2, 2] m41
      phase(A)0.314$[{{π}} , {{π}} ]$21

      表 3  仿真参数取值

      Table 3.  Values of the simulation parameters

    • 首先根据表3中各参数取值分别构造D, DfDp,然后在表3所示参数范围中随机选取100组单个ASC参数构造100组雷达回波,基于IHT在两种字典条件下分别估计各ASC的参数,两种条件下的估计速率和准确性见表4。准确性由均方误差(Mean Square Error, MSE)评估,MSE的定义为

      对比内容高维联合字典幅度相位分离字典
      运行时间(s)1029492
      MSE0.060.05

      表 4  两种字典构造方法性能对比

      Table 4.  Performance comparison of the two dictionary construction methods

      $ {E_{{\rm{MSE}}}} = \frac{1}{N}\sum\limits_{n = 1}^N {{{\left( {{{\hat {θ} }_n} - {θ} } \right)}^2}} $

      其中,${\hat {θ} _n}$为第n次估计值,N为估计总次数,${θ}$为参数原始值。

      基于两种字典的单个ASC参数估计对比如表4

      表4中可以看出,在估计单个ASC参数时,使用幅度相位分离思想可以大大降低参数估计时间,且估计精度基本不变,证明了幅度相位分离思想的优越性。

    • 对目标上存在多种散射结构的情况,分别使用传统方法和图1中所提方法进行参数估计。仿真3个ASC的情况,估计结果如表5表6所示,其中S1, S2, S3表示3个ASC,运算速率和准确性如表7所示,根据表2对S1, S2, S3对应散射结构的识别结果见表8

      ASC参数S1S1估计值S2S2估计值S3S3估计值
      |A|1.001.006.006.121.000.92
      L001100.2
      $\bar \phi $000.5°0.5°00.5°
      $\alpha $0.50.50.50.50.50.5
      x1100–1–1
      y000111

      表 5  基于传统方法的多个ASC参数估计结果

      Table 5.  Estimation results of ASCs parameters using traditional method

      ASC参数S1S1估计值S2S2估计值S3S3估计值
      |A|1.001.016.006.001.000.98
      L001100.1
      $\bar \phi $000.5°0.5°00
      $\alpha $0.50.50.50.50.50.5
      x1100–1–1
      y000011

      表 6  基于本文方法的多个ASC参数估计结果

      Table 6.  Estimation results of ASCs parameters using the method this paper proposed

      对比内容传统方法本文方法
      运行时间(s)1.470.17
      MSE0.35360.0170

      表 7  2种ASC参数估计方法性能对比

      Table 7.  Performance comparison of the two ASC parameters estimation methods

      S1S2S3
      帽顶圆柱帽顶

      表 8  3个ASC对应散射结构识别结果

      Table 8.  Recognition results of the scattering geometries corresponding to the three ASCs

      表7可以看出本文所提方法在运算速率和估计精度上都优于传统方法,为了更直观地展示算法准确度,将分别由原始参数重构的SAR图像(图2(b))和由2组估计参数重构的SAR图像(图2(a)图2(c))进行对比,可以看出由本文ASC参数估计方法得到的参数结果重构的SAR和原始设置参数重构的SAR图像更加接近(绿色方框),进一步说明了本文所提方法的高估计精度。对比观察表8图2,圆柱及帽顶型散射结构清晰可见,证实了由ASC参数识别其对应散射结构的有效性。

      图  2  原始算法与本文算法性能比较图

      Figure 2.  Performance comparison of the traditional method and the method this paper proposed

    • 使用微波光子雷达系统进行ISAR成像,雷达中心频率为15 GHz,带宽2 GHz,发射线性调频信号,脉冲宽度为50 μs,平台旋转速度为10°/s,平台和收发天线之间的距离为10 m(接收端连接150 m延迟线)。观测目标为1个三面角反射器和1个用铝箔包裹起来的羽毛球筒,羽毛球筒长度为37 cm,底边直径为6.7 cm,2个目标分别放置在转台对角线两端,距离向距离为48 cm,方位向距离为30 cm。成像场景如图3(a)所示,选取方位向持续时间为0.3 s的数据进行成像,成像结果如图3(b)所示,采用本文所提方法估计的ASC参数结果如表9所示,根据参数估计结果判定的散射结构如表10所示。将表10图3进行对比并结合目标真实几何和物理特征,可以看出本文所提方法能准确估计ASC参数。将由估计得到的ASC参数重构ISAR图像展示如图3(c),其与图3(b) (原始ISAR图像)的高相似性直观地证明了本文所提算法的有效性。

      图  3  实验场景及成像结果

      Figure 3.  Experimental filed and ISAR images

      参数12
      A–3.132+3.41j4.0558
      L (m)0.40
      $\bar \phi $–0.5°0.5°
      $\gamma $04.1034e–10
      $\alpha $0.50
      x (m)119.6248120.1499
      y (m)–0.298450.2863

      表 9  ASC参数估计结果

      Table 9.  Estimated parameters of the 2 ASCs

      12
      圆柱

      表 10  ASC对应散射结构判定结果

      Table 10.  Recognition results of the scattering geometries corresponding to the 2 ASCs

    • 下面通过MSTAR[26] T72坦克目标实测SAR图像数据进一步验证本文所提方法的有效性。MSTAR数据为美国DARPA/AFRL MSTAR项目提供的实测SAR地面目标数据,是迄今公开较为完备,评价SAR ATR算法性能较为标准的数据。数据由聚束SAR获取,分辨率为0.3 m,图像切片大小为128×128像素,本次试验采用的是编号为HB05649.016的T72 SAR图像。T72的数据录取俯仰角为17°,方位角变化范围为[78.57°, 82.97°],车体长6.41 m,炮向前时炮筒伸出长度3.035 m[27]

      图4为坦克的光学图像,图5(a)为本次试验中用到的SAR图像,去零去窗后的SAR图像如图5(b)所示,使用分水岭法对图5(b)进行分割,分割结果如图5(c),其中每种相同颜色连接起来的区域代表1个ASC,共包含16个ASC,各个ASC在目标上的分布如图5中的数字所示。由所有ASC估计参数结果重构的SAR图像如图5(d)

      图  4  T72光学图像

      Figure 4.  T72 optical image

      图  5  多幅T72 SAR图像

      Figure 5.  Various T72 SAR images

      16个ASC的参数L$\alpha $估计值见表11,由表中可知坦克炮筒伸出车体的估计长度为2.67 m,文献[18]中的估计结果为2.653 m,和实际的3.035 m相比本文的估计结果更准确。根据表1表2的散射结构判定准则对各个ASC进行判定,结果如表11的第4行和第8行所示。

      第几个散射中心12345678
      L(m)2.674000000
      $\alpha $0.50.5–0.510.5011
      散射结构类型圆柱圆柱边缘绕射三角面帽顶双曲面三角面三角面
      第几个散射中心910111213141516
      L(m)0.890.890.4400000
      $\alpha $00001010.5
      散射结构类型直边直边直边双曲面三角面双曲面三角面帽顶

      表 11  ASC参数估计结果及对应散射结构判定结果

      Table 11.  Estimation results of the ASCs parameters and the recognitionresults of the scattering geometries corresponding to these ASCs

      根据表11第4行和第8行将各ASC对应的散射结构类型标记如图6所示,其中左上角是图5(c)中的分割图像,左下角是图例,右侧是图5(c)中16个ASC对应的不同散射结构在目标上的位置分布示意图。

      图  6  各个ASC对应散射结构位置分布图

      Figure 6.  Estimated position distribution map of scattering geometries corresponding to the ASCs

      图6可知,圆柱类型散射结构主要为坦克炮筒位置,顶帽类型散射结构主要在坦克车体中间车盖和车尾位置,边缘绕射类型散射结构主要分布在车盖附近位置,三面角类型散射结构主要分布在坦克车盖附近和车体内部位置,双曲面类型散射结构主要分布在坦克车体中间的两侧和车盖附近位置,直边类型散射结构主要位于坦克车体中间位置。

      由根据仿真数据和实测数据以及MSTAR数据集的实验结果可以看出,基于幅度相位分离的字典构造方法能够大幅度节约系统内存,提高参数估计速率,通过IHT算法能够较准确地估计目标上主要ASC参数从而识别目标上的基本散射结构。

    • 针对ASC参数估计问题,为了提高参数估计速度,本文先分割图像提取多个ASC再逐个估计ASC参数,考虑到单个ASC幅度相位相关项可分离,提出幅度相位分离的ASC参数估计方法,将参数估计的时间复杂度降低了1个数量级,节约了系统资源并提高了参数估计速率,引入的IHT算法提高了参数估计的精度。根据各个ASC的参数估计结果可识别目标上散射结构并分析其分布位置。从仿真数据、实测数据以及MSTAR数据集得到的参数估计的高效性和高准确性方面,验证了本文所提方法的有效性。

参考文献 (27)

目录

    /

    返回文章
    返回