专利名称：基于L<sub>1/2</sub>正则化的合成孔径雷达成像方法
技术领域：
本发明涉及雷达二维成像技术领域，是一种基于l1/2正则化的合成孔径雷达成像方法，基于现代稀疏信号处理方法的成像处理技术。
背景技术：
合成孔径雷达(Synthetic Aperture Radar, SAR)作为一种主动式微波成像系统，具有全天时、全天候和高分辨率成像特点。它已经被广泛应用于军事及国民经济的许多领域，如军事侦察、环境监测、土地资源管理等方面。随着SAR技术的发展，要求雷达系统的分辨率和测绘带宽不断提高，大数据量的瓶颈效应也越发明显。传统SAR成像的采样数据是按照Nyquist率进行采样。Nyquist采样定理指出，对于有限带宽的实信号，为了保证无失真的恢复信号所需要的采样率应不低于两倍的信号带 宽。基于Nyquist率的采样不可避免地产生大量数据，从而难以存储、处理和传输。然而，许多SAR场景在某些特定的基底下具有稀疏性。对于稀疏场景的成像技术已经有了许多的研究。Cetin提出了一种基于非二次正则化SAR成像方法用于稀疏场景的重建。该方法利用整个相位历史进行重建，且正则化的模型参数需要人工事先选取。最近兴起的压缩感知技术获得了大量的关注。它主要通过随机测量，采用非线性重建算法得到线性反问题的稀疏解。不同于传统的采样方式，压缩感知利用信号的稀疏性，将压缩与采样合并，从而以低于传统Nyquist率进行采样，实现信号的恢复。近年来，压缩感知被广泛应用于SAR成像。近期中国科学院电子学研究所提出稀疏微波成像新体制。目前压缩感知成像算法主要是基于L1正则化实现对观测场景后向散射系数的恢复。和传统的SAR成像方法相比，基于L1正则化的压缩感知的成像方法能大大降低SAR系统所需的数据量。然而基于L1正则化的成像方法所需的采样量仍然相对较高。近期，Xu建立了 L1/2正则化框架，给出了 L1/2正则化模型解的解析表达式，提出了一种求解L1/2正则化模型的快速算法。通过相变图研究，揭示了 L1/2正则化在Lq(0 < q < I)正则化中具有代表性。相比于L1正则化，L172正则化具有更强的稀疏能力。对背景技术的了解可以参考下面三篇文章以及它们的引用文章。[1]M.Cetin and ff. Karl, Feature-enhanced synthetic aperture radarimage formation based on non-quadratic regularization, IEEE Trans, on ImageProcessing, vol. 10，no. 4，pp.623-631，2001.[2]D. L Donoho，“Compressed sensing，，，IEEE Trans. Inform. Theory，2006，52，(4)，pp. 1289-1306.[3] Z. B. Xu，“Data modeling Visual psychology approach andLI/2regularization theory,，’Proceedings of International Congress ofMathematicians，Switzerland !European Mathematical Society Publishing House，2010.
发明内容
本发明提供了一种基于L1/2正则化的合成孔径雷达成像方法，根据雷达观测模型，建立基于L1/2正则化的合成孔径雷达成像模型；采用迭代Half阈值算法实现对观测区域目标场景后向散射系数的重建。本发明方法相比于传统的合成孔径雷达成像方法，可降低正确重建目标场景所需的采样量，实现合成孔径雷达数据有效成像。为实现上述目的，本发明的技术解决方案是一种基于l1/2正则化的合成孔径雷达成像方法，其包括步骤A)根据合成孔径雷达观测模型，建立基于L1/2正则化的SAR成像模型；B)采用迭代Half阈值算法重建观测场景后向散射系数。
所述的合成孔径雷达成像方法，其所述A)步，包括a、根据雷达观测模型建立基于L1/2正则化的合成孔径雷达成像模型
权利要求
1.一种基于l1/2正则化的合成孔径雷达成像方法，其特征在于包括步骤 A)根据合成孔径雷达观测模型，建立基于L1/2正则化的SAR成像模型； B)采用迭代Half阈值算法重建观测场景后向散射系数。
2.根据权利要求I所述的合成孔径雷达成像方法，其特征在于所述A)步，包括 a、根据雷达观测模型建立基于L1/2正则化的合成孔径雷达成像模型
3.根据权利要求I所述的合成孔径雷达成像方法，其特征在于所述B)步，根据所得到的基于L1/2正则化的SAR成像模型解的阈值表达形式，设计出一种SAR成像快速算法，称为迭代 Half 阈值算法(Iterative Half Thresholding Algorithm),主要步骤如下 步骤I :初始化目标场景的后向散射系数X1，给定梯度下降步长μ、目标场景稀疏度预估值K和迭代终止准则，令迭代步数t: = I ； 步骤2:更新梯度下降序列BtBt = Xt+μ Φ^γ-Φχ^ (2) 其中，ΦΗ表示Φ的共轭转置矩阵； 步骤3:更新正则化参数At; 步骤4 :更新目标场景的后向散射系数 =Hwn(Bt)(3) 其中(·)为Half阈值算子； 步骤5 :判断是否满足算法迭代终止准则？满足，迭代终止，算法输出为目标场景重建后向散射系数；不满足，则更新迭代步数t，令t: = t+Ι，转步骤2。
4.根据权利要求I所述的合成孔径雷达成像方法，其特征在于根据l1/2正则化理论，给出基于l1/2正则化合成孔径雷达成像模型的正则化参数最优选取策略
5.根据权利要求1、3或4所述的合成孔径雷达成像方法，其特征在于在算法迭代过程中，取迭代序列4 ⑨来逼近最优的正则化参数λ*, t为迭代步数。
6.根据权利要求I或3所述的合成孔径雷达成像方法，其特征在于 为保证迭代Half阈值算法的收敛性，梯度下降步长μ应满足/^(0,1/|Φ|;)，|Φ|;表示矩阵Φ的2-范数平方；算法迭代初始值X1取为零；迭代Half阈值算法对目标场景稀疏度预估值K具有稳健性，在实际中，K取为ΦΗγ相应40dB输出分量的数目，即所有幅度大于ΦΗΥ中绝对值最大分量幅度的百分之一的分量数目。
全文摘要
本发明公开了一种基于L1/2正则化的合成孔径雷达成像方法，涉及雷达二维成像技术，包括步骤a、根据合成孔径雷达观测模型，建立基于L1/2正则化的合成孔径雷达成像模型；b、采用迭代Half阈值算法实现对观测场景后向散射系数的重建。本发明方法相比于传统的合成孔径雷达成像方法，可降低正确重建目标场景所需的采样量，实现合成孔径雷达数据有效成像。
文档编号G01S13/90GK102788977SQ20111012976
公开日2012年11月21日 申请日期2011年5月19日 优先权日2011年5月19日
发明者吴一戎, 张冰尘, 徐宗本, 曾锦山, 洪文 申请人:中国科学院电子学研究所