一种基于电磁散射模型的大角度SAR超分辨成像方法与流程

本发明涉及雷达信号处理技术领域，尤其涉及一种基于电磁散射模型的大角度sar超分辨成像方法。

背景技术：

合成孔径雷达(sar)目标高分辨成像和分类识别在军事应用领域具有重要研究价值和意义。基于目标电磁散射中心的特征是目标特性分析与识别领域的热点。传统的sar目标成像方法基于点散射模型，即每个散射点具有各向同性的特点。然而传统的点散射模型受分辨率限制，因此，指数衰减模型、几何绕射模型(gtd)和属性散射中心模型等目标回波模型被广泛研究。其中，属性散射中心模型更能反映目标的真实物理散射含义，能够较好地描述线、面结构部件，有望挖掘目标特征和增强雷达成像的可视性。

基于电磁散射模型的参数维度大，且存在耦合，因此具有较大的运算量。目前常见的方法主要针对耦合参数的分解和参数估计方法，如利用分水岭方法先进行散射中心分割再进行属性参数估计。保证信号完整性和快速运算仍是目前存在的主要难题。

另一方面，sar成像距离和方位分辨率分别受限于雷达发射带宽和合成孔径大小。在有限系统参数的条件下，为了获得更高分辨率，可对回波数据进行超分辨处理。与点散射模型的超分辨方法不同，基于电磁散射模型可对目标部件进行精细化表征。目前常用的超分辨算法有如burg外推算法、relax算法以及music算法等，通过超分辨处理能够挖掘得到更多目标细节。

当视角变大时，目标部件的散射将存在变化，对相干积累造成影响。结合散射特征的大角度sar成像也是近几年被广泛研究的问题。联合部件参数以及散射系数向量，将导致计算维度大大增加。如何将问题规模小型化并提高成像质量和获取目标细节具有重要研究意义。

技术实现要素：

本发明提供一种基于电磁散射模型的大角度sar超分辨成像方法，提升了大视角条件下的sar成像分辨率，保证了目标部件的整体连续性，提高了低信噪比条件下的算法鲁棒性。

为了达到上述目的，本发明提供一种基于电磁散射模型的大角度sar超分辨成像方法，包含以下步骤：

步骤s1、对雷达回波按照方位时间进行子孔径划分，子孔径之间保留重叠区域用于转角估计，在子孔径融合时构造旋转矩阵；

步骤s2、基于电磁散射模型对每个子孔径进行参数估计；

步骤s3、利用估计得到的参数集，对当前子孔径的频率和角度范围进行外推，并进行重构得到高分辨率的子孔径图像；

步骤s4、对所有校正旋转后的子孔径图像进行融合，获得高分辨率的融合图像。

所述的步骤s2中，假设sar系统发射线性调频信号并进行运动补偿后，第k个子孔径(k＝1:k)用目标电磁散射模型可表征为：

其中，c＝3×10⁸m/s表示光速；αp∈{-1,-0.5,0,0.5,1}为频率依赖因子，反映散射中心的角度依赖特性，lp表示散射中心长度，表示初始指向角，{ap,xp,yp}分别表示散射中心p的幅度、横向和纵向位置；当lp＝0时，则该模型退化为传统的点散射模型。

当雷达工作带宽比b/fc较小时，频率依赖因子的影响较小可忽略，同时忽略γp的影响，由此可得到：

由此，可表示为矩阵并将其向量化为sk。

可以采用relax算法和omp算法进行参数估计，直接利用上述方法对参数估计的维度较大，运算效率低，可通过降维求解来进行参数估计。

进行参数估计的方法包含：

步骤s2.1、估计第p个散射点的位置参数，对进行快速傅里叶变换，取最大值对应的坐标为估计的位置参数由此构造基向量up并对其进行归一化，即up^hup＝1，up的每个元素为

步骤s2.2、估计长度参数和初始角度参数；

利用基向量与原始回波信号之间的最大相关性，估计得到长度参数和初始角度参数：

步骤s2.3、将(4)估计得到的参数代入(3)，更新估计得到幅度参数。

步骤s2.4、迭代得到所有散射中心参数的估计

在残余信号中减去估计信号得到新的残余信号，在一定区间范围内搜索最优值，迭代直至残余能量最小；

所述的步骤s3中，设外推后的频率范围为其中，b为发射信号带宽，α为外推倍数；

外推后的角度范围为其中θ为外推前的相干积累角度，β为孔径的外推倍数。

由此，对第k个子孔径构造的回波信号为：

根据距离分辨率ρr＝c/2b和方位分辨率公式ρa＝λ/(2θ)可知，当频率和角度范围增加为原来的α和β倍时，可得到α×β倍的超分辨sar成像

所述的步骤s4中，利用子孔径数据之间的重叠数据，估计得到旋转角度，计旋转矩阵为trot，旋转后的子图像为：

并根据最大幅值的融合准则，对子孔径进行融合，获得高分辨的融合图像：

本发明具有以下优势：

1、保证了目标部件的整体连续性：将目标部件作为一个整体进行考虑，保证了超分辨过程中部件的整体性，相对于传统基于点散射模型超分辨算法，能够有效解决部件不连续的问题，并且初始指向角的利用可以取得良好的聚焦效果；

2、提高了低信噪比条件下的算法鲁棒性：在参数估计的基础上，提出了基于电磁散射模型的外推，能保证从低信噪比的环境中对目标信号进行较好的重构与外推。

附图说明

图1是本发明提供的一种基于电磁散射模型的大角度sar超分辨成像方法的流程图。

图2是成像结果对比图。

具体实施方式

以下根据图1～图2，具体说明本发明的较佳实施例。

当视角过大时，散射特性的变化导致参数维度增加，因此本发明将大视角分割为多个小视角，在每个小视角条件下基于电磁散射模型进行参数估计后，对估计得到的各散射中心增大视角和频率范围，期望获得更高分辨率，再进行带宽外推实现超分辨，再进行融合获得更高分辨率的sar图像。

如图1所示，本发明提供一种基于电磁散射模型的大角度sar超分辨成像方法，包含以下步骤：

步骤s1、对雷达回波按照方位时间进行子孔径划分，子孔径之间保留重叠区域用于转角估计，在子孔径融合时构造旋转矩阵；

步骤s2、基于电磁散射模型对每个子孔径进行参数估计；

步骤s3、利用估计得到的参数集，对当前子孔径的频率和角度范围进行外推，并进行重构得到高分辨率的子孔径图像；

步骤s4、对所有校正旋转后的子孔径图像进行融合，获得高分辨率的融合图像。

所述的步骤s2中，假设sar系统发射线性调频信号并进行运动补偿后，第k个子孔径(k＝1:k)用目标电磁散射模型表征为：

其中，c＝3×10⁸m/s表示光速；αp∈{-1,-0.5,0,0.5,1}为频率依赖因子，反映散射中心的角度依赖特性，其中lp表示散射中心长度，表示初始指向角，{ap,xp,yp}分别表示散射中心p的幅度、横向和纵向位置；当lp＝0时，则该模型退化为传统的点散射模型。

当雷达工作带宽比b/fc较小时，频率依赖因子的影响较小可忽略，同时忽略γp的影响，由此可得到：

由此，可表示为矩阵并将其向量化为sk。

可以采用relax算法和omp算法进行参数估计，直接利用上述方法对参数估计的维度较大，运算效率低，可通过降维求解来进行参数估计。

进行参数估计的方法包含：

步骤s2.1、估计第p个散射点的位置参数，对进行快速傅里叶变换，取最大值对应的坐标为估计的位置参数由此构造基向量up并对其进行归一化，即up^hup＝1，up的每个元素为：

步骤s2.2、估计长度参数和初始角度参数；

利用基向量与原始回波信号之间的最大相关性，估计得到长度参数和初始角度参数：

步骤s2.3、将(4)估计得到的参数代入(3)，更新估计得到幅度参数：

步骤s2.4、迭代得到所有散射中心参数的估计

在残余信号中减去估计信号得到新的残余信号，在一定区间范围内搜索最优值，迭代直至残余能量最小；

所述的步骤s3中，设外推后的频率范围为其中，b为发射信号带宽，α为外推倍数；

外推后的角度范围为其中θ为外推前的相干积累角度，β为孔径的外推倍数。

由此，对第k个子孔径构造的回波信号为：

根据距离分辨率ρr＝c/2b和方位分辨率公式ρa＝λ/(2θ)可知，当频率和角度范围增加为原来的α和β倍时，可得到α×β倍的超分辨sar成像

所述的步骤s4中，利用子孔径数据之间的重叠数据，估计得到旋转角度，计旋转矩阵为trot，旋转后的子图像为：

并根据最大幅值的融合准则，对子孔径进行融合，获得高分辨的融合图像：

图2为国内外公开的backhoe电磁仿真数据，其总转角为110°，(a)和(d)为rd成像结果及其局部放大图；将总转角分为9个子孔径，每个子孔径20°，重叠10°，得到(b)和(e)为传统子孔径融合图像及其局部放大结果，(c)和(f)为本发明所提方法的超分辨融合成像结果及其局部放大图。

本发明利用电磁散射模型参数估计、带宽外推和子孔径融合技术，解决了sar成像在大视角条件下的数据融合与目标部件级分类问题，提升了大视角条件下的sar成像分辨率，有望大大提高现代雷达对未知非合作目标的精细化识别和解译能力，具有实际应用前景。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。