论文部分内容阅读
星载合成孔径雷达(Synthetic Aperture Rader,SAR)是一种高分辨微波成像系统,它可以全天时、全天候地对地进行扫描观测成像,但是传统的星载SAR存在无法同时实现高分辨率和宽测绘带成像的缺陷。针对该问题,研究者提出一种基于变脉冲重复频率(Plus Repetition Frequency,PRF)的星载SAR——Staggered SAR。该体制雷达可以实现高分辨率宽测绘带成像,但是会存在方位向非均匀采样及数据丢失的问题。除此之外,在一些需要低数据存储的雷达系统下,此时的雷达PRF不能取的过大,然而这会造成Staggered SAR成像结果中出现方位模糊。为了解决该问题,本文研究了基于变化检测的方位模糊去除方法,并给出两种适用范围更广的无模糊重建算法。本文的主要工作如下:1.详细推导了Staggered SAR的数据丢失位置公式并给出非停等假设下的Staggered SAR回波模型构建方法。针对Staggered SAR成像的实际情况,分析Staggered SAR低过采样成像中的方位模糊出现的原因及特点并推导其相对于真实目标的偏移量公式。2.针对Staggered SAR低过采样成像中的方位模糊问题,研究了一种基于变化检测的方位模糊去除方法。该方法通过距离向子频谱划分得到两个中心频率不同的子频带信号,基于两个子频带信号的同一方位模糊的偏移量不同,通过主成分分析(Principal Component Analysis,PCA)处理及k-means检测方法可以得到方位模糊的位置,最后直接将该部分数据从原图像数据中去除。3.针对变化检测方法无法完全去除真实目标附近方位模糊以及适用范围小的问题,研究了一种基于迭代收缩阈值转换算法(Iterative Shrinkage and Thresholding Algorithm,ISTA)的无模糊重建算法。该方法通过构建得到的Staggered SAR回波稀疏线性模型及待重建场景的观测矩阵,利用ISTA算法迭代求出最优稀疏解作为最终的重建结果。4.针对传统ISTA迭代无模糊重建算法收敛速度慢的问题,研究了一种基于学习的迭代收缩阈值转换算法(Learned Iterative Shrinkage and Thresholding Algorithm,LISTA)。该方法的单层网络由ISTA的单次迭代转化得到,将雷达观测矩阵作为网络学习参数,待处理数据输入LISTA网络并采用无监督网络训练方法,最终得到目标场景的无模糊重建结果。