论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨成像雷达,在军事和民用领域扮演者着重要的角色。经典的奈奎斯特采样定理表明,要想获得高分辨率的合成孔径雷达图像,需要采集大量的回波数据,这将对接收端的数据存储和传输带来极大的挑战。压缩感知(Compressive Sensing,CS)的出现,不仅有效的解决了采集数据量过大的问题,还能进一步提升成像的分辨率。因此,基于压缩感知的合成孔径雷达成像受到了广泛的关注。然而,压缩感知类算法具有较大的时间和空间复杂度,在实际应用中面临巨大的挑战,而且单比特压缩感知算法往往只适用于实数域。另外,由于雷达平台的运动误差,观测矩阵将会引入不确定性,最终表现为回波数据的相位误差,从而使得重建的场景散焦。因此,在实际应用中,CS-SAR自聚焦算法变得尤为重要。基于CS-SAR的自聚焦算法已经有了广泛的研究,这类算法可以校正较小的相位误差,而对于较大的误差相位则无能为力。本文针对已有的CS-SAR自聚焦算法的不足及已有的单比特CS-SAR成像算法效率低的问题进行了探究。内容安排如下:本文的第一个研究内容是基于无相位变换的合成孔径雷达成像自聚焦算法。首先,分析了已有的CS-SAR自聚焦算法的不足,提出了无相位变换策略,基于该策略将原始的优化问题建模为了一个凸模型,使得算法在任意大小的误差相位下都能实现精确的聚焦。进一步地,本文将无相位变换扩展到单比特CS-SAR误差相位校正的问题中,结合单比特压缩感知自身的特点构造了相应的优化模型,最后通过仿真验证了所提方法的有效性。本文的第二个研究内容是基于逆Chirp Scaling算子的复数域单比特压缩感知SAR成像算法。针对已有的单比特CS恢复算法只适用实值信号的问题,本文抛弃传统的符号一致性约束函数,提出了基于最小二乘意义的代价函数,考虑到压缩感知算法具有较高的计算复杂度,本文进一步用逆Chirp Scaling算子取代精确观测矩阵,极大的提升了算法效率。仿真和实测验证了算法的有效性。