论文部分内容阅读
传统的逆合成孔径雷达(Inverse Synthetic Aperture Radar,简称ISAR)成像采用匹配滤波技术。近十年来,基于压缩感知(Compressive sensing,简称CS)的成像方法成为ISAR成像研究的热点。基于CS的ISAR成像方法可以利用少量欠采样数据或不完整的回波数据重建出对比度高,旁瓣干扰少的ISAR目标图像。卡尔曼滤波(Kalman Filter,简称KF)能够有效利用信号的先验信息获得优良的估计性能且不易受噪声干扰,本文将KF与CS ISAR成像相结合,研究KF框架下的CS ISAR成像方法,借助KF的优良估计性能来提升ISAR成像质量。首先给出基于直接KF的CS ISAR成像方法。在ISAR目标场景空域稀疏的假设下,ISAR成像可以视为稀疏约束下的凸优化问题。在KF滤波框架下,引入了伪测量(Pseudo Measurement,简称PM)技术,将待重建目标场景散射率的l1范数作为额外的一个非线性测量值引入到图像重建中,通过最小化待重建目标场景的l1范数来估计待重建场景的最优稀疏解。PM能有效控制算法的收敛精度与速度,保证KF迭代的收敛。使用ISAR数据对本算法的性能进行验证,实验结果表明直接KF算法的成像质量优于正交匹配追踪(Orthogonal Matching Pursuit,简称OMP)算法。然后给出基于顺序KF的CS ISAR成像方法。为进一步充分利用KF估计的优良性能,在基于直接KF的CS ISAR成像算法的基础上,通过引入基于PM的内部迭代来提高成像质量。使用ISAR实测数据验证了本算法的性能,实验结果表明基于顺序KF的CS ISAR成像方法的成像质量优于OMP算法与直接KF算法,但是内部迭代的嵌套导致成像计算量较大,其成像效率较低。最后给出基于零空间KF的CS ISAR成像方法。该方法利用零空间特性,从解欠定方程组的角度,将待重建目标图像分解为可观测与不可观测两部分。首先采用加权最小二乘法(Weighted Lease Square,简称WLS)估计可观测部分,并将WLS结果作为目标初像。然后将待重建目标场景散射率的l1范数作为额外的一个非线性测量值引入到图像重建中,利用KF迭代估计零空间中的不可观测部分的解,使可观测与不可观测两部分解之和的l1范数最小,最终获得最优稀疏解。此外,通过动态调整伪测量的加权因子γ和合理降低零空间的矩阵维度,加快算法收敛速度。实测ISAR数据验证了基于零空间KF的CS ISAR成像方法的有效性,实验结果表明零空间KF方法的成像质量优于OMP算法与直接KF算法,略逊于顺序KF成像算法,但其计算效率远高于顺序KF算法。