[发明专利]一种合成孔径雷达的运动目标迭代最小熵成像方法及装置

说明书

本发明的实施例公开了一种合成孔径雷达的运动目标迭代最小熵成像方法及装置，该方法以散焦的ROI复图像作为输入量，将ROI图像熵建模为相位补偿因子的函数，并构造图像熵替代函数将图像熵最小化问题转化为可以迭代求解的序贯优化问题，利用算法收敛得到的相位补偿因子，重建出较高分辨率的运动目标幅度图像。通过结合SAR的ROI数据与迭代最小熵算法，能够获得较高分辨率的运动目标自聚焦像。一方面以ROI数据为输入量，极大地降低了所需处理的数据量，提高了运动目标信杂比；另一方面，不需要任何先验参数，采用迭代最小熵算法估计出准确的相位补偿因子，获得最终的二维幅度图像。

技术领域

本发明涉及雷达成像技术领域，尤其是涉及一种合成孔径雷达的运动目标迭代最小熵成像方法及装置。

背景技术

合成孔径雷达(SAR，Synthetic Aperture Radar)是一种高分辨遥感设备，具有全天候、全天时对地观测成像能力。传统的SAR成像算法主要任务是针对地面、海面等静止场景成像。随着SAR性能的提升，功能多样化发展，针对静止场景中运动目标的高分辨成像也成为了SAR的一项重要任务。而SAR完成对动目标成像需要解决两个关键问题：去除背景杂波干扰和相位误差补偿。

动目标回波与背景回波在原始数据域相互混合，使得接收信号的信杂比较低。现有的天线相位中心偏置(Displaced phase center antenna,DPCA)技术和干涉技术是两种最常用的杂波抑制方法。但是这些方法都对硬件设备有一定要求，不适用于普通单天线SAR系统。对于单天线SAR的动目标信号处理问题，提取ROI(Region of interest)数据是一种有效的杂波抑制方法。所谓ROI数据是指，利用传统成像算法对原始回波数据进行处理，在成像结果中散焦的动目标所占据的区域。因此，ROI也可以看作是原始数据成像结果的一块复数子图像。提取ROI数据可以有效地去除大量的背景杂波干扰，并且包含了动目标的所有回波能量。此外，ROI数据量明显小于原始数据量，更便于快速处理。

对于动目标成像中未知的相位误差补偿问题，现有的处理方法大致可以分为两类：非参数化方法和参数化方法。非参数化方法如相位梯度自聚焦(Phase gradientautofocus,PGA)，Shear Averaging等。这一类方法对于动目标相位误差没有做出任何参数化的模型假设，直接通过优化算法估计动目标信号的相位误差，因此需要求解的变量较多，算法较为复杂。另一类参数化方法是将动目标回波相位误差建模为确定参数的变量，将相位误差估计问题转化为少量参数的估计问题。由于相位误差是由目标运动引起的，因此动目标成像问题通常被转化为目标运动参数估计问题。此时相位误差补偿的精度取决于动目标运动参数估计精度。

近年来，研究人员围绕SAR运动目标成像展开了广泛的研究。下面重点介绍两个具有代表性的SAR运动目标成像技术的主要贡献以及存在的不足。

一方面，有文献以散焦的ROI数据为输入量，利用二维等效速度构建ROI数据的相位补偿函数，经过相位补偿与插值处理，得到一幅处理后的动目标图像，并计算该图像的对比度。等效速度的获取是通过方位向和距离向二维速度空间搜索获得的，搜索目标是聚焦后的图像对比度最大化。该方法经过实测数据检验，最终可以获得清晰的运动目标成像结果，但该算法成像效果与处理效率受等效速度搜索区间和搜索步长影响。

另一方面，有文献基于最小熵准则提出了一种非参数化动目标成像方法。该方法采用二分法在区间内搜索每一个方位向采样数据的相位误差。该方法的主要缺点在于孤立了各方位向采样数据的相位误差的联系，当方位向采样数据较多时，搜索次数显著增大。

通过上述对现有的SAR运动目标成像方法的总结可以看出，现有的动目标成像算法存在需要输入先验参数，全域搜索等问题，不便于动目标自适应成像处理。

发明内容

本发明所要解决的技术问题是如何解决现有的动目标成像算法存在需要输入先验参数，全域搜索，不便于动目标自适应成像处理等问题。