[发明专利]一种通道噪声下的极化SAR高精度定标算法

说明书

本发明涉及一种通道噪声下的极化SAR高精度定标算法，首先对极化SAR获取的全极化数据矢量化，并计算观测协方差矩阵，利用Quegan算法估计出串扰因子初始值，开始迭代；根据系统假设得出的真实散射协方差矩阵性质，得到关于串扰因子的四个等式，通过敏感度方程法求解，迭代更新串扰参数直至收敛或达到迭代次数，迭代结束得到串扰因子的估计值，计算串扰定标矩阵并对观测协方差矩阵完成串扰定标；考虑极化通道噪声功率不相等，引入修正的交叉极化不平衡因子估计表达式，结合串扰定标结果进行估计，并计算出交叉极化不平衡定标矩阵；对原始极化数据完成串扰定标和交叉极化不平衡定标，利用人工角反数据完成同极化不平衡定标和绝对辐射定标。

技术领域

本发明属于雷达信号处理技术领域，特别涉及一种通道噪声下的极化SAR高精度定标算法。

背景技术

自SAR极化定标技术发展以来已有多种算法，大致分为点目标定标算法、分布目标定标算法，对于星载极化SAR受电离层影响还需要额外考虑法拉第旋转校正。对于分布目标定标算法，目前单纯使用自然分布目标很难求解出全部的极化失真参数，实际使用中仍需借助已知点目标散射信息。

点目标定标方法发展较早。20世纪90年代，美国MIT实验室首次提出用角反射器校正极化雷达系统，之后Sarabandi、Whitt、Freeman等进行了大量暗室仿真及外场定标实验，采用金属球、二/三面角、有源定标器等多种定标体类型，丰富和完善了点目标定标算法。但事实上，点目标定标反演参数一般仅对目标所在的周围区域有效，对于空间变化的SAR系统失真，需要沿距离向布设较多点目标才能有效完成全场景定标；同时，主动天线阵列系统如SIR-C、EOS SAR等，其系统极化特性会随着时间变化，使得对于传感器的校正结果经过一段时间也不再适用。因此，点目标定标的空间、时间局限性制约了其发展。

专利申请CN107167801A公开了一种基于旋翼微多普勒特征的多旋翼无人机识别方法，其技术方案是根据接收到的雷达回波信号，提取旋翼的微多普勒特征，获得目标多旋翼无人机的旋翼数量、旋翼的旋转速度和叶片长度等参数，实现多旋翼无人机的识别。统计时域回波的闪烁次数，根据旋翼的叶片数计算得到旋翼数量，并根据闪烁周期计算得到旋翼的旋转速度，根据最大微多普勒频率计算得到叶片长度。此技术方案中旋翼的叶片数目是已知的，只能识别特定类型的旋翼无人机；另外雷达回波中通常含有环境噪声，会淹没微多普勒特征，很难估算微多普勒的最大频率。

分布目标定标方法采用成像区域存在的自然分布散射体进行SAR极化数据的定标，克服了点目标方法需要在每个场景内布设人工定标体的缺点，同时也方便进行系统极化特性的维护更新，具有良好的场景灵活性和适应性。实际应用中，由于分布目标分布整个成像区域，可以方便测量空间变化的极化失真参数，这对于雷达系统随时间、空间渐变的失真系统参数的测量和校正，都能得到很好的解决方案。常用分布目标定标算法有Klein算法，Van Zyl算法，Quegan算法及Ainsworth算法等。这些算法通常依据天线互易、目标散射互易及对称性目标共极化和交叉极化回波不相关等假设条件，采用参数模型迭代算法求解定标参数，当算法条件与其系统情况和场景内大多数自然地物目标比较符合时，能够表现良好的极化定标性能。

2004年有学者提出的改进Quegan极化定标算法，考虑了通道噪声不平衡的情况；2015年西安电子科技大学李真芳等人针对Ainsworth算法进行改进，用于解决交叉极化通道噪声不平衡下的极化定标问题。这两种改进算法较之传统的方法确实更适用于通道噪声存在的情况，但是Quegan算法估计失真参数不准确而Ainsworth算法估计失真参数不稳定，导致改进算法的极化定标精度仍有待提高。

发明内容

本发明的目的是解决现有技术中存在的问题，提供一种通道噪声下的极化SAR高精度定标算法。该方法包括以下步骤：

步骤S1，对极化SAR获取的4个通道全极化数据矢量化，将原始极化SAR数据的极化散射矢量与自身共轭转置矢量做外积，得到待定标数据的观测协方差矩阵；