[发明专利]一种分块稀疏贝叶斯学习ISAR成像散射系数估计方法

摘要

本发明提供了一种分块稀疏贝叶斯学习ISAR成像散射系数估计方法，首先将雷达回波谱模型以及二维成像场景离散化，随后对回波谱进行距离维脉冲压缩处理，并利用块稀疏贝叶斯学习方法完成散射系数估计，再将回波谱矩阵进行转置，并且作方位维脉冲压缩处理，同样利用块稀疏贝叶斯学习方法完成散射系数估计。最后，对两次估计所得结果取交集运算，得到最终的二维ISAR成像结果。本发明方法极大地降低了运算复杂度，减小运算量，成功地消除了图像中的条纹干扰，改善成像效果，提高散射系数估计精度。

主权项

1.一种分块稀疏贝叶斯学习ISAR成像散射系数估计方法，其特征在于，包括如下步骤：步骤1，回波模型离散化离散化以后的观测信号二维谱数学模型表示成如下矩阵形式Y＝Θ^aX(Θ^f)^T+V其中，Y∈C^M×N表示二维谱，X∈C^P×Q表示待重建的散射系数，V∈C^M×N表示加性噪声，Θ^a∈C^M×P和Θ^f∈C^N×Q分别表示方位维和距离维字典，()^T表示矩阵转置运算；步骤2，观测信号谱的脉冲压缩处理对观测信号二维谱进行脉冲压缩处理，将其转变成如下两种形式：Y₁＝Θ^aX+V₁Y₂＝Θ^fX^T+V₂其中，Y₁∈C^M×Q和V₁∈C^M×Q分别表示距离维脉冲压缩后的观测信号谱和加性噪声矩阵；Y₂∈C^N×P和V₂∈C^N×P分别表示方位维脉冲压缩后的观测信号谱和加性噪声矩阵；步骤3，建立块稀疏贝叶斯学习模型对于散射系数的每一列，设定其分为均匀的K块，每一块都有自己的方差为γ_k，k＝1,2,...,K，以及块内相关矩阵B；为散射系数的每一列建立方差矩阵为：Γ＝diag(γ₁B,…,γ_KB)其中diag()表示以()内向量为主对角线的对角矩阵；同时，设噪声V服从均值为0，方差为β^‑1的复高斯分布：p(v_pq|β^‑1)＝CN(v_pq|0,β^‑1)其中，v_pq表示V的第p行第q列的元素；步骤4，散射系数估计采用分块稀疏贝叶斯学习方法，基于回波谱数据Y₁进行散射系数X的估计，得到的估计结果记为采用分块稀疏贝叶斯学习方法，基于回波谱数据Y₂进行散射系数X的估计，得到的估计结果记为步骤5，图像交叠处理基于散射系数估计值矩阵和散射系数估计值矩阵通过图像交叠处理，得到最终的ISAR成像结果