本技术涉及一种利用混合范数深度展开网络的SAR成像技术及其相关设备,属于遥感成像技术领域。该技术通过获取雷达工作参数,并依据在各个采样时刻收集的SAR原始数据,构建混合范数深度展开网络模型,实现对SAR数据的高效处理和成像。
背景技术
星载合成孔径雷达(Synthetic Aperture Radar,SAR)可通过多层次态势感知的技术手段对热点地区、重点目标进行高效率侦查,以实现对场景目标的快速发现、检测及识别。随着压缩感知(Compressed Sensing,CS)理论的发展,在观测矩阵满足约束等距性(Restricted Isometry Property,RIP)的条件下,基于信号的稀疏性可以从一种远少于Nyquist采样样本的非均匀sub-Nyquist采样方式中恢复信号。在非线性迭代优化算法保证空间高分辨率的情况下,压缩感知雷达通过灵巧的波束指向设计,能够实现对场景的超广域观测。压缩感知雷达能够将幅宽/分辨率比提高到与SIMO-SAR、MIMO-SAR体制相同数量级上,且基于sub-Nyquist采样的压缩感知雷达系统结构简单、天线尺寸小、数据量小,减轻了硬件负担、信号存储和传输的压力,是一条非常具有吸引力和应用前景的高分宽幅SAR系统研究路线。
压缩感知雷达系统要求观测场景稀疏性的先验信息,在应用方面具有一定的局限性。例如,多数情况下观测场景的稀疏性是未知的、面向复杂场景应用CS理论等。目前稀疏成像算法主要包括贪婪算法、基于统计分布的算法和正则化算法。贪婪算法倾向于陷入局部最优,基于统计分布的算法具有强大的建模能力,但面向缺乏稀疏性的复杂场景具有一定的挑战。在正则化算法中,尽管有一些有用的启发式方法,但如何选择合适的正则化参数没有统一的标准,只能根据经验选择参数并人为调优“试错”,执行效率低,运行时间长。同时,压缩感知成像方法因为算法本身的局限性只能获取较少的图像信息,无法获取丰富的深层图像信息,这就造成了压缩感知算法在欠采样倍数较大时重建性能差。所以,具有可靠精度和接近理想理论性能的快速重建算法也是CS研究中的一个难题。
实现思路