基于貝葉斯壓縮感知的ISAR自聚焦成像

王天云 陸新飛 孫 麟 陳 暢 陳衛(wèi)東

?

基于貝葉斯壓縮感知的ISAR自聚焦成像

王天云①②陸新飛①孫 麟①陳 暢①陳衛(wèi)東*①

①(中國(guó)科學(xué)技術(shù)大學(xué)電磁空間信息重點(diǎn)實(shí)驗(yàn)室 合肥 230027)②(中國(guó)衛(wèi)星海上測(cè)控部 江陰 214431)

針對(duì)ISAR自聚焦成像，該文提出一種基于貝葉斯壓縮感知的高分辨率成像算法。首先利用目標(biāo)圖像的稀疏特性構(gòu)建級(jí)聯(lián)形式的稀疏先驗(yàn)?zāi)Ｐ停瑫r(shí)將相位誤差建模為均勻分布模型；然后基于最大后驗(yàn)準(zhǔn)則，依據(jù)貝葉斯壓縮感知理論交替迭代求解目標(biāo)圖像和相位誤差。與傳統(tǒng)稀疏方法相比，所提算法進(jìn)一步利用了目標(biāo)圖像的聯(lián)合稀疏信息，將ISAR CS成像轉(zhuǎn)化為MMV聯(lián)合稀疏優(yōu)化問(wèn)題的求解，可以有效改善自聚焦的精度以及成像質(zhì)量。仿真結(jié)果驗(yàn)證了該算法的有效性。

逆合成孔徑雷達(dá)；自聚焦技術(shù)；高分辨成像；貝葉斯壓縮感知

1 引言

作為傳統(tǒng)高分辨成像雷達(dá)的一種重要形式，ISAR可以實(shí)現(xiàn)全天候?qū)\(yùn)動(dòng)目標(biāo)進(jìn)行成像，同時(shí)獲得距離維和方位維的電磁散射信息[1]。其中距離維分辨能力是由帶寬決定；方位維分辨能力是由成像積累轉(zhuǎn)角決定。考慮到實(shí)際系統(tǒng)的限制，如發(fā)射信號(hào)帶寬不能太寬，否則會(huì)加大數(shù)據(jù)量并增加硬件實(shí)現(xiàn)難度；另外，ISAR目標(biāo)具有非合作性，獲取長(zhǎng)相干處理時(shí)間(Coherent Processing Interval, CPI)數(shù)據(jù)需要較高的跟蹤精度；加上目標(biāo)運(yùn)動(dòng)狀態(tài)非平穩(wěn)且散射特性可能發(fā)生較大變化，通常需要復(fù)雜的運(yùn)動(dòng)補(bǔ)償，增加了成像難度，因此成像積累轉(zhuǎn)角亦不能太大[2,3]。

在有限帶寬和有限轉(zhuǎn)角下，傳統(tǒng)ISAR的距離多普勒(Range-Doppler, RD)成像算法由于基于Fourier反演技術(shù)，其成像結(jié)果通常具有較寬的主瓣和較高的旁瓣，不利于弱小目標(biāo)的分辨和識(shí)別[4]。為了進(jìn)一步提高ISAR成像效果，近年來(lái)，國(guó)內(nèi)外眾多學(xué)者基于圖像稀疏特征，研究了ISAR壓縮感知(Compressed Sensing, CS)超分辨成像算法。文獻(xiàn)[5,6]分別構(gòu)建了基于1范數(shù)或者加權(quán)的1范數(shù)約束的稀疏先驗(yàn)?zāi)Ｐ停@得了較好的成像效果。文獻(xiàn)[7,8]則從統(tǒng)計(jì)學(xué)習(xí)角度出發(fā)，研究了基于稀疏貝葉斯學(xué)習(xí)理論的ISAR成像，在噪聲和雜波環(huán)境中取得了較好估計(jì)結(jié)果。然而上述文獻(xiàn)在信號(hào)建模時(shí)均基于理想情況下的平動(dòng)補(bǔ)償。考慮實(shí)際情形，ISAR成像回波方程中不可避免存在平動(dòng)補(bǔ)償初相校正后存在的殘余相位誤差[9,10]，這會(huì)使得回波模型中的觀測(cè)矩陣部分未知，導(dǎo)致回波測(cè)量值與觀測(cè)矩陣之間產(chǎn)生失配現(xiàn)象，將大大減弱傳統(tǒng)稀疏重構(gòu)算法的性能。因此需要研究自聚焦成像技術(shù)，降低相位誤差對(duì)成像結(jié)果的影響。經(jīng)典自聚焦成像方法如PGA[11]和MEM[12]，其本質(zhì)是基于Fourier重構(gòu)技術(shù)，成像性能提升的空間有限。文獻(xiàn)[9,10]則分別研究了存在相位誤差情形下的ISAR CS自聚焦成像技術(shù)，相比經(jīng)典自聚焦成像方法具有更好的聚焦精度。其中文獻(xiàn)[9]基于確定性反演思想，根據(jù)ISAR圖像的稀疏特性建立了1范數(shù)成像模型，并將相位誤差作為模型誤差，提出了一種自聚焦成像算法。文獻(xiàn)[10]則從貝葉斯壓縮感知(BCS)理論出發(fā)，選取了Laplace分布的目標(biāo)先驗(yàn)?zāi)Ｐ秃途鶆蚍植嫉南辔徽`差模型，利用回波數(shù)據(jù)進(jìn)行統(tǒng)計(jì)參數(shù)估計(jì)，以適應(yīng)ISAR成像的自適應(yīng)表征，經(jīng)推導(dǎo)等價(jià)于求解基于1范數(shù)的稀疏約束優(yōu)化問(wèn)題。

以上兩種自聚焦成像方法[9,10]僅考慮利用目標(biāo)圖像的稀疏特性。本文在此基礎(chǔ)上進(jìn)一步考慮了目標(biāo)圖像的結(jié)構(gòu)信息，即通過(guò)利用圖像的聯(lián)合稀疏先驗(yàn)特征(“行稀疏”和“列稀疏”)，將ISAR CS自聚焦成像轉(zhuǎn)化為多測(cè)量矢量(Multiple Measurement Vector, MMV)聯(lián)合稀疏優(yōu)化問(wèn)題的求解，相比傳統(tǒng)方法求解單測(cè)量矢量(Single Measurement Vector, SMV)優(yōu)化問(wèn)題[9,10]，具有更高的參數(shù)提取精度[13]。另外本文方法對(duì)應(yīng)的成像模型是基于矩陣形式，能有效地避免傳統(tǒng)方法(基于向量表征形式)將目標(biāo)圖像轉(zhuǎn)換成向量模型后引起的2維(距離維和方位維)耦合性，另外還能較好地降低傳統(tǒng)CS自聚焦方法的運(yùn)算復(fù)雜度。文中首先將目標(biāo)圖像建模為級(jí)聯(lián)形式的稀疏先驗(yàn)?zāi)Ｐ蚚14]，相比傳統(tǒng)稀疏先驗(yàn)?zāi)Ｐ?如1范數(shù)約束)，能獲得更好地對(duì)0范數(shù)的近似度，因此可以表征更稀疏的目標(biāo)特性；與此同時(shí)，將相位誤差建模為均勻分布模型，并得到相應(yīng)的MMV優(yōu)化問(wèn)題；其次依據(jù)最大后驗(yàn)(Maximum, MAP)準(zhǔn)則，利用貝葉斯壓縮感知理論[15]交替求解目標(biāo)圖像和相位誤差，進(jìn)而獲得聚焦之后的ISAR圖像。仿真表明，與經(jīng)典自聚焦方法最小熵(MEM)[12]、基于1范數(shù)的自聚焦方法[9]相比，所提方法具有更好的成像性能。

2 信號(hào)模型

本文信號(hào)建模方式與文獻(xiàn)[3,16]類似，假設(shè)對(duì)雷達(dá)原始回波已做過(guò)包絡(luò)對(duì)齊處理。根據(jù)文獻(xiàn)[17]的結(jié)論：包絡(luò)對(duì)齊的精度可以實(shí)現(xiàn)小于1/2距離單元，但初相校正需要補(bǔ)償?shù)木纫笤诓ㄩL(zhǎng)量級(jí)，因此初相校正之后的殘余相位誤差通常不能被忽略，此時(shí)ISAR回波方程應(yīng)表示為

將式(2)代入式(1)，經(jīng)整理得到ISAR回波方程為

進(jìn)一步考慮噪聲因素，并將式(3)對(duì)應(yīng)的ISAR回波方程寫(xiě)成矩陣形式：

近年來(lái)，CS理論利用目標(biāo)稀疏先驗(yàn)信息，在遠(yuǎn)低于Nyquist采樣速率情形下，只需少量觀測(cè)樣本即可重構(gòu)原始信號(hào)，為獲取高分辨率雷達(dá)圖像提供了一種可行的途徑。由于ISAR成像通常是對(duì)空或者對(duì)海目標(biāo)(如飛機(jī)，導(dǎo)彈，艦船等)，目標(biāo)散射點(diǎn)在成像空間天然滿足稀疏分布，因此本文考慮采用基于CS理論的自聚焦成像技術(shù)來(lái)提高成像質(zhì)量。

3 基于貝葉斯壓縮感知的ISAR自聚焦成像

3.1 目標(biāo)參數(shù)貝葉斯壓縮感知模型

3.1.1目標(biāo)稀疏模型 目前表征目標(biāo)稀疏先驗(yàn)信息的方式主要包括確定性模型和貝葉斯模型兩類。從本質(zhì)上講，確定性模型可以利用貝葉斯模型進(jìn)行等效(即通過(guò)選擇合適的概率密度函數(shù)建立兩者的聯(lián)系)，例如文獻(xiàn)[18]闡述了1范數(shù)稀疏約束條件在貝葉斯理論體系下的對(duì)應(yīng)關(guān)系。與文獻(xiàn)[8,9]基于1范數(shù)約束不同，本文采用文獻(xiàn)[14]中的級(jí)聯(lián)形式的目標(biāo)稀疏先驗(yàn)?zāi)Ｐ停唧w描述如圖2所示。

根據(jù)文獻(xiàn)[14,15]的結(jié)論，相比傳統(tǒng)稀疏先驗(yàn)?zāi)Ｐ?如基于1范數(shù)約束，對(duì)應(yīng)Laplace分布)，本文利用的級(jí)聯(lián)稀疏先驗(yàn)?zāi)Ｐ?對(duì)應(yīng)Student-t分布)通常能獲得更好的對(duì)0范數(shù)的近似度，即能表征更稀疏的目標(biāo)先驗(yàn)信息。另外與文獻(xiàn)[14]不同(針對(duì)SMV問(wèn)題，且不考慮相位誤差的影響)，本文求解的是含有相位誤差的MMV優(yōu)化問(wèn)題，因此圖2所示的目標(biāo)稀疏先驗(yàn)?zāi)Ｐ涂煽闯晌墨I(xiàn)[14]中稀疏模型的拓展。

另外，為了獲得高斯分布函數(shù)的共軛特性[18]，再假定服從Gamma分布：

圖1 ISAR自聚焦成像對(duì)應(yīng)的MMV優(yōu)化問(wèn)題示意圖

圖2 級(jí)聯(lián)形式的目標(biāo)稀疏先驗(yàn)?zāi)Ｐ?/p>

3.1.3相位誤差模型 假設(shè)相位誤差模型服從均勻分布(也可以假定為未知確定參數(shù)，不影響后續(xù)的結(jié)論)，即

3.2 基于貝葉斯壓縮感知的ISAR自聚焦成像

結(jié)合圖2，由式(7)，式(8)，式(10)，式(11)及式(12)，可以得到目標(biāo)圖像、相位誤差和噪聲功率的倒數(shù)等參數(shù)對(duì)應(yīng)的聯(lián)合概率密度函數(shù)為

在貝葉斯壓縮感知理論框架下，通常是基于MAP準(zhǔn)則求解上述未知參數(shù)，如式(14)所示。

下面根據(jù)式(15)對(duì)應(yīng)的貝葉斯公式，進(jìn)行目標(biāo)圖像稀疏重構(gòu)。

經(jīng)推導(dǎo)

其中

再根據(jù)

將式(19)代入至式(20)，取負(fù)對(duì)數(shù)并略去常數(shù)項(xiàng)后，可以得到式(21)所示的優(yōu)化函數(shù)：

注意到：

再結(jié)合矩陣求逆公式：

可以得到：

另外，利用矩陣求導(dǎo)的性質(zhì)：

將式(22)，式(24)，式(25)代入式(21)，根據(jù)及得到和，具體求解過(guò)程如下：

另外，根據(jù)式(6)對(duì)應(yīng)的回波方程，不難看出式(33)成立。

通過(guò)交替迭代更新步驟(1)和步驟(2)，即能實(shí)現(xiàn)對(duì)未知變量的迭代求解。由于Type-II最大似然求解方法能保證局部最優(yōu)解，因此相關(guān)參數(shù)的估計(jì)值隨著迭代次數(shù)的增加是逐漸減小的。迭代終止的條件為：“循環(huán)次數(shù)達(dá)到預(yù)先設(shè)定的值”或“相鄰兩次成像結(jié)果不再有較大變化”。

4 仿真結(jié)果與分析

下面通過(guò)仿真驗(yàn)證所提算法應(yīng)用于存在相位誤差下的ISAR高分辨率成像的有效性。并將成像結(jié)果和傳統(tǒng)RD成像方法、經(jīng)典自聚焦方法中的最小熵(MEM)[12]以及基于1范數(shù)的自聚焦方法(L1- Based)[9]進(jìn)行對(duì)比，進(jìn)而闡述本文算法的優(yōu)越性。

實(shí)驗(yàn)數(shù)據(jù)是基于美國(guó)Naval Research Lab提供的MIG25數(shù)據(jù)，該數(shù)據(jù)采用頻率步進(jìn)信號(hào)，中心頻率為9 GHz，帶寬為512 MHz，共有512個(gè)脈沖序列(對(duì)應(yīng)慢時(shí)間)，每個(gè)脈沖包含64個(gè)脈沖采樣(對(duì)應(yīng)快時(shí)間)。另外該數(shù)據(jù)已經(jīng)過(guò)包絡(luò)對(duì)齊和運(yùn)動(dòng)補(bǔ)償處理，且具有較高的信噪比。這里選取了其中前64個(gè)脈沖序列和64個(gè)脈沖采樣作為基礎(chǔ)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。

實(shí)驗(yàn)1 不同SNR情形下各方法的成像結(jié)果對(duì)比 圖3是在基礎(chǔ)數(shù)據(jù)中添加隨機(jī)相位誤差和高斯噪聲，各方法的成像結(jié)果對(duì)比，其中隨機(jī)相位誤差幅度浮動(dòng)在。第1列是RD方法成像結(jié)果。由于該方法沒(méi)有考慮因相位誤差引起的回波測(cè)量值與觀測(cè)矩陣的失配現(xiàn)象，所以反演結(jié)果最差，并且出現(xiàn)了很多“虛像”；第2列為MEM方法成像結(jié)果，可見(jiàn)在SNR較高時(shí)，MEM方法具有較好的成像結(jié)果，但隨著SNR下降，其自聚焦性能有較大程度的惡化；第3列和第4列分別為L(zhǎng)1-Based方法和本文方法的自聚焦結(jié)果。容易看出，這2種方法在SNR較低時(shí)仍具有良好的自聚焦成像能力，但相比而言，本文方法成像效果最好，且?guī)缀鯖](méi)有“虛像”，更利于后續(xù)的目標(biāo)特征提取及識(shí)別。這是因?yàn)楸疚姆椒▽?duì)目標(biāo)建立了級(jí)聯(lián)形式的稀疏先驗(yàn)?zāi)Ｐ停啾然?范數(shù)約束的傳統(tǒng)稀疏模型，具有更好的對(duì)0范數(shù)近似度，可以表征更稀疏的目標(biāo)信息。另外它基于貝葉斯壓縮感知技術(shù)，充分利用了“目標(biāo)、噪聲及相位誤差”的統(tǒng)計(jì)先驗(yàn)信息，在噪聲環(huán)境中尤其是低SNR情形下具有更好的自適應(yīng)性和更穩(wěn)健的參數(shù)估計(jì)精度。

圖3 隨機(jī)相位誤差的幅度浮動(dòng)在時(shí)，各方法在不同SNR下的成像結(jié)果

實(shí)驗(yàn)2 不同自聚焦成像方法的相位提取精度及成像性能對(duì)比 定義相位誤差提取精度和圖像熵分別為

圖4 L1-Based方法和本文方法的計(jì)算時(shí)間對(duì)比

表1 3種自聚焦成像方法在圖4情形下的相位提取精度及成像性能對(duì)比

實(shí)驗(yàn)3 不同形式相位誤差情形下，所提自聚焦成像方法性能驗(yàn)證 實(shí)驗(yàn)1和實(shí)驗(yàn)2均以隨機(jī)相位誤差作為仿真條件，實(shí)驗(yàn)3則給出了基于其他相位誤差模式和不同的SNR情形，采用本文方法取得的自聚焦結(jié)果對(duì)比。圖5(a), 5(b)分別是在二次相位誤差及正余弦相位誤差下的成像結(jié)果。可以看出，本文方法在其他相位誤差模式下也能獲得較好的成像效果，并且在較低SNR下仍然適用。

5 結(jié)論

在ISAR圖像稀疏特性(即傳統(tǒng)稀疏先驗(yàn)信息)的基礎(chǔ)上，本文進(jìn)一步利用了目標(biāo)圖像的結(jié)構(gòu)信息--基于目標(biāo)圖像的“行稀疏”及“列稀疏”特性，將ISAR CS 自聚焦成像轉(zhuǎn)化為MMV優(yōu)化問(wèn)題的求解，提出了一種基于貝葉斯壓縮感知的成像方法。所提方法充分利用了目標(biāo)參數(shù)、相位誤差及噪聲模型的統(tǒng)計(jì)信息，可以取得較好的成像結(jié)果。另外與傳統(tǒng)CS自聚焦方法相比，所提方法具有較低的運(yùn)算復(fù)雜度。

圖5 本文方法在不同相位誤差情形下的成像性能驗(yàn)證

[1] Brisken S and Martella M. Multistatic ISAR autofocus with an image entropy-based technique[J]., 2014, 29(7): 30-36.

[2] Lü Jie-qin, Huang Lei, Shi Yun-mei,.. Inverse synthetic aperture radar imaging via modified smoothed0norm[J]., 2014, 13: 1235-1238.

[3] 吳敏, 邢孟道, 張磊. 基于壓縮感知的二維聯(lián)合超分辨 ISAR 成像算法[J]. 電子與信息學(xué)報(bào), 2014, 36(1): 187-193.

Wu Ming, Xing Meng-dao, and Zhang Lei. Two dimensional joint super-resolution ISAR imaging algorithm based on compressive sensing[J].&, 2014, 36(1): 187-193.

[4] Odendaal J W, Barnard E, and Pistorius C W I. Two- dimensional superresolution radar imaging using the MUSIC algorithm[J]., 1994, 42(10): 1386-1391.

[5] Zhang Lei, Xing Meng-dao, Qiu Cheng-wei,.. Achieving higher resolution ISAR imaging with limited pulses via compressed sampling[J]., 2009, 6(3): 567-571.

[6] Rao Wei, Li Gang, Wang Xi-qin,.. Adaptive sparse recovery by parametric weighted1minimization for ISAR imaging of uniformly rotating targets[J]., 2013, 6(2): 942-952.

[7] 成萍, 司錫才, 姜義成, 等. 基于稀疏貝葉斯學(xué)習(xí)的稀疏信號(hào)表示 ISAR 成像方法[J]. 電子學(xué)報(bào), 2008, 36(3): 547-550.

Cheng Ping, Si Xi-cai, Jiang Yi-cheng,.. Sparse signal representation ISAR imaging method based on sparse Bayesian learning[J]., 2008, 36(3): 547-550.

[8] Liu Hong-chao, Jiu Bo, Liu Hong-wei,.. Superresolution ISAR imaging based on sparse Bayesian learning[J]., 2014, 52(8): 5005-5013.

[9] Onhon N O and Cetin M. A sparsity-driven approach for joint SAR imaging and phase error correction[J]., 2012, 21(4): 2075-2088.

[10] 徐剛, 包敏, 李亞超, 等. 基于貝葉斯估計(jì)的高精度ISAR成像[J]. 系統(tǒng)工程與電子技術(shù), 2011, 33(11): 2382-2388.

Xu Gang, Bao Min, Li Ya-chao,.. High precision ISAR imaging via Bayesian statistics[J]., 2011, 33(11): 2382-2388.

[11] Wahl D E, Eichel P H, Ghiglia D C,.. Phase gradient autofocus-a robust tool for high resolution SAR phase correction[J]., 1994, 30(3): 827-835.

[12] Li Xi, Liu Guo-sui, and Ni Jin-lin. Autofocusing of ISAR images based on entropy minimization[J]., 1999, 35(4): 1240-1252.

[13] Tzagkarakis G, Achim A, Tsakalides P,.. Joint reconstruction of compressively sensed ultrasound RF echoes by exploiting temporal correlations[C]. Proceedings of the IEEE 10th International Symposium onBiomedical Imaging, San Francisco, 2013: 632-635.

[14] Tipping M E. Sparse Bayesian learning and the relevance vector machine[J]., 2001(1): 211-244.

[15] Babacan S D, Molina R, and Katsaggelos A K. Bayesian compressive sensing using Laplace priors[J]., 2010, 19(1): 53-63.

[16] Du Xiao-yong, Duan Chong-wen, and Hu Wei-dong. Sparse representation based autofocusing technique for ISAR images[J]., 2013, 51(3): 1826-1835.

[17] Chen C C and Andrews H C. Target-motion-induced radar imaging[J]., 1980, AES-16(1): 2-14.

[18] Liu Hong-chao, Jiu Bo, Liu Hong-wei,.. Superresolution ISAR imaging based on sparse Bayesian learning[J]., 2014, 52(8): 5005-5013.

An Autofocus Imaging Method for ISAR Based on Bayesian Compressive Sensing

Wang Tian-yun①②Lu Xin-fei①Sun Lin①Chen Chang①Chen Wei-dong①

①(,,230027,)②(,214431,)

For Inverse Synthetic Aperture Radar (ISAR) autofocus imaging, this paper proposes a high-resolution imaging method based on Bayesian Compressed Sensing (BCS). Firstly, according to the sparsity characteristics of target image, a sparse model with the hierarchical framework is established, which can achieve better approximation to the original0norm. Then, the phase errors are assumed to obey the uniformdistribution. Next, following thecriterion of Maximum(MAP), target image and phase errors are solved using alternate iteration based on BCS theory. Compared with traditional methods, the proposed method further combines the joint sparse information of target image, and converts the ISAR CS imaging into solving a joint Multiple Measurement Vector (MMV) sparse optimization problem, which can improve both the autofocus precision and the imaging quality efficiently. Simulation results show the effectiveness of the proposed method.

Inverse Synthetic Aperture Radar (ISAR); Autofocus technique; High-resolution imaging; Bayesian Compressive Sensing (BCS)

TN958

A

1009-5896(2015)11-2719-08

10.11999/JEIT150235

2015-02-11；改回日期：2015-06-29；

2015-08-27

陳衛(wèi)東 wdchen@ustc.edu.cn

國(guó)家自然科學(xué)基金(61172155, 61401140)；國(guó)家863計(jì)劃(2013AA122903)

The National Natural Science Foundation of China (61172155, 61401140); The National 863 Program of China (2013AA122903)

王天云： 男，1986年生，博士生，研究方向?yàn)榉植际嚼走_(dá)稀疏成像技術(shù)、壓縮感知.

陸新飛： 男，1990年生，博士生，研究方向?yàn)楦叻直胬走_(dá)成像、壓縮感知.

孫 麟： 男，1990年生，博士生，研究方向?yàn)镮SAR成像、陣列信號(hào)處理.

陳 暢： 男，1979年生，講師，研究方向?yàn)槲⒉ㄅc毫米波技術(shù)、雷達(dá)信號(hào)處理.

陳衛(wèi)東： 男，1968年生，教授，博士生導(dǎo)師，研究方向?yàn)槔走_(dá)系統(tǒng)理論與技術(shù)、雷達(dá)信號(hào)處理、微波與毫米波技術(shù).