基于场景稀疏表示的压缩感知雷达成像方法

Compressed sensing radar imaging is one of the popular research topics in recent years. In the condition of that the scene is sparse, compressed sensing radar imaging methods have two significant advantages: the first one is the reduction of the required data amount, and the second one is the increased image quality. However, the prerequisite for compressed sensing radar imaging methods is that the scene is originally sparse or can be sparsely represented. Up to now, most published literatures concerned originally sparse scenes, i.e. the condition of that sparse representation is not needed. For the situation of that the scene is not originally sparse, i.e. sparse representation is needed, since the phases of the complex-valued scene are potentially random, sparse representation of the complex-valued scene is very difficult, and there has no effective sparse representation method for common scenes at state of the art. So that compressed sensing radar imaging methods is only valid for originally sparse scenes at current status, and its area of application is not wide. Concerning the challenges of sparse representation of radar scenes, this research project will investigate the separate reconstruction method of magnitude and phase based on the sparse representation of the magnitude of the scene, the regularized reconstruction method based on constraint of magnitude sparsity, and the sparse recovery method based on the physics structure of the targets. The aim of this research project is to break through the bottle-neck in sparse representation methods, and establish the groundwork for commonly valid application of compressed sensing radar imaging methods.

压缩感知雷达成像为近年来的研究热点之一，在场景稀疏的情况下，压缩感知雷达成像方法有两个明显的优势：一是可以降低所需数据量；二是可以提高成像质量。但是压缩感知雷达成像方法适用的前提条件是场景直接稀疏或可稀疏表示。目前已发表的绝大部分研究成果都是针对直接稀疏场景，即不需要稀疏表示的情况。对于场景不直接稀疏，而是需要稀疏表示的情况，由于复场景的相位通常具有一定的随机特性，导致针对复场景的稀疏表示非常困难，目前还没有出现普遍有效的稀疏表示方法。因此目前压缩感知雷达成像方法只适用于直接稀疏场景，应用范围并不广。本项目针对雷达场景稀疏表示的难题，研究基于场景幅度稀疏表示的幅度相位分离重建方法、幅度稀疏约束正则化重建方法和基于目标物理结构的稀疏重构方法。突破场景稀疏表示方法的瓶颈，为压缩感知雷达成像技术的普遍应用奠定基础。

压缩感知雷达成像为近年来的研究热点之一，在场景稀疏的情况下，压缩感知雷达成像方法有两个明显的优势：一是可以降低所需数据量；二是可以提高成像质量。但是压缩感知雷达成像方法适用的前提条件是场景直接稀疏或可稀疏表示。目前已发表的绝大部分研究成果都是针对直接稀疏场景，即不需要稀疏表示的情况。对于场景不直接稀疏，而是需要稀疏表示的情况，由于复场景的相位通常具有一定的随机特性，导致针对复场景的稀疏表示非常困难，目前还没有出现普遍有效的稀疏表示方法。因此目前压缩感知雷达成像方法只适用于直接稀疏场景，应用范围并不广。本项目针对雷达场景稀疏表示的难题，研究基于场景幅度稀疏表示的幅度相位分离重建方法、幅度稀疏约束正则化重建方法和基于目标物理结构的稀疏重构方法。提出了一种改进的幅度相位分离重建方法，充分利用了场景幅度的稀疏表示系数分布先验信息和幅度实值先验信息，从而降低了重建过程的运算量并提高了重建精度。提出了一种幅度稀疏约束的正则化场景重建方法，将原压缩感知成像模型中的直接稀疏约束改进为幅度稀疏表示约束，可对分布式场景进行重建。提出了一种基于目标物理结构的稀疏重构方法，根据目标电磁散射特性函数组成观测方法，可准确重建目标位置和强度。所提方法在机载合成孔径雷达和车载探地雷达中得到了初步应用和验证。该项目研究成果突破了场景稀疏表示方法的瓶颈，为压缩感知雷达成像技术的普遍应用奠定了基础。