基于压缩感知的层析SAR典型地物三维结构参数反演模型与方法研究

With application of compressive sensing (CS) theory and technique to SAR tomography (TomoSAR), CS-based TomoSAR technique becomes one of the international research frontiers and hot topics in the field of radar remote sensing. In recent years, significant progress has been made on CS-based TomoSAR technique for three-dimensional (3D) structure parameter inversion of buildings and forest. However, as to SAR images with high and moderate resolution, certain image area with strong noise and the distributed targets whose optimal sparsity basis needs to be constructed, how to achieve high accuracy estimation of 3D structure parameters of these targets using CS-based TomoSAR method is still a key scientific problems which need to be settled for further application of CS-based TomoSAR. To address these urgent problems, the main research works of this project are as follows: (1) Study on CS-based polarimetric SAR tomography (CS-Pol-TomoSAR) method for the super-resolution 2D joint reconstruction of 3D-structure parameters inversion of buildings; (2) Study on cyclic spectrum-based CS-TomoSAR method for 3D-structure parameters inversion of buildings; (3) Study on construction of sparsity basis for forested scattering signal and CS-Pol-TomoSAR method for 3D-structure parameters inversion of forested area. (4) Study on SKP-based CS-Pol-TomoSAR for 3D-structure parameters inversion of forests. This study is of great significance to the applied expansion of CS theory and technique and to the improvement of quantitative research of radar remote sensing.

近几年，作为国际雷达遥感领域的研究前沿和热点研究领域之一的压缩感知(Compressive Sensing, CS)层析SAR已在建筑物和森林三维结构参数反演方面取得了显著的进展。但是，针对中高分辨率SAR图像、噪声影响较强的图像区域以及需要进行最优稀疏基构建的分布式目标，CS层析SAR如何实现地物目标三维结构参数高精度反演是其进一步应用急需解决的关键科学问题。基于以上存在的急需解决的关键科学问题，本项目的研究工作如下：1)基于CS的二维极化层析SAR建筑物三维结构信息反演模型与方法研究；2)基于循环谱估计的CS层析SAR城市建筑物三维结构参数反演方法研究；3)基于极化层析SAR的森林散射信号最优稀疏基构建及其三维结构参数反演研究；4)基于SKP散射机制分解的CS层析SAR森林植被三维结构参数反演方法研究。以上研究对于拓展CS的应用水平和提高雷达遥感的定量化研究水平具有重要意义。

地物的三维结构信息对于全球环境变化监测研究至关重要。SAR层析技术因其具有三维成像能力，已被大量用于地物目标的三维结构重建中，如城区和森林。但是当数据欠采样和基线分布不均匀时，现有的SAR层析成像算法分辨率低，难以有效分离同一分辨单元内不同高度位置的散射体。鉴于此，本项目首先建立了基于压缩感知的极化SAR层析城市三维结构参数反演方法，不仅能大大降低数据获取成本，有效克服基线不均匀，数据欠采样的影响，而且能提高高度维的分辨率和信号估计精度。在此基础之上，发展了基于自适应迭代估计的SAR层析城市三维结构参数反演方法，提高了压缩感知方法的自适应能力。然后创建了适合分布式目标高度向后向散射信号高精度重构的稀疏基构建方法，并将其应用到森林地区。最后建立了具有自适应迭代特性的SAR层析森林三维结构参数反演方法，提高了非参数谱估计方法估计性能；同时发展了基于稀疏谱估计（压缩感知和稀疏协方差迭代估计）的SAR层析森林三维结构参数反演方法，克服了CS方法依赖超参数选择的问题。