基于压缩感知sar海面场景目标数据压缩和重构方法

《基于压缩感知sar海面场景目标数据压缩和重构方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于压缩感知SAR海面场景目标数据压缩和重构方法　　摘要：针对海面场景目标SAR的海量数据压缩与重构问题，提出利用一种新的数据压缩与重构理论——压缩感知理论来完成。首先构造随机高斯噪声观测矩阵对原始回波数据进行降维处理以达到大幅压缩的目的，然后利用平滑L0算法重构原始回波信号，在此基础上，利用传统的频率变标SAR成像算法进行成像。仿真结果证明了该方法的有效性。关键词：海面场景目标；SAR数据；压缩感知；平滑L0算法；频率变标算法中图分类号：TN958?34文献标识码：A文章编号：1004?373X（2013）13?0001?04SARdataco

2、mpressingandreconstructingmethodforseascenetargetbasedoncompressedsensingLILei1，ZHANGQun2（1.Xi’anMilitaryRepresentativeBureau，NavyMaterialDepartment，Xi’an710089，China；2.InstituteofTelecommunicationEngineering，AFEU，Xi’an710077，China）12Abstract：Thecompressedsensingtheory（anewda

3、tacompressingandreconstructingtheory）isutilizedinthispapertosolvetheissueofhugeSARdatacompressingandreconstructingforseascenetarget.Firstly，randomGaussiannoisematrixisdesignedasameasurementmatrixtocompletedatacompressing.Secondly，smoothL0（SL0）algorithmisutilizedtoreconstructo

4、riginalsignal.Onthebasisofthat，traditionalfrequencyscaling（FS）algorithmiscarriedouttoobtainthefinalSARimage.Theeffectivenessoftheproposedmethodcanbeprovedbysimulationresults.Keywords：seascenetarget；SARdata；compressedsensing；smoothL0algorithm；frequencyscalingalgorithm0引言合成孔径雷达

5、（SyntheticAperture12Radar，SAR）作为一种高分辨微波成像系统，可实现全天候、全天时、高增益的地面目标成像，因此具有重要的军事意义。合成孔径雷达的高分辨，在距离向上主要通过宽信号频带设计发射大宽带信号，在方位向上则通过雷达载机平台的运动依靠雷达平台运动形成的合成孔径[1]。随着SAR成像技术的不断进步和发展，成像的分辨率越来越高，以及场景目标的测绘带越来越宽，从而雷达回波数据量急剧增加，这些海量的SAR数据会给数字信号处理机的数字化采样、存储和传输等都带来很大的挑战，因此，如何有效地压缩与重构SAR数据是目前亟需解决的重要

6、问题[2]。近年来，压缩感知（CompressedSensing，CS）理论[3]作为一种新的信号获取与压缩重构方法被引入到雷达信号处理领域中[4?7]，该理论指出，当信号具有稀疏性或者可压缩性的时候，通过求解最优化的问题，可以用远低于奈奎斯特采样所采集到的信号观测值以高概率重构原信号。也就是说CS理论是利用信息采样代替传统的信号采样，因此采样速率主要取决于信息在信号中的结构和内容。如果将CS理论引入到SAR数据处理中，则有望实现更为有效的数据压缩，从而便于数据的传输和存储。12因此，本文利用CS理论来研究SAR场景目标数据的压缩与重构技术。由C

7、S理论可知，待压缩数据可实现有效的稀疏化表征是该数据可运用CS理论进行压缩的前提。对于SAR场景目标，由于成像图中每个像素点对应的每个散射点是紧密排列的，因此很难实现有效的稀疏化表征。然而，对于SAR海面场景目标，其大量的海洋背景可认为是非重要信息，只有其中的少量舰船目标才是重要信息，这样，少量的舰船目标相对于大量的海洋背景是稀疏的。因此，可利用CS理论完成SAR海面场景目标数据的压缩与重构。本文依据这个思想设计了基于CS理论的SAR海面场景目标数据压缩与重构方法，具体步骤阐述如下：当SAR收到海面场景目标的回波数据后，首先依据CS理论，构造高斯

8、噪声观测矩阵来完成对回波数据的压缩，然后再利用平滑L0（SmoothL0，SL0）算法对压缩后的数据进行处理来重构原始回波信号，在此基础