GEOSAR成像扰动对流层误差补偿方法和装置制造方法及图纸

本申请涉及雷达图像处理技术领域的一种GEO SAR成像扰动对流层误差补偿方法和装置，所述方法构建了影响扰动对流层参数作为输入与图像性能指标作为输出的模型，该模型既考虑了非线性又能利用线性模型对问题快速求解；该模型建立了影响扰动对流层参数与分块选择的联系,可以利用构建的模型大致反演出影响因子，为分块选择提供初始值，与单纯利用迭代法相比大大提高了计算速度。采用本方法可以补偿因扰动对流层对GEO SAR图像产生的相位误差，提升图像质量。提升图像质量。提升图像质量。

【技术实现步骤摘要】
GEO SAR成像扰动对流层误差补偿方法和装置


[0001]本申请涉及雷达图像处理
，特别是涉及一种GEO SAR成像扰动对流层误差补偿方法和装置。

技术介绍

[0002]GEO SAR是一种搭载于地球同步轨道卫星上可实现特定经纬度范围内成像的合成孔径雷达系统。GEO SAR系统具有测绘带宽、分辨率高、驻留时间长、重访时间短等优点,并且该系统的研究迎来了蓬勃发展的时期,在自然灾害监测与大气水汽反演等方面有很高的应用价值。成像处理是GEO SAR系统的核心技术之一，受到国内学者极大的关注，并且可以将其发展划分为三个阶段。第一个阶段解决传统成像模型精度不足的问题。第二个阶段考虑了长合成孔径中地球自转引入的方位空变问题。第三个阶段是对多模式、多通道、复杂构型下的GEO SAR系统成像问题研究。可以看出，GEO SAR成像处理技术已趋于成熟，相关方法的正确性得到了广泛验证.
[0003]在解决了GEO SAR成像处理的基本难题之后，为了实现对地面的精确观测还需注意GEO SAR会引入复杂的对流层传播延迟。运用大气领域的最新发展成果，将对流层延迟划分为确定性低阶分量背景对流层与随机性高阶分量扰动对流层两个部分。W.Sheng提出一种基于子孔径划分的对流层延迟补偿方法。J.Rodon讨论了一种类似的大气相位延迟检索方法，该方法依赖于参考稳定点(如城市或岩石地区)。这些点的散射相位是稳定的，因此它们的相位波动可以直接解释为大气相位延迟。L.De在高分辨SAR中根据对流层成分依次对每个组成补偿。根据背景对流层延迟分量经验模型与影响分析，通过低阶近似，实现对流层延迟影响与几何空变影响的解耦；进而改进理想GEO SAR成像处理方法，补偿低阶对流层延迟的影响.L.De提出分块自聚焦算法对高阶误差TTD进行补偿。方位解压数据被划分为不同的子块，并且每个子块利用MDA估计出一个二次相位误差系数，然后通过插值与积分处理估计出二维对流层延迟相位。最后，将相位估计误差与方位向解压缩后的数据相乘补偿对流层延迟，再次方位向压缩得到精确聚焦的图像。
[0004]然而在上述的方法中，如何进行分块并未详细介绍，只能凭借处理经验。对流层延迟补偿效果取决于分块选择是否合理。其次，若忽略某个子块估计出的异常调频率时，在后续插值与积分过程中会将误差放大，恶化图像质量。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种GEO SAR成像扰动对流层误差补偿方法和装置。
[0006]一种GEO SAR成像扰动对流层误差补偿方法，所述方法包括：
[0007]对获得的GEO SAR图像进行方位向傅里叶变换、方位向解压、方位向傅里叶逆变换处理后，得到方位向解压缩数据。
[0008]对获得的GEO SAR图像沿距离向划分成若干个子带。
[0009]根据影响扰动对流层参数和熵，构建分块优化模型，所述分块优化模型为：
[0010][0011]其中，X为分块优化模型的输入，X＝(D,s,l,v,n,c)，v为指数因子、l为尺度因子、D为坐标维数、s为标准差，n为分块个数，c为分块尺寸，H为中间参数，Y为熵，W为输出权值，B为偏差项，g(
·
)为非线性映射，f(
·
)是线性映射。
[0012]采用极限学习机方法对所述分块优化模型进行求解，得到熵最小时的最优分块个数和最优分块尺寸。
[0013]根据最优分块个数和最优分块尺寸对子带沿方位向划分为若干子块。
[0014]对每一个子带的中每一个子块采用MD算法进行处理，得到调频率误差。
[0015]对所述调频率误差进行方位向插值与积分处理，得到扰动对流层方位向相位估计值；
[0016]将所述扰动对流层方位向相位估计值在距离向进行插值，并将插值结果和所述方位向解压缩数据相乘后进行方位向的傅里叶变换、重聚焦以及傅里叶逆变换，得到高精度的GEO SAR图像。
[0017]在其中一个实施例中，对每一个子带的中每一个子块采用MD算法进行处理，得到调频率误差，步骤后还包括异常点检测与校正步骤，所述异常点检测与校正步包括：
[0018]采用局部离群因子算法来检测每个子块中调频率的异常点。
[0019]将异常点处的值用附近子块的正常点插值来代替。
[0020]在其中一个实施例中，采用局部离群因子算法来检测每个子块中调频率的异常点，包括：
[0021]计算每一个调频率数据点的一个局部可达密度；局部可达密度的表达式为：
[0022][0023]其中，Nk(p)表示点p的第k距离邻域，o为p的第k距离内点的集合，|N
k
(p)表示集合内点的个数。为数据点o到数据点p的第k可达距离，LRD
k
(
·
)是局部可达密度。
[0024]根据局部可达密度，采用局部离群因子计算公式，得到每个调频率数据点的一个离群因子；局部离群因子计算公式为：
[0025][0026]其中，LOF
k
(
·
)是局部离群因子。
[0027]根据所述离群因子与预设阈值进行判断，将离群程度大的点作为每个子块中调频率的异常点。
[0028]在其中一个实施例中，采用极限学习机方法对所述分块优化模型进行求解，得到熵最小时的最优分块个数和最优分块尺寸，包括：
[0029]构建所述分块优化模型的损失函数，所述损失函数为：
[0030][0031]其中，C为正则化系数，H是中间层输出，T是真实值，W是输出权值。
[0032]采用岭回归问题求解方式对所述损失函数进行求解，得到输出权值的估计值为：
[0033][0034]其中，W
*
为输出权值的估计。
[0035]根据预设训练数据、输出权值的估计值以及所述分块优化模型，反演指数因子和尺度因子的粗值。
[0036]将输出权值的估计值、指数因子和尺度因子的粗值代入分块优化模型中，求解熵最小时的最优分块个数和最优分块尺寸。
[0037]在其中一个实施例中，根据预设训练数据、输出权值的估计值以及所述分块优化模型，反演指数因子和尺度因子的粗值，包括：
[0038]根据预设训练数据、输出权值的估计值以及所述分块优化模型，采用参数反演公式进行求解，得到指数因子和尺度因子的粗值；所述参数反演公式为：
[0039][0040]其中，|
·
|表示绝对值，(l
min
,l
max
)和(v
min
,v
max
)分别为l和v的取值区间，分别为l和v的粗值。
[0041]一种GEO SAR成像扰动对流层误差补偿装置，所述装置包括：
[0042]方位向解压数据确定模块，用于对获得的GEO SAR图像进行方位向傅里叶变换、方位向解压、方位向傅里叶逆变换处理后，得到方位向解压缩数据。
[0043本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种GEO SAR成像扰动对流层误差补偿方法，其特征在于，所述方法包括：对获得的GEO SAR图像进行方位向傅里叶变换、方位向解压、方位向傅里叶逆变换处理后，得到方位向解压缩数据；对获得的GEO SAR图像沿距离向划分成若干个子带；根据影响扰动对流层参数和熵，构建分块优化模型，所述分块优化模型为：其中，X为分块优化模型的输入，X＝(D,s,l,v,n,c)，v为指数因子、l为尺度因子、D为坐标维数、s为标准差，n为分块个数，c为分块尺寸，H为中间参数，Y为熵，W为输出权值，B为偏差项，g(
·
)为非线性映射，f(
·
)是线性映射；采用极限学习机方法对所述分块优化模型进行求解，得到熵最小时的最优分块个数和最优分块尺寸；根据最优分块个数和最优分块尺寸对子带沿方位向划分为若干子块；对每一个子带的中每一个子块采用MD算法进行处理，得到调频率误差；对所述调频率误差进行方位向插值与积分处理，得到扰动对流层方位向相位估计值；将所述扰动对流层方位向相位估计值在距离向进行插值，并将插值结果和所述方位向解压缩数据相乘后进行方位向的傅里叶变换、重聚焦以及傅里叶逆变换，得到高精度的GEO SAR图像。2.根据权利要求1所述的方法，其特征在于，对每一个子带的中每一个子块采用MD算法进行处理，得到调频率误差，步骤后还包括异常点检测与校正步骤，所述异常点检测与校正步包括：采用局部离群因子算法来检测每个子块中调频率的异常点；将异常点处的值用附近子块的正常点插值来代替。3.根据权利要求2所述的方法，其特征在于，采用局部离群因子算法来检测每个子块中调频率的异常点，包括：计算每一个调频率数据点的一个局部可达密度；局部可达密度的表达式为：其中，N
k
(p)表示点p的第k距离邻域，o为p的第k距离内点的集合，|N
k
(p)|表示集合内点的个数。为数据点o到数据点p的第k可达距离，LRD
k
(
·
)是局部可达密度；根据局部可达密度，采用局部离群因子计算公式，得到每个调频率数据点的一个离群因子；局部离群因子计算公式为：其中，LOF
k
(
·
)是局部离群因子；
根据所述离群因子与预设阈值进行判断，将离群程度大的点作为每个子块中调频率的异常点。4.根据权利要求1所述的方法，其特征在于，采用极限学习机方法对所述分块优化模型进行求解，得到熵最小时的最优分块个数和最优分块尺寸，包括：构建所述分块优化模型的损失函数，所述损失函数为：其中，C为正则化系数，H是中间层输出，T是真实值，W是输出权值；采用岭回归问题求解方式对所述损失函数进行求解，得到输出权值的估计值为：其中，W
*
为输出权值的估计；根据预设训练数据、输出权值的估计值以及所述分块优化模型，反演指数因子和尺度因子的粗值；将输出权值的估计值、指数因子和尺度因子的粗值代入分块优化模型中，求解熵最小时的最优分块个数和最优分块尺寸。5.根据权利要求4所述的方法，其特征在于，根据预设训练数据、输出权值的估计值以及所述分块优化模型，反演指数因子和尺度因子的粗值，包括：根据预设训练数据、输出权值的估计值以及所述分块优化模型，采用参数反演公式进行求解，得到指数因子和尺度因子的粗值；所述参数反演公式为：其中，|
·
|表示绝对值，(l
min
,l
max
)和(v
min
,v
max
)分别为l和v的取值区间...

【专利技术属性】
技术研发人员：李德鑫，常法光，董臻，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：