吳稱光 鄧 彬 蘇伍各 王宏強秦玉亮

（國防科技大學電子科學與工程學院 長沙 410073）

基于塊稀疏貝葉斯模型的ISAR成像方法

吳稱光 鄧 彬 蘇伍各 王宏強*秦玉亮

（國防科技大學電子科學與工程學院 長沙 410073）

傳統(tǒng)ISAR稀疏成像主要針對獨立散射點散射系數(shù)的重構問題，然而實際情況下目標散射點之間并不是獨立存在的，而是以區(qū)域或塊的形式存在，在該情形下利用常用的稀疏重構算法并不能完全地刻畫塊狀目標的真實結構，因此該文考慮采用塊稀疏重構算法進行目標散射系數(shù)重建?；趬K稀疏貝葉斯模型和變分推理的重構方法（VBGS），包含了稀疏貝葉斯學習（SBL）方法中參數(shù)學習的優(yōu)點，其利用分層的先驗分布來表征未知信號的稀疏塊狀信息，因而相對于現(xiàn)有的恢復算法能夠更好地重建塊稀疏信號。該方法基于變分貝葉斯推理原理，根據(jù)觀測量能自動地估計信號未知參數(shù)，而無需人工參數(shù)設置。針對稀疏塊狀目標，該文結合壓縮感知（CS）理論將VBGS方法用于ISAR成像，仿真實驗成像結果表明該方法優(yōu)于傳統(tǒng)的成像結果，適合于具有塊狀結構的ISAR目標成像。

逆合成孔徑雷達；塊稀疏模型；壓縮感知；塊稀疏貝葉斯模型和變分推理

1 引言

近年來隨著稀疏重構方法和壓縮感知（Compress Sensing， CS）理論的發(fā)展，其在ISAR成像中得到成功的應用，相比較傳統(tǒng)的基于傅里葉變換的ISAR成像方法，稀疏ISAR成像方法可以用比Nyquist采樣定理要求的少得多的采樣數(shù)據(jù)來精確地重建目標像［1，2］?，F(xiàn)存的稀疏雷達成像方法大都將目標考慮為點目標，即非0的目標散射系數(shù)離散的分布在目標的成像區(qū)域內［3-7］。

然而在實際情況下，ISAR目標具有一些塊狀結構特性，即這些非0的目標散射系數(shù)是連續(xù)的位于目標成像場景中。本文所討論的塊成像方法，主要針對散射分布具有塊結構的目標，如具有復雜結構的飛機目標、衛(wèi)星目標等，這些目標均具有塊狀的特性。因在微波頻段一般認為目標具有少數(shù)散射中心，因此實際目標只要呈現(xiàn)出散射中心多并且大都連續(xù)即可適用于塊成像方法。另外在太赫茲頻段，實際目標呈現(xiàn)粗糙特性，在這種情形下也適用于塊成像方法。在塊成像場景中采用常用的稀疏恢復方法如基于平滑 l0準則方法（Smoothed l0norm，SL0）［8］，稀疏貝葉斯學習（Sparse Bayesian Learning，SBL）［9］方法，方差成分擴張壓縮（Expansion-Compression Variance-component based method，ExCoV）［5，10］方法等并不能完全地重建真實目標的結構信息，而塊稀疏重構方法在具有塊結構特性的稀疏信號恢復中能夠較好地估計出源信號。

2 塊稀疏ISAR成像模型

ISAR利用目標與雷達的相對運動獲得高的方位分辨率，目標與雷達之間的相對運動包含簡單的直線運動和復雜的曲線運動，通?？煞纸鉃槠絼雍娃D動兩個分量。經(jīng)平動補償處理之后，任意運動形式的目標都可以歸結為轉臺目標，即目標相對于雷達只有旋轉運動。根據(jù) GTD理論，在高頻極限情況下雷達目標總的電磁散射可認為是某些局部位置上的電磁散射所合成，即雷達回波可由目標少數(shù)強散射點所構成，因此本文采用稀疏表示方法來表征雷達目標信號的回波。設S為測得的 ISARM ×N維回波數(shù)據(jù)矩陣，并令δ為目標成像區(qū)域離散化之后的 2維K × L散射率分布矩陣，將按列堆疊后的矢量化表示形式記為并考慮在成像過程中所引入的噪聲，記為n，根據(jù)文獻［3，5］可得ISAR成像的稀疏表示模型為

其中φ為根據(jù)雷達成像模型獲得的一欠完備的字典，即MN ? KL，相對于雷達成像場景，未知矢量x包含了少量雷達目標散射點，即x包含了小部分的非零元素，大部分的元素等于0或接近于0。

在稀疏信號表示中，為使在變換域上用盡量少的原子來準確地表示原始信號（即x含有盡量少的非零元素），可用式（2）表示為

其中β為噪聲方差，τ為正則化參數(shù)。

當前常用的稀疏恢復模型，都是將稀疏懲罰項強加于向量x的各個元素上，并假設這些元素之間相互獨立。近年來塊稀疏恢復模型（即將稀疏懲罰項強加于向量x的一簇元素中）的出現(xiàn)概括了傳統(tǒng)的稀疏模型，塊稀疏恢復模型通過將信號中相關的元素聚類起來，考慮了信號中的塊結構特性，并考慮信號分量之間的相關性。通過與傳統(tǒng)的強加于獨立元素的稀疏模型，塊稀疏模型能夠去除掉不相關的分量，從而獲得較高的信號恢復性能。

在塊稀疏恢復中最常見的結構是塊結構（block structure）或稱為簇群結構（group structure），即矢量x包含了g個塊，每個塊 xi包含了 di個信號分量，如式（4）所示。

3 貝葉斯塊稀疏模型及變分貝葉斯參數(shù)估計方法

3.1 貝葉斯塊稀疏信號全概率模型

假設一信號先驗獨立于塊之間，即信號先驗可表示為［17，18］

其中z為一向量包含了所有的 zi，則在群稀疏先驗中，稀疏性度量通過先驗概率 p（ xi|zi）來表征。當考慮多變量的高斯模型均值為 0，方差為 ziIdi時有則 xi的邊緣概率分布可表示

為

本文中考慮信號模型（廣義逆高斯分布模型）［18］

其中 Kλi為第2類修正的Bessel函數(shù)，其分布矩為

則由式（6）可得廣義的雙曲線分布為

在廣義的雙曲線分布中，通過變化參數(shù) ai，bi，λi值，可得一系列的先驗分布函數(shù)［18］。

假設獨立的高斯噪聲滿足均值為0方差為 β-1，則關于觀測信號的條件概率分布可表示為同時對參數(shù)β賦予共軛的伽馬先驗結合分層次的先驗概率式（7）和式（9），則聯(lián)合概率分布可表示為

3.2 變分貝葉斯參數(shù)估計方法

（1）結合聯(lián)合概率分布由式（12）可得參數(shù)x的近似后驗概率為多元高斯分布，其中，

其中 ∑xi表示矩陣 ∑x對應于第i個塊的子矩陣。則由式（8）可得的后驗估計為

（3）超參數(shù) ai與 bi的估計不再詳述。在特定的分布情況下估計超參數(shù)，如當先驗為McKay’s Bessel函數(shù)分布時，為自由參數(shù)。采用伽馬分布作為混合概率密度函數(shù)，對于相應的超參數(shù) ai，選擇共軛的伽馬分布與 θa分別為形狀參數(shù)和尺度參數(shù)，則可得參數(shù)ai的后驗概率為相應的更新規(guī)則為其中可由式（8）和式（14）獲得。當為多變量的Student’s-t分布時，同樣選擇與 bi共軛的伽馬分布則其后驗概率分布同樣也為伽馬分布其均值為

（4）根據(jù)伽馬先驗，β的估計可用其均值來進行近似表示，即其中

綜上所述，圖1給出了分層的群稀疏貝葉斯聯(lián)合概率模型中各個參數(shù)之間的關系圖。貝葉斯推理過程就是根據(jù)各個變量之間的概率分布，利用變分貝葉斯參數(shù)估計方法從已知變量中估計未知參數(shù)的過程。

圖1 群稀疏貝葉斯模型變量關系圖

4 仿真實驗結果

為分析比較基于VBGS的塊目標ISAR成像算法的性能，本節(jié)通過MATLAB仿真來驗證該方法，并將仿真結果與傳統(tǒng)的ISAR成像方法極坐標格式算法（Polar Format Algorithm， PFA）和卷積逆投影算法（Convolution Back Projection Algorithm，CBPA），稀疏重構方法ExCoV和常用的塊稀疏重構方法Group-Lasso進行比較，在采用塊稀疏重構算法時，均采用均勻劃分塊的方式。在仿真實驗中均加入SNR = 10 dB的高斯白噪聲。本文在比較過程中用PFA和CBPA方法時采用全部回波數(shù)據(jù)，而采用CS方法做ISAR成像時，選擇隨機矩陣作為采樣矩陣，采樣方式同文獻［5］。實驗中雷達均發(fā)射線性調頻信號，載頻10 GHz，帶寬1 GHz，采樣點數(shù)為 512，設目標總轉角 θmax為5°，轉動期間錄取的回波數(shù)為 512，并且設雷達與目標的距離滿足遠場條件，目標散射中心散射強度均設為 1，成像區(qū)域大小為2.2 m × 2.2 m，在建立稀疏詞典時，距離向和方位向的離散化間隔均設置為 0.1 m。同文獻［5］，根據(jù)式（1）即可獲得目標各個姿態(tài)下的回波數(shù)據(jù)。

實驗1中主要進行了簡單塊目標結構散射系數(shù)重構，無噪聲情況下的塊狀目標場景如圖2（a）所示，目標包含63個散射點。圖2（b）和圖2（c）為采用PFA和CBPA方法得到的ISAR像，采用這兩種方法時，均使用了雷達回波的全部測量數(shù)據(jù)，從圖中可看出該方法不能精確的重建目標像，旁瓣比較嚴重，但仍能準確地表達目標的形狀信息。圖2（d）為采用ExCoV方法得到的重建目標像，該方法能夠較為精確地估計出目標散射點位置，但出現(xiàn)了一些虛假點目標的位置。圖2（e）為采用Group-Lasso方法重建得到的目標像，Group-Lasso方法是基于Lasso方法的塊稀疏重構算法，該方法可精確地表征目標的塊信息結構，但該方法在重建目標像時，需要設置人工參數(shù)，并受噪聲性能影響較大，從圖中可看出其ISAR目標像周圍分布著較多的虛假目標點。圖2（f）為VBGS方法得到的ISAR像，VBGS方法同ExCoV都屬于無人工參數(shù)設置的重構算法，該方法得到的成像結果無論從成像清晰度及抗噪能力上均優(yōu)于以上算法，因而可適用于含塊狀信息的ISAR目標成像。

為更好地說明VBGS方法能更好的重建塊狀目標的ISAR像，在實驗2中，設置了多個塊目標構成復雜塊目標結構，即將目標的寬度加大，并將目標塊數(shù)設置為4，目標總共包含72個散射點，如圖3（a）所示，仿真實驗條件及算法參數(shù)設置同實驗1。圖3（b）， 3（c）為采用PFA與CBPA方法得到的成像結果，其均有高旁瓣低分辨率的特性。當設置多個塊目標時，ExCoV方法不能準確地重構目標像，出現(xiàn)大量的目標散射點失真，其結果如圖3（d）所示。圖3（e）示出了Group-Lasso方法的成像結果，從結果圖中可看出，受噪聲及塊設置的影響，其完全不能重建目標形狀信息。圖3（f）給出了本文方法的成像結果，從該結果中可看出VBGS方法能精確估計出ISAR目標塊狀信息，并具有較優(yōu)良的分辨率，從而說明該方法適用于具有多個塊狀目標結構的ISAR成像。

前兩個實驗在設置目標散射點系數(shù)值時，都將其設置為1，然而在實際情況下，雷達目標的散射點強度大都不相同，因此在實驗3中，在實驗2的基礎上，將點目標的散射系數(shù)值在0～1之間進行隨機選取，如圖4（a）所示。仿真實驗條件及算法參數(shù)設置同前兩個實驗，從圖4的成像結果綜合比較，只有VBGS方法的成像結果較為精確地估計出目標散射系數(shù)值，并能正確重建出目標結構形狀，因此VBGS方法適合于實際情形下的ISAR成像。

圖2 實驗1簡單塊目標結構 ISAR 成像結果

圖3 實驗2復雜塊目標結構 ISAR 成像結果

5 結束語

在一些特定條件下的ISAR目標成像中，目標散射系數(shù)具有塊狀的結構信息，即目標的非0散射點連續(xù)的分布在同一分布區(qū)域中，在這種情形下，傳統(tǒng)的成像結果不能重建出目標的塊狀信息。本文探討了一種在貝葉斯框架下的塊稀疏重構算法，該算法通過設置分層的信號先驗模型，采用變分貝葉斯推理的方法來估計信號參數(shù)和模型中的超參數(shù)，無需設置人工參數(shù)，能夠自動地估計出目標信號參數(shù)。仿真實驗中將該方法用于塊狀結構的ISAR目標成像，與傳統(tǒng)成像方法相比較，能夠較好地重建目標ISAR像。該研究成果對于實際情況中含塊狀信息的ISAR目標高分辨成像提供了一定的理論依據(jù)，對塊狀目標ISAR高分辨成像算法的研究具有一定的意義。下一步工作，在低信噪比條件下，在獲得塊狀目標實測數(shù)據(jù)的背景下，考慮將該方法應用塊狀目標ISAR成像，以進一步驗證該方法的成像性能。

圖4 實驗3不同散射系數(shù)下 ISAR 成像結果

［1］ Candes E J and Wakin M B. An introduction to compressive sampling［J］. IEEE Signal Processing Magazine， 2008， 25（2）: 21-30.

［2］ Zhang Xiao-hua， Bai Ting， Meng Hong-yun， et al.. Compressive sensing based ISAR imaging via the combination of the sparsity and nonlocal total variation［J］. IEEE Geoscience and Remote Sensing Letters， 2014， 11（5）: 990-994.

［3］ Rao Wei， Li Gang， and Wang Xi-qin. Parametric sparse representation method for SAR imaging of rotating targets［J］. IEEE Transactions on Aerospace and Electronic Systems，2014， 50（2）: 910-919.

［4］ 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］. 電子與信息學報， 2014， 36（1）: 187-193. Wu Min， Xing Meng-dao， and Zhang Lei. Two dimensional joint super-resolution ISAR imaging algorithm based on compressive sensing［J］. Journal of Electronics & Information Technology， 2014， 36（1）: 187-193.

［5］ 蘇伍各， 王宏強， 鄧彬， 等. 基于方差成分擴張壓縮的稀疏貝葉斯 ISAR 成像方法［J］. 電子與信息學報， 2014， 36（7）: 1525-1531. Su Wu-ge， Wang Hong-qiang， Deng Bing， et al.. Sparse Bayesian representation of the ISAR imaging method based on ExCoV［J］. Journal of Electronics & Information Technology， 2014， 36（7）: 1525-1531.

［6］ Yang Jun-gang， Huang Xiao-tao， Thompson J， et al.. Compressed sensing radar imaging with compensation of observation position error［J］. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（8）: 4608-4620.

［7］ Liu Zhen， You Peng， Wei Xi-zhang， et al.. Dynamic ISAR imaging of maneuvering targets based on sequential SL0［J］. IEEE Geoscience and Remote Sensing Letters， 2013， 10（5）: 1041-1045.

［8］ Figueiredo M A T， Nowak R D， and Wright S J. Gradient projection for sparse reconstruction: application to compressed sensing and other inverse problems［J］. IEEE Journal of Selected Topics in Signal Processing， 2007， 1（4）: 586-597.

［9］ Wipf D P and Rao B. Sparse Bayesian learning for basis selection［J］. IEEE Transactions on Signal Processing， 2004，52（8）: 2153-2164.

［10］ Qiu Kun and Aleksandar D. Variance-component based sparse signal reconstruction and model selection［J］. IEEE Transactions on Signal Processing， 2010， 58（6）: 2935-2952.

［11］ Eldar Y C and Mishali M. Robust recovery of signals from a structured union of subspaces［J］. IEEE Transactions on Information Theory， 2009， 55（11）: 5302-5316.

［12］ Meier L， Van De Geer S， and Buhlmann P. The group lasso for logistic regression［J］. Journal of the Royal Statistical Society: Series B （Statistical Methodology）， 2008， 70（1）: 53-71.

［13］ Stojnic M. L2/L1-optimization in block-sparse compressed sensing and its strong thresholds［J］. IEEE Journal of Selected Topics in Signal Processing， 2010， 4（2）: 350-357.

［14］ Eldar Y C， Kuppinger P， and Bolcskei H. Block-sparse signals:Uncertainty relations and efficient recovery［J］. IEEE Transactions on Signal Processing， 2010， 58（6）: 3042-3054.

［15］ Zhao Li-fan， Wang Lu， Bi Guo-an， et al.. An autofocus technique for high resolution inverse synthetic aperture radar imagery［J］. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（10）: 6392-6403.

［16］ Liu Hong-chao， Jiu Bo， Liu Hong-wei， et al.. Super-resolution ISAR imaging based on sparse Bayesian learning［J］. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（8）: 5005-5013.

［17］ Zhang Zhi-ling and Rao B D. Extension of SBL algorithms for the recovery of block sparse signals with intra-block correlation［J］. IEEE Transactions on Signal Processing， 2013，61（8）: 2009-2015.

［18］ Babacan S D， Nakajima S， and Do M N. Bayesian group sparse modeling and variational inference［J］. IEEE Transactions on Signal Processing， 2014， 62（11）: 2906-2921.

吳稱光： 男，1985年生，博士生，研究方向為雷達成像技術與運動檢測技術.

鄧 彬： 男，1981年生，講師，研究方向為合成孔徑雷達、太赫茲雷達.

蘇伍各： 男，1986年生，博士生，研究方向為雷達成像技術及稀疏表示方法.

王宏強： 男，1970年生，研究員，博士生導師，研究方向為雷達信號處理、壓縮感知、太赫茲雷達技術等.

秦玉亮： 男，1980年生，副研究員，研究方向為雷達信號處理.

ISAR Imaging Method Based on the Bayesian Group-sparse Modeling

Wu Cheng-guang Deng Bin Su Wu-ge Wang Hong-qiang Qin Yu-liang
（School of Electronic Science and Engineering， National University of Defense Technology， Changsha 410073， China）

The traditional sparse ISAR imaging method mainly considers the recovery of coefficients on individual scatters. However， in the practice situation， the target scatters presented by blocks or groups do not emerge on individual. In this case， the usual sparse recover algorithm can not depict the shape of real target， thus， the group-sparse recover approaches are adopted to reconstruct the coefficients of target scatters. The recovery method based on the Bayesian Group-Sparse modeling and Variational inference （VBGS） uses a hierarchical construction of a general signal prior to model the group sparse signals and contain the merit of Sparse Bayesian Learning （SBL）on parameters learning， as a result， it can reconstruct the group sparse signal better than the usual recover algorithm. The VBGS method uses the variational Bayesian inference approach to estimate the parameters of the unknown signal automatically and does not require the parameter-tuning procedures. Considering the sparse group target， this paper combines the Compress Sensing （CS） theory and the VBGS method to reconstruct the ISAR image. The result of experiments show that the proposed method can improve the imaging accuracy compared with traditional algorithm， and can fit to reconstruct the image of ISAR target which has group structure.

Inverse SAR （ISAR）； Group sparse model； Compress Sensing （CS）； Bayesian Group-Sparse modeling and Variational inference （VBGS）

s: The National Natural Science Foundation of China （61171133）； The National Natural Science Foundation for Young Scientists of China （61101182， 61302148）

TN957.52

A

1009-5896（2015）12-2941-07

10.11999/JEIT141624

2014-12-18；改回日期：2015-10-19；網(wǎng)絡出版：2015-11-01

王宏強 oliverwhq1970@gmail.com

國家自然科學基金（61171133），國家自然科學青年基金（61101182， 61302148）