王愛春向茂生

①（中國(guó)科學(xué)院電子學(xué)研究所微波成像技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室 北京 100190）

②（中國(guó)科學(xué)院大學(xué) 北京 100049）

③（中國(guó)資源衛(wèi)星應(yīng)用中心 北京 100094）

基于塊壓縮感知的SAR層析成像方法

王愛春*①②③向茂生①

①（中國(guó)科學(xué)院電子學(xué)研究所微波成像技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室 北京 100190）

②（中國(guó)科學(xué)院大學(xué) 北京 100049）

③（中國(guó)資源衛(wèi)星應(yīng)用中心 北京 100094）

基于壓縮感知（Compressive Sensing， CS）的SAR層析成像方法（SAR Tomography， TomoSAR），雖然實(shí)現(xiàn)了對(duì)目標(biāo)的3維重構(gòu)，但對(duì)于具有結(jié)構(gòu)特性的目標(biāo)其重構(gòu)性能較差。針對(duì)這一問題，該文提出了采用塊壓縮感知（Block Compressive Sensing， BCS）算法，該方法首先在CS方法基礎(chǔ)上將具有結(jié)構(gòu)特性的目標(biāo)信號(hào)重構(gòu)問題轉(zhuǎn)化為BCS問題，然后根據(jù)目標(biāo)結(jié)構(gòu)特性與雷達(dá)參數(shù)的關(guān)系確定塊的大小，最后對(duì)目標(biāo)進(jìn)行塊稀疏的l1/l2范數(shù)最優(yōu)化求解。相比基于CS的SAR層析成像方法，該方法更好地利用了目標(biāo)的稀疏特性和結(jié)構(gòu)特性，其重構(gòu)精度更高、性能更優(yōu)。仿真數(shù)據(jù)和Radarsat-2星載SAR實(shí)測(cè)數(shù)據(jù)的試驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。

SAR層析成像技術(shù)；壓縮感知；塊壓縮感知；稀疏特性；結(jié)構(gòu)特性

引用格式：王愛春， 向茂生. 基于塊壓縮感知的SAR層析成像方法［J］. 雷達(dá)學(xué)報(bào)， 2016， 5（1）： 57-64. DOI：10.12000/JR16006.

Reference format： Wang Aichun and Xiang Maosheng. SAR tomography based on block compressive sensing［J］. Journal of Radars， 2016， 5（1）： 57-64. DOI： 10.12000/JR16006.

1 引言

SAR層析（SAR Tomography， TomoSAR）成像是傳統(tǒng)單基線InSAR的擴(kuò)展，其通過(guò)多基線數(shù)據(jù)集在高度向形成合成孔徑來(lái)獲得目標(biāo)的3維空間信息。TomoSAR成像在經(jīng)歷實(shí)驗(yàn)室研究［1］、機(jī)載TomoSAR成像［2］和星載TomoSAR成像［3-8］的發(fā)展同時(shí)，國(guó)內(nèi)外學(xué)者提出了多種不同的成像方法。最初的TomoSAR成像方法是利用傅里葉變換聚焦法［1-3］，該方法不僅需要高度孔徑上的基線均勻分布，而且還需要大的高度孔徑長(zhǎng)度，以獲得較高的高度向分辨率；然而在實(shí)際應(yīng)用中，可用到的觀測(cè)基線數(shù)少且多為非均勻分布，因此高度向分辨率很低。為了解決這個(gè)矛盾，文獻(xiàn)［4-9］采用了APES，Capon， MUSIC等具有超分辨能力的空間譜估計(jì)法，但是該方法需要進(jìn)行目標(biāo)信號(hào)源數(shù)目的估計(jì)，當(dāng)估計(jì)的信號(hào)源數(shù)目與真實(shí)的信號(hào)源數(shù)目不一致時(shí)會(huì)產(chǎn)生嚴(yán)重的重構(gòu)誤差，大大增加虛假目標(biāo)的出現(xiàn)概率。隨著稀疏信號(hào)處理理論在微波成像中的應(yīng)用［10］，針對(duì)上述問題文獻(xiàn)［11］提出將壓縮感知技術(shù)（Compressive Sensing， CS）［12］應(yīng)用于TomoSAR實(shí)驗(yàn)并進(jìn)行了系統(tǒng)性的論證分析，研究表明該方法具有獨(dú)特的超分辨率優(yōu)勢(shì)，能在基線數(shù)量少和非均勻稀疏分布的情況下實(shí)現(xiàn)高度向的高分辨率聚焦；然而該方法對(duì)目標(biāo)聚集在少數(shù)區(qū)域內(nèi)而并非出現(xiàn)在任意位置的結(jié)構(gòu)信號(hào)進(jìn)行重構(gòu)時(shí)，無(wú)法保證目標(biāo)的準(zhǔn)確重構(gòu)率［13-17］。

本文在壓縮感知方法的基礎(chǔ)上，基于稀疏信號(hào)非零元素具有的塊結(jié)構(gòu)特性，將目標(biāo)的稀疏特性和其本身具有的結(jié)構(gòu)特性一起考慮，提出采用塊壓縮感知（Block Compressive Sensing， BCS）［18-21］方法對(duì)目標(biāo)進(jìn)行TomoSAR成像反演，通過(guò)模擬仿真數(shù)據(jù)對(duì)壓縮感知與塊壓縮感知進(jìn)行比較分析，結(jié)果表明本文所采用的方法能更好地實(shí)現(xiàn)結(jié)構(gòu)特性稀疏信號(hào)的恢復(fù)。

2 TomoSAR成像原理

TomoSAR成像的典型觀測(cè)幾何如圖1所示，同一目標(biāo)區(qū)的M+1景航過(guò)SAR單視復(fù)圖像數(shù)據(jù)集中選擇一幅作為主圖像，除主圖像外第m航過(guò)影像中每個(gè)分辨率單元的復(fù)數(shù)值gm可看作是相同方位同一斜距下N個(gè)散射目標(biāo)信號(hào)在層析向s上的疊加，其表達(dá)式為：

圖 1 TomoSAR 3維成像的觀測(cè)幾何模型Fig. 1 Model of TomoSAR imaging geometry

在對(duì)多航過(guò)SAR序列數(shù)據(jù)集進(jìn)行單視復(fù)圖像（Single Look Complex， SLC）序列配準(zhǔn)、去斜（Deramping）、相位補(bǔ)償以及基線估計(jì)等預(yù)處理步驟后，TomoSAR要解決的問題是根據(jù)m航過(guò)影像中每個(gè)像元的復(fù)數(shù)值gm，通過(guò)各種方法反演每個(gè)層析向采樣間隔sn上的散射點(diǎn)能量，進(jìn)而確定該像素內(nèi)主導(dǎo)散射點(diǎn)的數(shù)量及每個(gè)散射點(diǎn)的層析向位置或高度向位置，從而實(shí)現(xiàn)TomoSAR 3維成像。

3 基于CS和BCS的TomoSAR成像方法

3.1基于CS的TomoSAR成像方法（CS-TomoSAR）

經(jīng)過(guò)預(yù)處理后的多航過(guò)SAR序列數(shù)據(jù)，在同一方位向-斜距向分辨單元中TomoSAR信號(hào)的觀測(cè)向量可表示為G=［g1g2... gm］T，若令γ=［γ1γ2... γN］T和e=［e1e2... eM］T，則可將式（1）寫成矩陣形式為：

根據(jù)CS稀疏重構(gòu)理論［12，22-23］，利用觀測(cè)向量G來(lái)重構(gòu)目標(biāo)信號(hào)γ必須滿足目標(biāo)信號(hào)γ的稀疏表示和觀測(cè)矩陣Φ的限制等距特性（Restricted Isometry Property， RIP）。對(duì)于高分辨星載TomoSAR，目標(biāo)位于層析向上一個(gè)較小的空間范圍內(nèi)，如圖1所示，同一方位向-斜距向分辨單元中只包含了少數(shù)幾個(gè)的層析向散射目標(biāo)，每一個(gè)層析向散射目標(biāo)可看作為一個(gè)非零元素，那么同一方位向-斜距向分辨單元信號(hào)中只包含少數(shù)幾個(gè)非零信號(hào)，滿足信號(hào)的稀疏性。因此，對(duì)于高分辨星載TomoSAR，目標(biāo)散射點(diǎn)在層析向上的空間分布是稀疏的，即目標(biāo)信號(hào)γ可以稀疏表示的（設(shè)非零元個(gè)數(shù)即稀疏度為K）；對(duì)于觀測(cè)矩陣Φ的限制等距特性，由式（3）知Φ為離散傅里葉變換矩陣，又由于多航過(guò)SAR的垂直基線為隨機(jī)分布，故Φ也為隨機(jī)離散傅里葉變換矩陣，文獻(xiàn)［22，23］已證明其滿足RIP特性。因此，K稀疏信號(hào)γ可以通過(guò)l1范數(shù)最小化求解準(zhǔn)確地重構(gòu)出來(lái)：

3.2基于BCS的TomoSAR成像方法（BCS-TomoSAR）

BCS方法是在CS稀疏理論的基礎(chǔ)上進(jìn)一步刻畫了目標(biāo)信號(hào)的塊稀疏結(jié)構(gòu)特性--非零系數(shù)成塊出現(xiàn)，即目標(biāo)信號(hào)中的非零元素聚集在少數(shù)的塊內(nèi)而不是任意的雜亂無(wú)章地分布著［18-21，24］。為此，目標(biāo)信號(hào)γ的k塊稀疏（非零元塊數(shù)）可定義為：

式中，b表示子塊的長(zhǎng)度，γT［l］表示第l （l=1， ...，L）個(gè)子塊，子塊中的值是同為零或非零的。圖2是塊稀疏信號(hào)示意圖，其中子塊長(zhǎng)度b=2，子塊個(gè)數(shù)l=5，稀疏塊k為2，稀疏度K=k×b=4。當(dāng)b=1時(shí)，塊稀疏信號(hào)就等同于非零值隨機(jī)出現(xiàn)的普通稀疏信號(hào)。

建筑裝修部門必須要嚴(yán)格按照裝修設(shè)計(jì)圖紙、以及施工合與施工標(biāo)準(zhǔn)來(lái)進(jìn)行作業(yè)。此外建筑裝修的設(shè)計(jì)必須要經(jīng)過(guò)承包公司和有關(guān)部門的審批之后，再報(bào)于監(jiān)督管理部門并經(jīng)過(guò)同意之后才能夠進(jìn)行施工。建筑裝修工程必須要按照裝修的標(biāo)準(zhǔn)與相應(yīng)的施工工藝進(jìn)行施工，并且施工方要安排專人對(duì)于施工過(guò)程進(jìn)行全程監(jiān)督與管理。同時(shí)施工部門也必須要嚴(yán)格遵守法律法規(guī)，對(duì)于裝修施工過(guò)程當(dāng)中所產(chǎn)生的廢棄物、粉塵、廢氣與振動(dòng)必須要采取有效的應(yīng)對(duì)措施，防止對(duì)周邊環(huán)境造成污染與破壞。

圖 2 塊稀疏信號(hào)示意圖Fig. 2 Diagram of block sparse signal

按照與目標(biāo)信號(hào)γ相似的分塊，可將觀測(cè)矩陣Φ分塊定義為：

故依據(jù)上述塊稀疏信號(hào)的描述，塊稀疏信號(hào)的壓縮觀測(cè)模型為：

由于k塊稀疏信號(hào)可看成稀疏度為K=k×b的隨機(jī)稀疏信號(hào)，其觀測(cè)矩陣Φ也符合K=k×b稀疏下的RIP條件的約束［25，26］，故k塊稀疏信號(hào)γ可以通過(guò)混合l1/l2范數(shù)最小化求解準(zhǔn)確地重構(gòu)出來(lái)：

對(duì)于高分辨星載TomoSAR，若層析向采樣間隔δs較小，則同一方位向-斜距向分辨單元中每個(gè)層析向上的散射目標(biāo)將采樣多個(gè)散射點(diǎn)，即層析向上的一個(gè)散射目標(biāo)由多個(gè)散射點(diǎn)組成，盡管這一散射目標(biāo)中的多個(gè)散射點(diǎn)在反射量上各不相同，但它們?cè)诳臻g上呈現(xiàn)聚集塊的結(jié)構(gòu)形式，滿足信號(hào)的塊稀疏性。因此，利用目標(biāo)的這種隱含結(jié)構(gòu)特性采用BCS方法可進(jìn)行TomoSAR成像反演，其稀疏子塊的長(zhǎng)度b與雷達(dá)視角θ、以及斜距向分辨采樣間隔ΔR存在以下關(guān)系：

其中，Δs是斜距向分辨采樣間隔為ΔR時(shí)層析向上相應(yīng)的距離間隔，

由上式可知，同一散射目標(biāo)中或同一塊稀疏數(shù)下，隨著層析向采樣間隔減小，塊稀疏子塊長(zhǎng)度增加，獲得的散射目標(biāo)中更多的散射點(diǎn)信息可以全面刻畫散射目標(biāo)的整體結(jié)構(gòu)；層析向采樣間隔變大，塊稀疏子塊長(zhǎng)度減小，獲得的散射目標(biāo)中較少的散射點(diǎn)信息只能突出散射目標(biāo)的主要結(jié)構(gòu)特性。若層析向間隔δs增大到以Δs采樣，則b=1，此時(shí)塊稀疏退化為式（4）所示的普通意義上的稀疏性。

4 仿真試驗(yàn)及分析

為了對(duì)塊壓縮感知的性能進(jìn)行驗(yàn)證，下面將給出仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)的處理結(jié)果。實(shí)測(cè)數(shù)據(jù)處理中使用了Radarsat-2自2012年9月至2014年5月期間獲得的19軌超精細(xì)波束數(shù)據(jù)，目標(biāo)選定為位于安徽省淮南市的淮南聯(lián)合大學(xué)教學(xué)樓。圖3為目標(biāo)的光學(xué)圖像，圖4為目標(biāo)的SAR圖像。

圖 3 目標(biāo)的光學(xué)圖像Fig. 3 Optical image of the object

圖 4 目標(biāo)的SAR圖像Fig. 4 Corresponding SAR image of the object

4.1仿真數(shù)據(jù)處理結(jié)果

為了更加合理地說(shuō)明BCS-TomoSAR方法的優(yōu)越性和有效性，仿真所需的參數(shù)，采用Radarsat-2超精細(xì)波束數(shù)據(jù)的實(shí)際參數(shù)（主圖為2013年8月2日時(shí)的垂直基線分布，如圖5所示）；仿真的散射目標(biāo)，假設(shè)為不受各種誤差影響的理想散射目標(biāo)；仿真的結(jié)果，主要從分辨率性能、虛假散射目標(biāo)的出現(xiàn)概率和散射目標(biāo)中散射點(diǎn)位置的準(zhǔn)確重構(gòu)概率3方面進(jìn)行評(píng)價(jià)。

4.1.1分辨率性能 由Radarsat-2主圖數(shù)據(jù)的中心視角θc=34.11°，主圖的中心斜距Rc=937456.59 m，垂直基線的總長(zhǎng)度B⊥=398.61 m，可知層析向瑞利分辨率非常低。超精細(xì)波束數(shù)據(jù)的斜距向分辨率采樣間隔ΔR=2.66 m，相應(yīng)層析向上的距離間隔Δs≈3.92 m，為了分析BCS方法和CS方法在層析向超分辨率性能及兩者的對(duì)比情況，層析向采樣間隔以δs=1.0 m遠(yuǎn)小于層析向瑞利分辨率ρs≈116.39 m進(jìn)行采樣，即同一方位向-斜距向分辨單元中每個(gè)層析向上的散射目標(biāo)將有4個(gè)1 m間隔的的散射點(diǎn)，相應(yīng)層析向上每個(gè)塊稀疏的子塊長(zhǎng)度b為4，并假定同一塊稀疏數(shù)中散射點(diǎn)的反射能量相同，γ1=1.0， γ2=0.2， γ3=0.6。

圖 5 垂直基線分布圖Fig. 5 Perpendicular baseline distribution

圖6、圖7、圖8選取的是塊稀疏數(shù)k=1， 2， 3和b=4時(shí)兩方法重構(gòu)的散射目標(biāo)中散射點(diǎn)位置圖。從圖中可以看出，在塊稀疏數(shù)k=1， 2， 3時(shí)，BCS方法和CS方法都能清晰分辨出不同散射目標(biāo)中4個(gè)1 m間隔的散射點(diǎn)，這充分展現(xiàn)了兩種方法具有相同的超分辨性能，但兩種方法在虛假散射目標(biāo)的出現(xiàn)概率和散射目標(biāo)中散射點(diǎn)位置的準(zhǔn)確重構(gòu)概率方面表現(xiàn)出較大差別。在塊稀疏數(shù)k=1， 2時(shí)，BCS方法和CS方法都沒有虛假散射目標(biāo)，但CS方法在每個(gè)散射目標(biāo)的周邊多出1～2錯(cuò)誤散射點(diǎn)，而BCS方法完整地恢復(fù)原始信號(hào)；在塊稀疏數(shù)k=3時(shí)，BCS方法和CS算法都有虛假散射目標(biāo)出現(xiàn)并沒有完整地恢復(fù)原始信號(hào)，但CS方法虛假散射目標(biāo)出現(xiàn)數(shù)明顯遠(yuǎn)大于BCS方法且每個(gè)散射目標(biāo)的周邊都有增多的錯(cuò)誤散射點(diǎn)。

4.1.2 不同塊稀疏設(shè)置時(shí)的估計(jì)性能 保持4.1節(jié)仿真參數(shù)不變，層析向采樣間隔δs以3.0 m， 2.0 m，1.5 m， 1.0 m， 0.5 m， 0.25 m進(jìn)行采樣對(duì)應(yīng)子塊長(zhǎng)度b=1， 2， 3， 4， 8， 16，分析塊稀疏數(shù)k=1， 2， 3不同情況下不同子塊長(zhǎng)度時(shí)虛假散射目標(biāo)的出現(xiàn)概率和散射目標(biāo)中散射點(diǎn)位置的準(zhǔn)確重構(gòu)概率。結(jié)果如圖9和圖10所示。從圖中可以看出，隨著塊稀疏數(shù)的增加，兩種方法的虛假散射目標(biāo)的出現(xiàn)概率都相應(yīng)增加且散射點(diǎn)位置的準(zhǔn)確重構(gòu)率減小，但CS方法在子塊長(zhǎng)度b大于3時(shí)開始出現(xiàn)虛假散射目標(biāo)且準(zhǔn)確重構(gòu)率已小于0.5、b大于8時(shí)虛假散射目標(biāo)出現(xiàn)概率已大于0.1且準(zhǔn)確重構(gòu)率已衰減到0，而BCS方法在子塊長(zhǎng)度b大于4開始出現(xiàn)虛假散射目標(biāo)且最大虛假散射目標(biāo)出現(xiàn)概率不大于0.1、準(zhǔn)確重構(gòu)率也開始衰減但其最小值仍大于0.5。這一結(jié)果表明，BCS方法的性能明顯優(yōu)于CS方法。

圖 9 不同k， b時(shí)虛假散射目標(biāo)出現(xiàn)概率Fig. 9 Probability of false scattering target using different k and b

圖 10 不同k， b時(shí)散射點(diǎn)準(zhǔn)確重構(gòu)率Fig. 10 Reconstruction accurate of scattering point using different k and b

4.1.3 不同反射能量時(shí)的估計(jì)性能 保持4.1節(jié)仿真參數(shù)不變，塊稀疏數(shù)k=2，其散射點(diǎn)的反射能量一塊為γ1=1.0，另一塊取γ2=0.2γ1， γ2=0.4γ1，γ2=0.6γ1， γ2=0.8γ1， γ2=1.0γ15組。對(duì)比不同反射能量情況下不同子塊長(zhǎng)度時(shí)虛假散射目標(biāo)的出現(xiàn)概率和散射目標(biāo)中散射點(diǎn)位置的準(zhǔn)確重構(gòu)概率。結(jié)果如圖11和圖12所示。從圖中可以看出，隨著反射能量的增加，BCS方法和CS方法在不同子塊長(zhǎng)度下的虛假散射目標(biāo)的出現(xiàn)概率都有所增加且散射點(diǎn)位置的準(zhǔn)確重構(gòu)率也有減小，然而CS方法虛假散射目標(biāo)出現(xiàn)概率明顯高于BCS方法 ，且CS方法的散射點(diǎn)準(zhǔn)確重構(gòu)率遠(yuǎn)遠(yuǎn)小于BCS方法。

圖 11 不同γ時(shí)虛假散射目標(biāo)出現(xiàn)概率Fig. 11 Probability of false scattering target using different γ

圖 12 不同γ時(shí)散射點(diǎn)準(zhǔn)確重構(gòu)率Fig. 12 Reconstruction accurate of scattering point using different γ

4.2實(shí)測(cè)數(shù)據(jù)處理結(jié)果

以上仿真數(shù)據(jù)已充分說(shuō)明了本文采用BCS算法的優(yōu)越性，下面將利用實(shí)測(cè)數(shù)據(jù)驗(yàn)證算法的可行性。依據(jù)4.1節(jié)的分析，目標(biāo)建筑物的BCSTomoSAR成像處理中塊稀疏的子塊長(zhǎng)度選擇為b=4，此時(shí)虛假散射目標(biāo)的出現(xiàn)概率小于0.1、散射目標(biāo)中散射點(diǎn)位置的準(zhǔn)確重構(gòu)概率大于0.85，可以保證反演的準(zhǔn)確度。在BCS-TomoSAR成像處理完成后，將層析向距離已根據(jù)雷達(dá)入射角轉(zhuǎn)換為高度向上垂直于地面的絕對(duì)高度，對(duì)目標(biāo)建筑物外立面散射體的點(diǎn)云信息進(jìn)行3維重建，可獲得目標(biāo)建筑物的3維模型，圖13給出了雷達(dá)視線方向的教學(xué)樓外立面散射點(diǎn)高程分布圖，雖然受到環(huán)境及噪聲等因素的影響，但信號(hào)重建結(jié)果仍然比較理想，參照?qǐng)D14建筑物外立面的照片，從圖13外立面散射點(diǎn)高程分布圖可以清晰看出目標(biāo)建筑物的整體輪廓以及窗戶、過(guò)道等細(xì)節(jié)特征；再結(jié)合試驗(yàn)區(qū)的幅度影像圖像進(jìn)行分析，選取位于建筑物頂部的多個(gè)散射點(diǎn)，剔除粗大誤差后估算得到建筑高度為19.3 m，該估計(jì)值與建筑物總體高度20 m非常接近。

圖 13 雷達(dá)視線方向的建筑物外立面散射點(diǎn)高程分布圖Fig. 13 Elevation distribution of scattering point for building facade in the LOS direction

圖 14 建筑物外立面的照片F(xiàn)ig. 14 Corresponding photo of building facade

5 結(jié)束語(yǔ)

針對(duì)基于壓縮感知的TomoSAR成像方法，對(duì)具有結(jié)構(gòu)特性的散射目標(biāo)重構(gòu)時(shí)無(wú)法保證準(zhǔn)確重構(gòu)率的不足，本文從散射目標(biāo)信號(hào)的稀疏性和結(jié)構(gòu)特性出發(fā)，提出了采用塊壓縮感知的TomoSAR成像方法。在利用實(shí)測(cè)數(shù)據(jù)系統(tǒng)參數(shù)進(jìn)行的仿真實(shí)驗(yàn)中，通過(guò)塊稀疏設(shè)置和反射能量的變化對(duì)兩種方法的性能進(jìn)行了詳細(xì)對(duì)比分析，結(jié)果表明相比壓縮感知方法，本文所采用的塊壓縮感知方法不僅可以降低虛假目標(biāo)出現(xiàn)概率，而且大大提高散射點(diǎn)準(zhǔn)確重構(gòu)概率。在利用Radarsat-2實(shí)測(cè)數(shù)據(jù)對(duì)淮南聯(lián)合大學(xué)教學(xué)樓的TomoSAR成像中，本文方法得到了較好的結(jié)果，獲得了建筑物的整體結(jié)構(gòu)和細(xì)節(jié)特征，實(shí)現(xiàn)了高度向精度的準(zhǔn)確估計(jì)。

［1］Knaell K and Cardillo G P. Radar tomography for the generation of three-dimensional images［J］. IEEE Proceedings-Radar， Sonar and Navigation， 1995， 142（2）：54-60.

［2］Reigber A and Moreira A. First demonstration of airborne SAR Tomography using multibaseline L-band data［J］. IEEE Transactions on Geoscience and Remote Sensing， 2000，38（9）： 2142-2152.

［3］She Z， Gray D A， Bogner R E， et al.. Three-dimensional space-borne Synthetic Aperture Radar （SAR） imaging with multiple pass processing［J］. International Journal of Remote Sensing， 2002， 23（20）： 4357-4382.

［4］Gini F and Lombardini F. Multilook APES for multibaseline SAR interferometry［J］. IEEE Transactions on Signal Processing， 2002， 50（7）： 1800-1803.

［5］Lombardini F and Reigber A. Adaptive spectral estimation for multibaseline SAR Tomography with airborne L-band data［C］. 2003 IEEE International Geoscience and Remote Sensing Symposium IGARSS'03， Toulouse， France， 2003， 3：2014-2016.

［6］Fornaro G， Serafino F， and Soldovieri F. Three dimensional focusing with multipass SAR data［J］. IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（4）： 507-517.

［7］Fornaro G， Lombardini F， and Serafino F. Threedimensional focusing multipass SAR focusing： Experiments with long-term spaceborne data［J］. IEEE Transactions on Geoscience and Remote Sensing， 2005， 43（4） ： 702-714.

［8］Frey O and Meier E. 3-D time-domain SAR imaging of a forest using airborne multibaseline data at L- and P-bands［J］. IEEE Transactions on Geoscience and Remote Sensing， 2011， 49（10）： 3660-3664.

［9］任笑真， 楊汝良. 利用FB-MAPES算法估計(jì)Tomography SAR高度維信號(hào)源數(shù)［J］. 電子與信息學(xué)報(bào)， 2009， 31（7）：1669-1673. Ren Xiao-zhen and Yang Ru-liang. On detection of number of Tomogaphy SAR signals in the elevation direction using the FB-MAPES method［J］. Journal of Electronics ＆amp; Information Technology， 2009， 31（7）： 1669-1673.

［10］吳一戎， 洪文， 張冰塵， 等. 稀疏微波成像研究進(jìn)展［J］. 雷達(dá)學(xué)報(bào)， 2014， 3（4）： 384-395. Wu Yi-rong， Hong Wen， Zhang Bing-chen， et al.. Current development of sparse microwave imaging［J］. Journal of Radars， 2014， 3（4）： 384-395.

［11］Zhu X X and Bamler R. Tomographic SAR inversion by L1-Norm regularization-The compressive sensing approach［J］. IEEE Transactions on Geoscience and Remote Sensing，2010， 48（10）： 3839-3846.

［12］Donoho D. Compressed sensing［J］. IEEE Transactions on Information Theory， 2006， 52（4）： 1289-1306.

［13］Zhu X X and Bamler R. Super-resolution power and robustness of compressive sensing for spectral estimation with application to spaceborne Tomographic SAR［J］. IEEE Transactions on Geoscience and Remote Sensing， 2012，50（1）： 247-258.

［14］Zhu X X and Bamler R. Superresolving SAR Tomography for multidimensional imaging of urban areas： compressive sensing-based TomoSAR inversion［J］. IEEE Signal Processing Magazine， 2014， 31（4）： 51-58.

［15］李烈辰， 李道京. 基于壓縮感知的連續(xù)場(chǎng)景稀疏陣列SAR三維成像［J］. 電子與信息學(xué)報(bào)， 2014， 36（9）： 2166-2172. Li Lie-chen and Li Dao-jing. Sparse array 3D imaging for continuous scene based on compressed sensing［J］. Journal of Electronics ＆amp; Information Technology， 2014， 36（9）：2166-2172. DOI： 10.3724/SP.J.1146.2013.01645.

［16］張冰塵， 王萬(wàn)影， 畢輝， 等. 基于壓縮多信號(hào)分類算法的森林區(qū)域極化SAR層析成像［J］. 電子與信息學(xué)報(bào)， 2015， 37（3）：625-630. Zhang Bing-chen， Wang Wan-ying， Bi Hui， et al.. Polarimetric SAR tomography for forested areas based on compressive multiple signal classification［J］. Journal of Electronics ＆amp; Information Technology， 2015， 37（3）：625-630.

［17］廖明生， 魏戀歡， 汪紫蕓， 等. 壓縮感知在城區(qū)高分辨率SAR層析成像中的應(yīng)用［J］. 雷達(dá)學(xué)報(bào)， 2015， 4（2）： 124-129. Liao Ming-sheng， Wei Lian-huan， Wang Zi-yun， et al.. Compressive sensing in high-resolution 3D SAR Tomography of urban scenarios［J］. Journal of Radars， 2015，4（2）： 124-129.

［18］Baraniuk R G， Gevher V， Duarte M F， et al.. Model-based compressive sensing［J］. IEEE Transactions on Information Theory， 2010， 56（4）： 1982-2001.

［19］孫洪， 張智林， 余磊. 從稀疏到結(jié)構(gòu)化稀疏： 貝葉斯方法［J］. 信號(hào)處理， 2012， 28（6）： 759-773. Sun Hong， Zhang Zhi-lin， and Yu Lei. From sparsity to structured sparsity： bayesian perspective［J］. Signal Processing， 2012， 28（6）： 759-773.

［20］李廉林， 周小陽(yáng)， 崔鐵軍. 結(jié)構(gòu)化信號(hào)處理理論和方法的研究進(jìn)展［J］. 雷達(dá)學(xué)報(bào)， 2015， 4（5）： 491-502. Li Lian-lin， Zhou Xiao-yang， and Cui Tie-jun. Perspectives on theories and methods of structural signal processing［J］. Journal of Radars， 2015， 4（5）： 491-502.

［21］Shervashidze N and Bach F. Learning the structure for structured sparsity［J］. IEEE Transactions on Signal Processing， 2015， 63（18）： 4894-4902.

［22］Candès E， Romberg J， and Tao T. Robust uncertainty principles： exact signal reconstruction from highly incomplete frequency information［J］. IEEE Transactions on Information Theory， 2006， 52（2）： 489-509.

［23］Candès E， Romberg J， and Tao T. Stable signal recovery from incomplete and inaccurate measurements［J］. Communication on Pure and Applied Mathematics， 2006，59（8）： 1207-1223.

［24］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.

［25］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.

［26］Fu Y， Li H， Zhang Q， et al.. Block-sparse recovery via redundant block OMP［J］. Signal Processing， 2014， 97（7）：162-171.

王愛春（1981-），男，內(nèi)蒙古和林格爾縣人，中國(guó)資源衛(wèi)星應(yīng)用中心工程師，中國(guó)科學(xué)院電子學(xué)研究所在讀博士生，研究方向?yàn)槎嗷€干涉SAR處理方法及應(yīng)用。

E-mail： wangaichun@cresda.com

向茂生（1964-），男，中國(guó)科學(xué)院電子學(xué)研究所研究員，博士生導(dǎo)師，研究方向?yàn)楦缮婧铣煽讖嚼走_(dá)系統(tǒng)技術(shù)和方法。

E-mail： xms@mail.ie.ac.cn

SAR Tomography Based on Block Compressive Sensing

Wang Aichun①②③Xiang Maosheng①①（National Key Laboratory of Microwave Imaging Technology， Institute of Electronics， Chinese Academy of Sciences， Beijing 100190， China）
②（University of Chinese Academy of Sciences， Beijing 100049， China）
③（China Center for Resources Satellite Data and Application， Beijing 100094， China）

While the use of SAR Tomography （TomoSAR） based on Compressive Sensing （CS） makes it possible to reconstruct the height profile of an observed scene， the performance of the reconstruction decreases for a structural observed scene. To deal with this issue， we propose using TomoSAR based on Block Compressive Sensing （BCS）， which changes the reconstruction of the structural observed scene into a BCS problem under the principles of CS. Further， the block size is established by utilizing the relationship between the characteristics of the structural observed scene and the SAR parameters， such that the BCS problem is efficiently solved with a block sparse l1/l2norm optimization signal model. Compared with existing CSTomoSAR methods， the proposed BCS-TomoSAR method makes better use of the sparsity and structure information of a structural observed scene， and has higher precision and better reconstruction performance. We used simulations and Radarsat-2 data to verify the effectiveness of this proposed method.

SAR Tomography （TomoSAR）； Compressive Sensing （CS）； Block Compressive Sensing （BCS）；Sparsity； Structure

National Development and Reform Commission Satellite and Application Development Projects【2012】2083

TN957.52

A

2095-283X（2016）01-0057-08

10.12000/JR16006

2016-01-11；改回日期：2016-01-27；網(wǎng)絡(luò)出版：2016-02-17

王愛春 wangaichun@cresda.com

國(guó)家發(fā)改委衛(wèi)星及應(yīng)用產(chǎn)業(yè)發(fā)展專項(xiàng)項(xiàng)目 發(fā)改委高技【2012】2083號(hào)