在重建目标之前,我们首先考虑恢复丢失的数据元素。然后,利用传统的三维成像算法获得更优秀的三维图像。然而,稀疏线性阵列获得的回波数据可以看作是一个随机缺失切片的三阶不完全张量。在这种情况下,传统的TC方法很难恢复丢失的数据元素,从而导致无法接受的成像性能。
在本节中,我们提出了一种新的稀疏阵列SAR三维成像算法,该算法在嵌入式空间中使用TC来解决上述问题。图2描述了这种基于缺失切片回波张量的三维稀疏阵列SAR成像方法的流程图。该算法包括两部分:张量补全和三维成像,其中张量补足部分包含MDT、低阶张量近似和逆MDT步骤。
4.1信号张量的性质分析
首先,我们讨论了基于信号模型的稀疏性(6),这有助于从稀疏信号张量执行3D图像重建。对于三维稀疏阵列SAR,三维场景中存在大量的非目标区域。这意味着少数显著散射体的后向散射响应之和构成了3D雷达图像\({\boldsymbol{\mathcal{G}}}\),这意味着\({\boldsymbol{\mathcal{G}}}\)预计会很稀疏。
那么,张量完备的前提是低阶性质。一个散射点的信号数据\(B\)构造为
$$E(m,n,k)=\gamma_{B}\exp\left[{2\pi j(\delta_{x}x_{B{+\delta_{y}y_{Bneneneep+\delta _{z}z_{B})}\right]$$
(9)
因此,信号的张量表示\({\boldsymbol{\mathcal{E}}}}\)表示为
$${\boldsymbol{\mathcal{E}}=\gamma{{\varvec{\Phi}}}_{x}(:,x)\circ{{\valvec{\ Phi}{}_{y}(:,y)\cic{\varvesc{\Phi}}{{z}(,z)$$
(10)
外部产品的操作员指示为\(\circ\).自\({\boldsymbol{\mathcal{E}}}\)表示为向量的外积,它满足秩一张量。它还表明\({\boldsymbol{\mathcal{E}}}\)是低阶张量。
由于来自几个散射体的信号的叠加,最终的信号\({\boldsymbol{\mathcal{E}}}\)可以描述为相应的3模秩一张量的线性组合。
$${\boldsymbol{\mathcal{E}}}=\sum\limits_{b=1}^{b}{\gamma_{b}{\varvec{\Phi}}_{x}(:,x_{b{)\circ{\varvesc{\Phi}}}_}y}(:,y_{bneneneep)\cic{\varve c{\Phi}}{z}()}$$
(11)
构成一级张量的最小数量\({\boldsymbol{\mathcal{E}}}}\)(见第2)表示的等级\({\boldsymbol{\mathcal{E}}}\)这意味着张量的秩\({\boldsymbol{\mathcal{E}}}\)不能超过B类此外,图像场景中还存在少量强散射点,因此\(所有PQL),并进一步推导出\({\text{rank}}({\boldsymbol{\mathcal{E}})\leB\llPQL\)因此,如果目标是稀疏的,那么张量\({\boldsymbol{\mathcal{E}}}\)具有低CP-rank的特性。
4.2MDT和逆MDT
假定三阶回波张量\({\boldsymbol{\mathcal{E}}}\)通过带参数的延迟嵌入进行变换\({{\varvec{\upxi}}}={\xi_{1},{\mathbb{N}}^{3})和\({{\varvec{\Psi}}}=\{M,N,K\}\)此处理包括两个步骤:复制步骤和折叠步骤[28],如图所示三.
首先,MDT产生低阶张量\({\boldsymbol{\mathcal{E}}}\)变成一个重复的高阶张量,称为“汉克尔化”[30]. 考虑复制矩阵满足以下条件
$$开始{对齐}{\mathbf{D}}_{1}&\在\{0,1\}^{{\xi{1}(M-\xi_1}+1)\times M}}\\{\mathbf{D{}}_2}&\in \{0,1\}^{\xi_2}(N-\xi{2}+1)\ times N}}\\在\{3}&\in\{0_1\}^{{{{3}(K-\xi{3}+1)乘以K}}\\end{aligned}$$
(12)
然后可以通过以下方式获得MDT
$${\mathcal{H}}_{{\varvec{\upxi}}}2}{\mathbf{D}}_2}\times_{3}{\mathbf{D}}_3})$$
(13)
哪里\({\text{fold}}{{{({{\varvec{\uppsi}}},{{\varvec{\upxi}})}}={\text}展开}}{(},})表示从低阶张量到高阶张量的折叠算子。这里是一个6阶张量\(次数(M-\xi{1}+1)次数(N-\xi{2}+1)次(X-\xi{3}+1)由输入的3阶张量构造\(\xi{1}(M-\xi{1}+1)\times\xi{2}(N-\xi{2}+1)\times\xi{3}(K-\xi{3}+1)\).
相反,逆MDT变换可以分解为两个步骤:矩阵化操作(也称为展开)和Moore–Penrose伪逆\({\mathbf{D}}^{\dag}=({\mathbf{D}}^}{T}{\mathbf{D{}})^{-1}{\mathbf{D{}^{T})因此,Hankel张量\({\boldsymbol{\mathcal{E}}}_{H}\)逆MDT处理表示为
$${\mathcal{H}}_{{\varvec{\upxi}}}^{-1}hbf{D}}_{1}^{\dag}\times_{2}{\mathbf{D}}_2}^{\tag}\times{3}{\mathbf{D}}_3}^{\ dag}$$
(14)
4.3低秩张量近似
根据(13),不完全张量\({\boldsymbol{\mathcal{E}}}\在{\mathbb{C}}^{M\次N\次K}\中)及其掩模张量\({\boldsymbol{\mathcal{M}}}\ in \{0,1\}^{M\ times N\ times K}\)可以通过MDT进行转换,由
$$\boot{aligned}{I}}\\结束{对齐}$$
(15)
哪里我=6,因为Hankel张量\({\boldsymbol{\mathcal{E}}}_{H}\)这里是一个六阶张量。中的零元素\({\boldsymbol{\mathcal{M}}}_{H}\)对应丢失的条目;否则,一个元素对应于可用条目。
这里,我们可以通过塔克分解求解低阶张量近似。因此,优化问题的解可以转换为以下形式。
$$\mathop{\mamin}\limits_{{\boldsymbol{\mathcal{C}}},\left\{{\mathbf{F}}^{(i)}}\right\}_{i=1}^{i}}}}\left\ |{\boldsymbol{\mathcal{M}}}_{H}\ circledast\ left _{F}^{2},\;\;\;{\text{s.t.}}\;\;\,{\boldsymbol{\mathcal{C}}}\在{\mathbb{R}}^{R{1}\times\cdots\timesR{I}}}中,\;\;{\mathbf{F}}^{(i)}\在{\mathbb{R}}^}{{J{i}\次R{i}}}中(对于所有i)$$
(16)
哪里\(\circledast\)表示元素Hadamard乘积。
上述方程不是凸问题,且解也不是唯一的[20]. 对于具有完整元素的张量,可以通过交替最小二乘法(ALS)有效地求出其驻点[20]对于塔克分解,而对于有损失元素的张量,我们可以用梯度下降法有效地解决这个优化问题[31]和流形优化[32]. 显然,步长参数会影响两种算法的效率。因此,辅助功能[28]被介绍为
$$f(\left.\alpha\right|\alpha^{\prime}):=\left\|{{\boldsymbol{\mathcal{M}}_{H}\circledast\left({{\baldsymbol{\mathcal{E}}}__{H{-{\bold symbol}\mathcal{T}}_}_{\alpha}}\right)}\right\|{f}^{2}+\left\ |{\overline{\boltsymbol\\mathcal}}}}}}{H}\圆圈最左\左({{\boldsymbol{\mathcal{T}}}{{\alpha^{\prime}}}-{\bold symbol}\mathcal{T}}}_{\alpha}}\right)}\right\|_{F}^{2}$$
(17)
其中参数集\(\alpha=\{{\boldsymbol{\mathcal{C}}},{\mathbf{F}}^{(1)},}\mathbf{F}{^{,\(\boldsymbol{\mathcal{T}}_{\alpha}=\boldsymbol{\thcal{C}}\times\{{mathbf{F}}\}\)表示塔克分解,以及\(上划线{{\boldsymbol{\mathcal{M}}}}_{H}\)作为的补集\(\boldsymbol{\mathcal{M}}_{H}\)等于\(1-\boldsymbol{\mathcal{M}}_{H}\).
根据[28],我们可以将辅助函数转换为
$$开始{对齐}f(\left.\alpha\right|\alpha^{\prime})&=\left\|{{\boldsymbol{\mathcal{M}}{{H}\circledast\left({{\baldsymbol{\mathcal{E}}_{H}-{\bold symbol}\mathcal{T}}}{\alpha}\right)}\right\|_{f}{2}+\left\{M}}}}_{H}\圆圈最后\左({{\boldsymbol{\mathcal{T}}}{{\alpha^{\prime}}}-{\boldsymbol{\mathcal{T}}}_{\alpha}}\right)}\right\|_{F}^{2}\\&=\left\|{{{(}{\bolsymbol{\matchcal{M}}}}_{H}\circledast{\bodsymbol}{\mathcal{E}}}}_{H}+\overline{\boltsymbol}{\mathcal{M}{}}}{H}T}}}{{\alpha^{\prime}})-({\boldsymbol{\mathcal{M}}}_{H}+\上划线{{\bold symbol}\mathcal{M}{}}}{{H})\圆圈显示{\boldsymbol{\mathcal{T}}{{\alpha}}\right\|_{F}^{2}\\&=\left\|{{\bodsymbol{\matchcal{X}}}-{\bolsymbol}\mathcal{T}{{\ alpha}{\right\ |_{F}^{2}\\end{aligned}$$
(18)
显然,辅助函数最小化解决方案是由两步处理组成的。首先,辅助张量\({\boldsymbol{\mathcal{X}}}\)可以通过以下公式计算
$$\boldsymbol{\mathcal{X}}={\boldsymbol{\fathcal{M}}_{H}\circledast{\bolssymbol}\mathcal{E}}_}+\overline{\bodsymbol{\mathcal{M{}}}__H}\circledast{\bold symbol{\matchcal{T}}}{{\alpha^{\prime}}}$$
(19)
然后,因子矩阵\({{\mathbf{F}}\}\)和核心张量\(\boldsymbol{\mathcal{C}}\)通过使用ALS进行更新以优化
$$\mathop{\min}\limits_{{\boldsymbol{\mathcal{C}},\{{\mathbf{F}}^{(i)}\}_{i=1}^{i}}\left\;{\text{s.t.}}\;\;{\mathbf{F}}^{(i)T}{\mathpf{F{}^{(i)}={\mathbf{i}}_{R{i}}}(对于所有i)$$
(20)
为了张量的非唯一性\(\boldsymbol{\mathcal{T}}\)解决方案中,秩增量策略被集成到基于塔克的补全中,这在[28]. 具体来说,首先建立一个非常低秩的塔克分解,并将其用作初始化,以获得更高秩的分解。然后迭代更新秩,直到噪声条件小于阈值。简而言之,低阶张量近似的算法可以逐步总结如下。
1:设置低秩序列\(R{i}=1\)哪里\(i=1,\点,6\)作为初始值。
2:根据公式(19)和(20),计算\(\boldsymbol{\mathcal{C}}\)和\({\mathbf{F}}^{(i)}\}_{i=1}^{i}\)具有初始秩序列\(R_{i}\).\(\boldsymbol{\mathcal{T}}=\boldsymbol{\thcal{C}}\times\{{mathbf{F}}\}\)进行相应计算。
3:判断是否\(\left\|{{\boldsymbol{\mathcal{M}}}_{H}\circledast\left({\bold symbol}\mathcal{E}}__{H{-{\bolsymbol{\mathcal{T}}}\right)}\right\|{F}^{2}\)因为噪声条件不大于噪声阈值参数\(\t).如果满足,则终止算法;否则,算法继续执行。
4:更新参数\(i^{prime}=\mathop{{text{argmax}}}\nolimits_{i}\left\|{left({{boldsymbol{\mathcal{M}}_{H}\circledast({\boldsympol{\mathcal{E}}{H}-{boldsymbol{\thcal{T}})}\right)\times_{-i}\{{mathbf{F}}^{T}\right\ |_{F}^{2}\)和增量\(R_{{i^{prime}}\),然后返回步骤2。
4.4三维图像重建
在完全采样的三维数据通过上述TC恢复后,利用基于傅里叶变换的技术可以精确聚焦三维图像。此外,一些超分辨率成像算法,如频谱估计策略[33]也可以被雇佣。
总之,算法1显示了在嵌入式空间中使用TC进行三维稀疏阵列SAR成像的建议方法。很明显,首先通过MDT将稀疏张量转化为不完备的高阶Hankel张量。接下来,利用低秩张量近似完成高阶张量,并在下一步中通过逆MDT转换为全采样数据张量。最后,应用三维距离多普勒(RD)算法对三维图像进行聚焦。有关3D RD算法的更多详细信息,请参阅[34].
算法1基于嵌入空间张量补全的三维SAR稀疏成像