基于非凸-非局部全变差正则化的稀疏SAR成像方法及系统与流程

基于非凸-非局部全变差正则化的稀疏sar成像方法及系统
技术领域
1.本公开涉及雷达成像技术领域，具体涉及一种基于非凸-非局部全变差正则化的稀疏sar成像方法及系统。


背景技术：

2.合成孔径雷达(synthetic aperture radar，sar)是一种主动式微波成像系统，具有全天时、全天候和高分辨率成像的特点，被广泛应用于环境监测和土地资源管理等方面。随着sar技术的发展，要求雷达系统的分辨率和测绘带宽不断提高，大数据量的瓶颈也越发明显。稀疏sar成像是一种利用稀疏信号处理方法实现sar成像的新体制，在过去的十年里，随着压缩感知技术的发展，该新型成像体制得到了广泛的研究。
3.基于l1正则化的sar成像方法，可以在满采样的条件下，有效抑制噪声和杂波，提升图像质量；在降采样率的情况下，有效重构sar图像，保持目标细节。l1正则化可以增强sar图像中点目标特征；全变差(total variation，tv)正则化可以增强sar图像中的面目标特征，保持面目标后向散射系数的连续性、均匀性。将l1范数惩罚项和tv范数惩罚项进行简单线性组合生成一个复合惩罚函数，可以得到l
1-tv正则化模型，该模型既可以增强点目标特征，又可以增强面目标特征。但是l
1-tv正则化存在以下两个问题：1)、l1正则化方法是一种凸优化方法，对sar重建目标的幅度进行低估，造成信号处理端的误差，进而对sar定标的精度造成影响；2)、tv正则化会过度平滑场景中的孤立点目标，导致增强面目标特征与保持点目标重构精度之间出现矛盾。


技术实现要素：

4.为解决现有技术中存在的问题，本公开实施例提供的一种基于非凸-非局部全变差正则化的稀疏sar成像方法、系统、电子设备、存储介质及程序产品，该方法相比于现有技术，既可以有效抑制加性噪声和杂波，增强点目标特征，又可以抑制斑点噪声，保持面目标后向散射系数的连续性、均匀性。
5.本公开的第一个方面提供了一种基于非凸-非局部全变差正则化的稀疏sar成像方法，包括：在稀疏sar成像模型中引入非凸惩罚项和非局部全变差范数惩罚项，构建基于非凸-非局部全变差正则化的稀疏sar成像模型；利用改进的变量分离及交替方向乘子法求解基于非凸-非局部全变差正则化的稀疏sar成像模型，完成sar成像。
6.进一步地，基于非凸-非局部全变差正则化的稀疏sar成像模型如下：
[0007][0008]
其中，λ1、λ2为拉格朗日乘子，y为二维回波向量化结果，x为二维场景向量化结果，φ为对二维回波和二维场景进行向量化后对应的观测矩阵，p
nonconvex
(x)为非凸惩罚项，p
nltv
(|x|)为非局部全变差范数惩罚项。
[0009]
进一步地，非局部全变差范数惩罚项p
nltv
(|x|)的定义为：
[0010][0011]
其中，x为sar二维场景图像；i＝(i1，i2)，表示像素点i在图像x中的位置；|x|i表示图像x中位于位置i的元素；表示|x|i的非局部梯度向量，m
nltv
表示每个像素点的非局部梯度向量的模构成的矩阵；其中，
[0012][0013][0014]
其中，w(i，j)表示像素点i和像素点j之间的非局部权重；j＝(j1，j2)，表示像素点j在图像x中的位置；|x|j表示图像x中位于位置j的元素；m
nltv，i
表示像素点i的非局部梯度向量的模构成的矩阵；ni(d)表示以i为中心、大小为d
×
d的窗口，d为实数。
[0015]
进一步地，像素点i和j之间的非局部权重w(i，j)定义为：
[0016][0017]
其中，表示加权欧式距离；a表示高斯核的标准差，且a＞0；ni(d)表示以i为中心、大小为d
×
d的窗口，d为实数；nj(d)表示以j为中心、大小为d
×
d的窗口；σr表示控制参数，且σr＞0。
[0018]
进一步地，非凸惩罚项的定义为：
[0019][0020]
其中，p
mc
(x)表示典型的非凸惩罚项p
nonconvex
(x)；xi表示x中的第i个元素；p
mc
(xi)表示元素xi的非凸惩罚项；θ表示非凸惩罚项p
mc
(xi)的调节参数；i与n均为正整数，1≤i≤n。
[0021]
进一步地，利用改进的变量分离及交替方向乘子法求解所述一种基于非凸-非局部全变差正则化的稀疏sar成像方法模型，完成sar成像，包括：初始化迭代参数：雷达回波为y，观测矩阵为φ，雷达场景初始化为x0＝0，中间变量z
10
＝0、z
20
＝0及p
i，j0
＝0，拉格朗日乘子λ1、λ2，增广拉格朗日惩罚参数γ，非局部全变差正则化迭代步长τ；设定最大迭代步数为t
max
，令迭代步数初始值t＝0，迭代终止条件ε；进行迭代，更新迭代参数；计算迭代参数。
[0022]
进一步地，更新迭代t 1次后的二维场景向量化结果x
(t 1)
满足：
[0023][0024]
其中，x
(t)
表示更新迭代t次后的二维场景向量化结果；y为二维回波向量化结果；表示梯度下降迭代步长；和均表示中间参量，hh表示中间变量h的共轭转置矩阵；g＝[i
t
，i
t
]
t
表示x和辅助变量z＝[z
1t
，z
2t
]之间的映射关系；i
t
表示单位矩阵i的转置矩阵；z
1t
与z
2t
分别为辅助变量z的两个分量；表示辅助变量zi更新迭代t次后的迭代结果；d表示交替乘子法迭代变量，d
(t)
表示更新迭代t次后的交替乘子法迭代变量，表示d
(t)
的分量，其中，i取1和2；φ为对二维回波和二维场景进行向量化后对应的观测矩阵；φh表示φ的共轭转置矩阵。
[0025]
进一步地，更新迭代t 1次后的z
1(t 1)
满足：
[0026][0027]
其中，λ
mc
表示非凸惩罚项p
mc
(xi)正则化的阈值，ψ
mc
(xi，λ)表示阈值函数；p
mc
(z1)表示辅助变量分量一z1的非凸惩罚函数；d1表示交替乘子迭代变量d的分量一，d
1(t)
表示分量一d1更新迭代t次后的迭代结果；其中，
[0028][0029]
其中，λ表示阈值；xi表示x中的第i个元素；θ表示非凸惩罚项p
mc
(xi)的调节参数。
[0030]
进一步地，更新迭代t 1次后的z
2(t 1)
满足：
[0031][0032]
其中，d2表示交替乘子迭代变量d的分量二；表示分量二d2更新迭代t次后的迭代结果；p
nltv
(|z2|)表示辅助变量分量二z2的非局部全变差范数惩罚函数；λ
nltv
表示nltv正
则化的阈值，div
nltv
(
·
)表示非局部散度算子；p
(t 1)
为求解nltv正则化过程中的辅助变量，
°
表示矩阵哈达玛积。
[0033]
进一步地，计算迭代参数为：
[0034]
res＝||x
(t 1)-x
(t)
||2/||x
(t)
||2[0035]
t＝t 1
[0036]
其中，判断是否同时满足res＞ε和t＜t
max
，若不同时满足条件则继续进行迭代。
[0037]
本公开的第二个方面提供了一种基于非凸-非局部全变差正则化的稀疏sar成像系统，包括：sar成像模型构建模块，用于在稀疏sar成像模型中引入非凸惩罚项和非局部全变差范数惩罚项，构建基于非凸-非局部全变差正则化的稀疏sar成像模型；sar成像模块，用于利用改进的变量分离及交替方向乘子法求解基于非凸-非局部全变差正则化的稀疏sar成像模型，完成sar成像。
[0038]
本公开的第三个方面提供了一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现本公开的第一个方面提供的基于非凸-非局部全变差正则化的稀疏sar成像方法。
[0039]
本公开的第四个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本公开的第一个方面提供的基于非凸-非局部全变差正则化的稀疏sar成像方法。
[0040]
本公开的第五个方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本公开的第一个方面提供的基于非凸-非局部全变差正则化的稀疏sar成像方法。
[0041]
本公开提供的一种基于非凸-非局部全变差正则化的稀疏sar成像方法、系统、电子设备、存储介质及程序产品，该方法首先构建基于非凸-非局部全变差正则化的成像模型，然后利用改进的变量分离-交替方向乘子法求解该模型。该方法相比于传统匹配滤波算法(chirp scaling)，该方法既可以有效抑制加性噪声和杂波，增强点目标特征，又可以抑制斑点噪声，保持面目标后向散射系数的连续性、均匀性。该方法相比l
1-tv正则化方法，非凸-非局部全变差正则化可以有效抑制l1正则化导致的偏差效应，提高目标重构精度；并且可以避免tv正则化对点目标的过度平滑，能够在增强面目标特征的同时保持点目标的重构精度，实现点、面目标联合特征增强。
附图说明
[0042]
为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
[0043]
图1示意性示出了根据本公开一实施例的基于非凸-非局部全变差正则化的稀疏sar成像方法的流程图；
[0044]
图2示意性示出了根据本公开一实施例的基于非凸-非局部全变差正则化的稀疏sar成像模型迭代的流程图；
[0045]
图3示意性示出了匹配滤波算法、l
1-tv正则化、非凸-tv正则化及非凸-非局部全变差正则化对仿真数据的重构结果对比图；
[0046]
图4a～4d示意性示出了匹配滤波算法、l
1-tv正则化、非凸-tv正则化及非凸-非局部全变差正则化对仿真数据的重构切片分析结果对比图；
[0047]
图5示意性示出了匹配滤波算法、l
1-tv正则化、非凸-tv正则化及非凸-非局部全变差正则化对gaofen-3数据的重构结果对比图；
[0048]
图6a～6b示意性示出了匹配滤波算法、l
1-tv正则化、非凸-tv正则化及非凸-非局部全变差正则化对gaofen-3数据的局部成像结果对比图；
[0049]
图7a～7d示意性示出了匹配滤波算法、l
1-tv正则化、非凸-tv正则化及非凸-非局部全变差正则化对gaofen-3数据的重构切片分析结果对比图；
[0050]
图8示意性示出了根据本公开一实施例的基于非凸-非局部全变差正则化的稀疏sar成像系统的方框图；
[0051]
图9示意性示出了根据本公开另一实施例的基于非凸-非局部全变差正则化的稀疏sar成像系统的方框图；
[0052]
图10示意性示出了根据本公开一实施例的适于实现上文描述的方法的电子设备的方框图。
具体实施方式
[0053]
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
[0054]
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0055]
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0056]
在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
[0057]
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
[0058]
本公开实施例提供一种基于非凸-非局部全变差正则化的稀疏sar成像方法，包括：在稀疏sar成像模型中引入非凸惩罚项和非局部全变差范数惩罚项，构建基于非凸-非局部全变差正则化的稀疏sar成像模型；利用改进的变量分离及交替方向乘子法求解所述基于非凸-非局部全变差正则化的稀疏sar成像模型，完成sar成像。
[0059]
根据本公开的实施例，首先构建基于非凸-非局部全变差正则化的成像模型，然后利用改进的变量分离-交替方向乘子法求解该模型。该方法相比于传统匹配滤波算法，该方法既可以有效抑制加性噪声和杂波，增强点目标特征，又可以抑制斑点噪声，保持面目标后向散射系数的连续性、均匀性。该方法相比l
1-tv正则化方法，非凸-非局部全变差正则化可以有效抑制l1正则化导致的偏差效应，提高目标重构精度；并且可以避免tv正则化对点目标的过度平滑，能够在增强面目标特征的同时保持点目标的重构精度，实现点、面目标联合特征增强。
[0060]
图1示意性示出了根据本公开实施例的基于非凸-非局部全变差正则化的稀疏sar成像方法的流程图。如图1所示，该方法包括：步骤s101～s102。
[0061]
在操作s101，在稀疏sar成像模型中引入非凸惩罚项和非局部全变差范数惩罚项，构建基于非凸-非局部全变差正则化的稀疏sar成像模型。
[0062]
在操作s102，利用改进的变量分离及交替方向乘子法求解所述基于非凸-非局部全变差正则化的稀疏sar成像模型，完成sar成像。
[0063]
下面将对本实施例的基于非凸-非局部全变差正则化的稀疏sar成像方法的各个步骤进行详细说明。应当理解，图2～7中示出的原理图及结果示意图仅是示例性的，以帮助本领域的技术人员理解本公开的技术方案，并非用以限制本公开的保护范围。
[0064]
根据本公开的实施例，在操作步骤s101之前，该方法还包括：构建稀疏sar观测模型。其中，稀疏sar成像模型基于该稀疏sar观测模型构建。
[0065]
具体地，根据sar几何关系，构建稀疏sar二维观测模型满足：
[0066]
y＝ξx n
[0067]
其中，y为sar二维回波，x为sar二维场景图像，ξ为根据sar观测几何构建的观测矩阵，n为二维加性噪声。
[0068]
将稀疏sar二维观测模型向量化，得到一维观测模型如下：
[0069]
y＝φx n
[0070]
其中，y为二维回波向量化结果，x为二维场景向量化结果，φ为对二维回波和二维场景进行向量化后对应的观测矩阵，n表示向量化的加性噪声。
[0071]
在操作s101，在稀疏sar成像模型中引入非凸惩罚项和非局部全变差范数惩罚项，构建的基于非凸-非局部全变差正则化的稀疏sar成像模型满足：
[0072][0073]
其中，λ1、λ2为拉格朗日乘子，p
nonconvex
(x)为非凸惩罚项，p
nltv
(|x|)为非局部全变差范数惩罚项。
[0074]
本公开的实施例中，典型的非凸惩罚项mc定义为：
[0075][0076]
其中，p
mc
(x)表示典型的非凸惩罚项p
nonconvex
(x)；xi表示x中的第i个元素；p
mc
(xi)表示元素xi的非凸惩罚项；θ表示非凸惩罚项p
mc
(xi)的调节参数；i与n均为正整数，1≤i≤n。
[0077]
非局部全变差范数惩罚项p
nltv
(|x|)的定义为：
[0078][0079]
其中，i＝(i1，i2)，表示像素点i在图像x中的位置；|x|i表示图像x中位于位置i的元素；表示|x|i的非局部梯度向量，m
nltv
表示每个像素点的非局部梯度向量的模构成的矩阵；其中，
[0080][0081][0082]
其中，w(i，j)表示像素点i和像素点j之间的非局部权重；|x|j表示图像x中位于位置j的元素；j＝(j1，j2)，表示像素点j在图像x中的位置；m
nltv，i
表示像素点i的非局部梯度向量的模构成的矩阵；ni(d)表示以i为中心、大小为d
×
d的窗口，d为实数。
[0083]
像素点i和像素点j之间的非局部权重w(i，j)定义为：
[0084][0085]
其中，表示加权欧式距离；a表示高斯核的标准差，且a＞0；ni(d)表示以i为中心、大小为d
×
d的窗口，d为实数；nj(d)表示以j为中心、大小为d
×
d的窗口；σr表示控制参数，且σr＞0。
[0086]
在操作s102，利用改进的变量分离及交替方向乘子法求解所述基于非凸-非局部全变差正则化的稀疏sar成像模型，完成sar成像，如图2所示，具体包括：
[0087]
在操作s201，初始化迭代参数：雷达回波为y，观测矩阵为φ，雷达场景初始化为x0＝0，中间变量z
10
＝0、z
20
＝0及p
i，j0
＝0，拉格朗日乘子λ1、λ2，增广拉格朗日惩罚参数γ，非局部全变差正则化迭代步长τ；设定最大迭代步数为t
max
，令迭代步数初始值t＝0，迭代终止条件ε。
[0088]
在操作s202，进行迭代，更新迭代参数。
[0089]
本公开的实施例中，具体更新的参数包括：二维场景向量化结果x
(t 1)
、中间变量z
1(t 1)
、z
2(t 1)
及d
(t 1)
。
[0090]
其中，更新迭代t 1次后的二维场景向量化结果x
(t 1)
满足：
[0091][0092]
其中，上标(t 1)表示当前迭代步数，t为正整数；g＝[i
t
，i
t
]
t
表示x和辅助变量z＝[z
1t
，z
2t
]之间的映射关系；i
t
表示单位矩阵i的转置矩阵；z
1t
与z
2t
分别为辅助变量z的两个分量；和均表示中间参量，hh表示中间变量h的共轭转置矩阵；z
(t)
表示更新迭代t次后的中间变量z；d表示交替乘子法迭代变量，d
(t)
表示d更新迭代t次后的交替乘子法迭代变量。
[0093]
除了上述最小二乘解，该二次优化问题也可以通过如下梯度下降法进行求解：
[0094][0095]
其中，x
(t)
表示更新迭代t次后的二维场景向量化结果；表示梯度下降迭代步长；表示辅助变量zi更新迭代t次后的迭代结果；表示d
(t)
的分量，其中，i取1和2；φh表示观测矩阵φ的共轭转置矩阵。
[0096]
进一步地，更新迭代t 1次后的中间变量z
1(t 1)
满足：
[0097][0098]
其中，λ
mc
表示非凸惩罚项p
mc
(xi)正则化的阈值，ψ
mc
(xi，λ)表示阈值函数；p
mc
(z1)表示辅助变量分量一z1的非凸惩罚函数；d1表示交替乘子迭代变量d的分量一，d1(t)表示分量一d1更新迭代t次后的迭代结果；其中，
[0099]
[0100]
其中，λ表示阈值；xi表示x中的第i个元素；θ表示非凸惩罚项p
mc
(xi)的调节参数。
[0101]
进一步地，更新迭代t 1次后的中间变量z
2(t 1)
满足：
[0102][0103]
其中，d2表示交替乘子迭代变量d的分量二，表示分量二d2更新迭代t次后的迭代结果；p
nltv
(|z2|)表示辅助变量分量二z2的非局部全变差范数惩罚函数；λ
nltv
表示nltv正则化的阈值，div
nltv
(
·
)表示非局部散度算子；p
(t 1)
为求解nltv正则化过程中的辅助变量；ο表示矩阵哈达玛积。其中，非局部散度算子div
nltv
(
·
)满足：
[0104][0105]
其中，为求解nltv正则化过程中的辅助变量，p
(t 1)
为p
(t 1)
向量化之前的形式，表示位于i＝(i1，i2)处的像素点的辅助变量，其满足：
[0106][0107]
其中，表示中对应于j的元素，满足：
[0108][0109]
其中，表示d
2(t)
向量化之前的矩阵，为中位于i处的元素；x
(t 1)
表示x
(t 1)
向量化之前的矩阵，为中位于x
(t 1)
i处的元素。
[0110]
进一步地，更新迭代t 1次后的d
(t 1)
满足：
[0111]d(t 1)
＝[d
1t
，d
2t
]
t
＝d
(t)-gx
(t 1)
z
(t 1)
[0112]
其中，d
1t
与d
2t
分别表示交替乘子法迭代变量d1与d2的转置矩阵。
[0113]
在操作s203，计算迭代参数。
[0114]
本公开的实施例中，计算迭代参数具体为：
[0115]
res＝||x
(t 1)-x
(t)
||2/||x
(t)
||2[0116]
t＝t 1
[0117]
其中，判断是否同时满足res＞ε和t＜t
max
，若不同时满足条件则继续进行迭代，进入步骤s202。
[0118]
本公开的实施例中，通过仿真实验与gaofen-3实测数据实验对本公开中提供的基于非凸-非局部全变差正则化的稀疏sar成像方法进行验证。
[0119]
图3示意性示出了匹配滤波算法、l
1-tv正则化、非凸-tv正则化(mc-tv)及非凸-非局部全变差正则化(mc-nltv)对仿真数据的重构结果对比图，其中，图3a表示回波snr＝30db下的重构结果对比图，图3b表示回波snr＝-5db下的重构结果对比图。如图3所示，可以看出非凸-非局部全变差正则化mc-nltv可以有效抑制相干斑噪声，明显增强了面目标特征。
[0120]
下表1统计了四种方法对gaofen-3数据的重构结果中，点目标的重构幅度(amplitude，amp)、相对偏差(relative bias，rb)，面目标的重构幅度均值(μa)、等效视数(equivalent number of looks，enl)与辐射分辨率(γ)的对比结果。
[0121]
表1
[0122][0123]
图4a～4d示意性示出了匹配滤波算法、l
1-tv正则化、非凸-tv正则化及非凸-非局部全变差正则化对仿真数据的重构切片分析结果对比图。图5示意性示出了匹配滤波算法、l
1-tv正则化、非凸-tv正则化及非凸-非局部全变差正则化对gaofen-3数据的重构结果对比图。图6a～6b示意性示出了匹配滤波算法、l
1-tv正则化、非凸-tv正则化及非凸-非局部全变差正则化对gaofen-3数据的局部成像结果对比图，图6a具体为tar＝p1与tar＝p2下的局部成像结果对比图，图6b具体为tar＝d1与tar＝d2下的局部成像结果对比图。图7a～7d分别示意性示出了匹配滤波算法、l
1-tv正则化、非凸-tv正则化及非凸-非局部全变差正则化对gaofen-3数据的重构切片分析结果对比图。
[0124]
从图4a～4d、图5、图6a～6b、图7a～7d及表1可以看出，相比于传统匹配滤波算法，本公开提供的方法既可以有效抑制加性噪声和杂波，增强点目标特征，又可以抑制斑点噪声，保持面目标后向散射系数的连续性、均匀性。相比l
1-tv正则化方法，非凸-非局部全变差正则化可以有效抑制l1正则化导致的偏差效应，提高目标重构精度；并且可以避免tv正则化对点目标的过度平滑，能够在增强面目标特征的同时保持点目标的重构精度，实现点、面目标联合特征增强。
[0125]
需说明的是，上述仿真结果仅为示例性的说明，其并不构成本公开实施例的限定，在其他实际应用场景过程中，其可以为其他结果的替代，本公开的实施例对此不做限定。
[0126]
图8示意性示出了根据本公开实施例的基于非凸-非局部全变差正则化的稀疏sar成像系统的方框图。
[0127]
如图8所示，该基于非凸-非局部全变差正则化的稀疏sar成像系统800包括：sar成像模型构建模块810及sar成像模块820。该系统800可以用于实现参考图1所描述的基于非凸-非局部全变差正则化的稀疏sar成像方法。
[0128]
sar成像模型构建模块810，用于在稀疏sar成像模型中引入非凸惩罚项和非局部全变差范数惩罚项，构建基于非凸-非局部全变差正则化的稀疏sar成像模型。根据本公开的实施例，该sar成像模型构建模块810例如可以用于执行上文参考图1所描述的s101步骤，在此不再赘述。
[0129]
sar成像模块820，用于利用改进的变量分离及交替方向乘子法求解所述基于非凸-非局部全变差正则化的稀疏sar成像模型，完成sar成像。根据本公开的实施例，该sar成像模块820例如可以用于执行上文参考图1所描述的s102步骤，在此不再赘述。
[0130]
根据本公开的实施例，如图9所示，该系统还包括：sar观测模型构建模块830，用于构建稀疏sar观测模型。其中，稀疏sar成像模型基于该稀疏sar观测模型构建。
[0131]
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0132]
例如，sar成像模型构建模块810、sar成像模块820及sar观测模型构建模块830中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，sar成像模型构建模块810、sar成像模块820及sar观测模型构建模块830中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，sar成像模型构建模块810、sar成像模块820及sar观测模型构建模块830中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0133]
图10示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的方框图。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0134]
如图10所示，本实施例中所描述的电子设备1000，包括：处理器1001，其可以根据存储在只读存储器(rom)1002中的程序或者从存储部分1008加载到随机访问存储器(ram)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0135]
在ram 1003中，存储有系统1000操作所需的各种程序和数据。处理器1001、rom 1002以及ram 1003通过总线1004彼此相连。处理器1001通过执行rom 1002和/或ram 1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 1002和ram 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0136]
根据本公开的实施例，电子设备1000还可以包括输入/输出(i/o)接口1005，输入/输出(i/o)接口1005也连接至总线1004。系统1000还可以包括连接至i/o接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至i/o接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
[0137]
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0138]
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的基于非凸-非局部全变差正则化的稀疏sar成像方法。
[0139]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 1002和/或ram 1003和/或rom 1002和ram 1003以外的一个或多个存储器。
[0140]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序
包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的基于非凸-非局部全变差正则化的稀疏sar成像方法。
[0141]
在该计算机程序被处理器1001执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0142]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1009被下载和安装，和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0143]
在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0144]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c ，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0145]
需要说明的是，在本公开各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来。
[0146]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0147]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可
以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0148]
尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。