15000 تومان
افزودن به سبد خرید
0 فروش 260 بازدید
جزئیات محصول
پسوند فایل: zip
حجم فایل: 4MB
فایل راهنما: ندارد
فریم ورک: MATLAB
بسته نصبی: ندارد
امکانات: شامل فایل pdf مقاله لاتین و فایل word ترجمه فارسی (24 صفحه) و ام فایل متلب
تاریخ انتشار: 20 دسامبر 2018
دسته بندی: ,,,

تبلیغات

تصویر سازی سریع دریافت فشرده SAR بر اساس مشاهده تقریبی

چکیده

در سالهای اخیر دریافت فشرده CS در زمینه تصویرسازی رادار ترکیبی روزنه SAR به کار رفته و نشان داده که پتانسیل بالایی دارد. با این وجود مدلهای موجود بر اساس کاربرد ماتریس حس مورد نیاز توابع مشاهده مستقیم هستند. در نتیجه الگوریتم بازسازی منطبق با آنها وقت گیر تر از روشهای سنتی مبتنی بر فیلتر MF هستند، بخصوص در سیستمهای با وضوح بالا و سیستمهای دارای  ردیفهای عریض. در این مقاله مدل جدیدی از تصویر سازی دریافت فشرده – رادار ترکیبی روزنه CS-SAR مبتنی بر استفاده از مشاهده SAR نزدیک شده که از عکس فرایندهای متمرکز کسر شده ارائه می شود. ما روش حس فشرده CS را به همراه روش فیلتر تطابق یافته MF در چارچوب تنظیم پراکنده ای وارد می کنیم که سپس بوسیله یک الگوریتم تکراری آستانه ای سریع حل می شود. مدل پیشنهادی روش تصویر سازی جدیدی از CS-SAR شکل می دهد که می توان از آن برای تصویر سازی با کیفیت بالا و وضوح بالا تحت نمونه برداری نسبت sub-Nyquist استفاده کرد، در حالیکه هزینه های زمانی و حافظه ای محاسبات را تا حد قابل توجهی کاهش می دهد. شبیه سازی ها و کاربردهای داده ای SAR واقعی تایید می کنند که روش پیشنهادی می تواند تصویر سازی SAR را به نحوی کارا و موثر تحت نسبت Nyquist بخصوص برای برنامه های با مقیاس بزرگ اجرا کند.

واژه های شاخص: مشاهده نزدیک، دریافت فشرده، فیلتر تطابق یافته، رادار ترکیبی  روزنه

۱ مقدمه

رادار ترکیبی روزنه SRA یک رادار میکروویو فعال است که می تواند در همه اوقات روز و در هر نوع هوایی به تصاویر با وضوح بالا برسد. در یک سیستم SAR رادار دنباله ای از چند پالس در امتداد مسیر خود ساتع می کند و بازتاب آنها (داده های خام) را که از اهداف پراکنده منتشر شده اند دریافت می کند. در گذشته بازسازی صحنه به وسیله الگوریتمهای متمرکز  مبتنی بر فیلتر تطابق یافته انجام می شد که کارآمد هستند اما نیاز به نمونه های نسبت Nyquist بازتابها دارند. تصویرسازی SAR با افزایش وضوح و ردیف نیازمند اندازه گیری های بیشتر، حافظه بیشتر، و پهنای باند بین پیوندها است. با این حال، سخت افزار سیستم جاری مدام کار چنین برنامه های کاربردی را مختل می کند.

پیشرفت اخیر دریافت فشرده CS امکان بازسازی سیگنالهای پراکنده یا قابل تراکم را با اندازه گیری های کمتر فراهم می کند. برنامه های متعددی در مورد سیستم رادار در سالهای اخیر ظاهر شده اند که توجه آنها اصولا این است که روند جمع آوری داده ها را چگونه می توان با استفاده از CS ساده کرد  و اینکه کاربردهای بالقوه با تکنیک CS چه چیزی در تصویر سازی رادار را از نو می سازد. به علاوه، در مطالعه CS-SAR بیشترین میزان توجه به استفاده موثر از جغرافیای خاص SAR و فرم سیگنال بوده است مثلا در [۹]  یک چارچوب متراکم داده های خام  بر اساس CS بوسیله نمونه برداری داده ها در دامنه فرکانس پیشنهاد شد. این کار در [۱۰] بسط داده شد با استفاده از این حقیقت که اشیاء بسیار روشن همیشه پراکنده هستند و منجر به یک مدل پراکنده دوگانه شد. با این حال این کارها عملا برای سیستم CS-SAR کاربرد ندارند جایی که نمونه گیری باید در دامنه زمان انجام شود. در [۱۱] CS پس از تراکم طیف بر ازیموت اعمال شد. کارایی این روش با ترکیب MF فیلتر تطابق یافته بسیار بیشتر شد، در حالی که از اطلاعات اضافی در برد به نحو موثر بهره برداری نشده است. یک مدل CS-SAR عمومی تر در [۱۲] و [۱۳] و از طریق جدا کردن تابع مشاهده SAR دقیقا درون یک ماتریس مشاهده گزارش شده درحالی که آن را مستقیما از طریق CS حل می کند.

همه این کارها قویاً نشان می دهند که CS-SAR در مقایسه با روشهای سنتی تصویرسازی SAR مزایای منحصربفردی دارد. مزیتهایی همچون آسایش از اندازه گیری های مورد نیاز، کاهش بیم جانبی رادار، و تخفیف بیشتر نویز [۱۴]. با این حال، در همه برنامه ها یک عیب جدی مشاهده شده است: در مقایسه با روشهای سنتی مبتنی بر فیلتر تطابق یافته، پیچیدگی محاسباتی و هزینه حافظه مدلهای CS-SAR بسیار بیشتر است در نتیجه این مدل برای کاربرد در برنامه هایی با ابعاد بالا کارایی ندارد.

ما در این مقاله یک چارچوب جدید برای CS-SAR شکل می دهیم که در آن پیچیدگی محاسباتی تصویر سازی CS-SAR را می توان تا حد قابل توجهی کاهش داد. ایده اصلی ما این است که تابع شاهده دقیق در چارچوب CS-SAR را با مشاهدات تقریبی که از معکوس فرایندهای سنتی مبتنی بر فیلتر تطابق یافته به دست می آید جایگزین کنیم. این گونه وارون سازی همیشه برای بیرون دادن سیگنالهای خام (اکو) به نحوی اقتصادی تر به کار رفته است اما مستلزم دقت بالای روش اتخاذ شده می باشد. در این مقاله با وارد کردن آن به چارچوب CS گامی بیشتر پیش می رویم که تنها نیاز به توانایی تمرکز خوب برای اطمینان از بازسازی CS دارد. هدف ما اجرای تصویر سازی CS-SAR از طریق طرح تنظیم پراکنده می باشد که سپس به وسیله یک الگوریتم آستانه ای تکراری ITA حل می شود. بر همین اساس سرعت زیاد و کارایی بالای روش جدید به ترتیب از استفاده از مشاهده تقریبی و رویه بازسازی CS تضمین می شود. ما نشان خواهیم داد که روش جدید تصویرسازی       CS-SAR نه تنها می تواند به تصاویر با کیفیت و با وضوح بالا با اندازه گیری هایی که تا حد قابل توجهی کاهش یافته دست یابد بلکه هزینه حافظه را تا O(n) و پیچیدگی محاسباتی یک تکرار یک مرحله ای را تا            O(n log n) کاهش می دهد. در حالی که به ترتیب مشابه روشهای سنتی تصویر سازی SAR می رسد.

ادامه مقاله به این ترتیب سازماندهی شده است: در بخش ۲ دانش پیشین موجود در مورد سیستم SAR حالت  استریپ مپ (نقشه نواری) و مدل کلاسیک CS-SAR را معرفی می کنیم. در بخش ۳ مشاهده تقریبی را با محاسبه معکوس رویه تصویر سازی MF نشان می دهیم. در بخش ۴ از طریق ترکیب مشاهده تقریبی تنظیم پراکنده روشی جدید برای تصویر سازی CS-SAR معرفی می کنیم. در بخش ۵ نتایج شبیه سازی و کاربرد روش پیشنهادی را نشان می دهیم. سپس نتیجه گیری و برخی نکات مفید در بخش ۶ ارائه می شود.

Fast Compressed Sensing SAR Imaging Based on Approximated Observation

Abstract:

In recent years, compressed sensing (CS) has been applied in the field of synthetic aperture radar (SAR) imaging and shows great potential. The existing models are, however, based on application of the sensing matrix acquired by the exact observation functions. As a result, the corresponding reconstruction algorithms are much more time consuming than traditional matched filter (MF)-based focusing methods, especially in high resolution and wide swath systems. In this paper, we formulate a new CS-SAR imaging model based on the use of the approximated SAR observation deducted from the inverse of focusing procedures. We incorporate CS and MF within an sparse regularization framework that is then solved by a fast iterative thresholding algorithm. The proposed model forms a new CS-SAR imaging method that can be applied to high-quality and high-resolution imaging under sub-Nyquist rate sampling, while saving the computational cost substantially both in time and memory. Simulations and real SAR data applications support that the proposed method can perform SAR imaging effectively and efficiently under Nyquist rate, especially for large scale applications.

لینک مقاله اصلی

https://ieeexplore.ieee.org/document/6522528/

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب