تصویر سازی سریع دریافت فشرده SAR بر اساس مشاهده تقریبی

قیمت: 42,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تصویر سازی سریع دریافت فشرده SAR بر اساس مشاهده تقریبی

عنوان لاتین

Fast Compressed Sensing SAR Imaging Based on Approximated Observation

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.

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 andmemory. 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