بازسازی سیگنال تنک رادار دهانه ترکیبی معکوس مبتنی بر همبستگی‌های درون خوشه‌ای

نوع مقاله : علمی-پژوهشی

نویسندگان

مجتمع دانشگاهی برق و کامپیوتر- دانشگاه صنعتی مالک‌اشتر

چکیده

در بسیاری از کاربردهای عملی از جمله رادار دهانه ترکیبی معکوس، با سیگنال‌هایی سروکار داریم که اغلب دارای ساختار تنک بلوکی می‌باشند، بدان معنی که مقادیر غیر صفر در تعدادی بلوک (خوشه) اتفاق می‌افتد. در این سیگنال‌ها، معمولاً اطلاعات قبلی از تعداد، اندازه و مکان بلوک‌های غیر صفر در دسترس نیست. با توجه به الگوی پیوستگی موجود در سیگنال ISAR، برای هر پراکنده‌گر غالب می‌توان یک همسایگی در نظر گرفت. در این مقاله با توجه به همبستگی درون خوشه‌ای بین همسایگی نقاط پراکنده‌گر غالب، روشی به منظور بازسازی سیگنال تنک ISAR  مبتنی بر نمونه‌برداری فشرده بیزین ارائه می‌کنیم. تنکی هر نقطه پراکنده‌گر غالب، نه تنها به فراپارامتر خودش، بلکه به فراپارامترهای مجاورش نیز بستگی دارد. روش پیشنهادی به اطلاعات قبلی از ساختار بلوکی نیاز ندارد. همچنین به منظور مدل کردن همبستگی‌های درون خوشه‌ای بین نقاط پراکنده‌گر همسایه، از یک توزیع پیشین گوسی استفاده می‌شود و در نهایت از استنتاج تغییرات بیزین به منظور یادگیری فراپارامترها و تخمین سیگنال تنک، استفاده شده است. نتایج شبیه‌سازی برتری قابل توجه روش پیشنهادی را نسبت به سایر روش‌ها بر حسب میزان همبستگی، خطای بازسازی، درصد بازسازی کامل، آنتروپی و کنتراست تصویر نشان می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Sparse Signal Reconstruction of Inverse Synthetic Aperture Radar based on Intra-Cluster Correlation

نویسندگان [English]

  • A. J. Rashidi
  • I. Faramarzi
  • R. Entezari
Faculty of Electrical and Computer Engineering, Malek-e-Ashtar University of Technology (MUT), Tehran, Iran
چکیده [English]

In many practical applications such as inverse synthetic aperture radar (ISAR), signals have block structure. That is the non-zero entries appear in a number of block (cluster). In these signals, the prior information about the number, size, and location of non-zero blocks is not available. According to continuity pattern of ISAR signal, a neighborhood of the coefficients can be considered for dominant scattering. In this paper, we propose a method to reconstruct ISAR sparse signal based on Bayesian compressive sensing according to intra-cluster correlation between neighboring of dominant scattering points. The sparsity of dominant scattering point not only depended on its hyperparameter, but also on neighboring hyperparameters. The proposed method does not depend on prior knowledge of the block structure. In order to model intra-cluster correlations between neighboring scattering points, a Gaussian prior distribution is used and finally variational Bayesian (VB) inference has been used to learn the hyperparameters and sparse signal estimation. The simulation results show the superiority of the proposed method compared with other methods in terms of the correlation, recovery error, perfect recovery percentage, entropy and image contrast.

کلیدواژه‌ها [English]

  • Inverse Synthetic Aperture Radar
  • Bayesian Compressive Sampling
  • Block Sparse Structure
  • Intra-Cluster Correlation
  • Variational Bayesian Inference
[1]      V. C. Chen, Inverse Synthetic Aperture Radar Imaging Principles, Algorithms and Applications: The Institution of Engineering and Technology, 2014.
[2]      X. He, N. Tong, and X. Hu, “Dynamic ISAR imaging of maneuvering targets based on sparse matrix recovery,” Signal Processing, vol. 134, pp. 123-129, 2017.
[3]      L. Zhang, M. Xing, C.-W. Qiu, J. Li, and Z. Bao, “Achieving higher resolution ISAR imaging with limited pulses via compressed sampling,” IEEE Geoscience and Remote Sensing Letters, vol. 6, pp. 567-57, 2009.
[4]      E. C. Marques, N. Maciel, L. Naviner, H. Cai, and J. Yang, “A review of sparse recovery algorithms,” IEEE Access, vol. 7, pp. 1300-1322, 2019.
[5]      S. Budhiraja, “A survey of compressive sensing based greedy pursuit reconstruction algorithms International,” Journal of Image, Graphics and Signal Processing (IJIGSP), vol. 7, 2015.
[6]      J. L. Walker, “Range-Doppler imaging of rotating objects,” IEEE Transactions on Aerospace and Electronic Systems, pp. 23-52, 1980.
[7]      S. Tomei, A. Bacci, E. Giusti, M. Martorella, and F. Berizzi, “Compressive sensing-based inverse synthetic radar imaging imaging from incomplete data,” IET Radar, Sonar & Navigation, vol. 10, pp. 386-397, 2016.
[8]      M.-S. Kang, S.-J. Lee, S.-H. Lee, and K.-T. Kim, “ISAR imaging of high-speed maneuvering target using gapped stepped-frequency waveform and compressive sensing,” IEEE Transactions on Image Processing, vol. 26, pp. 5043-5056, 2017.
[9]      F. Keinert, D. Lazzaro, and S. Morigi, “A robust group-sparse representation variational method with applications to face recognition,” IEEE Transactions on Image Processing, 2019.
[10]      M. Babakmehr, M. G. Simões, M. B. Wakin, and F. Harirchi, “Compressive sensing-based topology identification for smart grids,” IEEE Transactions on Industrial Informatics, vol. 12, pp. 532-543, 2016.
[11]      M. Mishali and Y. C. Eldar, “Blind multiband signal reconstruction: Compressed sensing for analog signals,” IEEE Transactions on Signal Processing, vol. 57, pp. 993-1009, 2009.
[12]      Y. Zou, X. Gao, and X. Li, “Block sparse bayesian learning based strip map SAR imaging method,” in Antennas and Propagation (EuCAP), 10th European Conference on, pp. 1-4, 2016,
[13]      J. Wen, H. Chen, and Z. Zhou, “An optimal condition for the block orthogonal matching pursuit algorithm,” IEEE Access, vol. 6, pp. 38179-38185, 2018.
[14]      H. Li and J. Wen, “A new analysis for support recovery with block orthogonal matching pursuit,” IEEE Signal Processing Letters, vol. 26, pp. 247-251, 2019.
[15]      S. Suwanwimolkul, L. Zhang, D. Gong, Z. Zhang, C. Chen, D. C. Ranasinghe, et al., “An adaptive markov random field for structured compressive sensing,” IEEE Transactions on Image Processing, vol. 28, pp. 1556-1570, 2019.
[16]      L. Wang, L. Zhao, G. Bi, C. Wan, and L. Yang, “Enhanced ISAR imaging by exploiting the continuity of the target scene,” IEEE Transactions on Geoscience and Remote Sensing, vol. 52, pp. 5736-5750, 2014.
[17]      S. Ji, Y. Xue, and L. Carin, “Bayesian compressive sensing,” IEEE Transactions on Signal Processing, vol. 56, pp. 2346-2356, 2008.
[18]      D. P. Wipf and B. D. Rao, “Sparse bayesian learning for basis selection,” IEEE Transactions on Signal Processing, vol. 52, pp. 2153-2164, 2004.
[19]      Z. Zhang and B. D. Rao, “Extension of SBL algorithms for the recovery of block sparse signals with intra-block correlation,” IEEE Transactions on Signal Processing, vol. 61, pp. 2009-2015, 2013.
[20]      Z. Zhang and B. D. Rao, “Sparse signal recovery with temporally correlated source vectors using sparse bayesian learning,” IEEE Journal of Selected Topics in Signal Processing, vol. 5, pp. 912-926, 2011.
[21]      Z. Zhang, T.-P. Jung, S. Makeig, Z. Pi, and B. D. Rao, “Spatiotemporal sparse bayesian learning with applications to compressed sensing of multichannel physiological signals,” IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 22, pp. 1186-1197, 2014.
[22]      Q. Wan, H. Duan, J. Fang, H. Li, and Z. Xing, “Robust bayesian compressed sensing with outliers,” Elsevier-Signal Processing, vol. 140, pp. 104-109, 2017.
[23]      H. Duan, L. Yang, J. Fang, and H. Li, “Fast inverse-free sparse bayesian learning via relaxed evidence lower bound maximization,” IEEE Signal Processing Letters, vol. 24, pp. 774-778, 2017.
[24]      R. Entezari and A. Rashidi, “Continuity pattern-based sparse bayesian learning for inverse synthetic aperture radar imaging,” Journal of Applied Remote Sensing, vol. 12, 2018.
[25]      منیره کوشش و غلامرضا اکبری زاده، « الگوریتم حذف Speckle با قابلیت حفظ لبه برای تصاویر سنجش از دور رادار روزنه ترکیبی با استفاده از تبدیل چند مقیاسه‌ی Curvelet و آستانه‌گذاری وفقی», مجله مهندسی برق دانشگاه تبریز, جلد 45، شماره 4، صفحات 161-153، زمستان 1394.
[26]      C. Wang, L. Xu, D. A. Clausi, and A. Wong, “A Bayesian joint decorrelation and despeckling of SAR imagery,” IEEE Geoscience and Remote Sensing Letters, 2019.
[27]      ایرج سرداری و جلیل سیفعلی هرسینی, «حذف نویز لکه از تصاویر SAR بر پایه ترکیب روش آستانه‌گذاری با تخمین‌زن‌های بیزین MMSE/MAP در حوزه تبدیل کانتورلت», مجله مهندسی برق دانشگاه تبریز, جلد 49، شماره 1، صفحات 253-241، بهار 1398.
[28]      T. Leportier and M.-C. Park, “Filter for speckle noise reduction based on compressive sensing,” Optical Engineering, vol. 55, 2016.
[29]      T. Scarnati and A. Gelb, “Variance based joint sparsity reconstruction of synthetic aperture radar data for speckle reduction,” in Algorithms for Synthetic Aperture Radar Imagery XXV, 2018.
[30]      R. Vehmas, J. Jylhä, M. Väilä, J. Vihonen, and A. Visa, “Data-driven motion compensation techniques for noncooperative ISAR imaging,” IEEE Transactions on Aerospace and Electronic Systems, vol. 54, pp. 295-314, 2018.
[31]      محمدصادق فاضل و مجتبی بهشتی, «خودتمرکزدهی برای جبران خطای حرکت در رادار روزنه ترکیبی پهپاد با تفکیک‌پذیری زیاد برد», مجله مهندسی برق دانشگاه تبریز, جلد 48، شماره 1، صفحات 218-207، بهار 1397.
[32]      رحیم انتظاری و علی‌جبار رشیدی, «استخراج تصویر از اهداف با حرکت غیریکنواخت در رادار دهانه ترکیبی معکوس», مجله مهندسی برق دانشگاه تبریز, جلد 47، شماره 2، صفحات 400-391، تابستان 1396.
[33]      G. Xu, L. Yang, L. Zhao, and G. Bi, “ISAR maneuvering targets imaging and motion estimation from parametric sparse bayesian learning,” in Geoscience and Remote Sensing Symposium (IGARSS), 2016 IEEE International, pp. 3254-3257, 2016.
[34]      M. E. Tipping, “Sparse bayesian learning and the relevance vector machine,” Journal of machine learning research, vol. 1, pp. 211-244, 2001.
[35]      D. P. Wipf and B. D. Rao, “An empirical bayesian strategy for solving the simultaneous sparse approximation problem,” IEEE Transactions on Signal Processing, vol. 55, pp. 3704-3716, 2007.
[36]      D. G. Tzikas, A. C. Likas, and N. P. Galatsanos, “The variational approximation for bayesian inference,” IEEE Signal Processing Magazine, vol. 25, pp. 131-146, 2008.
[37]      W. Qiu, E. Giusti, A. Bacci, M. Martorella, F. Berizzi, H. Zhao, et al., “Compressive sensing–based algorithm for passive bistatic ISAR with DVB-T signals,” IEEE Transactions on Aerospace and Electronic Systems, vol. 51, pp. 2166-2180, 2015.
[38]      J. Lv, L. Huang, Y. Shi, and X. Fu, “Inverse synthetic aperture radar imaging via modified smoothed L0 norm,” IEEE Antennas and Wireless Propagation Letters, vol. 13, pp. 1235-1238, 2014.