[论文解读] Compressed Sensing SAR Imaging with Multilook Processing

Jian Fang, Zongben Xu+3 more|arXiv (Cornell University)|Oct 27, 2013

Sparse and Compressive Sensing Techniques参考文献 18被引用 3

一句话总结

本文提出了一种将多视处理整合到重建阶段的压缩感知SAR成像方法，可在低于奈奎斯特速率下减少斑点噪声。通过逆向多视过程并结合随机采样，该方法构建了一个联合稀疏正则化模型，可同时恢复多个子图像，实现有效的斑点噪声抑制与高质量图像重建，且采样率低于奈奎斯特速率。

ABSTRACT

Multilook processing is a widely used speckle reduction approach in synthetic aperture radar (SAR) imaging. Conventionally, it is achieved by incoherently summing of some independent low-resolution images formulated from overlapping subbands of the SAR signal. However, in the context of compressive sensing (CS) SAR imaging, where the samples are collected at sub-Nyquist rate, the data spectrum is highly aliased that hinders the direct application of the existing multilook techniques. In this letter, we propose a new CS-SAR imaging method that can realize multilook processing simultaneously during image reconstruction. The main idea is to replace the SAR observation matrix by the inverse of multilook procedures, which is then combined with random sampling matrix to yield a multilook CS-SAR observation model. Then a joint sparse regularization model, considering pixel dependency of subimages, is derived to form multilook images. The suggested SAR imaging method can not only reconstruct sparse scene efficiently below Nyquist rate, but is also able to achieve a comparable reduction of speckles during reconstruction. Simulation results are finally provided to demonstrate the effectiveness of the proposed method.

研究动机与目标

• 解决在压缩感知SAR（CS-SAR）成像中整合多视斑点抑制的挑战，其中传统的频域多视处理与时域CS模型不兼容。
• 克服亚奈奎斯特CS-SAR中的信号混叠问题，该问题阻碍了标准多视技术的直接应用。
• 构建一个统一的CS-SAR观测模型，将多视处理嵌入图像重建阶段，以同时实现稀疏场景恢复与斑点噪声抑制。
• 在保持CS-SAR优势（降低采样率）的同时，通过在过程中抑制斑点噪声来提升图像质量，避免重建过程中目标截断。

提出的方法

• 用多视过程的逆矩阵替代CS-SAR中标准的SAR观测矩阵，使频域多视处理可被整合进压缩感知框架。
• 通过将逆多视矩阵与随机采样矩阵结合，构建新的观测模型，形成支持多视CS-SAR重建的改进感知矩阵。
• 构建一个联合稀疏正则化模型，利用多视子图像的组稀疏性，强制所有视图共享支持，以提高重建精度。
• 采用块稀疏优化（例如，$L_q$最小化，其中 $0 < q \leq 1$）从压缩测量中恢复各个子图像，随后进行非相干平均，生成最终低斑点噪声图像。
• 利用时频变换弥合时域CS采样与频域多视操作之间的差距，实现更快的计算速度。
• 应用阈值化与迭代重加权技术，增强稀疏性并抑制重建子图像中的混叠效应。

实验结果

研究问题

• RQ1 多视处理能否在不依赖全带宽采样的前提下，有效整合进SAR成像的压缩感知框架？
• RQ2 如何在数学上建模多视过程的逆过程，以实现在CS-SAR背景下多个子图像的联合重建？
• RQ3 所提方法在亚奈奎斯特采样率下，能在多大程度上减少斑点噪声，同时保持高重建保真度？
• RQ4 在不同采样率与视数条件下，所提方法与传统RDA及多视RDA在ENL与图像质量方面的性能对比如何？

主要发现

• 所提方法仅使用20%的奈奎斯特采样率即可成功重建稀疏SAR场景，生成的图像无伪影，其质量与全采样RDA结果相当。
• 等效视数（ENL）随视数增加而提高，表明实现了有效的斑点噪声抑制——ENL在高视数下显著提升，尤其在全采样率下表现明显。
• 在20%采样率下，所提方法的ENL相比全采样性能略有下降，表明采样率降低与斑点抑制质量之间存在轻微权衡。
• 该方法在低采样复杂度与斑点抑制之间实现了良好平衡，重建图像的旁瓣更低，目标强度保持更佳，优于标准CS-SAR。
• 仿真结果证实，联合稀疏正则化模型能有效捕捉多视子图像间的像素相关性，从而提升重建保真度。
• 在使用全数据时，所提方法的图像质量与多视RDA相当，且在亚奈奎斯特采样率下，其斑点抑制性能优于标准CS-SAR。