[论文解读] Moving target inference with hierarchical Bayesian models in synthetic aperture radar imagery

Gregory E. Newstadt, Edmund G. Zelnio+1 more|arXiv (Cornell University)|Feb 19, 2013

Advanced SAR Imaging Techniques参考文献 27被引用 3

一句话总结

本文提出了一种用于合成孔径雷达（SAR）图像中运动目标反演的分层贝叶斯模型，通过统一的概率框架联合估计目标状态和干扰参数（如杂波、天线失准和斑点噪声）。通过利用共轭先验和蒙特卡洛采样，该方法实现了完全数据驱动的推理，且调参极少，在合成与实测SAR数据集上均优于现有最先进算法。

ABSTRACT

In synthetic aperture radar (SAR), images are formed by focusing the response of stationary objects to a single spatial location. On the other hand, moving targets cause phase errors in the standard formation of SAR images that cause displacement and defocusing effects. SAR imagery also contains significant sources of non-stationary spatially-varying noises, including antenna gain discrepancies, angular scintillation (glints) and complex speckle. In order to account for this intricate phenomenology, this work combines the knowledge of the physical, kinematic, and statistical properties of SAR imaging into a single unified Bayesian structure that simultaneously (a) estimates the nuisance parameters such as clutter distributions and antenna miscalibrations and (b) estimates the target signature required for detection/inference of the target state. Moreover, we provide a Monte Carlo estimate of the posterior distribution for the target state and nuisance parameters that infers the parameters of the model directly from the data, largely eliminating tuning of algorithm parameters. We demonstrate that our algorithm competes at least as well on a synthetic dataset as state-of-the-art algorithms for estimating sparse signals. Finally, performance analysis on a measured dataset demonstrates that the proposed algorithm is robust at detecting/estimating targets over a wide area and performs at least as well as popular algorithms for SAR moving target detection.

研究动机与目标

• 解决SAR图像中运动目标检测与估计的挑战，该挑战受相位误差、杂波以及非平稳噪声源（如斑点噪声和闪烁）的影响。
• 通过整合物理、运动学和统计先验的统一贝叶斯模型，同时估计目标状态与干扰参数（如杂波分布、天线增益、相位误差）。
• 开发一种完全数据驱动的推理框架，通过马尔可夫链蒙特卡洛（MCMC）采样直接从数据中估计超参数，从而最小化人工调参。
• 通过建模杂波与噪声分量的空间变化统计特性与相干性，提升在大范围SAR场景中运动目标检测的鲁棒性与准确性。

提出的方法

• 构建一个分层贝叶斯模型，将SAR图像数据分解为多个分量：背景杂波、目标特征、斑点噪声、闪烁、校准误差和加性噪声，每个分量具有不同的统计分布。
• 将杂波与噪声建模为空间变化的复高斯分布，使用共轭先验（逆威沙特分布与贝塔分布）对超参数进行建模，以实现高效的后验采样。
• 采用多项分布-狄利克雷共轭对对像素空间变化统计特征进行建模，以推断目标类别分配（如植被、建筑物）。
• 采用马尔可夫链蒙特卡洛（MCMC）中的Metropolis-Hastings算法，联合采样相干性参数（ρ）与相关性矩阵（Γρ），利用条件共轭性实现可处理的推理。
• 对运动目标采用稀疏信号模型，使用指示变量δf,iM(p)表示目标存在性，其先验采用贝塔-伯努利分布以实现稀疏性与自适应性。
• 利用蒙特卡洛方法计算目标状态与干扰参数的完整后验分布，避免对固定算法调参的依赖。

实验结果

研究问题

• RQ1 如何通过统一的贝叶斯模型，在SAR图像中实现对运动目标状态与干扰参数（如杂波、校准误差）的联合估计，且用户调参极少？
• RQ2 分层贝叶斯建模在具有空间变化噪声与杂波的多样化SAR场景中，能在多大程度上提升运动目标检测的鲁棒性？
• RQ3 所提出的模型是否能在合成与真实世界SAR数据中，优于现有最先进算法，有效检测稀疏运动目标？
• RQ4 该模型在处理复杂、非平稳噪声源（如角度闪烁（闪烁）与空间变化的斑点噪声）方面，效果如何？

主要发现

• 所提出的分层贝叶斯模型在稀疏信号估计的合成SAR数据集上，性能与现有最先进算法相当，展现出强大的推理准确性。
• 在实测SAR数据集上，该算法成功在大范围区域检测并估计了运动目标，表现出对复杂非平稳噪声与杂波的鲁棒性。
• 该方法在无需事先知晓杂波分布或天线校准信息的情况下，实现了有效的杂波抑制与目标检测，因这些参数均直接从数据中估计。
• 通过使用共轭先验与MCMC采样，实现了完整的后验推理，且人工调参极少，降低了对启发式参数选择的依赖。
• 该模型通过逆威沙特分布与贝塔先验对相干性与相关性结构进行建模，有效捕捉了杂波、斑点与闪烁的空间变化统计特性。
• 性能分析表明，该算法在性能上至少与主流SAR运动目标检测方法持平，同时提供了完整的后验不确定性量化。