第8卷第5期 雷 达 学 报 Vol. 8No.

5
2019年10月 Journal of Radars Oct. 2019

基于幅相分离的属性散射中心参数估计新方法

蒋 文 李王哲*
(微波成像技术国家级重点实验室 北京 100190)
(中国科学院电子学研究所 北京 100190)
(中国科学院大学 北京 100049)

摘 要：利用属性散射中心(ASC)参数估计来识别目标上的散射结构是实现合成孔径雷达(SAR)自动目标体识别
(ATR)的重要步骤。为提高属性散射中心参数估计的速度并抑制杂散影响，该文首先从图像中提取多个属性散射
中心，然后分别估计各个属性散射中心的参数。为提高单个属性散射中心的参数估计速率，考虑到其幅度和相位
相关参数可分离，该文提出幅度相位分离的属性散射中心参数估计思想，与传统方法相比，该思想使参数估计算
法复杂度和参数估计时间降低了1个数量级。引入迭代半阈值(IHT)算法提高参数估计精度。根据各个属性散射中
心的参数估计结果可识别目标上各种散射结构并确定其在目标上的位置分布。仿真数据、实测数据以及
MSTAR数据集得到的参数估计的高效性和高准确性，验证了该文所提方法的有效性。
关键词：属性散射中心模型；SAR自动目标体识别；幅度相位分离；L1/2正则化
中图分类号：TN957.52 文献标识码：A 文章编号：2095-283X(2019)05-0606-10
DOI: 10.12000/JR18097

引用格式：蒋文, 李王哲. 基于幅相分离的属性散射中心参数估计新方法[J]. 雷达学报, 2019, 8(5): 606–615. doi:

10.12000/JR18097.
Reference format: JIANG Wen and LI Wangzhe. A new method for parameter estimation of attributed
scattering centers based on amplitude-phase separation[J]. Journal of Radars, 2019, 8(5): 606–615. doi:
10.12000/JR18097.

A New Method for Parameter Estimation of Attributed Scattering

Centers Based on Amplitude-phase Separation
JIANG Wen LI Wangzhe*
(National Key Lab of Microwave Imaging Technology, Beijing 100190, China)
(Institute of Electronics Chinese Academy of Sciences, Beijing 100190, China)
(University of Chinese Academy of Sciences, Beijing 100049, China)
Abstract: Parameter estimation of Attributed Scattering Centers (ASCs) corresponding to scattering geometries
on targets plays an important role in Synthetic Aperture Radar (SAR) imaging-assisted Automatic Target
Recognition (ATR). To achieve computational savings and clutter suppression, we extract the measurements of
several ASCs and estimate the parameters of each ASC separately. To improve the speed of the estimation
process, we propose a method for parameter estimation of ASCs based on amplitude–phase separation that
considers a reasonable assumption that the amplitude- and phase-related parameters of an ASC can be
estimated separately and independently. Through the proposed method, the complexity and time consumed for
parameter estimation are reduced by one order of magnitude than the traditional method. The Iterative Half
Thresholding (IHT) algorithm is introduced to enhance the accuracy of parameter estimation. The types and
locations of scattering geometries on the target are determined using the estimated ASC parameters. Using
simulated data, measured data, and MSTAR data sets, the accuracy and efficiency of parameter estimation are
improved and the effectiveness of the proposed method is verified.

收稿日期：2018-11-15；改回日期：2019-04-09；网络出版：2019-06-28
*通信作者： 李王哲 wzli@mail.ie.ac.cn *Corresponding Author: LI Wangzhe, wzli@mail.ie.ac.cn
基金项目：国家自然科学基金(61701476, 61690191)
Foundation Items: The National Natural Science Foundation of China (61701476, 61690191)
第5期 蒋 文等：基于幅相分离的属性散射中心参数估计新方法 607

Key words: Attributed scattering center model; Synthetic Aperture Radar (SAR) Automatic Target
Recognition (ATR); Amplitude-phase separation; L1/2 regularization

1 引言 Bayesian Learning, ISBL)算法也可降低系统资

根据目标先验信息数据库建立的方式，合成孔 源，但不能保证得到全局最优解[20]。
径雷达(Synthetic Aperture Radar, SAR)目标识别 综上所述，通过基于图像分割的参数估计方法
可分为基于模板的目标识别和基于模型的目标识别 可提高参数估计速度并降低干扰影响[10]，但不能保
两类 [1] 。模板数量的有限性限制了第1种方法的应 证求解精度[19]，改进的方法代价函数维度和累计误
用[2–6]，基于模型的目标识别可以避免这个问题[7]， 差大；基于稀疏理论的参数估计方法虽然可以在一
采用合适的模型并调整模型参数预测目标在各种姿 定程度上避免图像分块带来的误差，但字典的高维
态及环境下的图像和特征，并将待识别目标的已知 度特性限制了该方法的使用，改进方案的适用范围
图像或特征与其预测图像或特征作对比即可识别目 有限且不能保证全局最优解[18,20]。
标。属性散射中心(Attributed Scattering Center, 为提高ASC的参数估计速度并抑制杂散影响，
ASC)模型参数可精确描述目标散射结构特征且灵 首先提取多个ASC再分别估计各个ASC的参数，但
活性高，故被广泛应用在基于模型的SAR目标识别 单个ASC的参数估计问题仍然是一个高阶问题，复
中[6]。考虑到从待识别目标的已知SAR图像或回波 杂度高。考虑到单个ASC的幅度和相位相关项可分
中提取ASC参数是基于ASC模型的SAR目标识别中 离，本文提出基于幅度相位分离的ASC参数估计思
的基础步骤，本文主要研究ASC参数估计问题。 想，根据幅度数据估计幅度相关参数，根据相位数
ASC参数估计实际上是一个参数优化问题 [8] ， 据估计相位相关参数，将算法时间复杂度降低了
但模型参数多(包含描述ASC几何物理特征的7个参 1个数量级。该思想还可降低累积误差并保证相对
数)，给参数估计的高速性和准确性都带来了极大 带宽较大情况下参数估计的可行性。为了保证参数
的挑战，为了解决这个问题，已有大量文献进行了 估计的准确度，引入迭代半阈值(Iterative Half
相关研究[9–20]。研究方法分为基于图像分割的参数 Thresholding, IHT)算法估计参数值[21,22]。通过依
估计方法和基于稀疏理论的参数估计方法。 次估计各ASC的参数最终可识别目标上所有散射结
基于图像分割的ASC参数估计方法通过先将 构并判断其位置分布。使用所提方法对仿真数据和
SAR图像分割再分块处理的方式降低了干扰影响并 实测数据以及MSTAR数据集进行ASC参数估计，
提高了算法速度[9]，但该方法中使用近似最大似然 估计效率及精度较已有方法有明显提高，证实了本
法，算法抗噪性能低且不能保证全局最优解[13]。对 文所提方法的有效性。
部分参数降耦合可降低算法复杂度，但在高斯白噪 2 属性散射中心模型
声存在时构造的代价函数维度是频率采样点数与方 2.1 ASC模型概述
位角采样点数乘积的平方，当频率采样点数和方位 根据几何绕射理论(Geometrical Theory of
采样点数较高时，算法复杂度高[13]；为了实现部分 Diffraction,GTD)和物理光学理论，考虑雷达回波
参数的降耦合，位置参数的估计准确度完全取决于 对频率和方位角的依赖关系，ASC模型为[9,23–25]
除散射幅度以外的其他参数的估计准确度，存在累 N
X
积误差[13,14]。 ( ; ; )= i( ; ; i) (1)
基于稀疏理论的ASC参数估计方法通过引入压 i=1
£ ¤
缩感知领域算法并构造高维联合字典进行参数估 其中， = T T T
1 ; 2 ; ¢¢¢ ; N 是ASC参数集，E是雷达
计[15]，由于模型参数维数较高，构造的高维联合字 回波，f是雷达频率， 是方位角， i 代表第i 个ASC
典将消耗较多系统资源[16]。通过分别构建包含位置 µ ¶ ®i
信息与方位属性参数信息的2个低维字典可降低系 i ( ; ; i ) = A i ¢ j
fc
统资源[18]，但这种字典降维方法只适合相对带宽较 µ ¶
4
小(0.06)的情况，当相对带宽增大时，该方法失效； ¢ exp ¡j (x i cos + yi sin )
c
且此时在估计频率与方位依赖参数时构造的字典维 µ ¶
2 ¡ ¢
度分别为MN 4; MN 5 (N 4 << M; N 5 << M)，不满足 ¢sinc L i sin ¹
¡ Ái
c
完备字典维度条件，使用正交匹配追踪(Orthogonal
¢ exp (¡2 °i sin ) (2)
Matching Pursuit, OMP)算法不合理[19]。通过引入
增量式稀疏贝叶斯学习(Incremental Sparse 其中，f c 是雷达的中心频率，c = 3 £ 108 m/s表示
608 雷 达 学 报 第8卷

© ª
光 速 。 i = Ai;®i;L i;Á¹i;°i;x i;yi (i = 1;2; ¢¢¢ ;N) 表 2 不同L和a对应典型散射结构
Tab. 2 Discrimination of canonical scattering geometries
是参数集 中第i个参数矢量，N是ASC的个数，
© ª from L and a
¹
A表示ASC的复幅度， L;Á;° 为方位属性参数，
表示了ASC和方位角的依赖关系，x和y分别表示散 ®
L
射中心在距离维和方位维的坐标。ASC分为2类： 1.0 0.5 0

局部式散射中心和分布式散射中心，局部式散射中 =0 三面角 帽顶 双曲面

心一般在SAR图像上表示为单个像素点，分布式散 >0 二面角 圆柱 直边

射中心通常占有多个像素点。对于局部式散射中
心，其方位属性参数为L = 0 , Á¹ = 0, ° 表示方位依 ®i
) =c ¢ L i
其 中 ， f = jAi j ¢ ( =f c) ¢ sinc ((2
赖性；对于分布式散射中心，其方位属性参数为 ¡ ¢¢
¹
¢ sin ¡ Á i ¢exp (¡2 °i sin ), p = exp (¡j4 =c
L 表示散射中心长度，Á¹表示其倾斜角，° = 0。®描
¢ (x i cos + yi sin ) + j =2 ¢ ®i + j ¢ phase (Ai)), |Ai|
述散射强度的频率依赖性，一般 ® 2 f¡1:0; ¡ 0:5;
表示A的幅度，phase(A i )表示A的相位。利用
0;0:5;1:0g ，可用® 区分几种简单散射结构，见表1。
ASC中幅度相关项组成E f ，与之相关的参数有
参数L和 ® 可以准确详细地区分不同类型的典 © ª
jAij ;®i;L i;Á¹i;°i ， 简 写 为 f ； 相 位 相 关 项 组 成
型散射结构[8]，表2给出了几种典型散射结构的L和
Ep，与之相关的参数fphase (Ai) ;®i;x i;yig ，简写为
® 取值，只要准确得到ASC的L和® ，就可反演出其
p 。因此由Ef可估计 f ，由Ep可估计 p 。
对应的散射结构。
2.2 幅度相位分离的属性散射中心模型 3 基于幅度相位分离的属性散射中心参数
分析式(2)可知单个ASC的幅度与相位相关参 估计方法
数不相关，根据该思想对式(2)进行改造 3.1 迭代半阈值算法引入
µ ¶ ®i
如式(1)所示，在高频电磁区，雷达目标的回
i ( ; ; i ) = Ai ¢ j
fc 波信号是少数几个ASC的叠加[16]，ASC参数估计实
µ ¶
4 际上是一个多维参数优化问题[8]，为保证参数估计
¢ exp ¡j (x i cos + yi sin )
c 的准确性，引入IHT算法[21,22]
µ ¶
2 ¡ ¢
¢sinc L i sin ¹
¡ Ái ^ = arg min k ( )¢ ¡ k22 + ¸ k k1=2
1=2
c ±
(4)
¢ exp (¡2 °i sin )
µ ¶ ®i 其中， = vecf ( ; ; )g , vec{·}为列向量化操
= jAij ¢ 作，||·|| p 表示l p 范数，p≥0, ( ) 是由ASC参数集
fc
µ ¶ µ 构造的高维联合字典，其中每列都对应一组参
2 ¡ ¢
¢sinc L i sin ¡ Á¹i 数， ¸ 是求解过程中产生的系数， 为稀疏系数向
c
量， ^ 是 的估计值，所求ASC参数在 ( ) 中的位
¢ exp (¡2 °i sin )
µ 置与 ^ 中非零元素的位置相对应。
4
¢ exp ¡j (x i cos + yi sin ) 3.2 基于幅度相位分离属性散射中心模型的字典构
c
¶ 造方法
+j ®i + j ¢ phase (Ai) 由2.2节和3.1节可知，使用E f (E p )的值与IHT
2
= f¢ p (3) 算法可估计 f( p) 。即
^ f = arg min k 2 1=2
f ( f) ¢ f ¡ fk2 + f k fk1=2 (5)
表 1 简单散射结构a取值表 ±
Tab. 1 Discrimination of canonical scattering geometries from a 2 1=2
^ p = arg min k p ( p) ¢ p ¡ pk2 + p k pk1=2 (6)
±
® 的值 对应的散射结构

1.0 宽边平板，二面角 其中，Df是由幅度相关参数构造的幅度字典，

0.5 单曲表面反射 D p 是由相位相关参数构造的相位字典， f 和 p 分
0 点，球，直边镜面 别是求解 f 和 p 时的稀疏系数向量， ^ f 和 ^ p 是它们
–0.5 边缘衍射 的估计值。
–1.0 拐角衍射
根据式(3)构造的Df和Dp分别为
第5期 蒋 文等：基于幅相分离的属性散射中心参数估计新方法 609

¡ ¢ n T T
f ; ; ;¹ = L 1;®1;°1;Á¹1 ¢¢¢ L nL ;®1;°1;Á¹1 ¢¢¢ 雷达回波数据
abs(Et) Df
IHT
¾
T
L nL ;®na;°n°;Á¹n ¹ (7) IFFT/BP成像 {|At|, at, Lt,f-t, gt}
Á 估计x, y 初始值
at
½µ ¶®1 图像分割
Et/abs(Et) Dp
获取N个ASC
L 1;®1;°1;Á¹1 = vec IHT
fc
µ µ ¶¶ FFT
2 ¡ ¢ 获取N个ASC雷达回波 {xt, yt, phase(At)}
¢abs sinc L 1 sin ¡ Á¹1
c
¾ 构造Df和Dp, 令t=1
{|At|, at, Lt,ft, gt, xt, yt, phase(At)}
-
¢ exp (¡2 °1 sin ) (8)
各ASC对应散射结构识别 t=t+1

p( ; ; ( )) 否 是
8 9 N个ASC参数集 t ≤N
> T T >
< +x 1;y1;phase(A1) ¢¢¢ +x nx ;yny;phase(A)n =
phase(A)
= T T
(9) 图 1 本文所提ASC参数估计流程图
>
: ¡x 1;y1;phase(A1) ¢¢¢ ¡x nx ;yny;phase(A)n
>
;
phase(A) Fig. 1 Flow chart of the method for estimation of ASC
parameters proposed in this paper
+x 1;y1;phase(A1)
½ µ
4 步骤4 使用3.2节介绍的方法构造字典D f 和
= vec exp ¡j (x 1 cos + y1 sin )
c Dp；
³ ´¶¾
+j ®1 + phase (A1) (10) 步骤5 将各ASC对应的回波数据向量化构成
2 向量Yi, i=1:N，令t=1；
¡x 1;y1;phase(A1)
步骤6 分别估计各ASC幅度相关参数和相位
½ µ 相关参数：
4
= vec exp ¡j (x 1 cos + y1 sin ) (1) 利用IHT算法基于Df和Ef的值；
c
³ ´¶¾ (2) 将参数®t 的估计值代入到字典Dp中；
+j ®1 + phase (A1) + (11)
2 (3) 利用IHT算法基于D p 和E p 估计{x t , y t ,
phase(At)}的值。
其中，abs(·)表示取幅度操作，phase(·)表示取相位
步骤7 判断t ≤N是否成立，若成立则转到步
操 作 。 从 式 ( 7 ) —式 ( 1 1 ) 可 知 D f 和 D p 的 维 度 为
¡ ¢¡ 骤6继续执行，否则进行下一步；
length ¢length ¢ length ¢length ¢lengthphase( ) +
¢ 步骤8 根据各ASC估计参数识别其对应散射
length ¢length ¢length ¹ ¢length 令lengthf ¢length 结构类型。
=M;length ¢length ¢length ¢length ¹ = N 1;length
4 实验结果与分析
¢length = N 2 , lengthphase(A)=N3，则Df和Dp的维
数为M(N1+N2+N3), N3<<N1，若不使用幅度相位 4.1 仿真实验
分离思想，则D的维度为MN1N2[15]，前者比后者低 仿真实验分为3部分：比较D和D f 与D p 的维
1个数量级，因此幅度相位分离思想可节约参数估 度；在IHT算法的条件下分别基于2种字典求解单
计的系统资源和时间复杂度。 个ASC参数，并根据运算速率和准确性来证明幅度
3.3 基于幅度相位分离思想的属性散射中心参数估 相位分离思想的优越性；最后分别使用传统方
计流程 法[15]和本文所提方法估计多个ASC参数并比较2种
对于回波中包含的多个ASC，本文提出的参数 方法的速率和有效性，各个ASC对应的典型散射结
估计方法如图1所示，具体步骤如下： 构的识别可根据L与 ® 实现。仿真参数为：中心频
步骤1 小转角时利用傅里叶变换(FT)算法成 率9 GHz，带宽2 GHz，成像积累角3°，采样点数
像，大转角时采用复数后向投影(Back Projection, 50×120。
BP)变换成像，从图像中获取参数x和y的大致范围； 4.1.1 高维联合字典与幅度相位分离字典维度对比
步骤2 采用分水岭算法[9]从图像中分割出N个 在上述仿真参数条件下取各参数范围如表3所
ASC； 示，由此可得D的维度为2.8754e+12，D f 和D p 的
步骤3 FFT得到各ASC的回波数据； 维度为1.9223e+09，后者比前者低3个数量级，节
610 雷 达 学 报 第8卷

N
表 3 仿真参数取值
1 X ³^ ´2
Tab. 3 Values of the simulation parameters E MSE = n¡ (12)
N n=1
参数 分辨率 范围 取值个数
其中， ^ n 为第n次估计值，N为估计总次数， 为参
|A| 0.1 [1, 6] 51
数原始值。
L 0.1 m [0, 2] m 21
基于两种字典的单个ASC参数估计对比如表4。
® 0.5 [–1, 1] 5
从表4中可以看出，在估计单个ASC参数时，使
Á¹ 0.5° [–10.5°, 10.5°] 43
用幅度相位分离思想可以大大降低参数估计时间，
x 0.2 m [–2, 2] m 41
且估计精度基本不变，证明了幅度相位分离思想的
y 0.2 m [–2, 2] m 41
优越性。
phase(A) 0.314 [ ; ] 21
4.1.3 基于幅度相位分离思想的属性散射中心参数
估计方法性能验证
省了系统资源，其对参数估计速率的影响见4.1.2节。
对目标上存在多种散射结构的情况，分别使用传
4.1.2 字典维度对参数估计性能的影响对比
统方法和图1中所提方法进行参数估计。仿真3个ASC
首先根据表3中各参数取值分别构造D, D f 与
的情况，估计结果如表5和表6所示，其中S1, S2,
D p ，然后在表3所示参数范围中随机选取100组单
S3表示3个ASC，运算速率和准确性如表7所示，根
个ASC参数构造100组雷达回波，基于IHT在两种
据表2对S1, S2, S3对应散射结构的识别结果见表8。
字典条件下分别估计各ASC的参数，两种条件下的
从表7可以看出本文所提方法在运算速率和估
估计速率和准确性见表4。准确性由均方误差
计精度上都优于传统方法，为了更直观地展示算法准
(Mean Square Error, MSE)评估，MSE的定义为
确度，将分别由原始参数重构的SAR图像(图2(b))
和由2组估计参数重构的SAR图像(图2(a)，图2(c))
表 4 两种字典构造方法性能对比
进行对比，可以看出由本文ASC参数估计方法得到
Tab. 4 Performance comparison of the two dictionary
的参数结果重构的SAR和原始设置参数重构的SAR
construction methods
图像更加接近(绿色方框)，进一步说明了本文所提
对比内容 高维联合字典 幅度相位分离字典
方法的高估计精度。对比观察表8和图2，圆柱及帽
运行时间(s) 1029 492 顶型散射结构清晰可见，证实了由ASC参数识别其
MSE 0.06 0.05
对应散射结构的有效性。

表 5 基于传统方法的多个ASC参数估计结果
Tab. 5 Estimation results of ASCs parameters using traditional method

ASC参数 S1 S1估计值 S2 S2估计值 S3 S3估计值

|A| 1.00 1.00 6.00 6.12 1.00 0.92

L 0 0 1 1 0 0.2
Á¹ 0 0 0.5° 0.5° 0 0.5°
® 0.5 0.5 0.5 0.5 0.5 0.5
x 1 1 0 0 –1 –1
y 0 0 0 1 1 1

表 6 基于本文方法的多个ASC参数估计结果
Tab. 6 Estimation results of ASCs parameters using the method this paper proposed

ASC参数 S1 S1估计值 S2 S2估计值 S3 S3估计值

|A| 1.00 1.01 6.00 6.00 1.00 0.98

L 0 0 1 1 0 0.1
Á¹ 0 0 0.5° 0.5° 0 0
® 0.5 0.5 0.5 0.5 0.5 0.5
x 1 1 0 0 –1 –1
y 0 0 0 0 1 1
第5期 蒋 文等：基于幅相分离的属性散射中心参数估计新方法 611

表 7 2种ASC参数估计方法性能对比 底边直径为6.7 cm，2个目标分别放置在转台对角

Tab. 7 Performance comparison of the two ASC parameters 线两端，距离向距离为48 cm，方位向距离为30 cm。
estimation methods
成像场景如图3(a)所示，选取方位向持续时间为0.3 s
对比内容 传统方法 本文方法 的数据进行成像，成像结果如图3(b)所示，采用本
运行时间(s) 1.47 0.17 文所提方法估计的ASC参数结果如表9所示，根据
MSE 0.3536 0.0170 参数估计结果判定的散射结构如表10所示。将表10
和图3进行对比并结合目标真实几何和物理特征，
表 8 3个ASC对应散射结构识别结果 可以看出本文所提方法能准确估计ASC参数。将由
Tab. 8 Recognition results of the scattering geometries 估计得到的ASC参数重构ISAR图像展示如图3(c)，
corresponding to the three ASCs
其与图3(b) (原始ISAR图像)的高相似性直观地证
S1 S2 S3 明了本文所提算法的有效性。
帽顶 圆柱 帽顶 4.3 MSTAR数据验证
下面通过MSTAR[26] T72坦克目标实测SAR图
4.2 ISAR数据验证 像数据进一步验证本文所提方法的有效性。MSTAR
使用微波光子雷达系统进行ISAR成像，雷达 数据为美国DARPA/AFRL MSTAR项目提供的实
中心频率为15 GHz，带宽2 GHz，发射线性调频信 测SAR地面目标数据，是迄今公开较为完备，评价
号，脉冲宽度为50 μs，平台旋转速度为10°/s，平 SAR ATR算法性能较为标准的数据。数据由聚束
台和收发天线之间的距离为10 m(接收端连接150 m SAR获取，分辨率为0.3 m，图像切片大小为128×
延迟线)。观测目标为1个三面角反射器和1个用铝 128像素，本次试验采用的是编号为HB05649.016
箔包裹起来的羽毛球筒，羽毛球筒长度为37 cm， 的T72 SAR图像。T72的数据录取俯仰角为17°，

1 1 1
距离向 (m)

距离向 (m)

距离向 (m)

2 2 2

3 3 3

10 20 30 40 10 20 30 40 10 20 30 40
方位向 (m) 方位向 (m) 方位向 (m)
(a) 传统方法估计参数重构 SAR 图像 (b) 原始参数重构 SAR 图像 (c) 本文方法估计参数重构 SAR 图像
(a) Reconstructed SAR image from (b) Reconstructed SAR image (c) Reconstructed SAR image from
parameters estimated by from initial parameters parametersestimated by method this
traditional method paper proposed

图 2 原始算法与本文算法性能比较图
Fig. 2 Performance comparison of the traditional method and the method this paper proposed

120.1 120.1

120.0 120.0
距离向 (m)

距离向 (m)
50 cm

119.9 119.9

119.8 119.8

119.7 38.17 cm 33.4 cm 119.7

119.6 119.6

-0.35 -0.25 -0.15 -0.05 0.05 0.15 0.22 -0.35 -0.25 -0.15 -0.05 0.05 0.15 0.22
方位向 (m) 方位向 (m)
(a) 实验场景 (b) 成像结果 (c) 由估计参数重构的图像
(a) Experimental filed (b) ISAR image (c) Reconstructed SAR image from
estimated parameters

图 3 实验场景及成像结果
Fig. 3 Experimental filed and ISAR images
612 雷 达 学 报 第8卷

方位角变化范围为[78.57°, 82.97°]，车体长6.41 m， 所示，使用分水岭法对图5(b)进行分割，分割结果

炮向前时炮筒伸出长度3.035 m[27]。 如图5(c)，其中每种相同颜色连接起来的区域代
图4为坦克的光学图像，图5(a)为本次试验中 表1个ASC，共包含16个ASC，各个ASC在目标上
用到的SAR图像，去零去窗后的SAR图像如图5(b) 的分布如图5中的数字所示。由所有ASC估计参数
结果重构的SAR图像如图5(d)。
表 9 ASC参数估计结果
16个ASC的参数L与 ® 估计值见表11，由表中
Tab. 9 Estimated parameters of the 2 ASCs
可知坦克炮筒伸出车体的估计长度为2.67 m，文
参数 1 2 献[18]中的估计结果为2.653 m，和实际的3.035 m
A –3.132+3.41j 4.0558 相比本文的估计结果更准确。根据表1和表2的散射
L (m) 0.4 0 结构判定准则对各个ASC进行判定，结果如表11的
Á¹ –0.5° 0.5° 第4行和第8行所示。
° 0 4.1034e–10

® 0.5 0
x (m) 119.6248 120.1499
y (m) –0.29845 0.2863

表 10 ASC对应散射结构判定结果
Tab. 10 Recognition results of the scattering geometries
corresponding to the 2 ASCs

1 2
图 4 T72光学图像
圆柱 点
Fig. 4 T72 optical image

10 10
距离向 (m)

距离向 (m)

12 12

14 14

5 10
方位向 (m)
(a) 原始 T72 SAR 图像
(a) Original T72 SAR image
15 5 10 15
方位向 (m)
(b) 去零去窗后的 T72 SAR 图像
(b) T72 SAR image after removing
window function and eliminating zeros

10 10
距离向 (m)

距离向 (m)

12 12

14 14

5 10
方位向 (m)
(c) 分割后的 T72 SAR 图像
(c) T72 SAR image after segmenting
15 5 10 15
方位向 (m)
(d) ASC 估计参数重构 T72 SAR 图像
(d) Reconstructed T72 SAR image from
estimated parameters

图 5 多幅T72 SAR图像
Fig. 5 Various T72 SAR images
第5期 蒋 文等：基于幅相分离的属性散射中心参数估计新方法 613

根据表11第4行和第8行将各ASC对应的散射结 分割图像，左下角是图例，右侧是图5(c)中16个ASC
构类型标记如图6所示，其中左上角是图5(c)中的 对应的不同散射结构在目标上的位置分布示意图。

表 11 ASC参数估计结果及对应散射结构判定结果
Tab. 11 Estimation results of the ASCs parameters and the recognitionresults of the scattering geometries corresponding to these ASCs

第几个散射中心 1 2 3 4 5 6 7 8

L(m) 2.67 4 0 0 0 0 0 0

® 0.5 0.5 –0.5 1 0.5 0 1 1

散射结构类型 圆柱 圆柱 边缘绕射 三角面 帽顶 双曲面 三角面 三角面
第几个散射中心 9 10 11 12 13 14 15 16
L(m) 0.89 0.89 0.44 0 0 0 0 0

® 0 0 0 0 1 0 1 0.5
散射结构类型 直边 直边 直边 双曲面 三角面 双曲面 三角面 帽顶

统资源并提高了参数估计速率，引入的IHT算法提
1
高了参数估计的精度。根据各个ASC的参数估计结
2 果可识别目标上散射结构并分析其分布位置。从仿
34
5 真数据、实测数据以及MSTAR数据集得到的参数
6 7
8
估计的高效性和高准确性方面，验证了本文所提方
9
1011
12
法的有效性。
圆柱型散射结构 13
帽顶型散射结构 14 参 考 文 献
边缘绕射型散射结构
三面角型散射结构 [1] 钟金荣. 目标三维电磁散射参数化模型反演方法研究[D]. [博
双曲面型散射结构 15
直边型散射结构 16 士论文], 国防科学技术大学, 2016: 1–7.
ZHONG Jinrong. Inverse methods for three dimensional
图 6 各个ASC对应散射结构位置分布图 parametric scattering model of target[D]. [Ph.D.
Fig. 6 Estimated position distribution map of scattering dissertation], National University of Defense Technology,
geometries corresponding to the ASCs 2016: 1–7.
[2] FRIEDLANDER R D, LEVY M, SUDKAMP E, et al. Deep
由图6可知，圆柱类型散射结构主要为坦克炮 learning model-based algorithm for SAR ATR[C].

筒位置，顶帽类型散射结构主要在坦克车体中间车 Proceedings of Algorithms for Synthetic Aperture Radar

Imagery XXV, Orlando, United States, 2018: 106470B. doi:
盖和车尾位置，边缘绕射类型散射结构主要分布在
10.1117/12.2315265.
车盖附近位置，三面角类型散射结构主要分布在坦
[3] PEI Jifang, HUANG Yulin, HUO Weibo, et al. SAR
克车盖附近和车体内部位置，双曲面类型散射结构 automatic target recognition based on multiview deep
主要分布在坦克车体中间的两侧和车盖附近位置， learning framework[J]. IEEE Transactions on Geoscience
直边类型散射结构主要位于坦克车体中间位置。 and Remote Sensing, 2018, 56(4): 2196–2210. doi:
由根据仿真数据和实测数据以及MSTAR数据 10.1109/TGRS.2017.2776357.
[4] ZHAO Pengfei, LIU Kai, ZOU Hao, et al. Multi-stream
集的实验结果可以看出，基于幅度相位分离的字典
convolutional neural network for SAR automatic target
构造方法能够大幅度节约系统内存，提高参数估计
recognition[J]. Remote Sensing, 2018, 10(9): 1473. doi:
速率，通过IHT算法能够较准确地估计目标上主要 10.3390/rs10091473.
ASC参数从而识别目标上的基本散射结构。 [5] DUAN Jia, ZHANG Lei, XING Mengdao, et al.

5 结论 Polarimetric target decomposition based on attributed

scattering center model for synthetic aperture radar
针对ASC参数估计问题，为了提高参数估计速 targets[J]. IEEE Geoscience and Remote Sensing Letters,
度，本文先分割 图 像 提 取 多 个 A SC 再 逐 个 估 计 2014, 11(12): 2095–2099. doi: 10.1109/lgrs.2014.2320053.
ASC参数，考虑到单个ASC幅度相位相关项可分 [6] DING Baiyuan and WEN Gongjian. Target reconstruction
离，提出幅度相位分离的ASC参数估计方法，将参 based on 3-D scattering center model for robust SAR
数估计的时间复杂度降低了1个数量级，节约了系 ATR[J]. IEEE Transactions on Geoscience and Remote
614 雷 达
Sensing, 2018, 56(7): 3772–3785. doi: 10.1109/TGRS.
2018.2810181.
[7] 文贡坚, 朱国强, 殷红成, 等. 基于三维电磁散射参数化模型的
SAR目标识别方法[J]. 雷达学报, 2017, 6(2): 115–135. doi:
10.12000/JR17034.
WEN Gongjian, ZHU Guoqiang, YIN Hongcheng, et al.
SAR ATR based on 3D parametric electromagnetic
scattering model[J]. Journal of Radars, 2017, 6(2): 115–135.
doi: 10.12000/JR17034.
[8] 张亚军. 基于属性散射中心模型的SAR自动目标识别[D]. [硕
士论文], 西安电子科技大学, 2014: 5–23.
ZHANG Yajun. SAR automatic target recognition based on
attributed scattering center models[D]. [Master dissertation],
Xidian University, 2014: 5–23.
[9] AKYILDIZ Y and MOSES R L. Scattering center model for
SAR imagery[C]. Proceedings of SPIE 3869, SAR Image
Analysis, Modeling, and Techniques II, Florence, Italy,
1999: 76–85. doi: 10.1117/12.373151.
[10] CHIANG H C, MOSES R L, and POTTER L C. Model-
based classification of radar images[J]. IEEE Transactions
on Information Theory, 2000, 46(5): 1842–1854. doi:
10.1109/18.857795.
[11] DING Baiyuan, WEN Gongjian, HUANG Xiaohong, et al.
Target recognition in synthetic aperture radar images via
matching of attributed scattering centers[J]. IEEE Journal
of Selected Topics in Applied Earth Observations and
Remote Sensing, 2017, 10(7): 3334–3347. doi: 10.1109/
JSTARS.2017.2671919.
[12] DING Baiyuan, WEN Gongjian, ZHONG Jinrong, et al. A
robust similarity measure for attributed scattering center
sets with application to SAR ATR[J]. Neurocomputing,
2017, 219: 130–143. doi: 10.1016/j.neucom.2016.09.007.
[13] 段佳, 张磊, 盛佳恋, 等. 独立属性散射中心参数降耦合估计方
法[J]. 电子与信息学报, 2012, 34(8): 1853–1859. doi: 10.3724/
SP.J.1146.2011.01302.
DUAN Jia, ZHANG Lei, SHENG Jialian, et al. Parameters
decouple and estimation of independent attributed
scattering centers[J]. Journal of Electronics & Information
Technology, 2012, 34(8): 1853–1859. doi: 10.3724/SP.J.1146.
2011.01302.
[14] 段佳, 张磊, 邢孟道, 等. 合成孔径雷达目标特征提取新方法[J].
西安电子科技大学学报: 自然科学版, 2014, 41(4): 13–19. doi:
10.3969/j.issn.1001-2400.2014.04.003.
DUAN Jia, ZHANG Lei, XING Mengdao, et al. Novel
feature extraction method for synthetic aperture radar
targets[J]. Journal of Xidian University, 2014, 41(4): 13–19.
doi: 10.3969/j.issn.1001-2400.2014.04.003.
[15] 海鸿璋. 基于ISAR图像的舰船目标特征提取方法研究[D]. [硕
士论文], 西安电子科技大学, 2014: 44–49.
学 报 第8卷
HAI Hongzhang. Study on feature extraction of ships based
on ISAR images[D]. [Master dissertation], Xidian
University, 2014: 44–49.
[16] 李飞, 纠博, 刘宏伟, 等. 基于稀疏表示的SAR图像属性散射中
心参数估计算法[J]. 电子与信息学报, 2014, 36(4): 931–937.
doi: 10.3724/SP.J.1146.2013.00576.
LI Fei, JIU Bo, LIU Hongwei, et al. Sparse representation
based algorithm for estimation of attributed scattering
center parameter on SAR imagery[J]. Journal of Electronics &
Information Technology, 2014, 36(4): 931–937. doi:
10.3724/SP.J.1146.2013.00576.
[17] 李飞. 雷达图像目标特征提取方法研究[D]. [博士论文], 西安
电子科技大学, 2014: 50–66.
LI Fei. Study on target feature extraction based on radar
image[D]. [Ph.D. dissertation], Xidian University, 2014:
50–66.
[18] LIU Hongwei, JIU Bo, LI Fei, et al. Attributed scattering
center extraction algorithm based on sparse representation
with dictionary refinement[J]. IEEE Transactions on
Antennas and Propagation, 2017, 65(5): 2604–2614. doi:
10.1109/TAP.2017.2673764.
[19] 苏伍各. 基于稀疏贝叶斯重构方法的雷达成像技术研究[D].
[博士论文], 国防科学技术大学, 2015: 3–14.
SU Wuge. Radar imaging techiniques based on sparse
Bayesian reconstruction methods[D]. [Ph.D. dissertation],
National University of Defense Technology, 2015: 3–14.
[20] LI Zenghui, JIN Kan, XU Bin, et al. An improved
attributed scattering model optimized by incremental sparse
Bayesian learning[J]. IEEE Transactions on Geoscience and
Remote Sensing, 2016, 54(5): 2973–2987. doi: 10.1109/
TGRS.2015.2509539.
[21] XU Zongben. Data Modeling: Visual Psychology Approach
and L1/2 Regularization Theory[M]. BHATIA R, PAL A,
RANGARAJAN G, et al. Proceedings of the International
Congress of Mathematicians. Hyderabad, India: World
Scientific, 2010: 3151–3184. doi: 10.1142/9789814
324359_0184.
[22] 徐宗本, 吴一戎, 张冰尘, 等. 基于L1/2正则化理论的稀疏雷达
成像[J]. 科学通报, 2018, 63(14): 1307–1319. doi: 10.1360/
N972018-00372.
XU Zongben, WU Yirong, ZHANG Bingchen, et al. Sparse
radar imaging based on L 1/2 regularization theory[J].
Chinese Science Bulletin, 2018, 63(14): 1307–1319. doi:
10.1360/N972018-00372.
[23] GERRY M J, POTTER L C, GUPTA I J, et al. A
parametric model for synthetic aperture radar
measurements[J]. IEEE Transactions on Antennas and
Propagation, 1999, 47(7): 1179–1188. doi: 10.1109/8.785750.
[24] POTTER L C and MOSES R L. Attributed scattering
第5期 蒋 文等：基于幅相分离的属性散射中心参数估计新方法 615

centers for SAR ATR[J]. IEEE Transactions on Image
Processing, 1997, 6(1): 79–91. doi: 10.1109/83.552098.
[25] KELLER J B. Geometrical theory of diffraction[J]. Journal
of the Optical Society of America, 1962, 52(2): 116–130. doi:
10.1364/JOSA.52.000116.
[26] ÇETİN M. Feature-enhanced synthetic aperture radar
imaging[D]. [Ph.D. dissertation], Boston University, 2001.
[27] 清风亦客. T-72主战坦克[EB/OL]. https://baike.baidu.com/
item/T-72主战坦克/2031530?fr=aladdin, 2019.
Qing Fengyike. T-72 main battle tank[EB/OL].
https://baike.baidu.com/item/T-72主战坦克/2031530?
fr=aladdin, 2019.

作 者 简 介
蒋 文(1994–)，女，2016年获得西安电 李王哲(1983–)，男，青年千人，现为中
子科技大学学士学位，现于中国科学院 国科学院电子学研究所研究员，微波成
大学攻读硕士学位。研究方向是微波成 像技术国家级重点实验室主任。研究方
像技术。 向有基于光子技术的合成孔径雷达
E-mail: jiangwen16@mails.ucas.ac.cn (SAR)，基于微波成像的微波光子传感
器，微波光子模块芯片集成。
E-mail: wzli@mail.ie.ac.cn