Ukrainian Journal of Physical Optics 

Volume 21, Issue 4, 2020
Home page
 
 

Other articles 

in this issue
Bayesian compressive sensing for synthetic-aperture radar tomography imaging

1Ren Xiaozhen, 1Qin Yao, and 2Qiao Lihong

1School of Artificial Intelligence and Big Data, Henan University of Technology, Zhengzhou, 450001, China, rxz235@163.com
2Chongqing Key Laboratory of Computational Intelligence, Chongqing University of Posts and Telecommunications, Chongqing, 400065, China

Download this article

Abstract. To achieve high-resolution three-dimensional images, a number of imaging methods based on compressive sensing (CS) have been suggested in the recent years for synthetic-aperture radar (SAR) tomography. However, the CS-based methods are sensitive to noise. In this work, we develop a new Bayesian compressive sensing (BCS) imaging method for the SAR tomography. In the framework of BCS, a ‘sparseness’ prior distribution of the imaging scene and an additive noise are properly considered in the imaging process. As a consequence, the BCS-based method under the conditions of low noise levels can provide a better performance than the common norm-based CS methods. The results obtained via simulations of our SAR-tomography imaging method confirm its advantages.

Keywords: SAR tomography, Bayesian compressive sensing, three-dimensional imaging, imaging methods

UDC: 621.396.96
Ukr. J. Phys. Opt. 21 191-200
doi:10.3116/16091833/21/4/191/2020
Received: 31.07.2020

Анотація.  Для одержання тривимірних зображень із високою роздільною здатністю в останні роки запропоновано низку заснованих на компресійному зондуванні (КЗ) методів візуалізації для радіолокаційної томографії із синтетичною апертурою (РТСА). Однак методи на основі КЗ чутливі до шуму. В цій роботі розроблено новий метод візуалізації для РТСА на основі байєсівського компресійного зондування (БКЗ). У процесі візуалізації в рамках БКЗ належно враховують «розрідженість» попереднього розподілу сцени зображення та додатковий шум. Як наслідок, за умов низьких рівнів шумів метод, заснований на БКС, забезпечує кращі показники, порівняно із загальноприйнятими методами КС на основі норм. Для перевірки нашого методу візуалізації в рамках РТСА-томографії проведено експерименти з отриманими моделюванням даними, які підтвердили переваги цього методу.
REFERENCES
  1. Reigber A, Lombardini F, Viviani F, Nannini M and Martinez A, 2015. Three-dimensional and higher-order imaging with tomographic SAR: techniques, applications, issues. Proc. IGARSS. 2015: 2915-2918. doi:10.1109/IGARSS.2015.7326425
  2. Lombardini F and Tebaldini S, 2017. Multidimensional SAR tomography: methods and applications. Proc. IGARSS. 2017: 2460-2463. doi:10.1109/IGARSS.2017.8127491
  3. Aghababaee H and Sahebi M R, 2018. Model-based target scattering decomposition of polarimetric SAR tomography. IEEE Trans. Geosci. Remote Sens. 56: 972-983. doi:10.1109/TGRS.2017.2757062
  4. Candes E J, Romberg J and Tao T, 2006. Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information. IEEE Trans. Inform. Theory. 52: 489-509. doi:10.1109/TIT.2005.862083
  5. Donoho D, 2006. Compressed sensing. IEEE Trans. Inform. Theory. 52: 1289-1306. doi:10.1109/TIT.2006.871582
  6. Zhu X and Bamler R, 2010. Tomography SAR inversion by L1-norm regularization - the compressive sensing approach. IEEE Trans. Geosci. Remote Sens. 48: 3839-3846. doi:10.1109/TGRS.2010.2048117
  7. Zhu X and Bamler R, 2014. Superresolving SAR tomography for multidimensional imaging of urban areas: compressive sensing-based TomoSAR inversion. IEEE Signal Process. Mag. 31: 51-58. doi:10.1109/MSP.2014.2312098
  8. Wang X, Xu F and Jin Y Q, 2017. The iterative reweighted alternating direction method of multipliers for separating structural layovers in SAR tomography. IEEE Geosci. Remote Sens. Lett. 14: 1883-1887. doi:10.1109/LGRS.2017.2694825
  9. Bo Yang, Huaping Xu, Wei Liu, Yanan You and Xiaozhen Xie, 2018. Realistic lower bound on elevation estimation for tomographic SAR. IEEE J. Sel. Top. App. Earth Obs. Remote Sens. 11: 2429-2439. doi:10.1109/JSTARS.2018.2834950
  10. Jungang Yang, Tian Jin, Chao Xiao and Xiaotao Huang, 2019. Compressed sensing radar imaging: fundamentals, challenges, and advances. Sensors. 19: 3100. doi:10.3390/s19143100
  11. Ren X Z, Chen L N and Yang J, 2014. 3D imaging algorithm for down-looking MIMO array SAR based on Bayesian compressive sensing. Int. J. Anten. Propag. 2014: 612326. doi:10.1155/2014/612326
  12. Ji S, Xue Y and Carin L, 2008. Bayesian compressive sensing. IEEE Trans. Signal Process. 56: 2346-2356. doi:10.1109/TSP.2007.914345
  13. Zhang X Z, Qin J H and Li G J, 2013. SAR target classification using Bayesian compressive sensing with scattering centers features. Prog. Electromagn. Res. 136: 385-407. doi:10.2528/PIER12120705
  14. Baraniuk R G, Cevher V and Wakin M B, 2010. Low-dimensional models for dimensionality reduction and signal recovery: a geometric perspective. Proc. IEEE. 98: 959-971. doi:10.1109/JPROC.2009.2038076
  15. Ren X Z and Chen L N, 2014. Four-dimensional SAR imaging algorithm using Bayesian compressive sensing. J. Electromagnet. Waves and Appl. 28: 1661-1676. doi:10.1080/09205071.2014.938174
  16. Xu J, Pi Y and Cao Z, 2012. Bayesian compressive sensing in synthetic aperture radar imaging. IET Radar Sonar Navig. 6: 2-8. doi:10.1049/iet-rsn.2010.0375
  17. Fornaro G, Serafino F and Soldovieri F, 2003. Three-dimensional focusing with multipass SAR data. IEEE Trans. Geosci. Remote Sens. 41: 507-517. doi:10.1109/TGRS.2003.809934
  18. Tipping M E, 2001. Sparse Bayesian learning and the relevance vector machine. J. Mach. Learn. Res. 1: 211-244.
  19. Zhang Z and Rao B D, 2011. Sparse signal recovery with temporally correlated source vectors using sparse Bayesian learning. IEEE J. Sel. Top. Signal Process. 5: 912-926. doi:10.1109/JSTSP.2011.2159773
  20. He S, Pang L, Zhang X D, Liu H, Bi H, Ai L P, Sun M X and Wang Y, 2016. SAR tomography imaging based on generalized orthogonal matching pursuit - the case study of Pangu 7 star hotel in Beijing. Proc. IGARSS 2016: 6665-6668. doi:10.1109/IGARSS.2016.7730740
  21. Lee H and Lee H, 2014. A weighted compressive sensing method for multi-view images. Proc. Inform. and Commun. Technol. Convergence (ICTC), 2014: 867-869. doi:10.1109/ICTC.2014.6983315
(c) Ukrainian Journal of Physical Optics