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
- 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
- Lombardini F and Tebaldini S, 2017. Multidimensional SAR tomography: methods and applications. Proc. IGARSS. 2017: 2460-2463. doi:10.1109/IGARSS.2017.8127491
- 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
- 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
- Donoho D, 2006. Compressed sensing. IEEE Trans. Inform. Theory. 52: 1289-1306. doi:10.1109/TIT.2006.871582
- 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
- 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
- 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
- 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
- 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
- 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
- Ji S, Xue Y and Carin L, 2008. Bayesian compressive sensing. IEEE Trans. Signal Process. 56: 2346-2356. doi:10.1109/TSP.2007.914345
- 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
- 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
- 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
- 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
- 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
- Tipping M E, 2001. Sparse Bayesian learning and the relevance vector machine. J. Mach. Learn. Res. 1: 211-244.
- 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
- 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
- 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 |