【信号处理】基于优化算法的 SAR 信号处理（Matlab代码实现）

2 BP神经网络：通过反投影算法进行脉冲聚光灯 SAR 模拟和重建

3 通过距离堆叠算法进行脉冲聚光灯 SAR 模拟和重建​编辑 第9个图：

​ 4 通过 TDC 算法进行脉冲聚光灯 SAR 模拟和重建

5 通过二维匹配滤波进行脉冲聚光灯 SAR 仿真和重建（波前重建） 

6 聚光SAR PM球形信号的CTF 

7 AM - PM Stripmap SAR 信号的 CTFT 

8 Matlab代码实现 

1 概述

随着计算机与网络技术的发展,目前视频监控已经发展到基于IP网络的全数字监控时代，进入第三代全数字网络视频监控时代。这个时代的代表产品以IPC、NVR为主。但是这些数字产品受恶劣天气（雾、雨、风、光等）和监控系统自身技术条件的限制，视频图像往往达不到理想效果，图像质量不稳定导致对识别、取证、事件分析等操作造成困难,使系统无法正常应用。因此，图像信号处理技术的研究和应用在安防领域具有很重要的意义。

1. 本文提供的4种目标风光重建算法的分离和模块化：2D匹配滤波（波前重建），时域相关（TDC），反向投影（BP）和范围堆叠（RS）。
2. 用现代渲染命令替换过时的图形命令，清楚地显示DSP操作对SAR信号的影响。
3. 删除了用于对 （kx，ky） 域中间隔不均匀的数据进行二维插值的笨拙代码，并替换为不那么繁琐且更优雅的 MatLab 代码。
4. 计算 AM-PM 和 PM 球面 SAR 信号的 CTFT，包括数值和使用稳态相位近似 （SPA） 方法。
5. 几个小的代码改进。

2 BP神经网络：通过反投影算法进行脉冲聚光灯 SAR 模拟和重建

3 通过距离堆叠算法进行脉冲聚光灯 SAR 模拟和重建
 第9个图：

 4 通过 TDC 算法进行脉冲聚光灯 SAR 模拟和重建

5 通过二维匹配滤波进行脉冲聚光灯 SAR 仿真和重建（波前重建） 

6 聚光SAR PM球形信号的CTF 

7 AM - PM Stripmap SAR 信号的 CTFT 

数字图像的噪声主要来源于图像的获取（数字化过程）和传输过程。图像传感器的工作情况受各种因素的影响,如图像获取中的环境条件和传感元器件自身的质量。例如，使用CMOS照相机获取图像,光照程度和传感器温度是生成图像中产生大量噪声的主要因素。同时当信号经过ADC时，又会引人其他一些噪声。这些噪声会使图像整体变的模糊，而且丢失很多细节，令人眼难以接受。所以需要对图像进行去噪处理，以去除这些干扰。
传统的空间去噪方法有均值滤波和中值滤波。均值滤波能够有效地平滑噪声，但同时会将边缘变模糊。为尽量避免这个问题,通常用较小的滑窗（如3×3像素或5×5像素）对图像进行操作。中值滤波法与均值滤波法操作过程类似，所不同的是中值滤波法用滑窗内所有像素值的中间值代替滑窗中心的像素值。同样，这种方法在平滑噪声的同时将使边缘模糊，并会丢失细小的线性特征。5×5像素的中值滤波器将导致可观的边缘模糊。
传统的空间去噪方法都是在RGB彩色空间中进行的,需要三维的图像数据，对RGB三基色分别进行滤波,需要完整的RGB三色值，即需要对bayer型模式的数据进行内插之后的图像。这种方法虽然能够提高滤波效果，但是会占用过多的硬件资源,鉴于此,有人提出一种基于bayer型模式的双边自适应滤波器。该滤波器仅需对二维灰度图像进行滤波处理，它的硬件资源消耗可以减小为前者的1/3。双边自适应滤波器不仅对各类噪声有良好的滤除能力，还能使图像中的细节得到很好保留。

部分理论引用网络文献，如有侵权请联系删除。

8 Matlab代码实现 

%% Example 1 - Spotlight SAR with Hamming Window - Figures 2.13.a,b,c,d.

%% Workspace Initialization
clc; clear; close all;

%% Radar System Parameters       
c  = 3e8;            % propagation speed
fc = 300e6;          % frequency in Hz.
lambda = c/fc;       % Wavelength
k = 2*pi/lambda;     % Wavenumber
Xc = 500;            % Range distance to center of target area
Y0 = 100;
Yc = 0;
L  = 100;            % Half-size of synthetic aperture.  

%% Signal Definition.
sigma_n = 1;
 xn = Xc;
yn1 = 0;
yn2 = 60;
 du = 0.2;                     % sample spacing in u domain should be <=pi/2/k = lambda/4
  M = 2*ceil(L/du);            % number of samples on aperture
  u = du*(-M/2:M/2-1);         % synthetic aperture array
dku = 2*pi/(M*du);             % sample spacing in ku domain
 ku = dku*(-M/2:M/2-1);        % ku array
  y = u;

% Define the PM Spherical Signals:
sn1 = sigma_n*exp(-1i*2*k*sqrt(xn^2 + (yn1-u).^2));
sn2 = sigma_n*exp(-1i*2*k*sqrt(xn^2 + (yn2-u).^2));

% Hamming Window Function in the SA domain u:
an = abs(u)<=L;
indices = find(an==1);
win = hamming(length(indices)).';
an1 = zeros(1,length(u));
an1(1,indices) = win;

% Define the AM-PM Signals:
sn1_lim = sn1.*an1;
sn2_lim = sn2.*an1;


%%  Plot the AM-PM Spherical Signals and their DFT.
h1 = figure('NumberTitle', 'off','Name','Fig. 2.13.a & c. - Spherical AM-PM Signal in aperture u-domain', ...
            'Position', [100 0 1400 500]);

subplot(1,2,1);
plot(u,real(sn1_lim))
line([yn1 yn1], [-1.1 1.1],'Color','g');
axis([-250,250,-1.25,1.25]);
xlabel('Synthetic Aperture (Slow-Time) u (m)');
ylabel('\Ree[s_{n1} (t,u)]');
grid on

subplot(1,2,2);
plot(u,real(sn2_lim));
line([yn2 yn2], [-1.1 1.1],'Color','g');
axis([-250,250,-1.25,1.25]);
xlabel('Synthetic Aperture (Slow-Time) u (m)');
ylabel('\Ree[s_{n2} (t,u)]');
grid on

tightfig;

%% Calculate and plot the DFT of sn1(t,u)
Sn1 = ftx(sn1_lim);

h2 = figure('NumberTitle', 'off','Name','Fig. 2.13.b & d. - DFT of Spherical PM Signal in k_u-domain', ...
            'Position', [100 0 1200 1100],'Visible','off');

subplot(2,2,1)
plot(ku,real(Sn1));
grid on;
axis([-9 9,-80 80]);
xlabel('Synthetic Aperture (Slow-Time) Frequency k_u (rad/m)');
ylabel('\Ree[S_{n1}(\omega,u)]');

subplot(2,2,3)
plot(ku,10*log10(1/max(abs(Sn1))*abs(Sn1)));
hold on;
line([-9 9] , [-3 -3],'Color','m');
ylim([-25 5]);
xlim([-9, 9]);
xlabel('Synthetic Aperture (Slow-Time) Frequency k_u (rad/m)');
ylabel('\Ree[S_{n1}(\omega,u)] in dB');
grid on;

%% Calculate and plot the DFT of sn2(t,u)
Sn2 = ftx(sn2_lim);

subplot(2,2,2)
plot(ku,real(Sn2));
grid on;
axis([-9 9,-80 80]);
xlabel('Synthetic Aperture (Slow-Time) Frequency ku (rad/m)');
ylabel('\Ree[S_{n2}(\omega,u)]');

subplot(2,2,4)
plot(ku,10*log10(1/max(abs(Sn2))*abs(Sn2)));
line([-9 9] , [-3 -3],'Color','m');
ylim([-25 5]);
xlim([-9,9]);
xlabel('Synthetic Aperture (Slow-Time) Frequency ku (rad/m)');
ylabel('\Ree[S_{n2}(\omega,u)] in dB');
grid on;

set(h2,'Visible','on')
tightfig;

%% Cross Range Reconstruction 
% NOTE: ku array corresponds to baseband Doppler domain
s = sn1_lim + sn2_lim;
S = ftx(s);

kx = 4*k^2 - ku.^2;
kx = sqrt(kx.*(kx > 0));        % kx array

S0 = exp(-1i*kx*Xc - 1i*ku*Yc); % reference signal

F = S.*conj(S0);     % Slow-Time Matched Filtering
f = ifty(F);

f = f/max(abs(f));

%% Plot the Reconstructed Cros-Range Profile
h3 = figure('NumberTitle', 'off','Name','Fig. 2.13.e - Reconstructed Broadside and squint targets in cross-range domain from their spotlight SAR signal', ...
            'Position', [100 0 800 600]);

plot(y,20*log10(abs(f)))         % also try "real" and "imag" parts of "f" array
xlabel('Cross-range y, meters')
ylabel('Magnitude (dB)')
title('Cross-range Reconstruction')
axis([-L,L,-80, 5])
grid on;

tightfig;