0. 引 言
合成孔径雷达(Synthetic aperture radar, SAR)具备全天时、全天候的高分辨率成像能
力,在军民领域都有着广泛运用。与清晰直观的光学图像不同,SAR 图像反映目标的电磁
散射特性,其中目标的外观特点不明显,给图像解译带来了障碍。为定量化描述 SAR 图像
的分布特性,研究人员通过散射中心模型的方式对局部散射现象进行建模,最为代表性的
是属性散射中心模型
[1-3]
。属性散射中心模型包含了与目标局部结构相关联的属性参数,如
相对强度、位置、长度等。基于属性散射中心的 SAR 目标识别方法也充分验证了属性参数
对于区分不同目标的有效性
[4-7]
。然而,属性散射中心模型形式复杂,参数估计十分复杂。
早期,研究人员通过图像域分治策略,实现逐个散射中心的序惯估计。在对单个散射中心
进行参数估计时,通常采用较为经典的优化算法,如模拟退火、粒子群算法、狼群算法等
[8-11]
。根据压缩感知理论,参考文献[12-14]设计了基于稀疏表示的属性散射中心估计算法,
认为单幅 SAR 图像的属性散射中心在整个参数空间属于稀疏分布。稀疏表示方法避免了图
像域的局部解耦过程,但其最终结果与图像域的一致性往往难以保证,具有较强的随机
性。为此,从确保散射中心参数物理意义的角度,图像域的散射中心估计算法具有更强的
可靠性。
文中在传统图像域属性散射中心估计方法的基础上,引入烟花算法,实现对单个散射
中心的参数优化。对于图像域解耦的单个散射中心图像区域,通过烟花算法获得最佳的属
性参数。烟花算法启发于烟花燃放过程,由 Tan 和 Zhu 在 2010 年设计提出
[15]
。其中,每
一个烟花被视为解空间的一个可行解,烟花爆炸产生一定数量火花的过程则反映邻域搜索
的过程。每个烟花爆炸半径和产生的火花数不同,适应度较差的烟花爆炸半径更大,这让
优化算法具有全局搜索能力;适应度较差的烟花爆炸半径更小,这让优化算法具有局部搜
索能力。不同烟花按照各自适应度进行动态分配和交互使得优化算法在全局和局部搜索能
力之间达到平衡。此外,烟花算法加入了变异火花增加了种群的多样性,避免算法陷入局
部最优。目前,烟花算法已经在任务分配、图像处理等领域得到了广泛应用和验证,具有
更高的精度和稳健性
[16-18]
。为此,文中将烟花算法引入到单个属性散射中心的参数估计
中,获得更为可靠的估计结果。实验中,采用 MSTAR 数据集对提出方法进行验证,分别
测试了方法对于 SAR 图像的估计结果以及对于基于属性散射中心匹配的识别方法的贡献。
实验结果证明了提出方法的有效性和相比现有几类方法的优越性。
1. 属性散射中心模型
作为描述高频区域雷达目标局部散射特性的参数化模型,属性散射中心模型相比先前
的 GTD 模型具有更强的物理层和信号层描述能力。参考文献[4-7]基于属性散射中心设计