技術(shù)特征：

1.一種無源毫米波雷達(dá)圖像的迭代重加權(quán)盲反卷積方法，其特征在于，所述方法包括如下步驟：

步驟1，獲取無源毫米波雷達(dá)的觀測(cè)圖像，所述觀測(cè)圖像包含高斯噪聲、椒鹽噪聲、泊松噪聲中的至少一種；

步驟2，對(duì)所述觀測(cè)圖像進(jìn)行建模，得到觀測(cè)圖像y＝Hx+n＝Xh+n；

其中，y表示觀測(cè)圖像，h表示點(diǎn)擴(kuò)展函數(shù)，h∈R^N×1，H表示點(diǎn)擴(kuò)展函數(shù)的塊循環(huán)矩陣，H∈R^N×N，x表示待恢復(fù)的高分辨率圖像，X表示待恢復(fù)的高分辨率圖像的塊循環(huán)矩陣，X∈R^N×N，Hx表示H和x相乘，n表示噪聲；∈表示屬于，R^N×1表示N×1維的實(shí)數(shù)集合，R^N×N表示N×N維的實(shí)數(shù)集合，N表示無源毫米波雷達(dá)圖像的采樣點(diǎn)數(shù)；

步驟3，構(gòu)造加權(quán)數(shù)據(jù)忠誠(chéng)項(xiàng)為:

其中，W_F∈R^N×N表示數(shù)據(jù)項(xiàng)權(quán)，||·||₂表示2范數(shù)，表示數(shù)據(jù)項(xiàng)權(quán)W_F的算術(shù)平方根；

步驟4，構(gòu)造圖像正則化項(xiàng)為：R(x)＝||W_RTx||₁；以及構(gòu)造點(diǎn)擴(kuò)展函數(shù)的正則化項(xiàng)為：

其中，W_R表示圖像正則化項(xiàng)權(quán)，T表示線性變換，||·||₁表示1范數(shù)操作，Γ表示拉普拉斯核對(duì)應(yīng)的離散矩陣，且Γ＝[0-10；-14-1；0-10]；

步驟5，初始化第0次迭代中的點(diǎn)擴(kuò)展函數(shù)h⁽⁰⁾為高斯函數(shù)，初始化第0次迭代中的待恢復(fù)的高分辨率圖像x⁽⁰⁾＝y(tǒng)，設(shè)置迭代次數(shù)k的最大值maxIter，k的初值為1；并對(duì)所述觀測(cè)圖像y以采樣頻率f_s進(jìn)行采樣，得到初始采樣圖像y_s；設(shè)置第0次迭代中的數(shù)據(jù)項(xiàng)權(quán)W_F⁽⁰⁾為單位矩陣，第0次迭代中的圖像正則化項(xiàng)權(quán)W_R⁽⁰⁾為單位矩陣；

步驟6，估計(jì)在第k次迭代過程中的數(shù)據(jù)項(xiàng)權(quán)W_F^(k)和圖像正則化項(xiàng)權(quán)W_R^(k)；

步驟7，根據(jù)所述加權(quán)數(shù)據(jù)忠誠(chéng)項(xiàng)、所述圖像正則化項(xiàng)、所述點(diǎn)擴(kuò)展函數(shù)正則化項(xiàng)，構(gòu)造第k次迭代過程中的迭代重加權(quán)盲反卷積優(yōu)化模型為：

$\underset{x^{\left(k\right)},h^{\left(k\right)}}{min}\frac{1}{2}\left|\right|W_F^{\left(k\right)(1/2)}(H^{(k-1)}{x}^{(k-1)}-y_s)|{|}_2^2+{\mathrm{\λ}}^{\left(k\right)}|\left|{W_R}^{\left(k\right)}{\mathrm{Tx}}^{(k-1)}\right|{|}_1+\frac{1}{2}{\mathrm{\γ}}^{\left(k\right)}\left|\right|{\mathrm{\Γh}}^{(k-1)}|{|}_2^2$

其中，λ^(k)表示第k次迭代過程中的圖像正則化參數(shù)，γ^(k)表示第k次迭代過程中的點(diǎn)擴(kuò)展函數(shù)正則化參數(shù)，表示迭代重加權(quán)盲反卷積優(yōu)化模型取得最小值時(shí)待恢復(fù)的高分辨率圖像的值和點(diǎn)擴(kuò)展函數(shù)的值；

步驟8，求解所述迭代重加權(quán)盲反卷積優(yōu)化模型，得到第k次迭代后的待恢復(fù)的高分辨率圖像x^(k)和第k次迭代之后的點(diǎn)擴(kuò)展函數(shù)h^(k)；

步驟9，判斷第k次迭代后的待恢復(fù)的高分辨率圖像x^(k)是否滿足||x^(k)-x^(k-1)||₂/||x^(k)||₂<tol，或者k≥maxIter；

若滿足，則將第k次迭代后的待恢復(fù)的高分辨率圖像x^(k)作為所述初始采樣圖像y_s最終的待恢復(fù)的高分辨率圖像；其中，tol為預(yù)先設(shè)置的誤差常系數(shù)；

否則，令迭代次數(shù)k加1，并依次重復(fù)執(zhí)行步驟(6)至步驟(8)；步驟10，將所述初始采樣圖像y_s最終的待恢復(fù)的高分辨率圖像作為新的觀測(cè)圖像，并對(duì)所述新的觀測(cè)圖像以采樣頻率2^b×f_s進(jìn)行采樣，得到新的采樣圖像，并將所述新的采樣圖像作為初始采樣圖像y_s；其中b為采樣尺度，且b的初值為1，b的最大值為預(yù)先設(shè)置的數(shù)值B；

步驟11，令迭代次數(shù)k＝1，并依次重復(fù)執(zhí)行步驟(6)至步驟(10)，直到b＞B，并將此時(shí)得到的待恢復(fù)的高分辨率圖像作為觀測(cè)圖像y待恢復(fù)的高分辨率圖像。

2.根據(jù)權(quán)利要求1所述的一種無源毫米波雷達(dá)圖像的迭代重加權(quán)盲反卷積方法，其特征在于，步驟4中，所述構(gòu)造圖像正則化項(xiàng)具體包括如下子步驟：

(4a)設(shè)定聯(lián)合總變分和雙邊濾波構(gòu)造的雙邊總變分R_BTV(x)為：

$R_{BTV}\left(x\right)=\underset{l=-P}{\overset{P}{\&Sigma;}}\underset{m=0}{\overset{P}{\&Sigma;}}{c}_0^{\left|m\right|+\left|l\right|}\left|\right|x-S_h^l{S}_v^{m}x|{|}_1$

其中，l+m≥0，P≥1，且P為預(yù)先設(shè)定的值，表示在水平方向上平移l個(gè)像素的平移操作矩陣，表示在垂直方向上平移m個(gè)像素的平移操作矩陣，c₀(0<c₀<1)是加權(quán)常數(shù)，||·||₁表示1范數(shù)操作；

(4b)將所述雙邊總變分R_BTV(x)由線性變換T＝[S^-P,-P S^-P+1,-P … S^P,P]^T表示為：R_BTV(x)＝||Tx||₁；其中，[·]^T表示矩陣的轉(zhuǎn)置操作；

(4c)從而構(gòu)造圖像正則化項(xiàng)R(x)＝||W_RTx||₁；其中W_R表示圖像正則化項(xiàng)權(quán)。

3.根據(jù)權(quán)利要求2所述的一種無源毫米波雷達(dá)圖像的迭代重加權(quán)盲反卷積方法，其特征在于，步驟6具體包括如下子步驟：

(6a)數(shù)據(jù)項(xiàng)權(quán)W_F^(k)對(duì)角線上的元素記為中間量w^(k)＝[w₁^(k),...,w_i^(k),...,w_N^(k)]^T，w_i是數(shù)據(jù)項(xiàng)權(quán)W_F^(k)對(duì)角線上的元素，i＝1,2,...,N，其中，

其中，殘差r^(k)＝H^(k-1)x^(k-1)-y_s＝[r₁^(k),...,r_i^(k),...,r_N^(k)]，c表示預(yù)設(shè)的常數(shù)，σ₁表示噪聲標(biāo)準(zhǔn)差，且噪聲標(biāo)準(zhǔn)差median(r^(k)|w^(k-1))表示殘差r^(k)在中間量w^(k-1)下的加權(quán)平均，exp(·)表示指數(shù)函數(shù)；

(6b)圖像正則化項(xiàng)權(quán)W_R^(k)對(duì)角線上的元素記為權(quán)向量u^(k)＝[u₁^(k),...u_i^(k),...,u_N'^(k)]^T，N'＝(2P+1)²N，u_i^(k)是圖像正則化項(xiàng)權(quán)W_R^(k)對(duì)角線上的元素，i＝1,2,...,N'，其中，

其中，σ₂表示自適應(yīng)參數(shù)，且自適應(yīng)參數(shù)median(Tx^(k-1)|u^(k-1))表示在權(quán)向量u^(k-¹⁾下Tx^(k-¹⁾的元素的加權(quán)平均。

4.根據(jù)權(quán)利要求3所述的一種無源毫米波雷達(dá)圖像的迭代重加權(quán)盲反卷積方法，其特征在于，步驟8具體包括如下子步驟：

(8a)估計(jì)圖像正則化參數(shù)λ^(k)和點(diǎn)擴(kuò)展函數(shù)正則化參數(shù)γ^(k)：

${\mathrm{\&lambda;}}^{\left(k\right)}=c_1\frac{\left|\right|W_F^{\left(k\right)(1/2)}(H^{(k-1)}{x}^{(k-1)}-y_s)|{|}_2^2}{\left|\right|{W_R}^{\left(k\right)}{\mathrm{Tx}}^{(k-1)}|{|}_1}$

${\mathrm{\&gamma;}}^{\left(k\right)}=\frac{M}{N}\frac{\left|\right|W_F^{\left(k\right)\left(1/2\right)}\left(H^{\left(k-1\right)}{x}^{\left(k-1\right)}-y_s\right)|{|}_2^2}{\left|\right|{\mathrm{\&Gamma;x}}^{\left(k-1\right)}|{|}_2^2}$

其中，c₁表示預(yù)設(shè)的常數(shù)值，c₁∈[3,5]，M表示點(diǎn)擴(kuò)展函數(shù)中的有效值個(gè)數(shù)；

(8b)圖像正則化項(xiàng)R(x)^(k)：采用1范數(shù)進(jìn)行逼近，得到：

$R{\left(x\right)}^{\left(k\right)}=\left|\right|{W_R}^{\left(k\right)}{\mathrm{Tx}}^{(k-1)}|{|}_1\&ap;\underset{i=1}{\overset{N^{\&prime;}}{\&Sigma;}}{u_i}^{\left(k\right)}\sqrt{{\left({\mathrm{Tx}}^{(k-1)}\right)}_i^2+\mathrm{\&epsiv;}}$

則關(guān)于待恢復(fù)的高分辨率圖像的最小化問題寫為：

$\underset{x^{\left(k\right)}}{min}\frac{1}{2}\left|\right|W_F^{\left(k\right)(1/2)}(H^{(k-1)}{x}^{(k-1)}-y_s)|{|}_2^2+{\mathrm{\&lambda;}}^{\left(k\right)}\underset{i=1}{\overset{N^{\&prime;}}{\&Sigma;}}{u_i}^{\left(k\right)}\sqrt{{\left({\mathrm{Tx}}^{(k-1)}\right)}_i^2+\mathrm{\&epsiv;}}$

關(guān)于點(diǎn)擴(kuò)展函數(shù)的最小化問題寫為：

$\underset{h^{\left(k\right)}}{min}\frac{1}{2}\left|\right|W_F^{\left(k\right)(1/2)}(X^{(k-1)}{h}^{(k-1)}-y_s)|{|}_2^2+\frac{1}{2}{\mathrm{\&gamma;}}^{\left(k\right)}|\left|{\mathrm{\&Gamma;h}}^{(k-1)}\right|{|}_2^2$

(8c)采用縮放共軛梯度算法求解關(guān)于待恢復(fù)的高分辨率圖像的最小化問題，得到采用縮放共軛梯度算法得到的待恢復(fù)的高分辨率圖像；

(8d)采用邊緣增強(qiáng)預(yù)平滑算法對(duì)采用縮放共軛梯度算法得到的待恢復(fù)的高分辨率圖像進(jìn)行處理，得到第k次迭代之后的待恢復(fù)的高分辨率圖像x^(k)；

(8e)將第k次迭代之后的待恢復(fù)的高分辨率圖像x^(k)作為關(guān)于點(diǎn)擴(kuò)展函數(shù)的最小化問題：的輸入，采用縮放共軛梯度算法得到點(diǎn)擴(kuò)展函數(shù)；

(8f)對(duì)所述采用縮放共軛梯度算法得到的點(diǎn)擴(kuò)展函數(shù)進(jìn)行歸一化、正性和中心化約束，得到第k次迭代之后的點(diǎn)擴(kuò)展函數(shù)h^(k)。