一種星載Lidar 超混沌壓縮感知高空間分辨率成像方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及星載大光斑激光雷達探測和遙感圖像處理的技術(shù)領(lǐng)域，尤其設(shè)及一種 基于超混濁觀測矩陣的星載Lidar壓縮感知高空間分辨率成像方法。在Lidar高分辨成像、 高分辨率DEM、DSM獲取方面具有重要科學(xué)研究價值和實際工程意義。
【背景技術(shù)】
[0002] 星載Lidar是一種高效對地觀測方法，在地形測繪、環(huán)境監(jiān)測、森林調(diào)查等方面應(yīng) 用廣泛。根據(jù)Lidar地面光斑的大小，通常分為大光斑星載Lidar和小光斑機載Lidar兩 種類型，由于載荷飛行高度和Lidar激光光束發(fā)散角的限制，在地面上形成有一定面積的 光斑。大光斑激光雷達系統(tǒng)的光斑直徑一般為幾十米，掃描采樣間隔達到幾十米到百米，因 此其空間分辨率非常有限。鑒于此，本發(fā)明專利提出一種基于壓縮感知，提高大光斑星載 Lidar空間分辨率的方法。
[0003] 壓縮感知（壓縮采樣）是與化annon采樣完全不同的一種全新的信息采集與獲取 方法。運種方法在探測目標(biāo)稀疏先驗的前提下，通過隨機線性觀測，在很少的觀測數(shù)據(jù)（遠(yuǎn) 低于奈奎斯特采樣頻率）條件下，能高概率重構(gòu)連續(xù)空間的高分辨率二維圖像信息，為高 分辨率成像開辟了新的方向，運是本專利方法提高大光斑星載Lidar空間分辨率的理論基 礎(chǔ)。與傳統(tǒng)的高速采集方法不同，壓縮感知直接利用隨機觀測矩陣對稀疏信號進行多次線 性隨機觀測，將高維信號投影到低維空間再進行壓縮采樣，壓縮感數(shù)學(xué)模型如下：
[0004] y二Ox二OWa二貸a (4)
[0005] 式-4中y為壓縮感知觀測值向量，X為待獲取高分辨率地物場景，〇為觀測矩陣， W為稀疏表達基，a為高分辨率地物場景在稀疏基W空間的變換系數(shù)。本發(fā)明中采用超 混濁矩陣作為Lidar的觀測矩陣〇,驅(qū)動和更新DMD實現(xiàn)隨機觀測矩陣編碼、由ATO完成壓 縮采樣?；趬嚎s感知的理論方法，提出了一種基于FPGA硬件實現(xiàn)的超混濁觀測矩陣，提 高Lidar掃描成像空間分辨率，運與傳統(tǒng)Lidar掃描成像，再由插值獲取空間紋理信息的方 法不同。本專利方法在Lidar高分辨率成像、高分辨率DEM、DSM獲取方面具有重要科學(xué)研 究價值和實際工程意義。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明主要是解決現(xiàn)有技術(shù)所存在的技術(shù)問題；提供了一種在不影響探測效率的 情況下，提高了Lidar成像空間分辨率，且能有效減少數(shù)據(jù)傳輸數(shù)據(jù)量的基于超混濁觀測 矩陣的星載Lidar壓縮感知高空間分辨率成像方法。
[0007] 本發(fā)明還解決了現(xiàn)有技術(shù)所存在的另外一個問題；提供了一種不僅能獲得較高的 重構(gòu)精度、重現(xiàn)性好，且易于硬件實現(xiàn)，解決了CS理論工程應(yīng)用中偽隨機序列硬件難實現(xiàn) 問題。
[0008] 本發(fā)明的上述技術(shù)問題主要是通過下述方法得W解決的：
[0009] 一種星載Lidar超混濁壓縮感知高空間分辨率成像方法，其特征在于，包括W下 步驟：
[0010] 步驟1，星載激光雷達激光器發(fā)射激光信號，激光大光斑投影到地物目標(biāo)；
[0011] 步驟2,在星載控制模塊控制下，由FPGA控制超混濁觀測矩陣模塊實時生成超混 濁觀測矩陣，驅(qū)動并更新DMD微透鏡陣列；
[0012] 步驟3,Lidar大光斑回波信號經(jīng)透鏡聚光后，與步驟2中的更新的DMD微透鏡陣 列進行數(shù)字空間調(diào)制，然后發(fā)送給ATO雪崩光電二極管，采集回波信號，詳細(xì)步驟如下：
[001引步驟3. 1 :定義待觀測高分辨率圖像的行數(shù)：Ir，列數(shù)：Ic進行化XBe個分塊CS采樣；首先FPGA實時成大小為（Ir/Br)X(Ic/Bc)的超混濁觀測矩陣0e，并傳輸?shù)紻MD數(shù) 字調(diào)制系統(tǒng)；
[0014] 步驟3. 2 :在數(shù)字光學(xué)空間調(diào)制編碼中，超混濁CS觀測矩陣驅(qū)動更新DMD，與 ZIGZIG掃描遍歷圖像塊進行數(shù)字光學(xué)調(diào)制編碼，歷經(jīng)化XBe次調(diào)制后可W得到化XBe 個不同圖像子塊的調(diào)制編碼圖像；
[0015] 步驟3. 3 :空間調(diào)制后圖像信號，經(jīng)光路匯聚和ATO采集得到CS觀測值，并將觀測 值傳至重構(gòu)處理模塊；
[0016] 步驟3. 4:重復(fù)步驟3. 1至步驟3. 3,每個分塊子圖像的觀測次數(shù)為
其中M為不分塊情況下CS精確重構(gòu)所需要的觀測次數(shù)；每個子圖塊所得到 h 的觀測序列值均采用StOMP算法重構(gòu)，得到二維精細(xì)空間結(jié)構(gòu)信息，提高空間分辨率；
[0017] 步驟3. 5:將分塊重構(gòu)后的圖像通過無縫拼接和復(fù)原，得到全景重構(gòu)圖像；
[0018] 步驟4,星載控制器模塊輸出同步信號到采集系統(tǒng)，完成ATO雪崩光電二極管的CS 同步采集；
[0019] 步驟5,按照W上步驟2-4,W設(shè)定頻率產(chǎn)生并跟新混濁偽隨機觀測矩陣，同步采 集CS觀測值，并通過衛(wèi)星通信鏈路將CS采集數(shù)據(jù)傳輸?shù)降孛嫘l(wèi)星接收站；
[0020] 步驟6,高性能計算模塊利用接收到的CS觀測值和混濁數(shù)學(xué)模型重現(xiàn)觀測矩陣序 列，通過CS重構(gòu)算法完成目標(biāo)場景的重構(gòu)，獲取高分辨率圖像。
[0021] 上述一種星載Lidar超混濁壓縮感知高空間分辨率成像方法，所述步驟2中，生 成超混濁觀測矩陣的具體方法是一種基于Liu系統(tǒng)的含有非線性二次項的超混濁系統(tǒng)，該 混濁系統(tǒng)有兩個正的李雅普諾夫指數(shù)，有良好的非線性動力學(xué)特性，且理論證明該系統(tǒng)滿 足壓縮感知重構(gòu)RIP條件；混濁系統(tǒng)矩陣的數(shù)學(xué)模型為，
[0022]
式一 [002引具體步驟如下：
[0024] 步驟2. 1:連續(xù)數(shù)學(xué)模型的離散化處理；基于歐拉算法進行離散化，其中At取 0.004,其離散公式如下：
[00巧]
式二
[0026] 步驟2.2:離散模型的線性變換；為兼顧算法精度、硬件成本及產(chǎn)生混濁二進制信 號的效率，本發(fā)明采用32位寬來實現(xiàn)混濁定點運算，其中含符號位的整數(shù)部分為5位二進 制數(shù)，小數(shù)部分為27位二進制數(shù)；為了避免混濁數(shù)據(jù)產(chǎn)生溢出問題，需對原離散系統(tǒng)進行 線性變換和位深壓縮；線性變換后離散模型如下：
[0027]
式S
[002引步驟2. 3 :數(shù)字混濁系統(tǒng)設(shè)計與實現(xiàn)；矛u用Xilinx公司的SystemGeneratorfor DSP開發(fā)工具，由Simulink建模完成超混濁矩陣的FPGA設(shè)計，由公式S得到混濁吸引子； [002引步驟2. 4 :CS混濁觀測矩陣序列的生成；將混濁各分量截取低16位二進制數(shù)據(jù)， 再將X和W分量，y和Z分量分別進行異或處理，然后將得到的兩組16位數(shù)據(jù)進行順序組 合得到最終的32位二進制混濁數(shù)據(jù)；通過配置和運行SystemGenerator模塊產(chǎn)生流文件， 利用IMPACT燒寫到FPGA中；每個時間片產(chǎn)生一個32X32大小的混濁觀測矩陣。
[0030] 因此，本發(fā)明具有如下優(yōu)點：1，基于超混濁觀測矩陣的高空間分辨率星載Lidar 壓縮感知成像方法，在不影響探測效率的情況下，提高了Lidar成像空間分辨率，且能有效 減少數(shù)據(jù)傳輸數(shù)據(jù)量；2,不僅獲得了較高的重構(gòu)精度、重現(xiàn)性好，且易于硬件實現(xiàn)，解決了 CS理論工程應(yīng)用中偽隨機序列硬件難實現(xiàn)問題；3,提出的星載分塊CS-Lidar原型系統(tǒng)，與 非分塊CS成像方法相比較，有效降低了觀測矩陣的維數(shù)和重構(gòu)算法的運算量，重建時間復(fù) 雜度低。
【附圖說明】
[0031] 圖1是超混濁觀測矩陣的大光斑星載Lidar壓縮感知高空間分辨率成像方法的原 理圖。
[0032]圖2是分塊壓縮感知Lidar成像光學(xué)系統(tǒng)實驗室原型。
[0033] 圖3是數(shù)字空間光學(xué)調(diào)制系統(tǒng)與光電探測采集之間的同步模型。
[0034] 圖4-a是y-w各分量混濁吸引子圖。
[0035] 圖4-b是X-Z各分量混濁吸引子圖。
[0036] 圖4-C是x-y各分量混濁吸引子圖。
[0037] 圖5-A1是Lfsr方法生成的偽隨機觀測矩陣
[0038] 圖5-A2是To巧litz方法生成的偽隨機觀測矩陣
[0039] 圖5-A3是Hyper-chaos方法生成的偽隨機觀測矩陣
[0040] 圖5-B1/圖5-B2/圖5-B3是不同空間結(jié)構(gòu)信息場景，不同觀測次數(shù)超混濁觀測 矩陣的CS觀測與重構(gòu)結(jié)果對比（中文文字）。
[0041] 圖5-B2是不同空間結(jié)構(gòu)信息場景，不同觀測次數(shù)超混濁觀測矩陣的CS觀測與重 構(gòu)結(jié)果對比（飛機目標(biāo)）。
[0042] 圖5-B3是不同空間結(jié)構(gòu)信息場景，不同觀測次數(shù)超混濁