一种基于仿真模型的星载SAR成像优化方法、设备及介质与流程

本说明书涉及雷达，尤其涉及一种基于仿真模型的星载sar成像优化方法、设备及介质。

背景技术：

1、星载合成孔径雷达（synthetic aperture radar, sar）具有全天候、全天时和高分辨率成像能力，广泛应用于军事和民用各个领域。根据合成孔径雷达的组成特点，为确保地面雷达回波信号强度在接收机最佳动态范围内，保证sar图像质量，需要正确设置星上雷达接收机增益控制参数。

2、在sar卫星发射前，需要根据sar参数和全球地物雷达散射截面（radar crosssection，rcs），计算每次sar成像，星上雷达接收机增益控制参数数值。雷达散射截面是描述地物与雷达波之间相互作用的重要参数，表征了目标在雷达波照射下所产生的回波强度。然而，不同波段、不同入射角、不同极化方式以及不同地物的雷达散射截面差异巨大，目前的地物分类较多，无法贴近实际的地物分布，传统的散射模型中可预测的地物类型有限，无法满足多种典型地物的仿真需求，难以对雷达散射截面准确预测，进而导致星载sar成像质量无法满足要求。

技术实现思路

1、本说明书一个或多个实施例提供了一种基于仿真模型的星载sar成像优化方法、设备及介质，用于解决如下技术问题：目前的地物分类较多，无法贴近实际的地物分布，传统的散射模型中可预测的地物类型有限，无法满足多种典型地物的仿真需求，难以对雷达散射截面准确预测，进而导致星载sar成像质量无法满足要求。

2、本说明书一个或多个实施例采用下述技术方案：

3、本说明书一个或多个实施例提供一种基于仿真模型的星载sar成像优化方法，所述方法包括：获取星载合成孔径雷达的当前发射参数、指定仿真位置和全球地物分类数据，其中，所述发射参数包括当前雷达波段、当前入射角和当前极化方式，所述全球地物分类数据中包括预设数量个类型的地物；对所述全球地物分类数据中的地物类型进行重分类，得到指定数量个类型的地物分类数据，以通过所述指定数量个类型的地物分类数据，确定所述指定仿真位置的当前地物类型，其中，所述指定数量小于所述预设数量；对预先构建的初始雷达散射截面仿真模型进行修正，得到修正后的优化雷达散射截面仿真模型，以确定所述当前地物类型对应的当前优化雷达散射截面仿真模型，其中，所述优化雷达散射截面仿真模型包括所述指定数量个类型的地物仿真模型，以及每个地物类型的地物仿真模型对应的至少一个修正参数；将所述当前发射参数输入至所述当前优化雷达散射截面仿真模型中，得到对应的当前预测雷达散射截面，通过所述当前预测雷达散射截面和所述当前发射参数，确定雷达接收机的增益控制参数，实现星载sar成像的优化。

4、进一步地，对所述全球地物分类数据中的地物类型进行重分类，得到指定数量个类型的地物分类数据，具体包括：获取所述全球地物分类数据中的分类栅格数据，以确定指定仿真位置在所述全球地物分类数据中的原始地物类型，其中，所述原始地物类型包括云、水体、林地、草地、灌木、建筑、裸地、雪/冰、淹没植被和耕地中的任意一项；当所述原始地物类型为云时，获取所述指定仿真位置对应的云像素位置，基于所述云像素位置，进行外延区域像素读取，确定像素数量最多的指定地物类型，其中，所述指定地物类型包括水体、林地、草地、灌木、建筑、裸地、雪/冰、淹没植被和耕地中的任意一项；当所述指定地物类型不为云时，将所述指定地物类型作为所述指定仿真位置对应的重分类地物类型。

5、进一步地，基于所述云像素位置，进行外延区域像素读取，确定像素数量最多的指定地物类型，具体包括：以所述云像素位置为中心，建立像素窗口，其中，所述像素窗口的尺寸为预设初始尺寸；根据所述全球地物分类数据，统计所述像素窗口内各个地物类型对应的像素个数；当所述像素窗口内各个地物类型对应的像素个数均相同时，对所述像素窗口进行扩大，得到扩展像素窗口；根据所述全球地物分类数据，统计所述扩展像素窗口内各个地物类型对应的像素个数，将所述像素窗口内像素个数最多的地物类型作为指定地物类型。

6、进一步地，对预先构建的初始雷达散射截面仿真模型进行修正，得到修正后的优化雷达散射截面仿真模型，具体包括：获取不同入射参数对应的不同地物的历史雷达散射截面数据范围；对所述历史雷达散射截面数据范围进行数据分析，获取所述历史雷达散射截面数据范围中的每种地物类型对应的多个指定雷达散射截面数据，其中，每个所述指定雷达散射截面数据包括波动最大值和波动最小值；建立所述指定雷达散射截面数据、仿真入射参数和地物类型的映射关系；基于所述映射关系，对所述预先构建的初始雷达散射截面仿真模型进行修正，得到修正后的优化雷达散射截面仿真模型。

7、进一步地，基于所述映射关系，对所述预先构建的初始雷达散射截面仿真模型进行修正，得到修正后的优化雷达散射截面仿真模型，具体包括：基于所述映射关系，获取所述指定雷达散射截面数据中的波动最大值和波动最小值，确定所述波动最大值对应的第一仿真入射参数、所述波动最小值对应的第二仿真入射参数和对应的地物类型；将所述第一仿真入射参数，输入至所述地物类型对应的初始雷达散射截面仿真模型中，得到第一仿真雷达散射截面数据；将所述第二仿真入射参数，输入至所述地物类型对应的初始雷达散射截面仿真模型中，得到第二仿真雷达散射截面数据；通过所述波动最大值、所述第一仿真雷达散射截面数据、所述波动最小值和所述第二仿真雷达散射截面数据，对所述初始雷达散射截面仿真模型进行修正，得到修正后的优化雷达散射截面仿真模型。

8、进一步地，通过所述波动最大值、所述第一仿真雷达散射截面数据、所述波动最小值和所述第二仿真雷达散射截面数据，对所述初始雷达散射截面仿真模型进行修正，得到修正后的优化雷达散射截面仿真模型，具体包括：根据所述波动最大值和所述第一仿真雷达散射截面数据，确定第一误差数据；根据所述波动最小值和所述第二仿真雷达散射截面数据，确定第二误差数据；当所述第一误差数据和所述第二误差数据中的任意一个大于预设阈值时，以所述波动最大值和所述波动最小值作为约束条件，对所述初始雷达散射截面仿真模型中的仿真参数进行修正，得到修正后的优化雷达散射截面仿真模型。

9、进一步地，所述预先构建的初始雷达散射截面仿真模型包括水体散射截面仿真模型和其他地物散射截面仿真模型；所述水体散射截面仿真模型由以下公式表示：；所述其他地物散射截面仿真模型由以下公式表示：；其中，为散射截面，，为雷达入射角，f是雷达工作频率，a和β0为不同地物类型对应的待修正仿真参数。

10、进一步地，对预先构建的初始雷达散射截面仿真模型进行修正，得到修正后的优化雷达散射截面仿真模型之后，所述方法还包括：获取雷达系统的发射参数，其中，所述发射参数包括波段类型、极化方式和入射角；将所述发射参数中的所述波段类型和所述极化方式设置为固定值，将所述入射角度设置为指定角度范围中的多个指定入射角度，以得到多个输入发射参数；将每个所述输入发射参数输入至每种地物类型对应的优化雷达散射截面仿真模型中进行仿真实验，得到每种地物类型对应的不同入射角度下输出雷达散射截面；基于每种地物类型对应的不同入射角度下输出雷达散射截面和对应的多个所述指定入射角度，生成雷达散射截面曲线，以通过所述雷达散射截面曲线，确定不同地物类型下的参考入射角度。

11、本说明书一个或多个实施例提供一种基于仿真模型的星载sar成像优化设备，包括：

12、至少一个处理器；以及，

13、与所述至少一个处理器通信连接的存储器；其中，

14、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

15、获取星载合成孔径雷达的当前发射参数、指定仿真位置和全球地物分类数据，其中，所述发射参数包括当前雷达波段、当前入射角和当前极化方式，所述全球地物分类数据中包括预设数量个类型的地物；对所述全球地物分类数据中的地物类型进行重分类，得到指定数量个类型的地物分类数据，以通过所述指定数量个类型的地物分类数据，确定所述指定仿真位置的当前地物类型，其中，所述指定数量小于所述预设数量；对预先构建的初始雷达散射截面仿真模型进行修正，得到修正后的优化雷达散射截面仿真模型，以确定所述当前地物类型对应的当前优化雷达散射截面仿真模型，其中，所述优化雷达散射截面仿真模型包括所述指定数量个类型的地物仿真模型，以及每个地物类型的地物仿真模型对应的至少一个修正参数；将所述当前发射参数输入至所述当前优化雷达散射截面仿真模型中，得到对应的当前预测雷达散射截面，通过所述当前预测雷达散射截面和所述当前发射参数，确定雷达接收机的增益控制参数，实现星载sar成像的优化。

16、本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

17、获取星载合成孔径雷达的当前发射参数、指定仿真位置和全球地物分类数据，其中，所述发射参数包括当前雷达波段、当前入射角和当前极化方式，所述全球地物分类数据中包括预设数量个类型的地物；对所述全球地物分类数据中的地物类型进行重分类，得到指定数量个类型的地物分类数据，以通过所述指定数量个类型的地物分类数据，确定所述指定仿真位置的当前地物类型，其中，所述指定数量小于所述预设数量；对预先构建的初始雷达散射截面仿真模型进行修正，得到修正后的优化雷达散射截面仿真模型，以确定所述当前地物类型对应的当前优化雷达散射截面仿真模型，其中，所述优化雷达散射截面仿真模型包括所述指定数量个类型的地物仿真模型，以及每个地物类型的地物仿真模型对应的至少一个修正参数；将所述当前发射参数输入至所述当前优化雷达散射截面仿真模型中，得到对应的当前预测雷达散射截面，通过所述当前预测雷达散射截面和所述当前发射参数，确定雷达接收机的增益控制参数，实现星载sar成像的优化。

18、本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过上述技术方案，通过对全球地物分类数据进行重分类，使得重分类后的地物类型可以满足实际的地物分类情况，由于每类地物都具有独特的散射特性，需要针对性地进行模拟和预测，对地物进行分析和归纳，形成存在差异的九种地物类型，具有整体覆盖性，更加贴切星载sar应用场景；同时考虑地物类型、波段和入射角等多个因素对雷达散射截面的影响，从而可以更加准确地预测不同地物的雷达散射截面，基于修正仿真模型和地物分类数据，结合了地物分类数据和修正后模型，可以更加贴近实际地物分布，从而提高了雷达散射截面仿真结果的可靠性和实用性；进而提高了雷达接收机的增益控制参数的准确度和针对性，进一步实现了星载sar成像的优化。