CN105116412A - 一种宽带雷达isar图像性能定量判别方法 - Google Patents
一种宽带雷达isar图像性能定量判别方法 Download PDFInfo
- Publication number
- CN105116412A CN105116412A CN201510530415.4A CN201510530415A CN105116412A CN 105116412 A CN105116412 A CN 105116412A CN 201510530415 A CN201510530415 A CN 201510530415A CN 105116412 A CN105116412 A CN 105116412A
- Authority
- CN
- China
- Prior art keywords
- evaluation index
- evaluation
- isar
- index
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种宽带雷达ISAR图像性能定量判别方法,首先对待判别ISAR图像进行点目标指标、面目标指标、信息量指标及对比度指标的评估,获得共10个评估指标的评估值;其中,点目标指标由RPSLR、RISLR、APSLR、AISLR组成;面目标指标由图像均值、方差、等效视数、辐射分辨率组成;对评估指标进行量化后代入基于线性加权和准则的ISAR图像性能的定量判别模型,获得ISAR图像性能综合判别值G,G越大表明图像性能越好,反之越差。本发明能够在无需用户参与的前提下完成ISAR图像性能的客观定量评估判别,而且能够提高ISAR图像性能判别的准确性。
Description
技术领域
本发明涉及雷达测量中的宽带图像处理和应用技术,特别涉及一种宽带雷达ISAR图像性能定量判别方法。
背景技术
逆合成孔径雷达(InverseSyntheticRadar,ISAR)利用宽带信号获得距离维的分辨率,利用运动目标相对于静止雷达所产生的逆合成孔径获得方位维的分辨率,通过信号处理方法可获得目标的高分辨ISAR图像。ISAR成像技术在诸多领域都发挥了重要作用。专门针对ISAR图像建立一种有效的图像性能判别方法具有重要意义。一方面,可以利用判别方法有效提高ISAR图像的性能,获得高清晰、可视化的ISAR图像;另一方面,通过判别方法对图像的过滤,可以实现对图像的自动筛选,缩短目标识别时间,提高目标识别概率。
然而,ISAR图像与光学图像有着本质的区别,传统的图像评估技术无法适用,所以ISAR图像性能的评估判别一直是一个难点问题,而且相关的研究极少,未建立相应的评估方法,因此需研究建立一种有效的ISAR图像性能判别方法,能够提高ISAR图像性能判别的准确性。
发明内容
有鉴于此,本发明提供了一种宽带雷达ISAR图像性能定量判别方法,能够在无需用户参与的前提下完成ISAR图像性能的客观定量评估判别,而且能够提高ISAR图像性能判别的准确性。
为了解决上述技术问题,本发明是这样实现的:
一种宽带雷达ISAR图像性能定量判别方法,包括:
步骤一、获得待判别ISAR图像的二维数据矩阵;利用二维数据矩阵进行点目标指标、面目标指标、信息量指标及对比度指标的评估,获得共10个评估指标的评估值;
其中,点目标指标由区域目标相干相关函数的距离向峰值旁瓣比RPSLR、距离向积分旁瓣比RISLR、方位向峰值旁瓣比APSLR、方位向积分旁瓣比AISLR组成;面目标指标由图像均值、方差、等效视数、辐射分辨率组成;
步骤二、对10个评估指标值的评估值进行量化获得量化评估值Gk,k=1,2,…,10;
步骤三、将量化评估值Gk代入基于线性加权和准则的ISAR图像性能的定量判别模型,获得ISAR图像性能综合判别值G,G越大表明图像性能越好,反之越差:
其中,fk表示第k个评估指标相应的权重系数,且满足权重系数是预先根据ISAR图像样本获得的评估指标随ISAR图像性能变化的敏感度表征量,敏感度越高,权重系数越大。
优选地,所述步骤二的量化方式为:
若评估指标的评估值越小,代表图像性能越好,则该评估指标的量化方式为:
若评估指标的评估值越大,代表图像性能越好,则该评估指标在模型中的量化方式为:
其中,
Gk表示第k个评估指标的量化评估值;
表示对待评估的第i幅ISAR图像进行判别时,在步骤一获得的第k个评估指标的评估值;
和分别表示待评估的所有ISAR图像中第k个评估指标的评估值的最大值和最小值。
优选地,基于线性加权和准则的ISAR图像性能的定量判别模型中权重系数的获取方式为:
第1步:选取ISAR的n个雷达参数,n为大于或等于1的整数;
第2步:取一个雷达参数作为当前雷达参数,改变当前雷达参数,其他雷达参数不变,得到不同质量的ISAR图像,作为样本图像;利用10个评估指标对各样本图像进行评估,获得各样本图像的评估指标;针对每个评估指标随当前雷达参数变化的曲线进行线性拟合,获得拟合直线;拟合直线的斜率作为敏感度定量分析结果,直线斜率越大,表明相应评估指标对当前雷达参数变化引起的图像性能变化的敏感度越高;本步骤获得当前雷达参数对应的一组敏感度定量分析结果;
第3步:按照第2步的做法,遍历第1步选取的n个雷达参数,共获得n组敏感度定量分析结果;
第4步:对相同评估指标对应的n个敏感度定量分析结果求平均,获得n个敏感度平均值;
第5步:根据各评估指标在模型中所占的权重系数与敏感度平均值成正比,确定出10个评估指标的权重系数。
优选地,第1步选取n=3个雷达参数,包括带宽、成像积累脉冲数和信噪比。
有益效果:
(1)本发明提出了一种基于线性加权和准则的ISAR图像性能定量判别方法。ISAR图像的性能可由点目标评估指标、面目标评估指标、信息熵、对比度等多种客观评估指标进行评估,综合各评估指标建立ISAR图像性能的定量评估判别模型。而且,本发明选取的评估指标数量有限,但是反映全面,评估准确度高。
(2)本发明在确定权重系数时,并非人为确定,而是根据仿真图像进行统计获得,统计时依据指标对图像参数变化的敏感度获取,而且获取时以直线来进行拟合,符合实际情况,使得权重表达的更为准确。
敏感度越高的评估指标,其对于图像性能的评估判别越有效,在模型中所占的权重系数应越大。根据定量分析结果,可确定各评估指标在模型中所占的权重系数,建立综合的ISAR图像性能定量判别模型,得出图像性能的评估值。
(3)本发明选取了能够直接影响ISAR图像性能的三个仿真参数,包括带宽、成像积累脉冲数和信噪比,从这三个客观因素出发,通过仿真实验,对各评估指标对于这三个客观因素变化的敏感度进行分析。为了获得准确的权重系数奠定了基础,而且也减少了仿真的工作量。
总之,该模型综合考虑了各种评估指标及其权重系数,具有较高的可靠性和稳健性,可对宽带雷达ISAR图像进行客观定量评估判别。
附图说明
图1为不同评估指标随成像积累脉冲数变化的曲线;其中,(a)为点目标评估指标;(b)为面目标评估指标;(c)为信息熵和对比度;
图2为不同评估指标随成像积累脉冲数变化曲线的线性拟合结果;其中,(a)为点目标评估指标;(b)为面目标评估指标;(c)为信息熵和对比度。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明的判别对象为ISAR图像的二维矩阵数据,首先针对ISAR图像的二维矩阵数据分别进行点目标指标、面目标指标、信息量指标及对比度指标评估。
本发明选取的点目标指标包括区域目标相干相关函数的距离向峰值旁瓣比(RangePeakSideLobeRatio,RPSLR)、距离向积分旁瓣比(RangeIntegratedSideLobeRatio,RISLR)、方位向峰值旁瓣比(AzimuthPeakSideLobeRatio,APSLR)、方位向积分旁瓣比(AzimuthIntegratedSideLobeRatio,AISLR);
本发明选取的面目标指标包括图像均值、方差、等效视数、辐射分辨率;其中,由于原始图像包含背景,进行图像分割后再对目标部分进行面目标指标计算。
本发明选取的评估指标包含点目标指标、面目标指标、信息量指标及对比度指标,这些指标基本涵盖了可有效表征ISAR图像性能各个方面的评估指标,其中点目标指标和面目标指标均选取了目前常用的一些典型评估指标,从而保证了评估模型的全面性。
但这10个评估指标代表的含义和取值范围不同,难以从这10个评估指标值得出图像质量的最终结论,需要将它们综合起来,构建统一的判别模型进行判别。本发明采用线性加权合法建立综合评估判别模型。
线性加权合法又称加权算术平均算子法,是指应用线性模型进行评价的一种整体评价方法。本发明基于线性加权和准则的ISAR图像性能的定量判别模型为:
其中,G表示ISAR图像性能综合判别值;
Gk(k=1,2,…10)分别表示10个评估指标在模型中的评估值,这里指的是量化评估值;
fk(k=1,2,…10)分别表示各评估指标相应的权重系数,且满足
下面说明评估指标的量化评估值及其权重系数的获取方式。
(1)Gk(k=1,2,…,10)由以下方法确定:
若评估指标的评估值越小,代表图像性能越好,则该评估指标在模型中的量化评估值为:
若评估指标的评估值越大,代表图像性能越好,则该评估指标在模型中的量化评估值为:
其中,Gk表示第k个评估指标的量化评估值;
表示对待评估的第i幅ISAR图像进行判别时,第k个评估指标的评估值;
和分别表示待评估的所有ISAR图像中第k个评估指标的评估值的最大值和最小值;这个模型是用于对两幅或两幅以上的图像进行评估,判别出图像质量的好坏,因为对单幅图像的评估意义不大,对所有图像计算同一个评估指标,找出最大和最小值,用于归一量化,保证量化后的所有指标都在0到1之间。
(2)fk(k=1,2,…,10)由以下方法确定:
第1步:选取可直接影响ISAR图像性能的n个雷达参数,n为大于或等于1的整数;
第2步:取一个雷达参数作为当前雷达参数,改变当前雷达参数,其他雷达参数不变,得到不同质量的ISAR图像,作为样本图像;利用10个评估指标对各样本图像进行评估,获得各样本图像的评估指标;针对每个评估指标随当前雷达参数变化的曲线进行线性拟合,获得拟合直线;拟合直线的斜率作为敏感度定量分析结果,直线斜率越大,表明相应评估指标对当前雷达参数变化引起的图像性能变化的敏感度越高;本步骤获得当前雷达参数对应的一组敏感度定量分析结果;
第3步:按照第2步的做法,遍历第1步选取的n个雷达参数,共获得n组敏感度定量分析结果;
第4步:对相同评估指标对应的n个敏感度定量分析结果求平均,获得n个敏感度平均值;
第5步:根据各评估指标在模型中所占的权重系数与敏感度平均值成正比,确定出10个评估指标的权重系数。
在ISAR成像过程中,信号带宽及成像积累脉冲数能够对ISAR图像的距离向和方位向聚焦程度产生直接影响。另外,图像信噪比也是衡量ISAR图像性能的一个重要因素。因此,考虑基于各评估指标对于这三个因素变化的敏感程度来确定其权重系数。敏感度越高,表明参数对于ISAR图像性能变化的敏感度越高,即判别结果越准确。
结合此处应用,分别改变仿真参数中的带宽、成像积累脉冲数及信噪比,可得到不同质量的ISAR图像,作为样本,利用各评估指标对样本ISAR图像进行评估,各评估结果由于带宽、成像积累脉冲数及信噪比的不同而不同,即表现出对于这三个因素变化的敏感度,统计分析结果表明各参数的敏感度不同。
以成像积累脉冲数这一因素为例,在其它条件不变的情况下,改变脉冲数,各评估指标随脉冲数的变化均近似为线性,但变化程度不同,即敏感度不同,如图1(a)~图1(c)所示。为得到定量的敏感度分析结果,可对各评估指标的变化曲线进行线性拟合,如图2(a)~图2(c)所示,拟合后的直线斜率越大,则表明此评估指标对脉冲数变化引起的图像性能变化的敏感度越高,即评估结果越准确。因此,拟合后的直线斜率可作为定量的敏感度分析结果,成像积累脉冲数的敏感度分析结果如表1所示。以同样的方法对带宽及信噪比的敏感度进行分析,得到各评估指标对于这三个因素的敏感度定量分析结果综合如表2所示。
表1各评估指标的成像积累脉冲数敏感度
评估指标 | 脉冲数敏感度(e-4) |
RPSLR | 0.1225 |
RISLR | 0.1252 |
APSLR | 0.2505 |
AISLR | 1.1122 |
均值 | -0.1292 |
方差 | 0.6961 |
等效视数 | 0.4467 |
辐射分辨率 | 0.0570 |
信息熵 | 0.3209 |
对比度 | 0.0219 |
表2各评估指标的成像积累脉冲数敏感度
各评估指标在模型中所占的权重系数与敏感度成正比,且需满足则根据各评估指标的带宽、脉冲数及信噪比敏感度得出的权重系数1、2、3及平均权值系数如表3所示。考虑到各因素对于图像性能的影响相互独立,因此将平均权值系数作为各评估指标在模型中的权重系数fk(k=1,2,…,10)。
表3各评估指标的权重系数
评估指标 | 权重系数1 | 权重系数2 | 权重系数3 | 平均权重系数 |
RPSLR | 0.2308 | 0.0405 | 0.0843 | 0.1185 |
RISLR | 0.1436 | 0.0414 | 0.107 | 0.0973 |
APSLR | 0.0510 | 0.0828 | 0.0701 | 0.0680 |
AISLR | 0.1335 | 0.3678 | 0.2057 | 0.2357 |
均值 | -0.0404 | -0.0427 | -0.0018 | -0.0283 |
方差 | 0.1599 | 0.2302 | 0.0016 | 0.1306 |
等效视数 | 0.0807 | 0.1477 | -0.0021 | 0.0754 |
辐射分辨率 | 0.0103 | 0.0189 | -0.0003 | 0.0096 |
信息熵 | 0.1712 | 0.1061 | 0.3573 | 0.2115 |
对比度 | 0.0593 | 0.0072 | 0.1782 | 0.0816 |
最终,基于上述模型可对ISAR图像性能进行评估判别,评估值G在0到1之间,数值越大,表明ISAR图像性能越好,反之越差。
在实际进行判别时,执行如下步骤:
步骤一、获得待判别ISAR图像的二维数据矩阵,首先进行点目标指标评估,得到区域目标相干相关函数的RPSLR、RISLR、APSLR、AISLR;其次进行面目标指标评估,需先进行图像分割,将目标和背景区域区分开,则目标区域为面目标,再计算图像均值、方差、等效视数、辐射分辨率等面目标指标;然后进行信息量及对比度指标评估,即计算图像的信息熵和对比度。
步骤二、对10个评估指标值的评估值进行量化获得量化评估值。
步骤三、将10个评估指标的量化评估值代入本发明提出的基于线性加权和准则的ISAR图像性能的定量判别模型,根据各评估指标在模型中的评估值及其相应的权重系数,计算得出图像性能综合评估值。评估值G在0到1之间,数值越大,表明图像性能越好,反之越差,由此可得出性能最优的ISAR成像结果。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种宽带雷达ISAR图像性能定量判别方法,其特征在于,包括:
步骤一、获得待判别ISAR图像的二维数据矩阵;利用二维数据矩阵进行点目标指标、面目标指标、信息量指标及对比度指标的评估,获得共10个评估指标的评估值;
其中,点目标指标由区域目标相干相关函数的距离向峰值旁瓣比RPSLR、距离向积分旁瓣比RISLR、方位向峰值旁瓣比APSLR、方位向积分旁瓣比AISLR组成;面目标指标由图像均值、方差、等效视数、辐射分辨率组成;
步骤二、对10个评估指标值的评估值进行量化获得量化评估值Gk,k=1,2,…,10;
步骤三、将量化评估值Gk代入基于线性加权和准则的ISAR图像性能的定量判别模型,获得ISAR图像性能综合判别值G,G越大表明图像性能越好,反之越差:
其中,fk表示第k个评估指标相应的权重系数,且满足权重系数是预先根据ISAR图像样本获得的评估指标随ISAR图像性能变化的敏感度表征量,敏感度越高,权重系数越大。
2.如权利要求1所述的判别方法,其特征在于,所述步骤二的量化方式为:
若评估指标的评估值越小,代表图像性能越好,则该评估指标的量化方式为:
若评估指标的评估值越大,代表图像性能越好,则该评估指标在模型中的量化方式为:
其中,
Gk表示第k个评估指标的量化评估值;
表示对待评估的第i幅ISAR图像进行判别时,在步骤一获得的第k个评估指标的评估值;
和分别表示待评估的所有ISAR图像中第k个评估指标的评估值的最大值和最小值。
3.如权利要求1所述的判别方法,其特征在于,基于线性加权和准则的ISAR图像性能的定量判别模型中权重系数的获取方式为:
第1步:选取ISAR的n个雷达参数,n为大于或等于1的整数;
第2步:取一个雷达参数作为当前雷达参数,改变当前雷达参数,其他雷达参数不变,得到不同质量的ISAR图像,作为样本图像;利用10个评估指标对各样本图像进行评估,获得各样本图像的评估指标;针对每个评估指标随当前雷达参数变化的曲线进行线性拟合,获得拟合直线;拟合直线的斜率作为敏感度定量分析结果,直线斜率越大,表明相应评估指标对当前雷达参数变化引起的图像性能变化的敏感度越高;本步骤获得当前雷达参数对应的一组敏感度定量分析结果;
第3步:按照第2步的做法,遍历第1步选取的n个雷达参数,共获得n组敏感度定量分析结果;
第4步:对相同评估指标对应的n个敏感度定量分析结果求平均,获得n个敏感度平均值;
第5步:根据各评估指标在模型中所占的权重系数与敏感度平均值成正比,确定出10个评估指标的权重系数。
4.如权利要求3所述的判别方法,其特征在于,第1步选取n=3个雷达参数,包括带宽、成像积累脉冲数和信噪比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510530415.4A CN105116412B (zh) | 2015-08-26 | 2015-08-26 | 一种宽带雷达isar图像性能定量判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510530415.4A CN105116412B (zh) | 2015-08-26 | 2015-08-26 | 一种宽带雷达isar图像性能定量判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105116412A true CN105116412A (zh) | 2015-12-02 |
CN105116412B CN105116412B (zh) | 2017-07-07 |
Family
ID=54664445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510530415.4A Expired - Fee Related CN105116412B (zh) | 2015-08-26 | 2015-08-26 | 一种宽带雷达isar图像性能定量判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105116412B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451608A (zh) * | 2017-07-21 | 2017-12-08 | 西安电子科技大学 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
CN109854230A (zh) * | 2017-11-30 | 2019-06-07 | 中国石油天然气股份有限公司 | 井的测试方法及装置 |
CN110275142A (zh) * | 2019-05-16 | 2019-09-24 | 中国人民解放军63921部队 | 一种宽带雷达直采数据预处理方法 |
CN111914898A (zh) * | 2020-06-30 | 2020-11-10 | 电子科技大学 | 一种基于自适应阈值的机载sar任务适应性评估方法 |
CN115128548A (zh) * | 2022-05-27 | 2022-09-30 | 西安电子科技大学杭州研究院 | 一种sar射频干扰检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825700A (zh) * | 2010-04-20 | 2010-09-08 | 北京航空航天大学 | 一种sar图像点目标评估方法 |
CN103336270A (zh) * | 2013-03-29 | 2013-10-02 | 重庆大学 | Isar图像成像质量评定方法 |
CN103955921A (zh) * | 2014-04-17 | 2014-07-30 | 杭州电子科技大学 | 基于人眼视觉特征和分块分析法的图像噪声估计方法 |
CN105956159A (zh) * | 2016-05-13 | 2016-09-21 | 浙江科技学院 | 一种评价图像质量客观方法综合效率的算法 |
-
2015
- 2015-08-26 CN CN201510530415.4A patent/CN105116412B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825700A (zh) * | 2010-04-20 | 2010-09-08 | 北京航空航天大学 | 一种sar图像点目标评估方法 |
CN103336270A (zh) * | 2013-03-29 | 2013-10-02 | 重庆大学 | Isar图像成像质量评定方法 |
CN103955921A (zh) * | 2014-04-17 | 2014-07-30 | 杭州电子科技大学 | 基于人眼视觉特征和分块分析法的图像噪声估计方法 |
CN105956159A (zh) * | 2016-05-13 | 2016-09-21 | 浙江科技学院 | 一种评价图像质量客观方法综合效率的算法 |
Non-Patent Citations (1)
Title |
---|
句彦伟 等: "《ISAR图像质量评估方法》", 《系统工程与电子技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451608A (zh) * | 2017-07-21 | 2017-12-08 | 西安电子科技大学 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
CN107451608B (zh) * | 2017-07-21 | 2020-08-04 | 西安电子科技大学 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
CN109854230A (zh) * | 2017-11-30 | 2019-06-07 | 中国石油天然气股份有限公司 | 井的测试方法及装置 |
CN109854230B (zh) * | 2017-11-30 | 2022-05-10 | 中国石油天然气股份有限公司 | 井的测试方法及装置 |
CN110275142A (zh) * | 2019-05-16 | 2019-09-24 | 中国人民解放军63921部队 | 一种宽带雷达直采数据预处理方法 |
CN110275142B (zh) * | 2019-05-16 | 2021-04-13 | 中国人民解放军63921部队 | 一种宽带雷达直采数据预处理方法 |
CN111914898A (zh) * | 2020-06-30 | 2020-11-10 | 电子科技大学 | 一种基于自适应阈值的机载sar任务适应性评估方法 |
CN111914898B (zh) * | 2020-06-30 | 2022-06-28 | 电子科技大学 | 一种基于自适应阈值的机载sar任务适应性评估方法 |
CN115128548A (zh) * | 2022-05-27 | 2022-09-30 | 西安电子科技大学杭州研究院 | 一种sar射频干扰检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105116412B (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105116412A (zh) | 一种宽带雷达isar图像性能定量判别方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
BARBER et al. | SAR sea ice discrimination using texture statistics- A multivariate approach | |
Di Martino et al. | Benchmarking framework for SAR despeckling | |
US6366870B2 (en) | Identification of features in indexed data and equipment therefore | |
CN100510774C (zh) | 一种合成孔径雷达图像自适应斑点噪声抑制方法 | |
DE102008060789A1 (de) | System und Verfahren zur nicht überwachten Detektion und Gleason-Abstufung für ein Prostatakrebspräparat (Whole-Mount) unter Verwendung von NIR Fluoreszenz | |
CN102567996A (zh) | 一种遥感卫星图像质量评价的方法 | |
CN105678734B (zh) | 一种图像匹配系统的异源测试图像标定方法 | |
CN105931257A (zh) | 基于纹理特征和结构相似度的sar图像质量评估方法 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN104616294A (zh) | 一种基于视觉显著性的色调映射图像质量评价方法 | |
CN104236859A (zh) | 一种星载面阵ccd相机点扩散函数测量装置及方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
CN102254185B (zh) | 基于对比度敏感函数的背景杂波量化方法 | |
CN116740579B (zh) | 一种国土空间规划数据智能采集方法 | |
CN104050678A (zh) | 水下监测彩色图像质量测量方法 | |
CN104198998A (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN112462367B (zh) | 一种基于极化合成孔径雷达的车辆检测方法 | |
CN112818762A (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
DE102011109503B4 (de) | Qualitätsabhängige Modellierung von Radar-Rückstreuung | |
Spagnolo et al. | Forensic metrology: uncertainty of measurements in forensic analysis | |
CN114563771A (zh) | 基于聚类分析的双阈值激光雷达云层检测算法 | |
Mánek et al. | Improved algorithms for determination of particle directions with Timepix3 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170707 Termination date: 20200826 |
|
CF01 | Termination of patent right due to non-payment of annual fee |