CN105184305A - 基于空域混合模型的高分辨sar图像目标检测方法 - Google Patents

基于空域混合模型的高分辨sar图像目标检测方法 Download PDF

Info

Publication number
CN105184305A
CN105184305A CN201510397659.XA CN201510397659A CN105184305A CN 105184305 A CN105184305 A CN 105184305A CN 201510397659 A CN201510397659 A CN 201510397659A CN 105184305 A CN105184305 A CN 105184305A
Authority
CN
China
Prior art keywords
target
distribution
sar image
high resolution
image
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
Application number
CN201510397659.XA
Other languages
English (en)
Other versions
CN105184305B (zh
Inventor
侯彪
焦李成
刘达
姚若玉
马晶晶
马文萍
张涛
刘闯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201510397659.XA priority Critical patent/CN105184305B/zh
Publication of CN105184305A publication Critical patent/CN105184305A/zh
Application granted granted Critical
Publication of CN105184305B publication Critical patent/CN105184305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133Distances to prototypes

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于空域混合模型的高分辨SAR图像车辆目标检测方法,它属于图像处理技术领域,主要解决传统目标检测方法在检测超高分辨SAR图像目标时出现目标不连续、虚警等问题。其检测过程为:建立混合模型并从图像中提取样本进行训练得到四阶函数分布、高斯分布和广义伽马分布参数,并对图像进行联合建模;对待检测图像提取混合分布参数;对图像加窗并计算分布参数,并将其分布逼近已得到的混合模型,基于混合模型进行分类得到目标、背景和目标阴影;利用阴影面积、阴影与目标的距离等先验知识补偿目标得到目标检测结果。本发明具有检测结果区域一致性好,目标连续完整等优点,检测结果可用于SAR图像目标识别等。

Description

基于空域混合模型的高分辨SAR图像目标检测方法
技术领域
本发明属于图像处理领域,是一种采用混合模型对高分辨SAR图像进行目标检测的方法。
背景技术
合成孔径雷达是一种全天时、全天候的高分辨率雷达,在军事,农业,自然灾害监测等诸多领域有着广泛的应用。SAR与其它遥感成像系统,光学成像系统等相比有很多差异和优点。在军事目标识别方面,SAR图像有分割、分类、目标识别等诸多应用,而目标识别是SAR图像在军事方面的终极目标。与自然图像不同,SAR本质上反映的是目标的电磁散射特性和结构特性,SAR的成像不受天气,光线等的影响,而在很大程度上依赖于雷达自身特性和成像区域的地形地貌和地物特征。受合成孔径雷达特性的影响,SAR图像与传统光学图像不同,SAR图像灰度级变化较为缓慢,而且伴随有大量的相干斑噪声,因此传统的用于光学图像的目标检测与识别方法并不适用于SAR图像;
针对SAR图像的这些特性,有许多基于分布模型的SAR图像处理算法:
基于相干班抵制的方法。这类方法首先对SAR图像用滤波的方法抵制相干斑,在处理过后的较为平滑的图像上采用光学图像的方法分割、分类或检测目标。常用的滤波方法包括Sigma滤波、均值滤波、中值滤波、Kuan滤波、Lee滤波等方法。经过滤波抵制相干斑后处理在效果表现上有所提升,但由于滤波过程会导致边缘信息的丢失,这会导致检测结果轮廓不准确,对精确打击造成困难;
基于SAR图像分布模型的分类和目标检测方法。这类方法首先对SAR图像进行建模。最常用的方法是恒虚警(CFAR)的方法,但随着当前合成孔径雷达的不断发展,SAR图像的分辨越来越高,传统SAR图像模型算法已经不适用于当前高分辨SAR图像,这种不适应性主要体现在两个方面,一是传统SAR图像模型不能很好的逼近高分辨SAR图像的分布,二是高分辨SAR图像的背景分布变化具有一定连续性,而传统SAR图像分布模型不能很好的模拟这种连续性,导致检测结果不能成为一个整体;
基于广义伽马分布的恒虚警(CFAR)目标检测方法。在空域CFAR检测中,最典型的方法是CA-CPAR(Cell-AveragingCFAR),参见Jung,ChulH.;KoreaAerospaceUniversity,Korea;Yang,HeeJ.;Song,WooY.;Kwag,YoungK.Multi-TargetDetectionUsing2-DDistributedCell-AveragingCFARinHighResolutionSARImages,SyntheticApertureRadar(EUSAR),20108thEuropeanConferenceon,2010,10(7):978-3-8007-3272-2。OS-CFAR(OrderedstatisticCFAR),参见Cho,C.-M.;Dept.ofElectr.Eng.,StateUniv.ofNewYork,StonyBrook,NY,USA;Barkat,M.MovingorderedstatisticsCFARdetectionfornonhomogeneousbackgrounds,RadarandSignalProcessing,IEEProceedingsF(Volume:140,Issue:5):0956-375X-4522124。
CA-CFAR算法,在均匀杂波时表现较好,当遇到杂波边缘和多个点目标时,均值估计会受到影响,算法性能会下降。OS-CFAR算法能克服CA-CFAR算法的缺陷,但在均匀杂波时不如CA-CFAR算法。
这些CFAR算法各有优缺点,有的太复杂,实用性较差,有的适用范围有限,没有哪个CFAR算法适合所有的杂波情况。
随着多合成孔径雷达的不断发展,SAR图像的分辨率越来越高,人们对SAR的目标检测的要求也越来越高,检测效果的评价也渐渐严苛起来,主要表现在以下几个方面:同质区域的内部一致性要高,要可以将目标检测为一个整体,不同目标应该能有效的区分开来;边缘边界的清晰性,检测正确率要高。而不论以上哪种CFAR的方法都具有一定的缺陷,不能满足要求。
发明内容
本发明的目的在于克服上述传统方法的不足,提出一种基于空域混合参数模型的高分辨SAR图像目标检测方法,利用分布模型具体一定扩展性这一特点可以将目标检测为一个整体,提高区域一致性和目标边缘精确度,从而保证检测目标的完整和准确。
实现本发明目的的技术方案是:
使用广义伽马分布、高斯分布和四阶函数分布的联合分布对高分辨SAR图像进行建模,挖掘图像中的参数信息,构建出能有效逼近高分辨SAR图像的混合模型,有效的克服了传统单一模型不能较好的逼近高分辨SAR图像的问题,并用该模型分别检测目标和目标阴影,并用阴影对目标进行补偿,得到目标的形状信息。其具体实现过程如下:
1)对特定区域的高分辨SAR图像人工选取不同类别的训练样本;
2)由训练样本采用MoLC方法和MMSE的方法训练四阶函数分布和高斯分布以及广义伽马分布的参数,并对每一类进行联合建模,得到混合分布模型;
3)对待分类的图像基于以上得到的由四阶函数模型、高斯分布模型和广义伽马分布模型构成的混合模型提取混合分布的分布参数;
4)基于MMSE的分类,对高分辨SAR图像的点逐个加窗并计算其分布参数,采用MMSE的方法将其分布逼近已得到的混合模型,并基于混合模型进行分类,分类结果包括目标、背景和目标阴影;
5)利用先验知识剔除非阴影暗区域,得到由目标形成的阴影,用到的先验知道主要包括阴影面积大小,阴影与目标区域的距离等;
6)利用目标阴影补偿目标点;
7)得到检测结果。
本发明与现有的技术相比具有以下优点:
1、本发明由于使用广义伽马分布、高斯分布和四阶函数分布联合对高分辨SAR图像进行建模,能够更好的逼近高分辨SAR图像的分布函数,保证了建模的准确性;
2、本发明自用联合模型首先对高分辨SAR图像进行分类,并利用参数信息提取目标点,有效我解决了传统方法应用于高分辨SAR图像目标检测时导致目标点不连续的问题。
3、本发明由于利用先验信息,对目标进行补偿,使检测到的目标更完整;
4、仿真结果表明,本发明方法较小波CFAR能更有效的进行目标检测。
附图说明
图1是本发明的流程示意图;
图2是本发明在一幅简单背景高分辨SAR图像上的仿真结果图;
图3是本发明在一幅包含两类背景的高分辨SAR图像上的仿真结果图;
图4是本发明在一副包含复杂地物信息的高分辨SAR图像上的仿真结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤一、对特定区域的高分辨SAR图像人工选取不同类别的训练样本。
在待检测的高分辨SAR图像中选取不同类别的具有代表性的区域,并对不同类别的像素进行标记,对于简单图像可简单的选择目标区域、背景区域和目标阴影区域,对于较复杂的SAR图像,可根据需要对背景区域进行细化,标记为{I0,I1,…,IC}。
步骤二、对{I0,I1,...,IC}提取特征参数,得到特征参数{S0,S1,...,SC}。
将选择的区域用MoLC方法提取广义伽马分布特征参数,用求均值与方差的方法提取高斯分布参数,用MMSE方法提取四阶函数特征参数,并用三种分布对每一类图像进行联合建模;
步骤三、对待分类的高分辨SAR图像基于以上得到的由四阶函数模型、高斯模型和广义伽马分布模型构成的混合模型取得混合分布的分布参数(K1,K2,…KC)。
这一步骤的目标是将均方误差最小化,该最小化过程分为两个基本步骤:参数估计和联合分布拟合。通过参数估计步骤分别估计三种分布的参数: f ( x ) = 1 2 πσ 2 e - ( x - μ ) 2 σ 2 , f ( x ) = βx β λ - 1 σ β λ Γ ( λ ) e - ( x σ ) β , f(x)=ax4+bx3+cx2+dx+e,x为高分辨SAR图像某一点处的灰度,对高斯分布,μ和σ2分别表示高斯分布的均值和方差,同时也是SAR图像灰度的均值和方差,对四阶函数分布,a、b、c、d、e分别为四阶函数的系数,但对应SAR图像它们没有具体含义,广义伽马分布的参数并不具有对应于SAR图像的实际含义;联合分布拟合的过程负责使用最小化均方误差的方法求得在不同的区域三种参数所占的比重:K1,K2,K3;在得到参数和K1,K2,K3之后,可以得到联合分布;
步骤四、对待分割高分辨SAR图像进行加窗并用步骤三的方法求SAR图像的分布参数。
基于MMSE的分类,对高分辨SAR图像的点逐个加窗并计算其分布参数,采用MMSE的方法将其分布逼近已得到的混合模型,并基于混合模型进行分类,分类结果包括目标、背景和目标阴影,步骤如下:
a)对SAR图像逐点加窗计算对应的特征参数;
b)将计算得到的SAR图像参数与已知类别的特征进行拟合,利用MMSE的方法求取最优解;
c)重复a)、b)步骤,直到整幅SAR图像分类完成;
步骤五、利用先验知识剔除非阴影暗区域,得到由目标形成的阴影,用到的先验知道主要包括阴影面积大小,阴影与目标区域的距离等;
步骤六、利用目标阴影补偿目标点:
a)由步骤5)中得到的目标和阴影区域,分别求得对应目标和阴影的中心,矩形边界信息;
b)由目标中心和阴影中心的相对方向可以得到补偿方向,在这个补偿的方向对目标进行补偿,直到遇到阴影区域,则对当前目标的补偿过程结束;
c)重复a)、b)过程,直到对图像中所有目标补偿完成。
步骤七、得到目标检测结果。
本发明的效果可通过以下仿真进一步说明:
1仿真内容:应用本发明方法和CFAR方法分别对三幅SAR图像进行目标检测实验,并从检测目标结果的连续性、区域一致性、目标细节信息完整性和边缘准确性等方面评价这些方法的性能。
2仿真实验结果
A简单背景高分辨SAR图像的实验结果
用本方法以及CFAR方法对简单背景高分辨SAR图像进行目标检测,其效果比较如图2所示。其中图2(a)为简单背景高分辨SAR图像,该高分辨SAR背景信息较为单一,地物背景组成简单;图2(b)为CFAR方法对图2(a)进行目标检测得到的结果;图2(c)本发明方法对图2(a)进行目标检测得到的结果。由图2可见,本发明的区域一致性较好,边缘清晰细节信息完整,目标连续分布,且检测结果正确率高,没有将背景检测为目标的情况。相比之下,CFAR目标检测的方法得到的目标被打碎成更细小的点目标,无法认定为一个整体,并且有些背景信息也被包含进来。
B包含两类背景的高分辨SAR图像的实验结果
用本发明以及CFAR方法对包含两类背景的高分辨SAR图像进行目标检测,其效果比较如图3所示。其中图3(a)为包含两类背景的高分辨SAR图像;图3(b)为CFAR方法对图3(a)进行目标检测得到的结果;图3(c)为本发明方法对图3(a)进行目标检测得到的结果。由图3可见本发明对于细节信息的保留是比较清晰准确的,目标连续成为一个整体且边界光滑连续,且将背景误分为目标的情况极少,对CFAR方法出现的误分严重、目标不连续和区域一致性差的现象有明显的改善,如在3(a)左侧区域中检测结果优劣十分明显。
C包含复杂地物信息的高分辨SAR图像的实验结果
用本方法以及小波CFAR方法对包含复杂地物信息的高分辨SAR图像进行目标检测,其效果比较如图4所示。其中图4(a)包含复杂地物信息的高分辨SAR图像;图4(b)CFAR方法对图4(a)进行目标检测得到的结果;图4(c)为本发明方法对图4(a)进行目标检测得到的结果。由图4可见本发明的检测结果比较平滑且连续,对于高分辨SAR图像中的目标提取更准确,如图4(a)中右上部分及左侧部分的检测,本发明较好的予以区分。

Claims (4)

1.一种混合参数模型的高分辨SAR图像车辆目标检测方法,包括如下步骤:
1)对特定区域的高分辨SAR图像人工选取不同类别的训练样本;
2)对上述训练样本采用对数累积量MoLC方法和最小均方误差MMSE方法进行训练,得到四阶函数分布、高斯分布和广义伽马分布的参数,并分别对背景类、目标类以及阴影类采用高斯分布、四阶函数分布和广义伽马分布联合建模,得到混合分布模型;
3)对待检测的高分辨SAR图像基于步骤2)得到由四阶函数分布模型、高斯分布模型和广义伽马分布模型构成的混合模型提取待检测高分辨SAR图像的混合分布的分布参数;
4)基于MMSE的分类,对待检测高分辨SAR图像中的像素点逐个加窗并计算该像素点的分布参数,采用MMSE的方法将图像中当前点和加窗形成的窗口区域分布逼近已得到的混合模型,并基于混合模型进行分类,得到的初步分类结果包括目标、背景和目标阴影;
5)利用先验知识剔除由背景干扰等形成的非阴影暗区域,得到由目标形成的阴影,先验知识包括阴影面积大小,阴影与目标区域的距离,阴影与目标的相对方向;
6)利用目标阴影补偿目标点;
7)得到检测结果。
2.根据权利要求1所述的目标检测方法,其中步骤2)按如下过程进行:
2a)根据待检测高分辨SAR图像确定类别数M;
2b)分别对高分辨SAR图像中每一类利用高斯分布、广义伽马分布和四阶函数分布进行建模,分布、广义伽马分布和四阶函数分布的概率函数如下:
高斯分布: f ( x ) = 1 2 πσ 2 e - ( x - μ ) 2 σ 2
广义伽马分布: f ( x ) = βx β λ - 1 σ β λ Γ ( λ ) E - ( x σ ) β
四阶函数分布:f(x)=ax4+bx3+cx2+dx+e
x为高分辨SAR图像某一点处的灰度,
对高斯分布,μ和σ2分别表示高斯分布的均值和方差,同时也是SAR图像灰度的均值和方差;
对四阶函数分布,a、b、c、d、e分别为四阶函数的系数,但对应SAR图像它们没有具体含义
广义伽马分布的参数并不具有对应于SAR图像的实际含义;
2c)对背景区域根据伽马分布和高斯分布联合建模,对阴影区域根据四阶函数分布进行建模。
3.根据权利要求1所述的目标检测方法,其中步骤4)按如下过程进行:
4a)对SAR图像逐点加窗计算对应的特征参数;
4b)将计算得到的SAR图像参数与已知类别的特征进行拟合,利用MMSE的方法求取最优解;
4c)重复4a)、4b)步骤,直到整幅SAR图像检测完成。
4.根据权利要求1所述的目标检测方法,其中步骤6)按如下过程进行:
6a)由步骤5)中得到的目标和阴影区域,分别求得对应目标中心、阴影中心和矩形边界信息;
6b)由目标中心和阴影中心的相对方向可以得到补偿方向,在这个补偿的方向对目标进行补偿,直到遇到阴影区域,则对当前目标的补偿过程结束;
6c)重复6a)、6b)过程,直到对图像中所有目标补偿完成。
CN201510397659.XA 2015-07-08 2015-07-08 基于空域混合模型的高分辨sar图像目标检测方法 Active CN105184305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510397659.XA CN105184305B (zh) 2015-07-08 2015-07-08 基于空域混合模型的高分辨sar图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510397659.XA CN105184305B (zh) 2015-07-08 2015-07-08 基于空域混合模型的高分辨sar图像目标检测方法

Publications (2)

Publication Number Publication Date
CN105184305A true CN105184305A (zh) 2015-12-23
CN105184305B CN105184305B (zh) 2018-12-25

Family

ID=54906370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510397659.XA Active CN105184305B (zh) 2015-07-08 2015-07-08 基于空域混合模型的高分辨sar图像目标检测方法

Country Status (1)

Country Link
CN (1) CN105184305B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228201A (zh) * 2016-06-20 2016-12-14 电子科技大学 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法
CN106485269A (zh) * 2016-09-28 2017-03-08 武汉大学 基于混合统计分布与多部件模型的sar图像目标检测方法
CN109490885A (zh) * 2018-11-21 2019-03-19 中国科学院电子学研究所 一种基于多脉冲组合的sar去模糊成像方法
CN111062233A (zh) * 2018-10-17 2020-04-24 北京地平线机器人技术研发有限公司 标识物表示的获取方法、标识物表示的获取装置和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101975940A (zh) * 2010-09-27 2011-02-16 北京理工大学 基于分割组合的sar图像自适应恒虚警率目标检测方法
CN102867309A (zh) * 2012-09-12 2013-01-09 西安电子科技大学 基于混合模型的sar图像变化检测方法
CN104361351A (zh) * 2014-11-12 2015-02-18 中国人民解放军国防科学技术大学 一种基于区域统计相似度的合成孔径雷达图像分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101975940A (zh) * 2010-09-27 2011-02-16 北京理工大学 基于分割组合的sar图像自适应恒虚警率目标检测方法
CN102867309A (zh) * 2012-09-12 2013-01-09 西安电子科技大学 基于混合模型的sar图像变化检测方法
CN104361351A (zh) * 2014-11-12 2015-02-18 中国人民解放军国防科学技术大学 一种基于区域统计相似度的合成孔径雷达图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUL H. JUNG: "CFAR Detection Algorithm for Ground Target in Heterogeneous Clutter using High Resolution SAR Image", 《ISOCC 2010》 *
江金龙 等: "SAR图像的Gamma混合分布建模方法", 《信号处理》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228201A (zh) * 2016-06-20 2016-12-14 电子科技大学 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法
CN106228201B (zh) * 2016-06-20 2019-04-05 电子科技大学 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法
CN106485269A (zh) * 2016-09-28 2017-03-08 武汉大学 基于混合统计分布与多部件模型的sar图像目标检测方法
CN106485269B (zh) * 2016-09-28 2019-08-20 武汉大学 基于混合统计分布与多部件模型的sar图像目标检测方法
CN111062233A (zh) * 2018-10-17 2020-04-24 北京地平线机器人技术研发有限公司 标识物表示的获取方法、标识物表示的获取装置和电子设备
CN109490885A (zh) * 2018-11-21 2019-03-19 中国科学院电子学研究所 一种基于多脉冲组合的sar去模糊成像方法

Also Published As

Publication number Publication date
CN105184305B (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN106599808B (zh) 一种基于全波形激光雷达数据的隐蔽目标提取方法
CN101727662B (zh) Sar图像非局部均值去斑方法
CN104200521B (zh) 基于模型先验的高分辨率sar图像建筑物目标三维重建方法
CN102968790B (zh) 基于图像融合的遥感图像变化检测方法
CN105096315B (zh) 基于Gamma分布的异质超像素SAR图像分割方法
CN108171193B (zh) 基于超像素局部信息度量的极化sar舰船目标检测方法
CN104200471B (zh) 基于自适应权值图像融合的sar图像变化检测方法
CN102982304B (zh) 利用偏光图像检测车辆位置的方法和系统
CN101482969B (zh) 基于同质点计算的sar图像去斑方法
CN103345757A (zh) 多层次多特征约束下的光学和sar影像自动配准方法
CN102360503B (zh) 基于空间贴近度和像素相似性的sar图像变化检测方法
CN103048329A (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN103065307B (zh) 非精确配准下sar/spot图像的区域融合检测方法
CN105389799B (zh) 基于素描图与低秩分解的sar图像目标检测方法
CN105184305A (zh) 基于空域混合模型的高分辨sar图像目标检测方法
CN109635789B (zh) 基于强度比和空间结构特征提取的高分辨sar图像分类方法
CN104809433A (zh) 一种基于最大稳定区域和随机采样的斑马线检测方法
CN103606164A (zh) 基于高维三重马尔可夫场的sar图像分割方法
CN103870842B (zh) 结合极化特征和分水岭的极化sar图像分类方法
CN102175993A (zh) 基于卫星sar影像的雷达景象匹配特征参考图制备方法
Kwon et al. ETVOS: An enhanced total variation optimization segmentation approach for SAR sea-ice image segmentation
CN103366371A (zh) 基于k分布和纹理特征的sar图像分割方法
CN104732552A (zh) 基于非平稳条件场的sar图像分割方法
CN105512622A (zh) 一种基于图分割和监督学习的可见光遥感图像海陆分割方法
CN112462367B (zh) 一种基于极化合成孔径雷达的车辆检测方法

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