CN105223571B - 基于加权l1优化与视觉显著注意的isar成像方法 - Google Patents
基于加权l1优化与视觉显著注意的isar成像方法 Download PDFInfo
- Publication number
- CN105223571B CN105223571B CN201410240072.3A CN201410240072A CN105223571B CN 105223571 B CN105223571 B CN 105223571B CN 201410240072 A CN201410240072 A CN 201410240072A CN 105223571 B CN105223571 B CN 105223571B
- Authority
- CN
- China
- Prior art keywords
- signal
- echo
- isar imaging
- obtains
- isar
- 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.)
- Active
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达成像技术领域,具体提供了一种基于加权L1优化与视觉显著注意的ISAR成像方法,包括如下步骤:步骤1.对雷达接收到的回波数据进行距离维匹配滤波;步骤2.对匹配滤波之后的回波信号作相干积分以提高信号的信噪比;步骤3.构造稀疏字典;步骤4.计算第一步权值;步骤5.求解优化问题得到用作先验的初步ISAR成像结果;步骤6.使用步骤5得到的初步ISAR成像结果求显著图,并得到显著区域;步骤7.利用显著区域更新权值,求解优化问题得到高分辨ISAR图像。本发明大幅度降低采样率,降低了短观测时间下的ISAR成像的实现难度,同时利用显著性先验进一步提高成像质量。
Description
技术领域
本发明属于雷达成像技术领域,具体涉及一种基于加权L1优化与视觉显著注意的ISAR成像方法。
背景技术
高分辨逆合成孔径雷达(ISAR)成像因其相对于其他遥感成像方法的优势,例如对各种天气条件的鲁棒性,长距离观测的能力,对目标的高度识别可靠性和抗电子干扰能力,在商用和军用领域都有很大的价值。ISAR成像方法通过处理一个在不同空间位置传输和接受的宽频带信号,可以得到高分辨的二维的目标图像,然而,距离分辨率会受限于信号脉冲宽度的影响,方位分辨率同样受限于相干处理时间以及目标转动时与雷达的观测角度的变化。
对于高分辨成像,物体散射的响应可以近似的估计为一系列单独的反射体的累加,ISAR成像可以视为测量一定数量的反射体,其回波在时间域上是稀疏的,以此稀疏先验为基础,近来一种压缩采样(也称之为压缩感知)的理论被用来从很少的脉冲数得到高分辨的雷达图像。这些工作的基础是雷达数据的可压缩(稀疏)性,应用时不会有大的损失,也就是说目标在高分辨图像中相比于图像的像素数来说是很少的。然而,图像恢复的过程被简化为寻找一个欠定问题的稀疏解,这是非常困难的,因为即使是找到一个近似解也是一个NP难的问题。一些算法被用于避免穷举搜索地解这个问题,例如贪婪追踪算法,松弛算法,而其中贪婪追踪算法计算量庞大,收敛速度慢,并且对噪声的鲁棒性很低。
对近期的成像方法的研究可以发现,基于生物学启发的算法得到了越来越多的关注,这是一种计算领域的新方向。人类视觉系统可以在复杂场景中定位出感兴趣的物体,在心理学和计算神经学中,视觉的显著注意特性在各种视觉机制里是一种关键成分,因此,显著性可以作为一种解决复杂成像问题的先验知识。
发明内容
本发明的目的是克服上述现有技术中的不足,提出了一种基于加权L1优化与视觉显著注意的ISAR成像方法,以大幅度降低采样率,降低短观测时间下的ISAR成像的实现难度,同时利用显著性先验进一步提高成像质量。
为实现上述目的,本发明的技术方案是提供了一种基于加权L1优化与视觉显著注意的ISAR成像方法,包括如下步骤:
步骤1.对雷达接收到的回波数据进行距离维匹配滤波;
1a)设雷达传输线性调频信号为
其中Tp表示脉冲宽度,τ为快时间,fc是载频,γ为调频率,代表单位矩形窗函数,j为虚数单位;
1b)雷达接收到的每个散射点回波信号为
其中B为目标的后向散射振幅,Ta为观测时间,c为光速,t为慢时间,R(t)表示散射点到雷达的瞬时距离;
1c)目标上多个散射点回波信号叠加得到接收到的回波数据,然后对接收到的回波数据进行传统的距离维匹配滤波,匹配滤波之后的回波信号为
步骤2.对匹配滤波之后的回波信号作相干积分以提高信号的信噪比;
对步骤1中得到的匹配滤波之后的回波信号s(τ,t)矩阵的每一列作方位向相干积分,第l个距离单元的回波信号sl相干积分后得到
sl'=Fsl=FΨθl+Fnl=Aθl+nl′
其中sl'(l=1,2...L)和A=FΨ分别是相干积分后的观测值和字典,F是N×N的N点FFT矩阵,其第m行n列的元素为Fmn=e-j2π(m-1)(n-1),nl'=Fnl,l=1,2...L为相干积分后的噪声向量,Ψ为步骤3中构造的稀疏字典;
步骤3.构造稀疏字典;
3a)假设没有产生越距离单位徙动,考虑噪声,第l个距离单元包含K个方位向位置不同的散射中心,则第l个距离单元的回波信号sl(t)为
其中Bk和fk分别是第k个散射点的反射振幅和多普勒频率,K是强散射点的数目,nl表示第l个距离单元的加性噪声;
3b)定义时间序列t:[1:N]TΔt,其中N=Ta/Δt表示脉冲数,Δt=1/fr是时间间隔,fr为雷达的脉冲重复频率,定义多普勒的个数为Q,则对应的多普勒分辨率为Δfd=fr/Q,离散多普勒序列为fd:[1:Q]TΔfd-(fr/2),设定的Q应大于脉冲数N,由此构造稀疏字典为
其中,则第l个距离单元的回波信号的矩阵形式为
sl=Ψθl+nl
其中向量θl(l=1,2...L)表示图像矩阵的第l列,θl(l=1,2...L)中非零元素对应K个强散射中心的复振幅;
步骤4.计算第一步权值;
利用下列分段光滑的函数来计算显著区域内的权值,
其中参数a,b和c由下式求得
步骤5.求解优化问题得到用作先验的初步ISAR成像结果;
5a)采用基追踪算法求解优化问题得到稀疏向量,即为一个距离单元内的ISAR成
像结果,该优化问题为其中W是对角矩阵,主对角线上为分别
对应于θl'的第i个成分的权值wi,θl'=(W)-1xl,εl'=||nl'||2是相干积分后的噪声等级,
θl'(l=1,2...L)是最后求解得到的在字典Ψ下的复振幅;
5b)所有距离单元求解结束即可得到一个初步ISAR成像结果;
步骤6.使用步骤5得到的初步ISAR成像结果求显著图,并得到显著区域,具体过程如下:
6a)输入初步ISAR成像结果通过下式基于PCT变换计算得到显著图I,
其中CT,CT-1表示轮廓波变换和反变换,G是一个二维高斯低通滤波器,*是卷积操作,“sign(·)”为符号函数
6b)通过显著图I粗略的得到目标的大概位置和背景区域的位置,再对显著图I使用二维中值滤波和图像形态学闭操作提高区域的光滑程度与连通性,选取一个阈值得到显著的目标区域RT和不显著的背景区域RB;
步骤7.利用显著区域更新权值,求解优化问题得到高分辨ISAR图像;
7a)利用步骤6得到的显著的目标区域RT和不显著的背景区域RB更新权值,使用常数d作为背景区域的权值,则基于显著图的加权函数替换为
7b)采用基追踪算法求解该优化问题得到稀疏向量,即为一个距离单元内的ISAR成像结果,所有距离单元求解结束即得到整个高分辨ISAR图像。
本发明的有益效果是:
1)提出一种利用稀疏先验和目标显著性先验的ISAR高分辨成像方法,模仿神经元对于相似的几何视觉特征的侧向环绕抑制;提出一种基于生物学和几何信息提取的自底向上的视觉注意模型。
2)提出一种基于显著图的加权l1优化恢复方法,通过给目标和背景区域设计不同的权值来增强成像质量和可靠性;定义了一个分段光滑的权值函数,可以同时增强强弱散射点的差异同时抑制背景中的噪声和杂波。
以下将结合附图对本发明做进一步详细说明。
附图说明
图1是本发明的整体流程示意图。
图2(a)是本发明中显著图I的示例图。
图2(b)是本发明中显著图I的等高线图。
图2(c)是本发明中经二维中值滤波和图像形态学闭操作后的显著图I示例图。
图2(d)是本发明中显著区域的示例图。
图3(a)是传统RD算法中256脉冲Yak-42的ISAR图像。
图3(b)是传统RD算法中64脉冲Yak-42的ISAR图像。
图3(c)是传统RD算法中256脉冲Yak-42的ISAR等高线图。
图3(d)是传统RD算法中64脉冲Yak-42的ISAR等高线图。
图4(a)是本发明信噪比SNR为2dB时,32个脉冲的ISAR成像结果图。
图4(b)是本发明信噪比SNR为2dB时,64个脉冲的ISAR成像结果图。
图4(c)是本发明信噪比SNR为2dB时,96个脉冲的ISAR成像结果图。
图4(d)是本发明信噪比SNR为2dB时,32个脉冲的ISAR成像结果等高线图。
图4(e)是本发明信噪比SNR为2dB时,64个脉冲的ISAR成像结果等高线图。
图4(f)是本发明信噪比SNR为2dB时,96个脉冲的ISAR成像结果等高线图。
具体实施方式
实施例1:
本发明提出了一种基于加权L1优化与视觉显著注意的ISAR成像方法,如图1所示,本发明的实现过程包含如下步骤:
步骤1.对雷达接收到的回波数据进行距离维匹配滤波;
1a)假设雷达传输线性调频信号如下
其中Tp表示脉冲宽度,τ为快时间,fc是载频,γ为调频率,代表单位矩形窗函数,j为虚数单位;
1b)雷达接收到的每个散射点回波信号为
其中B为目标的后向散射振幅,Ta为观测时间,c为光速,t为慢时间,R(t)表示散射点到雷达的瞬时距离;
1c)目标上多个散射点回波信号叠加得到接收到的回波数据,对接收到的回波数据进行传统的距离维匹配滤波,匹配滤波之后的回波信号为
步骤2.对回波信号作相干积分以提高信号的信噪比;
对步骤1中得到的匹配滤波之后的回波信号s(τ,t)矩阵的每一列作方位向相干积分,第l个距离单元的回波信号sl相干积分后得到
sl'=Fsl=FΨθl+Fnl=Aθl+nl′ (4)
其中sl'(l=1,2...L)和A=FΨ分别是相干积分后的观测值和字典,F是N×N的N点FFT矩阵,其第m行n列的元素为Fmn=e-j2π(m-1)(n-1),nl'=Fnl,l=1,2...L为相干积分后的噪声向量,Ψ为步骤3中构造的稀疏字典。
步骤3.构造稀疏字典;
3a)假设没有产生越距离单位徙动,考虑噪声,第l个距离单元包含K个方位向位置不同的散射中心,则第l个距离单元的回波信号sl(t)为
其中Bk和fk分别是第k个散射点的反射振幅和多普勒频率,K是强散射点的数目,nl表示第l个距离单元的加性噪声,此式说明距离维脉冲压缩后,第l个距离单元的回波sl(t)只取决于主要的K个强散射点,求出强散射点的复振幅就可以成像。
3b)定义时间序列t:[1:N]TΔt,其中N=Ta/Δt表示脉冲数,Δt=1/fr是时间间隔,fr为雷达的脉冲重复频率,同样地,定义多普勒的个数为Q,则对应的多普勒分辨率为Δfd=fr/Q,则离散多普勒序列可定义为fd:[1:Q]TΔfd-(fr/2),为了达到超分辨的目的,设定的Q应大于脉冲数N,由此构造字典
其中,则第l个距离单元的回波信号(5)式可以写作矩阵形式如下
sl=Ψθl+nl (7)
其中向量θl(l=1,2...L)中非零元素对应K个强散射中心的复振幅,定义图像矩阵第l列是θl。
步骤4.计算第一步权值;
利用一个分段光滑的函数来计算显著区域内的权值,如式(9)
其中参数a,b和c由(10)求得
此外,参数ρ是可调的,较小的ρ可以增强强散射点,包括目标以及背景噪声和杂波中较强的部分;相反地,较大的ρ可以同时抑制目标上和背景中的弱散射点。
步骤5.求解优化问题得到用作先验的初步成像结果;
5a)采用基追踪(Basis Pursuit,BP)算法求解优化问题(11)得到稀疏向量,即为一个距离单元内的ISAR成像结果,
其中W是对角矩阵,主对角线上为分别对应于θl'的第i个成分的权值wi,θl'=(W)- 1xl,εl'=||nl'||2是相干积分后的噪声等级。θl'(l=1,2...L)是最后求解得到的在字典Ψ下的复振幅。
5b)所有距离单元求解结束即可得到一个初步的ISAR成像结果。
步骤6.使用步骤5得到的初步成像结果求显著图,并得到显著区域;
6a)基于多尺度多方向图像特征的脉冲轮廓波(PCT)变换提取显著性信息,输入初步ISAR成像结果通过式(12)基于PCT变换计算得到显著图I,如图2(a)和图2(b)所示,
其中CT,CT-1表示轮廓波变换和反变换,G是一个二维高斯低通滤波器,*是卷积操作,“sign(·)”为符号函数
6b)通过显著图I粗略的得到目标的大概位置和背景区域的位置,再对显著图I使用二维中值滤波和图像形态学闭操作来提高区域的光滑程度与连通性,如图2(c)所示;选取一个阈值(例如像素点能量均值的1/3)得到显著的目标区域RT和不显著的背景区域RB,附图2(d)中黑色区域即为仿真示例中得到目标区域RT。
步骤7.利用显著区域更新权值,求解优化问题得到高分辨ISAR图像;
7a)利用步骤6得到的显著的目标区域RT和不显著的背景区域RB更新权值,使用常数d作为背景区域的权值,因此,基于显著图的加权函数可以替换为
7b)采用基追踪算法求解该优化问题得到稀疏向量,即为一个距离单元内的ISAR成像结果,所有距离单元求解结束即得到整个高分辨ISAR图像。
实施例2:
基于加权L1优化与视觉显著注意的ISAR成像方法同实施例1,本发明的效果可以通过以下仿真实验进一步说明。
实验条件:使用C波段(5.52-GHz)ISAR雷达采集的Yak-42飞机数据为实验对象,雷达系统发射线性调频信号的脉冲宽度为25.6-μs,距离分辨率0.375m,中心频率5.52-GHZ,总脉冲数为256;实验中,解l1优化问题的l1-magic工具包可在http:// www.acm.caltech.edu/l1magic获得,本实验在CPU为Intel(R)Pentium(R)4,主频为3.00GHz,内存为2G的WINDOWS XP系统上采用软件MATLAB7.10.0(R2010a)进行仿真。
实验采用传统的距离多普勒(RD)算法和本发明的方法进行对比实验,实验结果如图3(a)~图3(d)和图4(a)~图4(f)所示。
图4(a)~图4(f)为SNR=2dB时的不同加权时,使用32,64和96个脉冲,得到有256个多普勒值的图像。从实验中可以看出,图4(a)~图4(f)所示的本发明的成像有较好的视觉效果,背景平滑,因为更大的权值被加到了由显著性信息背景区域中,提高了强散射点的成像质量,同时也抑制背景中的杂波。而图3(a)~图3(d)所示的传统距离多普勒(RD)算法的成像在64个脉冲时边缘轮廓已经很不清晰,由此可以看出,本发明的成像结果比传统距离多普勒(RD)算法有着明显的优势。
以上例举仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (1)
1.基于加权L1优化与视觉显著注意的ISAR成像方法,其特征在于:包括如下步骤:
步骤1.对雷达接收到的回波数据进行距离维匹配滤波;
1a)设雷达传输线性调频信号为
其中Tp表示脉冲宽度,τ为快时间,fc是载频,γ为调频率,代表单位矩形窗函数,j为虚数单位;
1b)雷达接收到的每个散射点回波信号为
其中B为目标的后向散射振幅,Ta为观测时间,c为光速,t为慢时间,R(t)表示散射点到雷达的瞬时距离;
1c)目标上多个散射点回波信号叠加得到接收到的回波数据,然后对接收到的回波数据进行传统的距离维匹配滤波,匹配滤波之后的回波信号为
步骤2.对匹配滤波之后的回波信号作相干积分以提高信号的信噪比;
对步骤1中得到的匹配滤波之后的回波信号s(τ,t)矩阵的每一列作方位向相干积分,第l个距离单元的回波信号sl相干积分后得到
sl'=Fsl=FΨθl+Fnl=Aθl+nl′
其中sl'(l=1,2...L)和A=FΨ分别是相干积分后的观测值和字典,F是N×N的N点FFT矩阵,其第m行n列的元素为Fmn=e-j2π(m-1)(n-1),nl'=Fnl,l=1,2...L为相干积分后的噪声向量,Ψ为步骤3中构造的稀疏字典;
步骤3.构造稀疏字典;
3a)假设没有产生越距离单位徙动,考虑噪声,第l个距离单元包含K个方位向位置不同的散射中心,则第l个距离单元的回波信号sl(t)为
其中Bk和fk分别是第k个散射点的反射振幅和多普勒频率,K是强散射点的数目,nl表示第l个距离单元的加性噪声;
3b)定义时间序列t:[1:N]TΔt,其中N=Ta/Δt表示脉冲数,Δt=1/fr是时间间隔,fr为雷达的脉冲重复频率,定义多普勒的个数为Q,则对应的多普勒分辨率为Δfd=fr/Q,离散多普勒序列为fd:[1:Q]TΔfd-(fr/2),设定的Q应大于脉冲数N,由此构造稀疏字典为
其中,则第l个距离单元的回波信号的矩阵形式为
sl=Ψθl+nl
其中向量θl(l=1,2...L)表示图像矩阵的第l列,θl(l=1,2...L)中非零元素对应K个强散射中心的复振幅;
步骤4.计算第一步权值;
利用下列分段光滑的函数来计算显著区域内的权值,
其中参数a,b和c由下式求得
步骤5.求解优化问题得到用作先验的初步ISAR成像结果;
5a)采用基追踪算法求解优化问题得到稀疏向量,即为一个距离单元内的ISAR成像结果,该优化问题为其中W是对角矩阵,主对角线上为分别对应于θl'的第i个成分的权值wi,θl'=(W)-1xl,εl'=||nl'||2是相干积分后的噪声等级,θl'(l=1,2...L)是最后求解得到的在字典Ψ下的复振幅;
5b)所有距离单元求解结束即可得到一个初步ISAR成像结果;
步骤6.使用步骤5得到的初步ISAR成像结果求显著图,并得到显著区域,具体过程如下:
6a)输入初步ISAR成像结果通过下式基于PCT变换计算得到显著图I,
PICT=|CT-1(P)|;
I=G*PICT 2
其中CT,CT-1表示轮廓波变换和反变换,G是一个二维高斯低通滤波器,*是卷积操作,“sign(·)”为符号函数
6b)通过显著图I粗略的得到目标的大概位置和背景区域的位置,再对显著图I使用二维中值滤波和图像形态学闭操作提高区域的光滑程度与连通性,选取一个阈值得到显著的目标区域RT和不显著的背景区域RB;
步骤7.利用显著区域更新权值,求解优化问题得到高分辨ISAR图像;
7a)利用步骤6得到的显著的目标区域RT和不显著的背景区域RB更新权值,使用常数d作为背景区域的权值,则基于显著图的加权函数替换为
7b)采用基追踪算法求解该优化问题得到稀疏向量,即为一个距离单元内的ISAR成像结果,所有距离单元求解结束即得到整个高分辨ISAR图像;
该方法大幅度降低采样率,降低了短观测时间下的ISAR成像的实现难度,同时利用显著性先验进一步提高成像质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410240072.3A CN105223571B (zh) | 2014-05-30 | 2014-05-30 | 基于加权l1优化与视觉显著注意的isar成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410240072.3A CN105223571B (zh) | 2014-05-30 | 2014-05-30 | 基于加权l1优化与视觉显著注意的isar成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105223571A CN105223571A (zh) | 2016-01-06 |
CN105223571B true CN105223571B (zh) | 2018-11-23 |
Family
ID=54992628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410240072.3A Active CN105223571B (zh) | 2014-05-30 | 2014-05-30 | 基于加权l1优化与视觉显著注意的isar成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105223571B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646247B (zh) * | 2018-05-16 | 2020-04-07 | 西安电子科技大学 | 基于伽马过程线性回归的逆合成孔径雷达成像方法 |
CN112946644B (zh) * | 2021-01-28 | 2022-04-19 | 中国人民解放军国防科技大学 | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6781540B1 (en) * | 2003-02-21 | 2004-08-24 | Harris Corporation | Radar system having multi-platform, multi-frequency and multi-polarization features and related methods |
CN102156971A (zh) * | 2011-04-15 | 2011-08-17 | 西安电子科技大学 | 基于线状奇异性信息的sar图像相干斑抑制方法 |
CN102651073A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于稀疏动态集成选择的sar图像地物分类方法 |
-
2014
- 2014-05-30 CN CN201410240072.3A patent/CN105223571B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6781540B1 (en) * | 2003-02-21 | 2004-08-24 | Harris Corporation | Radar system having multi-platform, multi-frequency and multi-polarization features and related methods |
CN102156971A (zh) * | 2011-04-15 | 2011-08-17 | 西安电子科技大学 | 基于线状奇异性信息的sar图像相干斑抑制方法 |
CN102651073A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于稀疏动态集成选择的sar图像地物分类方法 |
Non-Patent Citations (3)
Title |
---|
"Compressive feature and kernel sparse coding-based radar target recognition";Shuyuan Yang等;《IET Radar, Sonar and Navigation》;20120802;第755-763页 * |
"High resolution range-reflectivity estimation of radar targets via compressive sampling and Memetic Algorithm";Shuyuan Yang等;《Information Sciences 252》;20130620;第144-156页 * |
"基于压缩采样理论的稀疏成像和超谱估计";谢冬梅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215;正文第11-14页,第23-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105223571A (zh) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | A novel method for automatic detection of trapped victims by ultrawideband radar | |
CN102243303B (zh) | 一种基于呼吸特征的静止人体穿墙定位方法 | |
Huang et al. | A novel method for speckle noise reduction and ship target detection in SAR images | |
CN108776336A (zh) | 一种基于emd的自适应穿墙雷达静止人体目标定位方法 | |
CN109633598A (zh) | 基于特征分析的阵列雷达目标检测方法 | |
CN107831473B (zh) | 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法 | |
CN110187342B (zh) | 一种基于fmcw移动平台的生命体征检测与成像方法 | |
CN106468772B (zh) | 一种基于距离-多普勒量测的多站雷达人体跟踪方法 | |
CN106371093B (zh) | 基于建筑物透视雷达成像的多目标检测定位方法 | |
Hyun et al. | Human-vehicle classification scheme using doppler spectrum distribution based on 2D range-doppler FMCW radar | |
CN109270529A (zh) | 基于虚拟天线的前视阵列sar高分辨成像方法及系统 | |
CN108020834B (zh) | 基于改进edpca的运动目标检测方法、装置及电子设备 | |
CN108802725A (zh) | 一种浅层穿透雷达合成孔径成像方法 | |
CN105223571B (zh) | 基于加权l1优化与视觉显著注意的isar成像方法 | |
CN105931235B (zh) | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 | |
Ren et al. | Double layer local contrast measure and multi-directional gradient comparison for small infrared target detection | |
CN109143235A (zh) | 一种双基前视合成孔径雷达地面运动目标检测方法 | |
Kaplan et al. | Prescreening during image formation for ultrawideband radar | |
CN104237864B (zh) | 基于匹配模糊函数的距离扩展目标检测方法 | |
CN107450058B (zh) | 基于FrFT和HT的雷达信号时频参数估计方法 | |
CN109345583A (zh) | 基于omp的sar目标图像几何尺寸估计方法 | |
CN108549076A (zh) | 一种基于速度节凑图的多种类无人机场景识别方法 | |
Wang et al. | SAR-based ship detection in sea areas containing small islands | |
Kang et al. | Mining spatio-temporal features from mmW radar echoes for hand gesture recognition | |
Zhang et al. | Target detection in sar images based on sub-aperture coherence and phase congruency |
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 |