CN105974412A - 一种用于合成孔径雷达的目标特征提取方法 - Google Patents
一种用于合成孔径雷达的目标特征提取方法 Download PDFInfo
- Publication number
- CN105974412A CN105974412A CN201610397199.5A CN201610397199A CN105974412A CN 105974412 A CN105974412 A CN 105974412A CN 201610397199 A CN201610397199 A CN 201610397199A CN 105974412 A CN105974412 A CN 105974412A
- Authority
- CN
- China
- Prior art keywords
- scattering
- feature extraction
- echo
- target
- algorithm
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000002592 echocardiography Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- 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
-
- 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
- G01S13/9094—Theoretical aspects
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达技术领域,涉及一种用于合成孔径雷达的目标特征提取方法。本发明联合图像域的峰值区域分割与信号域的稀疏贝叶斯学习进行特征提取,首先通过PRS算法分割强散射区域,以避免强散射点对SBL算法的影响,然后利用SBL算法自主学习提取弱散射特征点,弥补了基于图像域的PRS算法对弱目标分割的不足。该方法充分利用了PRS算法和SBL算法各自的优势,对弱目标特征提取表现出了很好的效果,具有可调参数少,鲁棒性强等优点;并且在PRS算法分割强散射区域后,测量矩阵的维数也相应地下降,减小了运算量,提高了运算效率,从而可以广泛应用于SAR目标特征提取领域,为后续自动目标识别(ATR)提供基础。
Description
技术领域
本发明属于雷达技术领域,涉及一种用于合成孔径雷达(SAR)的目标特征提取方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)目标特征提取是SAR信号处理的一个非常重要的研究领域,其准确性直接影响目标识别的准确性,因此精确提取目标特征具有重要意义。特征提取的本质是将采样数据从高维空间映射到低维特征空间,现有的SAR特征提取方法可以分为两大类:第一类基于图像域,通过奈奎斯特采样定理和匹配滤波理论进行特征提取,如分水岭算法等。这类算法仅使用了幅度信息而没有用相位信息,因此很容易受到杂波和噪声的影响,从而使特征提取准确率下降。第二类方法基于信号域,通过某种映射直接从信号中获得特征,如基于压缩感知(Compressive Sensing,CS)理论的稀疏重构算法等。目前研究较多的CS算法主要分为三大类:凸松弛类算法、贪婪类算法与贝叶斯类算法。对于凸松弛类算法,其主要思想是将范数非凸问题等价为范数凸问题来求解,如基追踪算法(Basis Pursuit,BP)、内点法等,这类算法计算复杂,用于大数据时计算效率低,不能满足实时性需求;对于贪婪类算法,其主要思想是通过每次迭代得到一个局部最优解来逐步逼近原始信号,如匹配追踪算法(Matching Pursuit,MP)、正交匹配追踪算法(Orthogonal Matching Pursuit,OMP),这类算法计算速度快,实现容易,但往往需要知道目标场景的稀疏度,特征提取结果很大依赖于稀疏度的设置,且其不考虑场景的空间结构信息,易受噪声影响;而贝叶斯类算法,如稀疏贝叶斯学习算法(Sparse BayesianLearning,SBL),其主要思想是基于高斯先验假设,可以自主的学习并确定算法中的所有超参数,获得更稀疏的解,该算法引入了目标的空间结构信息,有一定的抗噪能力,且与凸优化算法相比具有更小的计算复杂度。然而,实际情况下,CS算法很容易受到强点的干扰,使得对弱散射特征的提取性能不太理想,同时,当目标场景过大时,构造的测量矩阵的维数过于庞大,使得实际处理时计算量较大,效率较低,不便于有效应用。。
发明内容
本发明所要解决的,就是针对上述问题,提出一种用于合成孔径雷达的目标特征提取方法。
本发明的技术方案是:一种用于合成孔径雷达的目标特征提取方法,其特征在于,包括以下步骤:
a.构建聚束SAR的成像模型如下公式1所示:
g=Θμ+n(公式1)
公式1中,g为回波向量,μ是场景散射系数向量,Θ为观测矩阵,n表示噪声向量;
b.由极坐标成像算法得到目标场景的成像图像;
c.根据获得的成像图像,基于图像域的PRS(Peak Region Segmentation,联合图像域的峰值区域分割)算法对强散射点进行特征提取,具体方法为:
c1.对获得的成像图像进行分割,具体为:
c11.设置强散射点门限τ1,利用分水岭算法对强散射区域进行初始分割,得到R1个初始分割区域;
c12.设置合并门限τ2,对步骤c11得到的初始分割区域进行合并,当任意两个相邻区域边界上像素点的幅值低于合并门限时,认为这两个相邻区域是由噪声和纹理杂波引起的过分割导致的,因此合并这两个相邻区域,最后得到R2个合并后的分割区域,R2≤R1;
c2.获取分割区域所对应的强散射点位置和幅度估计,并将位置索引放入集合Ω中;
d.获取成像图像残余散射区域回波,具体为:
d1.设原始回波信号的矩阵形式如下公式2:
g=Θ(A1+A2)μ+n=g1+g2+n(公式2)
公式2中,A2为区域选择矩阵,其形式为将单位矩阵I中与集合Ω中的原子所对应的列置为零,A1+A2=I,由此得到维数较小的测量矩阵,g1=ΘA1μ为强散射区域回波,g2=ΘA2μ为残余散射区域回波;
d2.将残余散射区域回波方程等价描述为如下公式3:
g2=Θ0w(公式3)
公式3中,Θ0表示残余散射区域的测量矩阵,w为相应的散射函数;
e.利用基于信号域的SBL(Sparse Bayesian Learning,稀疏贝叶斯学习)算法对残余信号的弱散射点进行特征提取,具体为:
e1.基于高斯先验假设可得,所述残余散射区域的散射函数w的分布如下公式4:
公式4中,M为目标场景中残余散射区域等效散射中心个数,vi为一个非负的参数,控制着w的稀疏度,当vi=0时,表示wi为零;
e2.假设噪声也满足高斯分布,结合公式4可得,w的后验分布可以表示成均值为方差为的高斯分布,其中,β是噪声的方差;当超参数v和β被估计出来后,w的点估计由其后验分布均值确定;超参数v和β由第二类最大似然估计获得,即等效于计算公式5所示函数的极值:
公式5中,I为单位矩阵;
f.采用期望最大化算法,得到参数v的学习规则如下公式6和β的学习规则如下公式7:
其中,N是残余散射区域回波向量g2的维数;
g.根本步骤c中获得的强散射点和步骤e-f中获得的弱散射点,得到SAR目标特征提取结果。
进一步的,所述步骤a的具体方法为:
a1.根据电磁理论,当目标散射体的电尺寸远大于波长时,目标的高频电磁散射特性可以由局部散射特性的合成来表示,这些局部散射通常被称为等效多散射中心,由此得到高频区的回波表达式如下公式8所示:
公式8中,K为目标场景中等效散射中心个数,μ(xi,yi)表示场景中点(xi,yi)的散射函数,f为雷达发射频率,θ为雷达脉冲与场景y轴形成的夹角,c为光速,j为虚数单位;
a2.将单个散射中心的回波进行频率和方位的离散化采样,频率采样点数为N1,方位角采样点数为N2,将其表示为向量形式为:
其中,为单个散射中心回波的向量形式,表示观测矩阵中的原子,μi=μ(xi,yi)为目标场景中第i个散射中心的值;
a3.利用步骤a2中单个散射中心的回波和场景散射函数的投影关系,构建目标场景中有K个散射中心时的聚束SAR成像模型:
g=Θμ+n,
其中,g为回波向量,μ是场景散射系数向量,Θ为观测矩阵,n表示噪声向量。
本发明的有益效果为,本发明联合图像域的峰值区域分割与信号域的稀疏贝叶斯学习进行特征提取,首先通过PRS算法分割强散射区域,以避免强散射点对SBL算法的影响,然后利用SBL算法自主学习提取弱散射特征点,弥补了基于图像域的PRS算法对弱目标分割的不足。该方法充分利用了PRS算法和SBL算法各自的优势,对弱目标特征提取表现出了很好的效果,具有可调参数少,鲁棒性强等优点;并且在PRS算法分割强散射区域后,测量矩阵的维数也相应地下降,减小了运算量,提高了运算效率,从而可以广泛应用于SAR目标特征提取领域,为后续自动目标识别(ATR)提供基础。
附图说明
图1是SAR几何结构;
图2是本发明的流程图;
图3是仿真试验中用不同方法得到的特征提取效果图。
具体实施方式
下面结合附图,详细描述本发明的技术方案:
本发明使用的SAR几何结构如图1所示,其中雷达沿着移动路径移动的过程中不断向目标场景发射与接收脉冲,θ为雷达脉冲与场景y轴形成的夹角。
参照图2,本发明的具体实施步骤如下:
步骤1,构建聚束SAR成像模型:
1.1)根据电磁理论,当目标散射体的电尺寸远大于波长时,目标的高频电磁散射特性可以由局部散射特性的合成来表示,这些局部散射通常被称为等效多散射中心,由此得到高频区的回波表达式:
其中K为目标场景中等效散射中心个数,μ(xi,yi)表示场景中点(xi,yi)的散射函数,f为雷达发射频率,θ为雷达脉冲与场景y轴形成的夹角,c为光速,j为虚数单位;
1.2)将单个散射中心的回波进行频率和方位的离散化采样,频率采样点数为N1,方位角采样点数为N2,将其表示为向量形式:
其中,为单个散射中心回波的向量形式,表示观测矩阵中的原子,μi=μ(xi,yi)为目标场景中第i个散射中心的值;
1.3)利用1.2)表达式中单个散射中心的回波和场景散射函数的投影关系,构建目标场景中有K个散射中心时的聚束SAR成像模型:
g=Θμ+n,
其中,g为回波向量,μ是场景散射系数向量,Θ为观测矩阵,n表示噪声向量。
步骤2,由极坐标成像算法得到目标场景的成像结果;
步骤3,根据所述步骤2得到的图像,利用基于图像域的PRS算法对强散射点进行特征提取:
3.1)设置强点门限τ1,利用分水岭算法对强散射区域进行初始分割,得到R1个初始分割区域;
3.2)设置合并门限τ2,对3.1)得到的初始分割区域进行合并,当任意两个相邻区域边界上像素点的幅值低于合并门限时,认为这两个相邻区域是由噪声和纹理杂波引起的过分割导致的,因此合并这两个相邻区域,最后得到R2个合并后的分割区域,R2≤R1;
步骤4,分别利用加权位置估计和最小二乘获取所述步骤3中得到的分割区域所对应的强散射点位置和幅度估计,并将位置索引放入集合Ω中;
步骤5,获取残余散射区域回波:
5.1)原始回波信号的矩阵形式为:
g=Θ(A1+A2)μ+n=g1+g2+n,其中,A2为区域选择矩阵,其形式为将单位矩阵I中与集合Ω中的原子所对应的列置为零,A1+A2=I,由此得到维数较小的测量矩阵,g1=ΘA1μ为强散射区域回波,g2=ΘA2μ为残余散射区域回波;
5.2)将残余散射区域回波方程等价描述为:
g2=Θ0w,其中,Θ0表示残余散射区域的测量矩阵,w为相应的散射函数;
步骤6,利用基于信号域的SBL算法对残余信号的弱散射点进行特征提取,等价于求解如下问题:
其中,ε为残差;
6.1)基于高斯先验假设可得,所述残余散射区域的散射函数w的分布为:
其中,M为目标场景中残余散射区域等效散射中心个数,vi为一个非负的参数,控制着w的稀疏度,当vi=0时,表示wi为零;
6.2)假设噪声也满足高斯分布,结合6.1)可得,w的后验分布可以表示成均值为方差为的高斯分布,其中,β是噪声的方差;
6.3)当超参数v和β被估计出来后,w的点估计由其后验分布均值确定;
6.4)超参数v和β由第二类最大似然估计获得,即等效于计算以下代价函数的极值:
其中,I为单位矩阵;
6.5)采用期望最大化算法,得到参数v和β的学习规则:
其中,N是残余散射区域回波向量g2的维数;
步骤7,结合所提取的强散射点和弱散射点,得到SAR目标特征提取结果。
本发明的效果可以通过下述仿真实验加以说明:
1.仿真条件
运行环境为CPU:Inter Core i5-2430M,内存10.0GB,32位Windows操作系统,软件采用MATLAB R2012b,系统参数设置如表1所示:
表1系统参数
2.仿真内容与结果
在上述条件下,采用本发明对电磁仿真数据进行特征提取,结果如图3所示。底图为利用PFA算法得到的成像结果。由图3(a)和图3(b)可以看出,SBL和PRS算法对旁瓣和杂波很敏感,而PRS-SBL算法克服了SBL算法和PRS算法各自的缺点,对杂波环境中的弱散射特征点提取表现出了很好的效果,如图3(c)所示。表格2列出了不同信噪比下各算法特征提取结果的性能指标,其中,正确的位置估计定义为位置估计偏差在两个分辨单元之内,目标标准散射中心位置由几何光学方法获得;残差的计算公式为: 表示重构的回波向量。设置强点门限为15dB、合并门限为3dB以及稀疏贝叶斯学习次数为4。可以看出,与单独利用PRS和SBL算法相比,联合利用两种算法得到的位置估计准确率和残差都要更好。
表2不同信噪比下各算法特征提取结果的性能指标
Claims (2)
1.一种用于合成孔径雷达的目标特征提取方法,其特征在于,包括以下步骤:
a.构建聚束SAR的成像模型如下公式1所示:
g=Θμ+n(公式1)
公式1中,g为回波向量,μ是场景散射系数向量,Θ为观测矩阵,n表示噪声向量;
b.由极坐标成像算法得到目标场景的成像图像;
c.根据获得的成像图像,对强散射点进行特征提取,具体方法为:
c1.对获得的成像图像进行分割,具体为:
c11.设置强散射点门限τ1,利用分水岭算法对强散射区域进行初始分割,得到R1个初始分割区域;
c12.设置合并门限τ2,对步骤c11得到的初始分割区域进行合并,当任意两个相邻区域边界上像素点的幅值低于合并门限时,认为这两个相邻区域是由噪声和纹理杂波引起的过分割导致的,因此合并这两个相邻区域,最后得到R2个合并后的分割区域,R2≤R1;
c2.获取分割区域所对应的强散射点位置和幅度估计,并将位置索引放入集合Ω中;
d.获取成像图像残余散射区域回波,具体为:
d1.设原始回波信号的矩阵形式如下公式2:
g=Θ(A1+A2)μ+n=g1+g2+n(公式2)
公式2中,A2为区域选择矩阵,其形式为将单位矩阵I中与集合Ω中的原子所对应的列置为零,A1+A2=I,由此得到维数较小的测量矩阵,g1=ΘA1μ为强散射区域回波,g2=ΘA2μ为残余散射区域回波;
d2.将残余散射区域回波方程等价描述为如下公式3:
g2=Θ0w(公式3)
公式3中,Θ0表示残余散射区域的测量矩阵,w为相应的散射函数;
e.对残余信号的弱散射点进行特征提取,具体为:
e1.基于高斯先验假设可得,所述残余散射区域的散射函数w的分布如下公式4:
公式4中,M为目标场景中残余散射区域等效散射中心个数,vi为一个非负的参数,控制着w的稀疏度,当vi=0时,表示wi为零;
e2.假设噪声也满足高斯分布,结合公式4可得,w的后验分布可以表示成均值为方差为的高斯分布,其中,β是噪声的方差;当超参数v和β被估计出来后,w的点估计由其后验分布均值确定;超参数v和β由第二类最大似然估计获得,即等效于计算公式5所示函数的极值:
公式5中,I为单位矩阵;
f.采用期望最大化算法,得到参数v的学习规则如下公式6和β的学习规则如下公式7:
其中,N是残余散射区域回波向量g2的维数;
g.根本步骤c中获得的强散射点和步骤e-f中获得的弱散射点,得到SAR目标特征提取结果。
2.根据权利要求1所述的一种用于合成孔径雷达的目标特征提取方法,其特征在于,所述步骤a的具体方法为:
a1.根据电磁理论,当目标散射体的电尺寸远大于波长时,目标的高频电磁散射特性可以由局部散射特性的合成来表示,这些局部散射通常被称为等效多散射中心,由此得到高频区的回波表达式如下公式8所示:
公式8中,K为目标场景中等效散射中心个数,μ(xi,yi)表示场景中点(xi,yi)的散射函数,f为雷达发射频率,θ为雷达脉冲与场景y轴形成的夹角,c为光速,j为虚数单位;
a2.将单个散射中心的回波进行频率和方位的离散化采样,频率采样点数为N1,方位角采样点数为N2,将其表示为向量形式为:
其中,为单个散射中心回波的向量形式,表示观测矩阵中的原子,μi=μ(xi,yi)为目标场景中第i个散射中心的值;
a3.利用步骤a2中单个散射中心的回波和场景散射函数的投影关系,构建目标场景中有K个散射中心时的聚束SAR成像模型:
g=Θμ+n,
其中,g为回波向量,μ是场景散射系数向量,Θ为观测矩阵,n表示噪声向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610397199.5A CN105974412B (zh) | 2016-06-07 | 2016-06-07 | 一种用于合成孔径雷达的目标特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610397199.5A CN105974412B (zh) | 2016-06-07 | 2016-06-07 | 一种用于合成孔径雷达的目标特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105974412A true CN105974412A (zh) | 2016-09-28 |
CN105974412B CN105974412B (zh) | 2018-03-02 |
Family
ID=57011568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610397199.5A Expired - Fee Related CN105974412B (zh) | 2016-06-07 | 2016-06-07 | 一种用于合成孔径雷达的目标特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105974412B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107817492A (zh) * | 2017-09-25 | 2018-03-20 | 中国科学院电子学研究所 | 宽角合成孔径雷达的成像方法及装置 |
CN109766899A (zh) * | 2018-12-28 | 2019-05-17 | 西安电子科技大学 | 物理特征提取和svm的sar图像车辆目标识别方法 |
CN109816665A (zh) * | 2018-12-30 | 2019-05-28 | 苏州大学 | 一种光学相干断层扫描图像的快速分割方法及装置 |
CN110471036A (zh) * | 2019-08-23 | 2019-11-19 | 电子科技大学 | 一种用于大阵列近场聚焦中的假目标清扫方法 |
CN111025252A (zh) * | 2019-12-10 | 2020-04-17 | 北京航天长征飞行器研究所 | 目标特征提取方法、装置及计算机存储介质、电子设备 |
CN112363161A (zh) * | 2020-10-27 | 2021-02-12 | 中南大学 | 基于散射机制分解的植被垂直结构及林下地形反演方法及装置 |
CN115963466A (zh) * | 2023-03-16 | 2023-04-14 | 中国科学院空天信息创新研究院 | 多角度sar场景的人造目标提取方法 |
CN116051426A (zh) * | 2023-03-27 | 2023-05-02 | 南京誉葆科技股份有限公司 | 一种合成孔径雷达图像处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196564A (zh) * | 2007-12-18 | 2008-06-11 | 西安电子科技大学 | 拉普拉斯正则化最小二乘合成孔径雷达自动目标识别方法 |
CN101908138A (zh) * | 2010-06-30 | 2010-12-08 | 北京航空航天大学 | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 |
KR101103493B1 (ko) * | 2010-07-13 | 2012-01-10 | 영남대학교 산학협력단 | 역합성 개구면 레이더 영상을 이용한 표적 식별 방법 및 그 장치 |
CN104111458A (zh) * | 2014-07-29 | 2014-10-22 | 西安电子科技大学 | 基于双重稀疏约束的压缩感知合成孔径雷达成像方法 |
KR20160053520A (ko) * | 2014-11-05 | 2016-05-13 | 국방과학연구소 | 비행 궤적 및 형태학적 처리를 이용한 효과적인 다중 표적 역합성 개구면 레이더 영상 형성 방법 및 장치 |
-
2016
- 2016-06-07 CN CN201610397199.5A patent/CN105974412B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196564A (zh) * | 2007-12-18 | 2008-06-11 | 西安电子科技大学 | 拉普拉斯正则化最小二乘合成孔径雷达自动目标识别方法 |
CN101908138A (zh) * | 2010-06-30 | 2010-12-08 | 北京航空航天大学 | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 |
KR101103493B1 (ko) * | 2010-07-13 | 2012-01-10 | 영남대학교 산학협력단 | 역합성 개구면 레이더 영상을 이용한 표적 식별 방법 및 그 장치 |
CN104111458A (zh) * | 2014-07-29 | 2014-10-22 | 西安电子科技大学 | 基于双重稀疏约束的压缩感知合成孔径雷达成像方法 |
KR20160053520A (ko) * | 2014-11-05 | 2016-05-13 | 국방과학연구소 | 비행 궤적 및 형태학적 처리를 이용한 효과적인 다중 표적 역합성 개구면 레이더 영상 형성 방법 및 장치 |
Non-Patent Citations (2)
Title |
---|
刁智华等: "分水岭算法的改进方法研究", 《计算机工程》 * |
谢颂华等: "迭代分水岭和脊检测的图像分割", 《计算机应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107817492A (zh) * | 2017-09-25 | 2018-03-20 | 中国科学院电子学研究所 | 宽角合成孔径雷达的成像方法及装置 |
CN109766899A (zh) * | 2018-12-28 | 2019-05-17 | 西安电子科技大学 | 物理特征提取和svm的sar图像车辆目标识别方法 |
CN109766899B (zh) * | 2018-12-28 | 2021-05-04 | 西安电子科技大学 | 物理特征提取和svm的sar图像车辆目标识别方法 |
CN109816665A (zh) * | 2018-12-30 | 2019-05-28 | 苏州大学 | 一种光学相干断层扫描图像的快速分割方法及装置 |
CN110471036A (zh) * | 2019-08-23 | 2019-11-19 | 电子科技大学 | 一种用于大阵列近场聚焦中的假目标清扫方法 |
CN110471036B (zh) * | 2019-08-23 | 2022-08-02 | 电子科技大学 | 一种用于大阵列近场聚焦中的假目标清扫方法 |
CN111025252A (zh) * | 2019-12-10 | 2020-04-17 | 北京航天长征飞行器研究所 | 目标特征提取方法、装置及计算机存储介质、电子设备 |
CN112363161A (zh) * | 2020-10-27 | 2021-02-12 | 中南大学 | 基于散射机制分解的植被垂直结构及林下地形反演方法及装置 |
CN112363161B (zh) * | 2020-10-27 | 2022-12-20 | 中南大学 | 基于散射机制分解的植被垂直结构及林下地形反演方法及装置 |
CN115963466A (zh) * | 2023-03-16 | 2023-04-14 | 中国科学院空天信息创新研究院 | 多角度sar场景的人造目标提取方法 |
CN116051426A (zh) * | 2023-03-27 | 2023-05-02 | 南京誉葆科技股份有限公司 | 一种合成孔径雷达图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105974412B (zh) | 2018-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105974412B (zh) | 一种用于合成孔径雷达的目标特征提取方法 | |
CN111142105B (zh) | 复杂运动目标isar成像方法 | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN101221239B (zh) | 一种基于水平集的合成孔径雷达图像分割方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN102778680B (zh) | 基于参数化的匀加速运动刚体群目标成像方法 | |
CN103885058B (zh) | 一种利用稀疏统计特性的机载雷达前视超分辨成像方法 | |
CN104991241B (zh) | 强杂波背景下目标信号的提取和超分辨率增强处理方法 | |
CN102645651A (zh) | 一种sar层析超分辨成像方法 | |
CN102914773B (zh) | 一种多航过圆周sar三维成像方法 | |
Armanious et al. | An adversarial super-resolution remedy for radar design trade-offs | |
CN112415515B (zh) | 一种机载圆迹sar对不同高度目标分离的方法 | |
CN101620272B (zh) | 一种逆合成孔径雷达的目标转速估计方法 | |
Nielsen et al. | Direction-of-arrival estimation for radar ice sounding surface clutter suppression | |
CN111681272B (zh) | 一种基于奇异性功率谱的sar图像处理方法 | |
Han et al. | Efficient 3D image reconstruction of airborne TomoSAR based on back projection and improved adaptive ISTA | |
CN105447867A (zh) | 基于isar图像的空间目标姿态估计方法 | |
Newey et al. | Detection and imaging of moving targets with limit SAR data | |
CN104182753A (zh) | 结合图像分割与子空间匹配追踪的目标散射中心提取方法 | |
Costante et al. | Towards monocular digital elevation model (DEM) estimation by convolutional neural networks-Application on synthetic aperture radar images | |
Garry et al. | Passive ISAR part I: framework and considerations | |
Rigling et al. | Three-dimensional surface reconstruction from multistatic SAR images | |
Zhu et al. | Estimating ambiguity-free motion parameters of ground moving targets from dual-channel SAR sensors | |
CN112415512A (zh) | 基于进退法和黄金分割法的sar运动目标聚焦方法 | |
Li et al. | Joint Translational Motion Compensation for Multi-target ISAR Imaging Based on Integrated Kalman Filter |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180302 Termination date: 20200607 |