CN108646242A - 一种针对复杂目标的多子波段雷达数据融合成像方法 - Google Patents
一种针对复杂目标的多子波段雷达数据融合成像方法 Download PDFInfo
- Publication number
- CN108646242A CN108646242A CN201810442113.5A CN201810442113A CN108646242A CN 108646242 A CN108646242 A CN 108646242A CN 201810442113 A CN201810442113 A CN 201810442113A CN 108646242 A CN108646242 A CN 108646242A
- Authority
- CN
- China
- Prior art keywords
- sub
- data
- image
- block
- multiple wavelet
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 41
- 238000003384 imaging method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 230000001427 coherent effect Effects 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 31
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000011800 void material Substances 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种针对复杂目标的多子波段雷达数据融合成像方法。该方法包括:首先,对各子波段数据分别做二维傅里叶变换(2‑D FFT),得到其低分辨图像;其次,将各子波段的低分辨二维图像分成多个图像子块,取对应子块补零后做二维逆傅里叶变换(2‑D IFFT),得到图像子块的多子波段数据;然后,用现有基于参数化模型的技术对每个子块的多子波段数据进行融合处理,得到其多子波段融合数据;最后,可采用两种方法之一完成超分辨率图像的重建:一是将所有子块的融合数据经插值和相位变换后相干叠加,得到完整目标的融合数据并做后续成像处理;二是对各子块的融合数据经2‑D FFT变换到图像域,并按原来的分块顺序进行图像拼接,得到完整目标的超分辨率图像。
Description
技术领域
本发明涉及雷达成像处理技术领域,具体涉及一种针对复杂目标的多子波段雷达数据融合与成像处理方法。
背景技术
现有的成像雷达能够提供较高的距离分辨率,但是在对太空碎片、小卫星、航天器等航天目标进行观测时,需要得到更高分辨率的二维雷达图像以对其特征进行准确描述。目标像的距离分辨率由发射信号的带宽决定。获得高距离分辨率的途径有两种:一种是采用宽带雷达,但是它对硬件系统的要求较高,需要很高的成本;另一种是利用多部雷达在不同子波段对目标同时进行观测,之后采用信号处理方法对多子波段的观测信号做内插、外推等处理,补全数据凹口,从而合成较大的等效带宽。通过第二种途径,可以较小的硬件成本获得高距离分辨的雷达图像。
与本发明相关的现有技术一
现有技术一的技术方案:
文献(Piou J.E.A state-space technique for ultrawide-bandwidthcoherent processing[R].MIT Lincoln Laboratory,Technical Report TR 1054,1999)假设目标的后向散射场由一系列离散的散射中心组成,利用复指数(CE)模型对已知波段的雷达回波数据参数化建模。采用状态空间法(SSM)估计模型参数,最后利用模型参数完成带宽外推或内插,从而合成大带宽回波数据。文献(Feiyang He and Xiaojian Xu.High-Resolution Imaging Based on Coherent Processing for Distributed Multi-BandRadar Data.Progress in Electromagnetics Research,2013,141:383-401.)也采用CE模型对目标回波进行建模,采用二维凹口数据状态空间法(2D-GSSA)对多子波段数据共有的二维凹口进行填充。
现有技术一的缺点
CE模型能够对目标回波精确建模和外推的条件是模型阶数较小,这决定了其只能适用于由少数散射中心组成的简单目标,此时目标回波起伏缓慢,规律性强,易于采用参数化模型预测。但是对于散射中心众多的复杂目标,回波数据起伏剧烈,若采用参数化模型,对其建模所需要的模型阶数很高,因此难以实现模型预测。
与本发明相关的现有技术二
现有技术二的技术方案:
文献(陈娟,袁运能.基于多站多波段带宽融合的超宽带相参处理方法[P].中国发明专利:ZL201310289416.5,2016.)对回波信号建立二维全极点信号模型(AR),首先对两个子波段的二维回波数据重采样,然后对行和列数据做预处理,分别进行极点和系数估计,得到行和列的一维全极点信号模型,再对顺序混乱的行极点和列极点进行配对,从而可以得二维全极点信号模型,最后根据二维全极点信号模型进行ISAR成像,从而得到高精度的ISAR图像。
现有技术二的缺点
该技术与技术一类似,同样受到模型阶数的限制,只能够对包含少数散射中心的简单目标回波进行较好的建模,无法对复杂目标数据建模。
与本发明相关的现有技术三
现有技术三的技术方案:
文献(Huan Huan Zhang and Ru Shan Chen.Coherent processing and superresolution technique of multi-band radar data based on fast sparse bayesianlearning algorithm.IEEE Transactions on Antennas and Propagation,2014,62(12):6217-6227.)采用几何绕射理论(GTD)模型对已知两个子波段回波建模,建立冗余字典,将宽带雷达超分辨问题转化为稀疏表示问题,然后利用快速稀疏贝叶斯学习算法求解稀疏表示中的欠定方程,进而对回波数据做外推和内插。
现有技术三的缺点
该技术利用已知波段数据建立字典,通过快速稀疏贝叶斯学习算法完善字典,最终实现数据融合,实则利用的是已知波段的冗余信息。对于简单目标,数据起伏缓慢且有规律,冗余信息较多,因此能够实现数据外推。但是对于包含众多散射中心的复杂目标,该技术同样也不适用。
发明内容
本发明所要解决的技术问题:现有的多种技术均只适用于简单目标的多子波段数据融合处理与成像,不能实现复杂目标的多子波段数据融合与成像。这是由于现有技术都是直接对目标回波数据用设定的模型建模。当目标拥有众多散射中心时,回波数据起伏剧烈,由于模型阶数的限制,无法做到精确的数据融合。本发明提出一种基于分块处理的数据融合方法,可以解决在一定雷达频带内复杂目标的多子波段数据融合问题。本发明基于分块的思想,提出将完整目标回波数据分为若干个子块回波数据之和,每个子块可以等效为一个简单目标,可用现有基于参数化模型的技术对每个子块的多子波段数据进行数据融合。最后再将所有子块的多子波段融合数据叠加,得到完整目标的融合数据。
本发明所采用的技术方案如下:一种针对复杂目标的多子波段雷达数据融合成像方法,该方法的具体步骤如下:
步骤1:将已知的若干个子波段的目标回波数据分别通过2-D FFT变换到图像域,得到低分辨的子波段二维图像;
步骤2:将每个子波段的低分辨二维图像按相同的方式分成若干个图像子块;
步骤3:取每个子波段对应的图像子块,补零后,分别通过2-D IFFT变换到数据域,得到图像子块的多子波段回波数据;
步骤4:用现有基于参数化模型的技术对子块的多子波段回波数据进行数据融合处理,得到子块的多子波段融合数据;
步骤5:完成超分辨率图像的重建,可采用下列两种方法之一:
方法-1,将所有子块的融合数据做插值和相位变换处理后相干叠加,得到完整目标的融合数据,对其进行后续成像处理;
方法-2,对每个子块的融合数据再次通过2-D FFT变换到图像域,在图像域按原来的分块顺序进行图像拼接,得到完整的复杂目标超分辨率图像。
其中,对于包含众多散射中心的复杂目标,可以采用分块处理的数据融合方法,将复杂目标分割为若干子块,每一子块可以等效为散射中心较少的简单目标,可用现有基于参数化模型的数据融合技术对每一子块的多子波段数据做融合处理。
其中,对复杂目标的分块处理可以在二维图像域进行,在一定雷达频带内,可通过2-D FFT和2-D IFFT实现数据域和图像域之间的快速转换。
其中,将所有子块的多子波段融合数据分别再次成像,如通过2-DFFT变换到图像域后,在图像域拼接所有超分辨率图像子块,即可得到完整目标的超分辨率图像。
其中,得到完整复杂目标的多子波段融合数据的方法:将各子块的多子波段融合数据做插值和相位变换处理后相干叠加,处理过程为:首先将子块的多子波段融合数据通过2-D FFT得到子块超分辨率图像;然后将超分辨图像子块补零至整个图像大小,即除该子块所在位置外的其他子块位置为零;接着将补零后的图像通过2-D IFFT变换到数据域,即实现对子块融合数据的插值和相位变换处理。处理后各子块的融合数据相干叠加即是完整目标的融合数据。
其中,对每一子块的多子波段数据融合处理都相互独立,可采用并行处理技术实现并行计算,从而大大减少计算时间。
本发明与现有技术相比的有益结果在于:
本发明提供了一种解决现有技术无法实现的复杂目标多子波段数据融合与成像处理的方法。通过在图像域对复杂目标分块,再变换到数据域,可得到包含少数散射中心的图像子块的多子波段数据。这样,采用现有的多子波段数据融合技术对子块数据融合比对整体目标数据进行数据融合处理要容易得多,特别是采用已有的基于参数化模型的多子波段数据融合处理技术,可实现对各子块数据的精确建模和预测,最终实现完整复杂目标的多子波段数据融合与成像。
附图说明
图1为分块处理示意图;
图2为图1中插值和相位变换处理过程示意图;
图3为卫星模型外形图;
图4为模型阶数取45阶时的真实数据和建模外推数据对比,其中,图4(a)为数据幅度对比;图4(b)为数据相位对比;
图5为卫星模型取10阶时的真实数据和建模外推数据对比,其中,图5(a)为数据幅度对比;图5(b)为数据相位对比;
图6为卫星模型全频段二维像(图中横轴Cross Range表示横向距离,纵轴DownRange表示径向距离);
图7为原始全频段图像子块(图中横轴Cross Range表示横向距离,纵轴DownRange表示径向距离);
图8为模型阶数取10阶时子块建模数据与真实数据对比,其中,图8(a)为幅度对比;图8(b)为相位对比;
图9为完整卫星目标建模外推数据与真实数据对比,图9(a)为卫星模型原始真实数据;图9(b)为卫星模型所有子块建模外推数据叠加结果;
图10为凹口填充后数据二维像与各子波段二维像对比(图中横轴Cross Range表示横向距离,纵轴Down Range表示径向距离),图10(a)为子波段1图像;图10(b)为子波段2图像;图10(c)为数据融合后的全波段数据图像。
具体实施方式
下面结合附图进一步说明本发明,但不作为对本发明的限定。
本发明提出的针对复杂目标的多子波段雷达数据融合成像方法处理示意图如图1所示,主要分为以下5个步骤:
步骤1:将已知的若干个子波段的目标回波数据分别通过2-D FFT变换到图像域,得到低分辨的子波段二维图像。
步骤2:将每个子波段的低分辨二维图像按相同的方式分成若干个图像子块。
步骤3:取每个子波段对应的图像子块,补零后,分别通过2-D IFFT变换到数据域,得到图像子块的多子波段回波数据。
步骤4:用现有基于参数化模型的技术对子块的多子波段回波数据进行数据融合处理,得到子块的多子波段融合数据。
步骤5:完成超分辨率图像的重建。可采用下列两种方法之一:
方法-1,将所有子块的融合数据做插值和相位变换处理后相干叠加,得到完整目标的融合数据,对其进行后续成像处理;
方法-2,对每个子块的融合数据再次通过2-D FFT变换到图像域,在图像域按原来的分块顺序进行图像拼接,得到完整的复杂目标超分辨率图像。
上述流程的几个关键点在于:
(1)对复杂目标的多子波段数据融合处理可以分块进行。将复杂目标分割为若干子块,每一子块包含较少的散射中心,可以看作简单目标,其数据起伏缓慢,可预测性强,可采用现有基于参数化模型的数据融合技术得到其融合数据。
(2)对复杂目标的分块处理可以在二维图像域进行。在一定雷达频带内,成像数据支撑域等效为矩形支撑域,因此,可通过傅里叶变换实现图像域和数据域的快速转换。这里将完整目标每个子波段数据通过2-D FFT变换到图像域,在图像域分割为一系列图像子块,再将每个图像子块通过2-D IFFT变换回数据域,得到每一子块的多子波段数据。将图像子块变换回数据域时可以不补零或者补少量的零,这样子块数据相对于原始完整目标数据采样率降低了,大大减少了数据量。
(3)每个图像子块的多子波段数据可以近似看作简单目标的回波数据,可采用已有的基于参数化模型的数据融合技术(例如CE模型和SSA)进行融合处理,得到该子块的多子波段融合数据。
(4)由于子块数据相对于完整目标数据采样率降低,相位也发生了变化,所有子块的融合数据不可以直接相干叠加,需要做插值和相位变换处理。处理流程如图2所示。首先将子块的多子波段融合数据通过2-D FFT变换到图像域;然后将其补零至整个图像大小,即除该子块所在位置外其他子块位置为零;最后将补零后的图像通过2-D IFFT变换到数据域,即完成插值和相位变换。这样得到的子块融合数据与原始数据采样率相同,所有子块的融合数据相干叠加即为完整目标的融合数据。
(5)每一个子块数据的融合处理都是独立的,可以进行并行处理,从而减少计算时间。例如,单片图形处理单元(GPU)包含上千个计算核心,采用基于GPU的并行计算,可大大提高处理速度。
本发明的技术原理如下:
(1)以CE模型为例,从理论上推导分块技术的正确性。CE模型假设目标的后向散射场由一些离散的散射中心组成,可用于目标散射场的精确建模。
假设目标回波采样数据序列y(k)由p个正弦信号组成,v(k)为高斯白噪声:
式中,k为频率点索引;p为正弦信号个数;ai与αi分别表示第i个散射中心的幅度和色散因子;下标i为信号索引;ri为第i个散射中心到雷达的距离;c为电波传播速度;j为虚数单位;起始频率f0,频率向量fk=f0+(k-1)Δf;k=1,...,Nf;Δf为频率采样间隔;Nf为频率采样点数;下标f代表频率。
对于复杂目标,由于其所包含散射中心众多,精确表征目标需要的模型阶数p很大,无法利用模型参数准确地对回波数据进行建模和预测,这正是技术一、二的局限性所在。为了解决该问题,本发明提出可将复杂目标分块处理,也即将式(1)重新写为:
其中:
p1+p2+...+pN=p (4)
v1(k)+v2(k)+...+vN(k)=v(k) (5)
式中,y(k)为复杂目标的回波信号,ym(k)为将复杂目标分块后,得到的包含少数散射中心的第m个子块的回波信号,m为子块索引;N为分块的个数;vm(k)为第m个子块的噪声;pm为第m个子块的模型阶数;与分别表示第m个子块的第i个散射中心的幅度和色散因子;为第m个子块的第i个散射中心到雷达的距离;下标im为索引值,表示第m个子块的第i个散射中心;其他符号意义与式(1)相同。
由于每个子块对应的目标散射中心较少,故精确建模所需的模型阶数p1,p2...pN较小,易于采用已有的模型如CE模型等对其进行参数化建模,进而易于精确外推未知频段数据,从而合成大带宽子块数据。
(2)本发明提出的分块处理可以在二维图像域进行。在一定雷达频带内,通过2-DFFT和2-D IFFT可实现数据域和图像域的快速转换。且2-D FFT和2-D IFFT为线性变换,经变换得到的各个子块数据叠加后即为完整复杂目标数据。理论推导如下:
对子波段数据矩阵y(k,θ)做2-D FFT,可以得到二维图像Y(x,y):
式中,WN=e-j2π/N,WM=e-j2π/M,j为虚数单位;M,N分别横向和纵向的傅里叶变换的点数;x=0,1,...,N-1,y=0,1,...,M-1,分别为二维像素点位置索引;k表示回波数据对应的频率维索引;θ表示对应的方位角索引。
反过来,将该二维图像Y(x,y)做2-DIFFT,可以得到该图像的回波数据y(k,θ):
式中,WN=e-j2π/N,WM=e-j2π/M,k=0,1,...,N-1,θ=0,1,...,M-1;j为虚数单位;k表示回波数据对应的频率索引;θ表示对应的方位角索引;x,y分别为二维像素所在位置索引,M,N分别为横向和纵向的傅里叶变换的点数。
式(7)可以写为:
式(8)表明,将整幅图像变换到数据域时,可以分成若干子块分别进行计算。式中,M1,M2……M-M1+1分别为分割子块的横向边界位置,N1,N2……N-N1+1分别为分割子块的纵向边界位置。
令:
……
则式(8)可以写为:
式中,y11(k,θ),y12(k,θ)......ymn(k,θ)为各个子块的回波数据;m,n分别为行和列的索引。
式(12)说明若将图像子块补零至整个图像大小,即除该子块所在位置外其他子块位置为零,变换后的各个子块数据叠加即为完整目标数据。
首先以矩量法(MOM)电磁计算得到的卫星目标模型数据为例,演示技术一对散射中心多的复杂目标是失效的。卫星目标模型如图3所示。该目标尺寸大,结构复杂,散射中心很多。取30~31GHz真实数据,按技术一中所提出的CE模型建模,并用SSA技术外推,外推结果如图4~5。图4为模型阶数取45阶时的对比结果,可以看出在30~31GHz已知数据波段,该模型对数据进行了较好的建模,但模型阶数过大,导致外推后数据发散,无法扩展频带宽度。图5为模型阶数取10阶时的对比结果,虽然数据未发散,但由于阶数过小,所建模型无法准确描述该目标的回波数据,也无法对该目标数据进行外推。
然后仍以该目标模型数据为例,说明在图像域分块后,子块数据可以用CE模型准确建模,并用SSA技术外推。从而验证本项发明对复杂目标多子波段数据融合的可实施性。按以下步骤进行:
步骤1:对卫星目标的仿真数据做2-DFFT得到其二维像,如图6所示。其中选取的数据频带为30~33GHz,方位角45~48°。
步骤2:将该图像分为32×32块,取其中一块,如图6虚线所示,并将其他块所在位置补零,如图7所示。
步骤3:将图7所示子块图像通过2-DIFFT变换到数据域,得到该子块的全波段30~33GHz数据。
步骤4:取步骤3所得数据的子波段30~31GHz用技术一中技术向前扩展至30~31.5GHz,取子波段32~33GHz用技术一中技术向后扩展至31.5~33GHz,将扩展的两波段数据连接,得到全波段30~33GHz数据。
步骤5:对所有子块执行步骤2到步骤4,并将所有子块的全波段数据叠加,得到完整目标的建模外推数据。
由图7可以看出,该子块包含的散射中心较少,只需较小的模型阶数就可对其进行建模,这里模型阶数取10阶。图8为步骤4所得子块凹口填充后的全波段数据与步骤3所得子块真实全波段数据对比图。其中,实线表示真实原始数据,点画线表示建模外推数据。可以看出对于该子块目标,由于其散射中心较少,可以完全恢复凹口1GHz未知带宽数据。说明本文所提分块技术可以有效降低目标数据起伏程度,进而容易用已有的模型和算法进行建模和外推,能够解决复杂目标多子波段数据融合问题。
图9a为完整目标的真实数据,这里横轴表示频率,纵轴表示方位角,强度表示数据的对数模值。图9b为步骤5所得完整目标的建模外推数据。对比发现建模数据几乎可以完全拟合原始数据,说明将所有子块融合数据叠加,即为完整复杂目标融合数据。
图10a为对子波段30~31GHz数据做2-DFFT得到的二维像,图10b为对子波段32~33GHz数据做2-DFFT得到的二维像,图10c为将图9b所示的整幅图的融合数据做2-DFFT,得到的融合二维像。对比发现通过多子波段数据融合,可以显著提高图像距离分辨率。
综上所述,本发明提出的分块技术可以有效降低单个子块数据的复杂性,从而可以采用现有技术进行外推或内插,最终实现完整复杂目标的多子波段数据融合与成像。
Claims (6)
1.一种针对复杂目标的多子波段雷达数据融合成像方法,其特征在于:该方法的具体步骤如下:
步骤1:将已知的若干个子波段的目标回波数据分别通过2-D FFT变换到图像域,得到低分辨的子波段二维图像;
步骤2:将每个子波段的低分辨二维图像按相同的方式分成若干个图像子块;
步骤3:取每个子波段对应的图像子块,补零后,分别通过2-D IFFT变换到数据域,得到图像子块的多子波段回波数据;
步骤4:用现有基于参数化模型的技术对子块的多子波段回波数据进行数据融合处理,得到子块的多子波段融合数据;
步骤5:完成超分辨率图像的重建,可采用下列两种方法之一:
方法-1,将所有子块的融合数据做插值和相位变换处理后相干叠加,得到完整目标的融合数据,对其进行后续成像处理;
方法-2,对每个子块的融合数据再次通过2-D FFT变换到图像域,在图像域按原来的分块顺序进行图像拼接,得到完整的复杂目标超分辨率图像。
2.根据权利要求1所述的针对复杂目标的多子波段雷达数据融合成像方法,其特征在于:对于包含众多散射中心的复杂目标,可以采用分块处理的数据融合方法,将复杂目标分割为若干子块,每一子块可以等效为散射中心较少的简单目标,可用现有基于参数化模型的数据融合技术对每一子块的多子波段数据做融合处理。
3.根据权利要求1所述的针对复杂目标的多子波段雷达数据融合成像方法,其特征在于:对复杂目标的分块处理可以在二维图像域进行,在一定雷达频带内,可通过2-D FFT和2-DIFFT实现数据域和图像域之间的快速转换。
4.根据权利要求1所述的针对复杂目标的多子波段雷达数据融合成像方法,其特征在于:将所有子块的多子波段融合数据分别再次成像,如通过2-DFFT变换到图像域后,在图像域拼接所有超分辨率图像子块,即可得到完整目标的超分辨率图像。
5.根据权利要求1所述的针对复杂目标的多子波段雷达数据融合成像方法,其特征在于:得到完整复杂目标的多子波段融合数据的方法:将各子块的多子波段融合数据做插值和相位变换处理后相干叠加,处理过程为:首先将子块的多子波段融合数据通过2-D FFT得到子块超分辨率图像;然后将超分辨图像子块补零至整个图像大小,即除该子块所在位置外的其他子块位置为零;接着将补零后的图像通过2-D IFFT变换到数据域,即实现对子块融合数据的插值和相位变换处理。处理后各子块的融合数据相干叠加即是完整目标的融合数据。
6.根据权利要求2所述的针对复杂目标的多子波段雷达数据融合成像方法,其特征在于对每一子块的多子波段数据融合处理都相互独立,可采用并行处理技术实现并行计算,从而大大减少计算时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442113.5A CN108646242B (zh) | 2018-05-10 | 2018-05-10 | 一种针对复杂目标的多子波段雷达数据融合成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442113.5A CN108646242B (zh) | 2018-05-10 | 2018-05-10 | 一种针对复杂目标的多子波段雷达数据融合成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108646242A true CN108646242A (zh) | 2018-10-12 |
CN108646242B CN108646242B (zh) | 2022-02-08 |
Family
ID=63754230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810442113.5A Active CN108646242B (zh) | 2018-05-10 | 2018-05-10 | 一种针对复杂目标的多子波段雷达数据融合成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108646242B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412656A (zh) * | 2019-07-18 | 2019-11-05 | 长江大学 | 一种大地电磁测深资料时间域压噪的方法及系统 |
CN111175745A (zh) * | 2020-01-19 | 2020-05-19 | 北京航空航天大学 | 一种基于状态空间平衡法的动目标三维成像的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412306A (zh) * | 2013-07-10 | 2013-11-27 | 北京航空航天大学 | 基于多站多波段带宽融合的超宽带相参处理方法 |
CN103760545A (zh) * | 2014-01-16 | 2014-04-30 | 中国科学院电子学研究所 | 合成孔径雷达中子带串扰对成像性能影响的分析方法 |
CN103941256A (zh) * | 2014-05-12 | 2014-07-23 | 南京航空航天大学 | 基于两级多分辨重构的无源分布式sar成像处理方法 |
CN104865571A (zh) * | 2015-04-02 | 2015-08-26 | 西安电子科技大学 | 多通道多子带滑动聚束模式sar成像方法 |
-
2018
- 2018-05-10 CN CN201810442113.5A patent/CN108646242B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412306A (zh) * | 2013-07-10 | 2013-11-27 | 北京航空航天大学 | 基于多站多波段带宽融合的超宽带相参处理方法 |
CN103760545A (zh) * | 2014-01-16 | 2014-04-30 | 中国科学院电子学研究所 | 合成孔径雷达中子带串扰对成像性能影响的分析方法 |
CN103941256A (zh) * | 2014-05-12 | 2014-07-23 | 南京航空航天大学 | 基于两级多分辨重构的无源分布式sar成像处理方法 |
CN104865571A (zh) * | 2015-04-02 | 2015-08-26 | 西安电子科技大学 | 多通道多子带滑动聚束模式sar成像方法 |
Non-Patent Citations (2)
Title |
---|
张国敏: ""复杂场景遥感图像目标检测方法研究"", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
计科峰 等: ""基于SAR图像的目标散射中心特征提取方法研究"", 《国防科技大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412656A (zh) * | 2019-07-18 | 2019-11-05 | 长江大学 | 一种大地电磁测深资料时间域压噪的方法及系统 |
CN110412656B (zh) * | 2019-07-18 | 2021-05-04 | 长江大学 | 一种大地电磁测深资料时间域压噪的方法及系统 |
CN111175745A (zh) * | 2020-01-19 | 2020-05-19 | 北京航空航天大学 | 一种基于状态空间平衡法的动目标三维成像的方法 |
CN111175745B (zh) * | 2020-01-19 | 2020-08-18 | 北京航空航天大学 | 一种基于状态空间平衡法的动目标三维成像的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108646242B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2568929C1 (ru) | Способ и система для быстрой реконструкции изображения мрт из недосемплированных данных | |
CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
US20190339380A1 (en) | Multiple-input-multiple-output (mimo) imaging systems and methods for performing massively parallel computation | |
RU2626184C2 (ru) | Способ, устройство и система для реконструкции магнитно-резонансного изображения | |
Li et al. | Near-field radar imaging via compressive sensing | |
CN103605121B (zh) | 基于快速稀疏贝叶斯学习算法的宽带雷达数据融合方法 | |
Andersson et al. | Fast Fourier methods for synthetic aperture radar imaging | |
CN111047660B (zh) | 图像重建方法、装置、设备及存储介质 | |
CN105954750A (zh) | 基于压缩感知的条带式合成孔径雷达非稀疏场景成像方法 | |
CN112859075B (zh) | 多频带isar融合高分辨成像方法 | |
CN108646242A (zh) | 一种针对复杂目标的多子波段雷达数据融合成像方法 | |
Qiusheng et al. | Compressed sensing MRI based on the hybrid regularization by denoising and the epigraph projection | |
Yao et al. | Applying convolutional neural networks for the source reconstruction | |
CN103076608B (zh) | 轮廓增强的聚束式合成孔径雷达成像方法 | |
Fuller | Phase history decomposition for efficient scatterer classification in SAR imagery | |
Liu et al. | Fine-grained MRI reconstruction using attentive selection generative adversarial networks | |
Liu et al. | Compressive tomographic radar imaging with total variation regularization | |
CN108647183B (zh) | 基于压缩感知的复rcs数据插值方法 | |
Huang et al. | An NSST-Based Fusion Method for Airborne Dual-Frequency, High-Spatial-Resolution SAR Images | |
Alvarez-Ramos et al. | Satellite image super-resolution using overlapping blocks via sparse representation | |
Xiao et al. | Sequential image recovery from noisy and under-sampled Fourier data | |
Aetesam et al. | Perceptually motivated generative model for magnetic resonance image denoising | |
Yoo et al. | Patch orientation‐specified network for learning‐based image super‐resolution | |
Yuan et al. | Block-division based ultra-wideband fusion of multiple radar bands for resolution enhanced imagery | |
Zhang et al. | Simultaneously azimuth-pitch super-resolution imaging for ground-to-air radar |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |