CN109345583B - 基于omp的sar目标图像几何尺寸估计方法 - Google Patents
基于omp的sar目标图像几何尺寸估计方法 Download PDFInfo
- Publication number
- CN109345583B CN109345583B CN201811181427.0A CN201811181427A CN109345583B CN 109345583 B CN109345583 B CN 109345583B CN 201811181427 A CN201811181427 A CN 201811181427A CN 109345583 B CN109345583 B CN 109345583B
- Authority
- CN
- China
- Prior art keywords
- target
- vector
- matrix
- value
- axis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 95
- 239000011159 matrix material Substances 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000000750 progressive effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 9
- 230000002068 genetic effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 102100024506 Bone morphogenetic protein 2 Human genes 0.000 description 1
- 101000762366 Homo sapiens Bone morphogenetic protein 2 Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- YOBAEOGBNPPUQV-UHFFFAOYSA-N iron;trihydrate Chemical compound O.O.O.[Fe].[Fe] YOBAEOGBNPPUQV-UHFFFAOYSA-N 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20068—Projection on vertical or horizontal image axis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于正交匹配追踪算法OMP的合成孔径雷达SAR目标图像几何尺寸估计方法,其实现步骤为:(1)选取图像切片矩阵;(2)获得目标的原子矩阵和散射中心幅度向量;(3)获得重构目标图像;(4)将重构目标图像投影到坐标系生成目标区域;(5)获取坐标向量;(6)对坐标向量进行旋转;(7)获得最小外接矩形;(8)将最小外接矩形的尺寸值作为目标几何尺寸的估计值。本发明对静止雷达观测目标普遍适用,同时本发明消除了由于噪声而引起的负面影响,具体良好的噪声稳健性,提高了合成孔径雷达SAR目标几何尺寸的估计精度。
Description
技术领域
本发明属于通信技术领域,更进一步涉及雷达目标特征提取技术领域中的一种基于正交匹配追踪算法OMP的合成孔径雷达SAR(Synthetic Aperture Radar)目标图像几何尺寸估计方法。本发明可用于提取雷达接收到的单幅图像中某一静止目标的外层轮廓,利用提取的轮廓估计该静止目标的几何尺寸。
背景技术
目标的几何尺寸特征是雷达目标直观的物理特征,对于高分辨雷达图像目标切片,估计其中静止目标的几何尺寸在SAR图像目标鉴别和分类过程中具有重要的应用意义。对于高分辨雷达图像目标的尺寸估计问题,实际得到的高分辨雷达图像数据一般都受到目标姿态敏感性和噪声的影响,如何能从实际雷达目标图像中获得准确的目标几何尺寸信息是个很重要的研究课题。目前已有的高分辨雷达目标物理尺寸估计方法有基于目标运动模型对空间锥体目标估计物理几何尺寸的。但这些估计方法需要知道目标的运动模型,不适用于静止目标。基于正交匹配追踪算法OMP的雷达目标图像几何尺寸估计方法不需要知道目标的运动模型就能获得目标的物理尺寸信息,并且基于正交匹配追踪算法OMP的雷达目标尺寸估计方法能够实现目标的去噪处理,消除噪声对目标尺寸估计的影响。
西安电子科技大学在其申请的专利文献“基于激光一维距离像反演动态锥形目标姿态角和几何尺寸”(专利申请号CN201410188024.4,公开号CN103954969A)中提出了一种反演目标几何尺寸的方法。该方法的实现过程是:首先建立目标的激光一维距离像模型,通过目标一维距离像的成像特征,提取其峰值坐标,作为特征矢量;设定遗传参数和遗传计算变量范围,针对某一时刻的目标进行距离像采样;根据一维距离像峰值大小、峰值点在入射方向的投影长度、以及雷达阵列的角度关系进行遗传计算然后取均值,根据目标的运动模型反演得到目标的几何尺寸。该方法通过函数反演,能够精确得到目标的几何形态特征。但是,该方法存在的不足之处是需要知道目标的运动模型,不适用于静止目标,所以该方法不能普遍适用。
中国科学院计算技术研究所在其申请的专利文献“一种SAR图像舰船目标几何特征并行提取方法与装置”(专利申请号CN201710182152.1,申请公开号CN107103283A)中提出一种SAR图像目标几何特征提取方法。该方法的实现过程是:生成像素在ROI内的目标原始坐标,根据设定的阈值进行目标筛选;根据目标坐标偏移量和目标原始坐标,计算生成目标偏移后坐标;根据预先设定好的旋转步进值和目标偏移后坐标,计算相应旋转角度下目标在x轴上的投影长度;根据该投影长度,计算相应旋转角度下y轴上的投影长度,得到目标尺寸特征。该方法存在的不足之处是,由于该方法在进行目标筛选时,直接根据设定的阈值将目标和背景分开,无法消除噪声对目标几何尺寸估计的影响,不具有噪声稳健性。
发明内容
本发明的目的在于针对上述现有技术存在的不足,提出一种基于正交匹配追踪算法OMP的合成孔径雷达SAR目标图像几何尺寸估计方法。
实现本发明目的的思路是,利用正交匹配追踪算法OMP在合成孔径雷达SAR目标图像上获取观测目标的重构目标二值图像,根据外接矩形方法,在重构目标二值图像上估计出观测目标的几何尺寸,消除了噪声在尺寸估计中的负面影响,提高了雷达目标尺寸估计方法的噪声稳健性。同时本发明在图像域对目标进行尺寸估计,不需要知道目标的运动模型,具有普遍适用的优点。
本发明的具体步骤如下:
(1)选取一个只包含雷达观测目标的合成孔径雷达SAR图像中的一个切片矩阵;
(2)利用正交匹配追踪算法OMP,生成目标的原子矩阵和散射中心幅度向量:
(2a)将所选切片矩阵中的每列依次首尾相连,组成一个切片列向量;
(2b)利用正交傅里叶基公式,计算超分辨基矩阵中的每个元素值;
(2c)将切片列向量作为初始残差信号向量,用超分辨基矩阵中每列向量分别与初始残差信号向量做内积操作,提取所有内积结果中最大值对应的超分辨基矩阵的一列元素,加入一个空矩阵中,组成当前原子矩阵;
(2d)利用残差信号更新公式,计算更新后的残差信号向量,用超分辨基矩阵中每列向量分别与更新后的残差信号向量做内积操作,将所有内积结果中最大值对应的超分辨基矩阵的一列元素,加入当前原子矩阵中;
(2e)将更新后的残差信号向量做转置操作后与自身相乘,得到更新后的残差信号的功率值;
(2f)判断更新后的残差信号的功率值是否小于终止门限值,若是,则得最终的原子矩阵后执行步骤(2g),否则,执行步骤(2d);
(2g)将最终原子矩阵取逆操作后与切片列向量的快速傅立叶变换相乘,得到散射中心幅度向量;
(3)获得重构目标二值图像:
将散射中心幅度向量与最终原子矩阵相乘,得到一个重构目标矩阵,对重构目标矩阵做二值化操作,得到重构目标二值图像;
(4)生成目标区域:
将重构目标二值图像投影到一个二维平面坐标系中,将重构目标二值图像中所有值为1的像素点,组成目标区域;
(5)获取坐标向量:
取出目标区域最外层轮廓上所有像素点在x轴上和y轴上对应的坐标值,分别沿逆时针方向依次排列,组成横轴和纵轴的坐标向量;
(6)获得外接矩形:
(6a)利用外接矩形方法,获得二维平面坐标系中的一个矩形;
(6b)利用旋转公式,对横轴和纵轴坐标向量依次从1°到90°范围内每隔1°进行一次旋转操作;
(6c)对每次旋转后的横轴和纵轴坐标向量通过外接矩形方法,获得外接矩形;
(7)外接矩形的周长:
(7a)将旋转后的横轴坐标向量最大值与最小值之差作为外接矩形的长度值;
(7b)将旋转后的纵轴坐标向量最大值与最小值之差作为外接矩形的宽度值;
(7c)将长度值与宽度值相加后乘以2作为外接矩形的周长值;
(8)获得目标几何尺寸的估计结果:
将所有外接矩形中周长值最小的外接矩形对应的长度值与宽度值,作为合成孔径雷达SAR图像目标几何尺寸的估计结果。
本发明与现有的技术相比具有以下优点:
第一,由于本发明采用正交匹配追踪算法OMP得到雷达观测目标的重构目标图像,去除了合成孔径雷达SAR图像中的噪声信号,克服了现有技术SAR图像目标几何特征并行提取方法噪声影响目标几何尺寸估计结果的问题,使得本发明具噪声稳健性强的优点。
第二,由于本发明采用外接矩形方法,获得雷达观测目标的外接矩形,利用雷达目标的外接矩形估计雷达目标的几何尺寸,克服了现有技术采用一维距离像反演几何尺寸估计方法需要已知目标运动模型的问题,使得本发明具有对静止雷达目标普遍适用的优点。
附图说明
图1是本发明的流程图;
图2是本发明的仿真图。
具体实施方式
下面结合附图对本发明作进一步的描述。
参照附图1,对本发明的实现步骤作进一步的描述。
步骤1,选取一个只包含雷达观测目标的合成孔径雷达SAR图像中的一个切片矩阵。
步骤2,利用正交匹配追踪算法OMP,生成目标的原子矩阵和散射中心幅度向量。
所述正交匹配追踪算法OMP具体步骤如下:
第1步,将所选切片矩阵中的每列依次首尾相连,组成一个切片列向量。
第2步,利用正交傅里叶基公式,计算超分辨基矩阵中的每个元素值。
所述正交傅里叶基公式如下:
其中,d表示超分辨基矩阵的第l行第m列的元素,e表示以自然常数e为底的指数操作,j表示虚数单位符号,π表示圆周率,l表示超分辨基矩阵的行序号,l=1,…,A,A表示超分辨基矩阵的总行数,其取值与切片列向量的长度相等,m表示超分辨基矩阵的列序号,m=1,…,M,M表示超分辨基矩阵的总列数。
第3步,将切片列向量作为初始残差信号向量,用超分辨基矩阵中每列向量分别与初始残差信号向量做内积操作,提取所有内积结果中最大值对应的超分辨基矩阵的一列元素,加入一个空矩阵中,组成当前原子矩阵。
第4步,利用残差信号更新公式,计算更新后的残差信号向量,用超分辨基矩阵中每列向量分别与更新后的残差信号向量做内积操作,将所有内积结果中最大值对应的超分辨基矩阵的一列元素,加入当前原子矩阵中。
所述残差更新公式如下:
r=fft(x)-EF+fft(x)
其中,r表示更新后的残差信号向量,fft(·)表示做快速傅立叶变换操作,x表示切片列向量,E表示超分辨基矩阵,F表示当前原子矩阵,+表示穆尔-彭罗斯Moore-Penrose逆操作。
第5步,将更新后的残差信号向量做转置操作后与自身相乘,得到更新后的残差信号的功率值。
第6步,判断更新后的残差信号的功率值是否小于终止门限值,若是,则得最终的原子矩阵后执行第7步,否则,执行第4步。
所述终止门限的计算公式如下:
其中,Th表示终止门限值,N表示切片列向量的长度,sn表示噪声向量,H表示共轭转置操作,L表示对合成孔径雷达SAR图像切片矩阵的第一列做快速傅里叶变换后得到噪声向量的长度。
第7步,将最终原子矩阵取逆操作后与切片列向量的快速傅立叶变换相乘,得到散射中心幅度向量。
步骤3,获得重构目标二值图像。
将散射中心幅度向量与最终原子矩阵相乘,得到一个重构目标矩阵,对重构目标矩阵做二值化操作,得到重构目标二值图像。
步骤4,生成目标区域。
将重构目标二值图像投影到一个二维平面坐标系中,将重构目标二值图像中所有值为1的像素点,组成目标区域。
步骤5,获取坐标向量。
取出目标区域最外层轮廓上所有像素点在x轴上和y轴上对应的坐标值,分别沿逆时针方向依次排列,组成横轴和纵轴的坐标向量。
步骤6,获得外接矩形。
利用外接矩形方法,获得二维平面坐标系中的一个矩形。
利用下式,对横轴和纵轴坐标向量依次从1°到90°范围内每隔1°进行一次旋转操作:
对每次旋转后的横轴和纵轴坐标向量通过外接矩形方法,获得外接矩形。
所述外接矩形方法的步骤如下:
第1步,分别在x轴和y轴上找到横轴和纵轴坐标向量中的最小值,构成二维平面坐标系中一个起始点;
第2步,在x轴上找到横轴坐标向量的最大值,在y轴上找到纵轴坐标向量的最小值,构成二维平面坐标系中一个中间点;
第3步,分别在x轴和y轴上找到横轴和纵轴坐标向量的最大值,构成二维平面坐标系中一个递进点;
第4步,在x轴上找到横轴坐标向量的最小值,在y轴上找到纵轴坐标向量的最大值,构成二维平面坐标系中一个终止点;
第5步,将起始点,中间点,递进点,终止点依次连接成一个矩形。
步骤7,计算外接矩形的周长。
将旋转后的横轴坐标向量最大值与最小值之差作为外接矩形的长度值。
将旋转后的纵轴坐标向量最大值与最小值之差作为外接矩形的宽度值。
将长度值与宽度值相加后乘以2作为外接矩形的周长值。
步骤8,获得目标几何尺寸的估计结果。
将所有外接矩形中周长值最小的外接矩形对应的长度值与宽度值,作为合成孔径雷达SAR图像目标几何尺寸的估计结果。
下面结合仿真实验对本发明的效果做进一步的说明。
1.仿真实验条件:
本发明的仿真实验的硬件测试平台是:处理器为Intel Corei7 CPU,主频为3.40GHz,内存8GB,软件平台为:Windows 7操作系统和Matlab R2017a。
2.仿真实验内容:
本发明的仿真实验是利用宽带雷达采集的坦克、装甲运输车和步兵战车等10类不同地面目标的回波信号,采用本发明的方法对每类目标的雷达图像进行尺寸估计。10类不同地面目标的回波信号依次是步兵战车BMP2、装甲运输车BTR70、装甲运输车BTR60、自行榴弹炮2S1、装甲侦察车BRDM2、坦克T62、自行高炮ZSU234、推土机D7、货运卡车ZIL131、坦克T72。
图2是本发明的仿真图,图2(a)是利用本发明方法对10类地面目标的长度估计的相对误差结果图,图2(a)中的横坐标表示10类地面目标,纵坐标表示相对误差结果,图2(a)中以实线表示的曲线代表每个目标的长度相对误差结果,以虚线表示的直线代表所有目标的平均长度相对误差。图2(b)是利用本发明方法对上述10类地面目标中除推土机D7之外的9类地面目标的宽度估计相对误差结果图,图2(b)的横坐标表示9类地面目标,纵坐标表示相对误差结果,图中以实线表示的曲线代表每个目标的宽度相对误差结果,以虚线表示的直线代表所有目标的平均宽度相对误差。
3.仿真结果分析:
为了定量评价本发明方法的效果,按照下式,计算本发明仿真实验对不同目标的长度和宽度尺寸的相对误差结果:
其中,Error表示相对误差结果,M表示按照本发明估计出来的尺寸值,N表示目标实际的尺寸值,Error值越小,说明对雷达目标的尺寸估计结果越精确。
由图2(a)和图2(b)可见,每幅图中的实线对应的值大部分小于5%,虚线对应的值小于5%,表明本发明方法得到的雷达观测目标的尺寸估计结果较为准确,说明本发明方法确实能够有效的对雷达观测目标的几何尺寸进行估计。
Claims (6)
1.一种基于正交匹配追踪算法OMP的合成孔径雷达SAR目标图像几何尺寸估计方法,其特征在于,采用正交匹配追踪算法OMP提取合成孔径雷达SAR图像中目标的最外层轮廓,利用雷达目标的外接矩形估计雷达目标的几何尺寸,该方法的具体步骤包括如下:
(1)选取一个只包含雷达观测目标的合成孔径雷达SAR图像中的一个切片矩阵;
(2)利用正交匹配追踪算法OMP,生成目标的原子矩阵和散射中心幅度向量:
(2a)将所选切片矩阵中的每列依次首尾相连,组成一个切片列向量;
(2b)利用正交傅里叶基公式,计算超分辨基矩阵中的每个元素值;
(2c)将切片列向量作为初始残差信号向量,用超分辨基矩阵中每列向量分别与初始残差信号向量做内积操作,提取所有内积结果中最大值对应的超分辨基矩阵的一列元素,加入一个空矩阵中,组成当前原子矩阵;
(2d)利用残差信号更新公式,计算更新后的残差信号向量,用超分辨基矩阵中每列向量分别与更新后的残差信号向量做内积操作,将所有内积结果中最大值对应的超分辨基矩阵的一列元素,加入当前原子矩阵中;
(2e)将更新后的残差信号向量做转置操作后与自身相乘,得到更新后的残差信号的功率值;
(2f)判断更新后的残差信号的功率值是否小于终止门限值,若是,则得最终的原子矩阵后执行步骤(2g),否则,执行步骤(2d);
(2g)将最终原子矩阵取逆操作后与切片列向量的快速傅立叶变换相乘,得到散射中心幅度向量;
(3)获得重构目标二值图像:
将散射中心幅度向量与最终原子矩阵相乘,得到一个重构目标矩阵,对重构目标矩阵做二值化操作,得到重构目标二值图像;
(4)生成目标区域:
将重构目标二值图像投影到一个二维平面坐标系中,将重构目标二值图像中所有值为1的像素点,组成目标区域;
(5)获取坐标向量:
取出目标区域最外层轮廓上所有像素点在x轴上和y轴上对应的坐标值,分别沿逆时针方向依次排列,组成横轴和纵轴的坐标向量;
(6)获得外接矩形:
(6a)利用外接矩形方法,获得二维平面坐标系中的一个矩形;
(6b)利用旋转公式,对横轴和纵轴坐标向量依次从1°到90°范围内每隔1°进行一次旋转操作;
(6c)对每次旋转后的横轴和纵轴坐标向量通过外接矩形方法,获得外接矩形;
(7)外接矩形的周长:
(7a)将旋转后的横轴坐标向量最大值与最小值之差作为外接矩形的长度值;
(7b)将旋转后的纵轴坐标向量最大值与最小值之差作为外接矩形的宽度值;
(7c)将长度值与宽度值相加后乘以2作为外接矩形的周长值;
(8)获得目标几何尺寸的估计结果:
将所有外接矩形中周长值最小的外接矩形对应的长度值与宽度值,作为合成孔径雷达SAR图像目标几何尺寸的估计结果。
3.根据权利要求1所述的基于正交匹配追踪算法OMP的合成孔径雷达SAR目标图像几何尺寸估计方法,其特征在于,步骤(2d)中所述残差信号更新公式如下:
r=fft(x)-EF+fft(x)
其中,r表示更新后的残差信号向量,fft(·)表示做快速傅立叶变换操作,x表示切片列向量,E表示超分辨基矩阵,F表示当前原子矩阵,+表示穆尔-彭罗斯Moore-Penrose逆操作。
5.根据权利要求1所述的基于正交匹配追踪算法OMP的合成孔径雷达SAR目标图像几何尺寸估计方法,其特征在于,步骤(6a)、步骤(6c)中所述外接矩形方法的步骤如下:
第1步,分别在x轴和y轴上找到横轴和纵轴坐标向量中的最小值,构成二维平面坐标系中一个起始点;
第2步,在x轴上找到横轴坐标向量的最大值,在y轴上找到纵轴坐标向量的最小值,构成二维平面坐标系中一个中间点;
第3步,分别在x轴和y轴上找到横轴和纵轴坐标向量的最大值,构成二维平面坐标系中一个递进点;
第4步,在x轴上找到横轴坐标向量的最小值,在y轴上找到纵轴坐标向量的最大值,构成二维平面坐标系中一个终止点;
第5步,将起始点,中间点,递进点,终止点依次连接成一个矩形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811181427.0A CN109345583B (zh) | 2018-10-11 | 2018-10-11 | 基于omp的sar目标图像几何尺寸估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811181427.0A CN109345583B (zh) | 2018-10-11 | 2018-10-11 | 基于omp的sar目标图像几何尺寸估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345583A CN109345583A (zh) | 2019-02-15 |
CN109345583B true CN109345583B (zh) | 2020-10-09 |
Family
ID=65308656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811181427.0A Active CN109345583B (zh) | 2018-10-11 | 2018-10-11 | 基于omp的sar目标图像几何尺寸估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345583B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264511B (zh) * | 2019-06-24 | 2020-02-07 | 北京市水产科学研究所(国家淡水渔业工程技术研究中心) | 一种参数测量的方法及其系统 |
CN113139988B (zh) * | 2021-05-17 | 2023-02-14 | 中国科学院光电技术研究所 | 一种高效高准确率的估计目标尺度变化的图像处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874932A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于快速稀疏描述的sar目标型号识别方法 |
CN108171273A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于k-svd和深度堆栈网络的极化sar图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160116582A1 (en) * | 2011-04-29 | 2016-04-28 | Spatial Digital Systems, Inc. | Radar imaging via spatial spectrum measurement and MIMO waveforms |
-
2018
- 2018-10-11 CN CN201811181427.0A patent/CN109345583B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874932A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于快速稀疏描述的sar目标型号识别方法 |
CN108171273A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于k-svd和深度堆栈网络的极化sar图像分类方法 |
Non-Patent Citations (2)
Title |
---|
"Adaptive noise depression CSISAR imaging via OMP with CFAR thresholding";Bu H X;《2016 IEEE International Geoscience and Remote Sensing Symposium》;20161231;第4992-4995页 * |
"基于稀疏表示的SAR 图像属性散射中心参数估计算法";李飞;《电子与信息学报》;20140430;第931-937页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109345583A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
CN108051809B (zh) | 基于Radon变换的运动目标成像方法、装置及电子设备 | |
CN109116352B (zh) | 一种圆扫isar模式船只超分辨率成像方法 | |
CN107621635B (zh) | 一种前视海面目标角超分辨方法 | |
CN109345583B (zh) | 基于omp的sar目标图像几何尺寸估计方法 | |
CN113376634A (zh) | 基于gniaa的舰船目标isar成像方法 | |
CN105182333B (zh) | 基于矩阵填充的稀疏场景下采样sar成像方法 | |
Mao et al. | Target fast reconstruction of real aperture radar using data extrapolation-based parallel iterative adaptive approach | |
Rao et al. | Comparison of parametric sparse recovery methods for ISAR image formation | |
CN113589287A (zh) | 合成孔径雷达稀疏成像方法、装置、电子设备及存储介质 | |
Lei et al. | A feature enhancement method based on the sub-aperture decomposition for rotating frame ship detection in SAR images | |
Morrison et al. | An experimental study of a new entropy-based SAR autofocus technique | |
CN111859266A (zh) | 基于多源信息融合的空间目标结构反演方法和装置 | |
CN114780911B (zh) | 一种基于深度学习的海洋宽测绘带距离解模糊方法 | |
CN115407282B (zh) | 一种短基线下基于干涉相位的sar有源欺骗干扰检测方法 | |
CN112734812B (zh) | 确定散射体数量的方法、装置、电子设备及存储介质 | |
CN113885026A (zh) | 运动目标的sar稀疏成像方法、装置、电子设备及存储介质 | |
Kang et al. | Super-resolution doppler beam sharpening based on online Tikhonov regularization | |
CN110082765B (zh) | 基于三维重构的空间目标姿态外推方法 | |
Tuo et al. | Radar Forward-Looking Super-Resolution Imaging Using a Two-Step Regularization Strategy | |
Brüggenwirth et al. | Results on super-resolution and target identification techniques from the SPERI project | |
CN116660897B (zh) | 基于空间语义的sar成像获取方法、装置、计算机设备 | |
Luo et al. | Sparse reconstruction for synthetic aperture radar based on split spice | |
CN116740115B (zh) | 图像边缘检测方法和装置 |
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 |