CN109359595A - 一种新型sar图像统计模型及其参数估计方法 - Google Patents
一种新型sar图像统计模型及其参数估计方法 Download PDFInfo
- Publication number
- CN109359595A CN109359595A CN201811209679.XA CN201811209679A CN109359595A CN 109359595 A CN109359595 A CN 109359595A CN 201811209679 A CN201811209679 A CN 201811209679A CN 109359595 A CN109359595 A CN 109359595A
- Authority
- CN
- China
- Prior art keywords
- model
- theta
- sar image
- statistical
- formula
- 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.)
- Pending
Links
- 238000013179 statistical model Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种新型SAR图像统计模型,包括:设定描述SAR图像的杂波统计特性模型为P1(x|θ1),设定目标统计特性模型为P2(x|θ2);并采用加权系数得到混合统计模型为:P(x|Θ)=λ1P1(x|θ1)+λ2P2(x|θ2);以及一种新型SAR图像统计模型参数估计方法,涉及三层迭代,最里层的不动点迭代算法、中间层和外层的最大期望迭代方法。与其他混合模型相比,本发明的Lognormal‑K模型结构简单,参数估计易于实现,降低了计算的开销。
Description
技术领域
本发明涉及SAR图像技术领域,具体的说,是一种新型SAR图像统计模型 及其参数估计方法。
背景技术
SAR(合成孔径雷达)不受天气、光照等条件的限制,且具备对云层、雾层的 穿透特性,可对目标区域实现全天时、全天候的侦察。凭借其独特的优势,SAR 技术在军事和民用领域得到了广泛的应用。SAR图像技术不断发展,其图像分辨 率越来越高,数据量剧增,图像数据具有噪声严重和背景杂波复杂的特点。实 践工程中,统计分布模型对真实SAR图像统计特性描述的准确性很大程度影响 下一步对SAR图像的目标检测算法性能,为此有很多SAR图像杂波描述模型, 大致分为两类:参数模型建模方法和非参数模型建模方法,对于非参数模型建 模过程涉及到复杂的逼近过程,计算耗时大,在实际应用中极为有限。参数建模成为了广泛研究和应用的方法。Rayleigh分布、Weibull分布、Lognormal分 布、K分布等统计模型相继应用在SAR图像建模中。大场景、高分辨率SAR图像 中,杂波类型不同,同一区域含有两种或者多种杂波时传统单一的杂波统计模 型不能很好的拟合数据。不同的分布模型各有自己的优缺点。《海上舰船目标 监测方法研究》(赵荻,2015,北京化工大学硕士论文)与《基于实测SAR图 像的杂波特性研究和图像重构》(张晓梨,2014,西安电子科技大学硕士论文) 两文中介绍:Rayleigh分布应用于分辨率相对较低的雷达在较小入射角条件下的回波起伏模拟,不在适用于现在高分辨率SAR图像;Weibull分布针对分布均 匀的杂波很好的模拟,却不能够精确描述多视图像;Lognormal分布对数据过度 拟合不适合描述SAR图像直方图中幅度值较低的部分,而适合描述高分辨率SAR 图像空间变化很强的区域;K分布能够很好的描述高分辨率SAR图像中的非均匀 杂波,包含慢变化纹理分量和快变化的散斑分量,不适合描述金属目标SAR图 像空间变化很强的区域。针对于陆地杂波和金属目标混合的高分辨率、大场景SAR图像,用以上某一种分布模型已不能够满足拟合的要求。
发明内容
本发明的目的在于提供一种新型SAR图像统计模型及其参数估计方法,用 于克服SAR图像中存在杂波、目标以及杂波和目标混合区域采用单一的统计模 型不能有效进行拟合的问题。
本发明通过下述技术方案解决上述问题:
一种新型SAR图像统计模型,包括:
步骤A1:设定描述SAR图像的杂波统计特性模型为P1(x|θ1),设定目标统 计特性模型为P2(x|θ2),其中,x为SAR图像幅度值数据,θ1和θ2分别为杂波 模型和目标模型参数;
步骤A2:混合统计模型为:
P(x|Θ)=λ1P1(x|θ1)+λ2P2(x|θ2) (1)
其中混合模型参数Θ=(λ1,λ2,θ1,θ2),加权参数λ1、λ2满足: λ1,λ2≥0,λ1+λ2=1。
进一步地,所述杂波统计特性模型采用K分布,P1(x|θ1)的表达式为:
其中,θ1=(α,γ),αα为形状参数,γ为尺度参数,N为视数的2倍值,Kv(·) 为阶数v的第二类修正Bessel函数;
所述目标统计特征模型采用Lognormal分布,P2(x|θ2)的表达式为:
其中,θ2=(μ,σ),μμ为形状参数,σ为尺度参数。
一种新型SAR图像统计模型的参数估计方法,包括:
步骤S1:设定观测到的SAR图像幅度值数据为SAR图像幅 度值数据中的隐藏数据为其中,yn=1表示第n个观测数据xn来 源于杂波;
步骤S2:采用混合统计模型的第一部分杂波统计特征模型P1(x|θ1)进行拟 合,yn=2表示第n个观测数据xn来源于目标,采用混合统计模型的第二部分 目标统计特征模型
步骤S3:采用最大期望算法估算混合统计模型的参数。
进一步地,所述步骤B3具体为:
步骤S31:根据SAR图像幅度值数据X和当前的参数估计值Θk寻找完整数 据{X,Y}的对数似然期望值Q(Θ,Θk),
其中Θk为第k步参数估计值,
步骤S32:寻找θ1=(α,γ)和θ2=(μ,δ)的估计值,使Q(Θ,Θk)最大化,得到 λm的估计值为:
分别寻找θ1=(α,γ)使Q1(θ1,Θk)最大化,寻找θ2=(μ,δ)使Q2(θ2,Θk)最大化,其中,Q1、Q2分别为:
步骤A:寻找θ2=(μ,δ)的估计:
将式(3)代入式(8)中,并对式(8)分别对μ和δ求偏导,并令其为0, 得到μ和δ的估计为:
步骤B:寻找θ1=(α,γ)的估计:
步骤B1:再次使用最大期望算法对θ1=(α,γ)进行估计,得到P1(x|θ1)的表 达式为:
其中,
步骤B2:最大化辅助函数:
其中,bn=p(yn=1|xn,Θk),和分别为内循环最大期望算法的 第h步和h+1步θ1的估计值;
将式(13)代入式(14),分别对α和γ求导并令其为0,得到,
其中,
将式(17)代入式(15)、将式(18)代入式(16),得到,
lnαk+1,h+1-Ψ(αk+1,h+1)=ln(A/G) (21)
γk+1,h+1=αk+1,h+1/A (22)
其中,
步骤B3:对式(21)采用不动点迭代方法求解:
迭代过程的初始值αk+1,h+1,0为当前估计值αk+1,h。
进一步地,所述步骤B3中的不动点迭代方法具体为:
步骤B31:令i=0,令α(k+1,h+1,i)=α(k+1,h);
步骤B32:由式(25)求取α(k+1,h+1,i+1);
步骤B33:判断是否满足等式(21),如果满足,则令α(k+1,h+1)=α(k+1,h+1,i+1), 由式(22)求取γ(k+1,h+1);否则,令i=i+1,返回步骤B32。
本发明与现有技术相比,具有以下优点及有益效果:
(1)与其他混合模型相比,本发明的Lognormal-K模型结构简单,参数估 计易于实现,降低了计算的开销。
(2)Lognormal-K模型不但能对单独的杂波数据建模(λ2=0)和金属目 标数据建模(λ1=0),也能对杂波和目标的混合数据进行建模(λ1,λ2≥0), 具有很广的使用范围。
(3)Lognormal-K模型的参数估计算法避免了采用最大似然估计的方程无 法直接求解的困境,提供了一种有效的最大期望算法。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限 于此。
实施例1:
一种新型SAR图像统计模型,包括:
步骤A1:设定描述SAR图像的杂波统计特性模型为P1(x|θ1),设定目标统 计特性模型为P2(x|θ2),其中,x为SAR图像幅度值数据,θ1和θ2分别为杂波 模型和目标模型参数;
步骤A2:混合统计模型为:
P((X|Θ)=λ1P1(X|θ1)+λ2P2(X|θ2) (1)
其中混合模型参数Θ=(λ1,λ2,θ1,θ2),加权参数λ1、λ2满足: λ1,λ2≥0,λ1+λ2=1。
进一步地,所述杂波统计特性模型采用K分布,P1(x|θ1)的表达式为:
其中,θ1=(α,γ),αα为形状参数,γ为尺度参数,N为视数的2倍值,Kv(·) 为阶数v的第二类修正Bessel函数;
所述目标统计特征模型采用Lognormal分布,P2(x|θ2)的表达式为:
其中,θ2=(μ,σ),μμ为形状参数,σ为尺度参数。
实施例2:
结合图1所示,一种新型SAR图像统计模型的参数估计方法,包括:
步骤S1:设定观测到的SAR图像幅度值数据为SAR图像幅 度值数据中的隐藏数据为其中,yn=1表示第n个观测数据xn来 源于杂波;
步骤S2:采用混合统计模型的第一部分杂波统计特征模型P1(x|θ1)进行拟 合,yn=2表示第n个观测数据xn来源于目标,采用混合统计模型的第二部分 目标统计特征模型
步骤S3:采用最大期望算法估算混合统计模型的参数。
步骤S31:根据SAR图像幅度值数据X和当前的参数估计值Θk寻找完整数 据{X,Y}的对数似然期望值Q(Θ,Θk),
其中Θk为第k步参数估计值,
步骤S32:寻找θ1=(α,γ)和θ2=(μ,δ)的估计值,使Q(Θ,Θk)最大化,得到 λm的估计值为:
分别寻找θ1=(α,γ)使Q1(θ1,Θk)最大化,寻找θ2=(μ,δ)使Q2(θ2,Θk)最大化,其中,Q1、Q2分别为:
步骤A:寻找θ2=(μ,δ)的估计,即外层最大期望算法:
将式(3)代入式(8)中,并对式(8)分别对μ和δ求偏导,并令其为0, 得到μ和δ的估计为:
步骤B:寻找θ1=(α,γ)的估计,即内层最大期望算法:
步骤B1:再次使用最大期望算法对θ1=(α,γ)进行估计,得到P1(x|θ1)的表 达式为:
其中,
步骤B2:最大化辅助函数:
其中,bn=p(yn=1|xn,Θk),和分别为内循环最大期望算法的 第h步和h+1步θ1的估计值;
将式(13)代入式(14),分别对α和γ求导并令其为0,得到,
其中,
将式(17)代入式(15)、将式(18)代入式(16),得到,
lnαk+1,h+1-Ψ(αk+1,h+1)=ln(A/G) (21)
γk+1,h+1=αk+1,h+1/A (22)
其中,
步骤B3:对式(21)采用不动点迭代算法求解:
迭代过程的初始值αk+1,h+1,0为当前估计值αk+1,h。
本文中涉及了三层迭代算法,具体为:
1、令迭代次数k=0,输入参数估计初值Θk和SAR图像幅度数据
2、由式(5)求取p(yn=m|xn,Θk),由式(6)求取和
3、由式(9)、(10)分别求取μk+1和σk+1的估计;1-3完成了外层最大期望 迭代过程;
4、由式(19)~(20)构成内层最大期望迭代过程求取αk+1和γk+1,具体步 骤如下:
4.1令h=0,令α(k+1,h)=αk,γ(k+1,h)=γk。
4.2采用式(25)的不动点迭代过程求取α(k+1,h+1),具体步骤如下:
4.2.1令i=0,α(k+1,h+1,i)=α(k+1,h)。
4.2.2由式(25)求取α(k+1,h+1,i+1)。
4.2.3判断步骤4.2.2的不动点迭代过程是否符合迭代终止条件(即满足 等式(21)),如果符合,则令α(k+1,h+1)=α(k+1,h+1,i+1),退出步骤 4.2的迭代过程,前往步骤4.3;如果不符合迭代终止条件,则令 i=i+1,前往4.2.2。
4.3由式(22)求取γ(k+1,h+1)。
4.4判断步骤4内层最大期望这个迭代过程是否符合终止条件(使等式(14) 取得最大值时),如果符合,则令α(k+1)=α(k+1,h+1),γ(k+1)=γ(k+1,h+1), 退出步骤4的迭代,前往步骤5;如果不符合迭代终止条件,则令 h=h+1,前往步骤4.2。
5、判断外层最大期望迭代过程是否符合终止条件(即使等式(4)取得最大 值时),如果符合则结束整个迭代过程,将μk+1,σk+1,αk+1, γk+1作为最终的参数估计结果输出;如果不符合迭代的终止条件,则令 k=k+1,前往步骤2。
尽管这里参照本发明的解释性实施例对本发明进行了描述,上述实施例仅 为本发明较佳的实施方式,本发明的实施方式并不受上述实施例的限制,应该 理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实 施方式将落在本申请公开的原则范围和精神之内。
Claims (5)
1.一种新型SAR图像统计模型,其特征在于,包括:
步骤A1:设定描述SAR图像的杂波统计特性模型为P1(x|θ1),设定目标统计特性模型为P2(x|θ2),其中,x为SAR图像幅度值数据,θ1和θ2分别为杂波模型和目标模型参数;
步骤A2:混合统计模型为:
P(x|Θ)=λ1P1(x|θ1)+λ2P2(x|θ2) (1)
其中混合模型参数Θ=(λ1,λ2,θ1,θ2),加权参数λ1、λ2满足:λ1,λ2≥0,λ1+λ2=1。
2.根据权利要求1所述的一种新型SAR图像统计模型,其特征在于,所述杂波统计特性模型采用K分布,P1(x|θ1)的表达式为:
其中,θ1=(α,γ),αα为形状参数,γ为尺度参数,N为视数的2倍值,Kv(·)为阶数v的第二类修正Bessel函数;
所述目标统计特征模型采用Lognormal分布,P2(x|θ2)的表达式为:
其中,θ2=(μ,σ),μμ为形状参数,σ为尺度参数。
3.如权利要求2所述的一种新型SAR图像统计模型的参数估计方法,其特征在于,包括:
步骤S1:设定观测到的SAR图像幅度值数据为SAR图像幅度值数据中的隐藏数据为其中,yn=1表示第n个观测数据xn来源于杂波;
步骤S2:采用混合统计模型的第一部分杂波统计特征模型P1(x|θ1)进行拟合,yn=2表示第n个观测数据xn来源于目标,采用混合统计模型的第二部分目标统计特征模型
步骤S3:采用最大期望算法估算混合统计模型的参数。
4.根据权利要求3所述的一种新型SAR图像统计模型的参数估计方法,其特征在于,所述步骤B3具体为:
步骤S31:根据SAR图像幅度值数据X和当前的参数估计值Θk寻找完整数据{X,Y}的对数似然期望值Q(Θ,Θk),
其中Θk为第k步参数估计值,
步骤S32:寻找θ1=(α,γ)和θ2=(μ,δ)的估计值,使Q(Θ,Θk)最大化,得到λm的估计值为:
分别寻找θ1=(α,γ)使Q1(θ1,Θk)最大化,寻找θ2=(μ,δ)使Q2(θ2,Θk)最大化,其中,Q1、Q2分别为:
步骤A:寻找θ2=(μ,δ)的估计:
将式(3)代入式(8)中,并对式(8)分别对μ和δ求偏导,并令其为0,得到μ和δ的估计为:
步骤B:寻找θ1=(α,γ)的估计:
步骤B1:再次使用最大期望算法对θ1=(α,γ)进行估计,得到P1(x|θ1)的表达式为:
其中,
步骤B2:最大化辅助函数:
其中,bn=p(yn=1|xn,Θk),θ1 k+1,h和θ1 k+1,h+1分别为内循环最大期望算法的第h步和h+1步θ1的估计值;
将式(13)代入式(14),分别对α和γ求导并令其为0,得到,
其中,
将式(17)代入式(15)、将式(18)代入式(16),得到,
lnαk+1,h+1-Ψ(αk+1,h+1)=ln(A/G) (21)
γk+1,h+1=αk+1,h+1/A (22)
其中,
步骤B3:对式(21)采用不动点迭代方法求解:
迭代过程的初始值αk+1,h+1,0为当前估计值αk+1,h。
5.根据权利要求4所述的一种新型SAR图像统计模型的参数估计方法,其特征在于,所述步骤B3中的不动点迭代方法具体为:
步骤B31:令i=0,令α(k+1,h+1,i)=α(k+1,h);
步骤B32:由式(25)求取α(k+1,h+1,i+1);
步骤B33:判断是否满足等式(21),如果满足,则令α(k+1,h+1)=α(k+1,h+1,i+1),由式(22)求取γ(k+1,h+1);否则,令i=i+1,返回步骤B32。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209679.XA CN109359595A (zh) | 2018-10-17 | 2018-10-17 | 一种新型sar图像统计模型及其参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209679.XA CN109359595A (zh) | 2018-10-17 | 2018-10-17 | 一种新型sar图像统计模型及其参数估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359595A true CN109359595A (zh) | 2019-02-19 |
Family
ID=65349496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811209679.XA Pending CN109359595A (zh) | 2018-10-17 | 2018-10-17 | 一种新型sar图像统计模型及其参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359595A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105204010A (zh) * | 2014-11-26 | 2015-12-30 | 中国人民解放军第二炮兵工程大学 | 低信杂比合成孔径雷达图像的地物目标检测方法 |
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 |
CN107045126A (zh) * | 2017-03-06 | 2017-08-15 | 中国人民解放军国防科学技术大学 | 一种合成孔径雷达海上运动舰船目标检测方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN108596151A (zh) * | 2018-05-10 | 2018-09-28 | 北京航空航天大学 | 一种大场景sar图像中舰船目标切片快速提取方法 |
-
2018
- 2018-10-17 CN CN201811209679.XA patent/CN109359595A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105204010A (zh) * | 2014-11-26 | 2015-12-30 | 中国人民解放军第二炮兵工程大学 | 低信杂比合成孔径雷达图像的地物目标检测方法 |
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 |
CN107045126A (zh) * | 2017-03-06 | 2017-08-15 | 中国人民解放军国防科学技术大学 | 一种合成孔径雷达海上运动舰船目标检测方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN108596151A (zh) * | 2018-05-10 | 2018-09-28 | 北京航空航天大学 | 一种大场景sar图像中舰船目标切片快速提取方法 |
Non-Patent Citations (2)
Title |
---|
彭荣鲲: "SAR图像目标区域快速定位与检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
谢堃: "合成孔径雷达图像目标检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN111381216B (zh) | 混合分布的雷达海杂波分析方法及装置 | |
CN103839073B (zh) | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 | |
CN105699952B (zh) | 海杂波k分布形状参数的双分位点估计方法 | |
CN108168564A (zh) | 一种基于lhd灰色关联度的航迹关联方法 | |
CN106485269B (zh) | 基于混合统计分布与多部件模型的sar图像目标检测方法 | |
CN110208796B (zh) | 基于奇异值逆滤波的扫描雷达超分辨成像方法 | |
CN110940970A (zh) | 一种针对浮油海面的mimo雷达目标检测方法及系统 | |
CN109085556B (zh) | 一种基于一二阶峰比值的高频地波雷达浪场形成方法 | |
CN104239901A (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
CN110826644A (zh) | 基于Copula函数的分布式电源时序联合出力典型场景生成方法 | |
CN115453528A (zh) | 基于快速sbl算法实现分段观测isar高分辨成像方法及装置 | |
CN109932717A (zh) | 基于环境统计建模的isar高分辨成像方法 | |
CN110596706B (zh) | 一种基于三维图像域投射变换的雷达散射截面积外推方法 | |
CN112230221A (zh) | 一种基于三维稀疏成像的rcs测量方法 | |
CN104407336B (zh) | 一种方位敏感的目标电磁回波模拟方法 | |
CN110208764A (zh) | 基于电磁散射计算的动态海洋大型场景回波仿真方法 | |
CN108761384B (zh) | 一种抗差的传感器网络目标定位方法 | |
CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
CN109359595A (zh) | 一种新型sar图像统计模型及其参数估计方法 | |
CN111523392A (zh) | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 | |
CN107356924B (zh) | 针对凹腔类结构的sar图像仿真方法 | |
CN113567941B (zh) | 一种目标近场多普勒回波快速仿真方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |