CN109669184B - 一种基于全卷积网络的合成孔径雷达方位模糊消除方法 - Google Patents

一种基于全卷积网络的合成孔径雷达方位模糊消除方法 Download PDF

Info

Publication number
CN109669184B
CN109669184B CN201910137620.2A CN201910137620A CN109669184B CN 109669184 B CN109669184 B CN 109669184B CN 201910137620 A CN201910137620 A CN 201910137620A CN 109669184 B CN109669184 B CN 109669184B
Authority
CN
China
Prior art keywords
fcn
data
network
training
synthetic aperture
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.)
Expired - Fee Related
Application number
CN201910137620.2A
Other languages
English (en)
Other versions
CN109669184A (zh
Inventor
刘喆
徐子强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910137620.2A priority Critical patent/CN109669184B/zh
Publication of CN109669184A publication Critical patent/CN109669184A/zh
Application granted granted Critical
Publication of CN109669184B publication Critical patent/CN109669184B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S13/9004—SAR image acquisition 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
    • G01S13/9004—SAR image acquisition techniques
    • G01S13/9005—SAR image acquisition techniques with optical processing of the SAR signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于全卷积网络的合成孔径雷达方位模糊消除方法，应用于SAR方位模糊消除技术领域，针对现有的欠采样、非均匀采样等引起的方位模糊、分辨率低的问题；本发明的方法通过构建FCN网络，并分别采用生成无模糊图像对应的脉冲重复频率与有模糊情况下的脉冲重复频率，作为若干目标点的脉冲重复频率，构建训练数据集；其中基于有模糊参数生成的回波数据矩阵作为FCN网络的有模糊数据输入；基于无模糊参数的仿真成像数据矩阵作为FCN网络的无模糊数据输入；采用构建的训练数据集对FCN网络进行训练，得到训练好的FCN网络；最后将包含有方位模糊的数据输入训练好的FCN网络实现SAR图像的方位模糊消除。

Description

一种基于全卷积网络的合成孔径雷达方位模糊消除方法
技术领域
本发明属于雷达技术领域，特别涉及一种合成孔径雷达(Synthetic ApertureRadar，简称：SAR)图像的方位模糊消除技术。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)一般工作于机载及星载平台，它属于一种高分辨微波成像系统并且具有全天候、全天时工作的优点，它广泛应用于海上安全领域，比如船只检测和监视等。但是实际雷达系统自身PRF(pulse repetitionfrequency)的有限性以及非理想的天线方向图会导致SAR成像方法中存在着不可避免的方位模糊问题，而在欠采样、非均匀采样等情况下该问题会更加凸显。
目前已公开发表的文献中，SAR方位模糊消除方面有代表性的方法主要有同相消除法(参考文献1：A.Moreira,“Suppressing the azimuth ambiguities in syntheticaperture radar images”,IEEE Transactions on Geoscience and Remote Sensing,vol.31,pp.885-895,1993)、选择滤波器法(参考文献2：A.M.Guarnieri,“Adaptiveremoval of azimuth ambiguities in SAR images”,IEEE Transactions on Geoscienceand Remote Sensing,vol.43,pp.625-633,2005)子频划分检测方法(参考文献3：Y.Wang,Z.Zhang,N.Li,F.Hong,H.Fan,and X.Wang,“Maritime Surveillance With UndersampledSAR”,IEEE Geoscience and Remote Sensing Letters,vol.14,pp.1423-1427,2017)以及稀疏重建方法(参考文献4：G.Xu,X.G.Xia,and W.Hong,“Nonambiguous SAR ImageFormation of Maritime Targets Using Weighted Sparse Approach”,IEEETransactions on Geoscience and Remote Sensing,vol.56,pp.1454-1465,2018)。但是上述方法都存在一些问题，比如成像结果分辨率降低、运算迭代次数高以及适用范围小等。
发明内容
为解决上述技术问题，本发明提出一种基于全卷积网络的合成孔径雷达方位模糊消除方法，通过生成合适的训练数据集进行网络训练，实现SAR图像的方位模糊消除。
本发明采用的技术方案为：一种基于全卷积网络的合成孔径雷达方位模糊消除方法，包括：
S1、初始化参数，至少包括：无模糊图像对应的脉冲重复频率，记作PRFnormal；有模糊情况下的脉冲重复频率，记作PRFsub；
S2、根据步骤S1的参数生成训练数据集；所述训练数据集由若干组的一对数据组成，所述一对数据具体为：点目标采用PRFnormal作为脉冲重复频率，仿真成像得到的数据矩阵；与点目标采用PRFsub作为脉冲重复频率，生成的回波数据矩阵；
S3、构建FCN网络；所述FCN网络包括：由若干卷积层与若干池化层构成的前半部分，以及包括升采样处理的后半部分；FCN网络前半部分至少包括3个卷积层与2个池化层；FCN网络后半部分的升采样处理中单次的升采样操作采用反卷积处理。
S4、采用步骤S2生成的训练数据集对步骤S3构建的FCN网络进行训练；
S5、将包含有方位模糊的数据输入经步骤S4训练之后的FCN网络，得到合成孔径雷达的方位模糊消除结果；生成包含有方位模糊的数据采用的脉冲重复频率为PRFsub。
进一步地，步骤S4具体为：将一对数据中的回波数据矩阵作为FCN网络的有模糊数据输入；将该对数据中仿真成像得到的数据矩阵作为FCN网络的无模糊数据输入。
更进一步地，步骤S4还包括：设置FCN网络训练参数以及选取代价函数；所述训练参数包括：学习率、最大梯度值、训练周期。
进一步地，步骤S2所述若干组一对数据由相同场景中若干不同位置的点目标生成。
本发明的有益效果：本发明分别基于有模糊情况下的脉冲重复频率与生成无模糊图像对应的脉冲重复频率，来生成FCN网络的有模糊数据输入和无模糊数据输入，从而对所构建的FCN网络进行训练，实现SAR方位模糊消除；本发明的方法，通过将SAR信号处理与深度学习网络(FCN)相结合，实现了SAR方位模糊消除后的分辨率提升；与传统SAR方位模糊消除方法相比，本发明方法不仅能够有效去除SAR图像中的方位模糊，而且还可以有效提升分辨率，提高成像质量。
附图说明
图1为本发明实施例提供的方案流程图；
图2为本发明实施例提供的FCN网络结构图。
具体实施方式
为便于理解本发明的内容，首先对以下技术用语进行简要说明：
定义1、FCN网络
FCN(Fully Convolutional Network)是将传统卷积神经网络(ConvolutionalNeural Network，简称：CNN)中的全连接层都转化为卷积层，其网络结构如图2所示。
FCN网络数学模型为
Figure BDA0001977454810000031
Figure BDA0001977454810000032
其中，n是卷积核大小，s是步长，fns(·)确定FCN各层的类型，xtrue,k是训练集中无模糊图像数据，yk是训练集中输入回波数据，
Figure BDA0001977454810000033
是yk输入FCN网络后训练t次的结果，F是网络训练的代价函数。
定义2、模糊能量比
模糊能量比(artifact energy ratio，简称：AER)是衡量SAR有模糊情况下模糊的相对强弱，其数学定义表达式为
Figure BDA0001977454810000034
其中，iA是模糊的能量，i0是真实目标的能量。
定义3、分辨率损失比
分辨率损失比(resolution loss percentage，简称：RLP)是衡量SAR欠采样、非均匀采样等引起的分辨率降低百分比，其数学定义表达式为
Figure BDA0001977454810000035
其中，δ0,degrade是有模糊成像图中的二维分辨率单元大小，δ0,ideal是无模糊成像图中的二维分辨率单元大小。
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
如图1所示为本发明的方案流程图，本发明的实现过程包括以下步骤：
步骤1、雷达参数初始化
初始化后续步骤所需的雷达参数，包括：无模糊图像对应的脉冲重复频率(PRF)，记作PRFnormal；有模糊情况下的脉冲重复频率，记作PRFsub；雷达的方位调频率，记作Ka；雷达系统发射的脉冲波长，记作λ；雷达系统发射的脉冲时宽，记作Tr；雷达系统发射的信号带宽，记作B；雷达系统的距离采样率，记作Fr；雷达的合成孔径时间，记作Tsar；雷达平台运动的有效速度，记作Vr；雷达平台的初始位置坐标，记作P0；场景参考点坐标，记作Pcenter；雷达系统的距离向采样点数，记作Nr；雷达系统的方位向采样点数，记作Na；光速记作c。
本实施例中上述参数值如表1所示；
表1仿真参数
雷达参数 符号 数值 单位
发射脉冲时宽 T<sub>r</sub> 10 μs
信号带宽 B 100 MHz
距离采样率 F<sub>r</sub> 200 MHz
雷达有效速度 V<sub>r</sub> 240 m/s
雷达工作波长 λ 0.032 m
方位调频率 K<sub>a</sub> 138 Hz/s
合成孔径时间 T<sub>sar</sub> 2 s
无模糊对应的方位采样率 PRF<sub>normal</sub> 300 Hz
有模糊对应的方位采样率 PRF<sub>sub</sub> 150 Hz
距离向采样点数 N<sub>r</sub> 2400 个
方位向采样点数 N<sub>a</sub> 600 个
雷达初始位置坐标 P<sub>0</sub> [0,-24100,10000] m
场景参考点坐标 P<sub>center</sub> [0,0,0] m
步骤2、构建训练数据集
依据步骤1中提供的雷达参数生成训练数据集，具体的：以PRFnormal及步骤1中的其它参数构成第一雷达参数集para_setnormal，以PRFsub及步骤1中的其它参数构成第二雷达参数集para_setsub。得到的两组雷达参数集para_setnormal和para_setsub之间仅有脉冲重复频率PRF不同，本申请中后续待处理的包含有方位模糊的数据所用脉冲重复频率PRF参数为para_setsub。
本实施例中训练数据集选取100组，100组训练集数据取为相同场景中100个不同位置处点目标(x,y,z)(其中的x，y，z分别表示方位向、距离向和高度方向的坐标值)基于para_setnormal仿真成像得到的数据矩阵以及基于para_setsub生成的回波数据矩阵，前者仿真成像得到的数据矩阵作为FCN网络的无模糊数据输入，而后者回波数据矩阵作为FCN网络的有模糊数据输入。本实施例中训练数据集的点目标设置为在距离向和方位向上发生位置变化，高度向保持为0m。点目标设置具体的取值情况如下：
分别将距离向和方位向各自的[-30m，30m]范围都均匀划分为10等份得到10个坐标值{30,23.33,16.67,10,3.33,3.33,10,16.67,23.33,30}，组合得到100个不同的坐标值(xk,yk,zk)分别作为仿真点目标并得到最终的100组训练集数据。
步骤3、构建FCN网络
所述FCN网络包括：由若干卷积层与若干池化层构成的前半部分，以及包括升采样处理的后半部分；FCN网络前半部分至少包括3个卷积层与2个池化层。
如图2所示，本实施例中FCN网络的前半部分由8个卷积层和5个池化层构成；第1层为池化层，其滤波器大小为2×2，步长为2；第2层为卷积层，其卷积核大小为3×3，通道个数为64；第3层为池化层，其滤波器大小为2×2，步长为2；第4层为卷积层，其卷积核大小为3×3，通道个数为128；第5层为池化层，其滤波器大小为2×2，步长为2；第6、7层为卷积层，其卷积核大小为3×3，通道个数为256；第8层为池化层，其滤波器大小为2×2，步长为2；第9层为卷积层，其卷积核大小为3×3，通道个数为256；第10层为池化层，其滤波器大小为2×2，步长为2；第11、12层为卷积层，其卷积核大小为3×3，通道个数为512；第13层为卷积层，其卷积核大小为3×3，通道个数为256。
FCN网络的后半部分添加升采样处理，具体的升采样次数根据FCN网络前半部分的最后一层池化层的输出维度与有模糊数据输入的维度确定；如图2所示，考虑到FCN网络前半部分的最后一层池化层的输出维度是有模糊输入数据的1/32，因此，本实施例中需要进行5次2倍升采样处理；本实施例中单次的升采样操作由反卷积实现，经过5次反卷积处理后得到与输入维度保持一致的最终输出。FCN网络的整体结构如图2所示，用a×b×c表示卷积后有c个通道，每一个通道的大小是a×b，例如图2中的128×128×64表示经第一次卷积后(即本实施例FCN网络第2层的卷积核输出)有64个通道，每一个通道的大小是128×128。
步骤4、FCN网络训练
训练过程中的代价函数选取为L1-范数，整个FCN网络的训练参数设置如表2所示。将步骤2得到的训练数据集输入网络中进行训练，得到训练好的网络。
表2 FCN网络的训练参数设置
网络参数 数值
学习率 0.001
最大梯度值 0.99
训练周期 51
步骤5、方位模糊消除
将包含有方位模糊的数据输入到步骤4得到的FCN网络中，该网络的输出结果即为消除方位模糊后的成像结果。
经过上述步骤处理，基于本发明的FCN网络的SAR成像方位模糊去除工作得以完成。包含有方位模糊的数据输入本发明的FCN网络前后的AER及RLP对比结果如表3所示，欠采样、非均匀采样等引起的成像方位模糊会导致真实点目标的方位分辨率降低，本发明的FCN网络可以很好地提升点目标成像性能，使其接近于无方位模糊的情况。因此，本发明提出的方法能够有效去除SAR成像中的方位模糊，而且还可以解决由于方位欠采样、非均匀采样等引起的真实目标方位分辨率降低的问题。
表3方位模糊SAR图像输入本发明的FCN网络前后的AER及RLP变化
性能指标 输入FCN网络前 输入FCN网络后
AER(dB) -1.0550 -26.8866
RLP(％) 80 0
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (7)

1.一种基于全卷积网络的合成孔径雷达方位模糊消除方法，其特征在于，包括：
S1、初始化参数，至少包括：无模糊图像对应的脉冲重复频率，记作PRFnormal；有模糊情况下的脉冲重复频率，记作PRFsub；
S2、根据步骤S1的参数生成训练数据集；所述训练数据集由若干组的一对数据组成，所述一对数据具体为：点目标采用PRFnormal作为脉冲重复频率，仿真成像得到的数据矩阵；与点目标采用PRFsub作为脉冲重复频率，生成的回波数据矩阵；
S3、构建FCN网络；FCN网络数学模型为
Figure FDA0002943477810000011
Figure FDA0002943477810000012
其中，n是卷积核大小，s是步长，fns(·)确定FCN各层的类型，xtrue,k是训练集中无模糊图像数据，yk是训练集中输入回波数据，
Figure FDA0002943477810000013
是yk输入FCN网络后训练t次的结果，F是网络训练的代价函数；
S4、采用步骤S2生成的训练数据集对步骤S3构建的FCN网络进行训练；步骤S4具体为：将一对数据中的回波数据矩阵作为FCN网络的有模糊数据输入；将该对数据中仿真成像得到的数据矩阵作为FCN网络的无模糊数据输入；
S5、将包含有方位模糊的数据输入经步骤S4训练之后的FCN网络，得到合成孔径雷达的方位模糊消除结果。
2.根据权利要求1所述的一种基于全卷积网络的合成孔径雷达方位模糊消除方法，其特征在于，步骤S3所述FCN网络包括：由若干卷积层与若干池化层构成的前半部分，以及包括升采样处理的后半部分。
3.根据权利要求2所述的一种基于全卷积网络的合成孔径雷达方位模糊消除方法，其特征在于，所述FCN网络前半部分至少包括3个卷积层与2个池化层。
4.根据权利要求3所述的一种基于全卷积网络的合成孔径雷达方位模糊消除方法，其特征在于，所述FCN网络后半部分的升采样处理中单次的升采样操作采用反卷积处理。
5.根据权利要求4所述的一种基于全卷积网络的合成孔径雷达方位模糊消除方法，其特征在于，步骤S4还包括：设置FCN网络训练参数以及选取代价函数；所述训练参数包括：学习率、最大梯度值、训练周期。
6.根据权利要求1所述的一种基于全卷积网络的合成孔径雷达方位模糊消除方法，其特征在于，所述生成包含有方位模糊的数据采用的脉冲重复频率为PRFsub。
7.根据权利要求1所述的一种基于全卷积网络的合成孔径雷达方位模糊消除方法，其特征在于，步骤S2所述若干组一对数据由相同场景中若干不同位置的点目标生成。
CN201910137620.2A 2019-02-25 2019-02-25 一种基于全卷积网络的合成孔径雷达方位模糊消除方法 Expired - Fee Related CN109669184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910137620.2A CN109669184B (zh) 2019-02-25 2019-02-25 一种基于全卷积网络的合成孔径雷达方位模糊消除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910137620.2A CN109669184B (zh) 2019-02-25 2019-02-25 一种基于全卷积网络的合成孔径雷达方位模糊消除方法

Publications (2)

Publication Number Publication Date
CN109669184A CN109669184A (zh) 2019-04-23
CN109669184B true CN109669184B (zh) 2021-04-20

Family

ID=66152231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910137620.2A Expired - Fee Related CN109669184B (zh) 2019-02-25 2019-02-25 一种基于全卷积网络的合成孔径雷达方位模糊消除方法

Country Status (1)

Country Link
CN (1) CN109669184B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110501708B (zh) * 2019-08-29 2021-03-30 北京航空航天大学 一种多通道星载topsar方位模糊度分析方法
JP7375915B2 (ja) 2020-03-31 2023-11-08 日本電気株式会社 分析装置、分析方法及びプログラム
CN113191538B (zh) * 2021-04-15 2022-11-04 北京理工大学 一种基于深度学习的多频sar图像解模糊方法
CN114609631B (zh) * 2022-03-08 2023-12-22 电子科技大学 一种基于生成对抗网络的合成孔径雷达欠采样成像方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228201A (zh) * 2016-06-20 2016-12-14 电子科技大学 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法
CN107392122A (zh) * 2017-07-07 2017-11-24 西安电子科技大学 基于多极化特征和fcn‑crf融合网络的极化sar影像目标检测方法
CN107944470A (zh) * 2017-11-03 2018-04-20 西安电子科技大学 基于轮廓波fcn‑crf的sar图像分类方法
CN108830331A (zh) * 2018-06-22 2018-11-16 西安交通大学 一种基于全卷积网络的探地雷达目标检测方法
CN108872988A (zh) * 2018-07-12 2018-11-23 南京航空航天大学 一种基于卷积神经网络的逆合成孔径雷达成像方法
CN108960190A (zh) * 2018-07-23 2018-12-07 西安电子科技大学 基于fcn图像序列模型的sar视频目标检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228201A (zh) * 2016-06-20 2016-12-14 电子科技大学 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法
CN107392122A (zh) * 2017-07-07 2017-11-24 西安电子科技大学 基于多极化特征和fcn‑crf融合网络的极化sar影像目标检测方法
CN107944470A (zh) * 2017-11-03 2018-04-20 西安电子科技大学 基于轮廓波fcn‑crf的sar图像分类方法
CN108830331A (zh) * 2018-06-22 2018-11-16 西安交通大学 一种基于全卷积网络的探地雷达目标检测方法
CN108872988A (zh) * 2018-07-12 2018-11-23 南京航空航天大学 一种基于卷积神经网络的逆合成孔径雷达成像方法
CN108960190A (zh) * 2018-07-23 2018-12-07 西安电子科技大学 基于fcn图像序列模型的sar视频目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Adaptive removal of azimuth ambiguities in SAR images;Andrea Monti Guarnieri;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20050331;第43卷(第3期);625-632 *
Maritime Surveillance With Undersampled SAR;Yuying Wang 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20170831;第14卷(第8期);1423-1427 *
Nonambiguous SAR Image Formation of Maritime Targets Using Weighted Sparse Approach;Gang Xu 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20180331;第56卷(第3期);1454-1463 *
Suppressing the azimuth ambiguities in synthetic aperture radar images;Alberto Moreira;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;19930731;第31卷(第4期);885-894 *

Also Published As

Publication number Publication date
CN109669184A (zh) 2019-04-23

Similar Documents

Publication Publication Date Title
CN109669184B (zh) 一种基于全卷积网络的合成孔径雷达方位模糊消除方法
CN110275166B (zh) 基于admm的快速稀疏孔径isar自聚焦与成像方法
CN107462887B (zh) 基于压缩感知的宽幅星载合成孔径雷达成像方法
CN104931967B (zh) 一种改进的高分辨率sar成像自聚焦方法
CN110068805B (zh) 基于变分贝叶斯推论的高速目标hrrp重构方法
CN110244303B (zh) 基于sbl-admm的稀疏孔径isar成像方法
CN105137424B (zh) 一种杂波背景下实波束扫描雷达角超分辨方法
CN113567982B (zh) 一种基于混合范数的方位向周期采样数据稀疏sar成像方法及装置
CN110208796B (zh) 基于奇异值逆滤波的扫描雷达超分辨成像方法
CN109669182B (zh) 无源双基地sar动/静目标联合稀疏成像方法
CN110146881B (zh) 一种基于改进全变差的扫描雷达超分辨成像方法
CN112859014A (zh) 基于雷达信号分选的雷达干扰抑制方法、装置及介质
CN109856636B (zh) 曲线合成孔径雷达自适应三维成像方法
CN110780274B (zh) 一种用于扫描雷达的改进l1正则化方位超分辨成像方法
CN107589421B (zh) 一种阵列前视sar成像方法
CN109116356A (zh) 基于低比特量化数据的合成孔径雷达运动目标成像方法
CN112147608A (zh) 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法
CN110879391B (zh) 基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法
CN110109114B (zh) 一种扫描雷达超分辨成像检测一体化方法
CN109188436B (zh) 适用于任意平台轨迹的高效双基sar回波生成方法
CN113064165B (zh) 一种扫描雷达俯仰-方位二维超分辨方法
CN111239731A (zh) 基于神经网络的合成孔径雷达快速成像方法及装置
CN109946696B (zh) 基于目标先验信息的雷达凝视关联成像方法
CN115079175A (zh) 一种基于SE-Unet的合成孔径雷达欠采样成像方法
CN114780911B (zh) 一种基于深度学习的海洋宽测绘带距离解模糊方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210420

CF01 Termination of patent right due to non-payment of annual fee