CN110109114B - 一种扫描雷达超分辨成像检测一体化方法 - Google Patents
一种扫描雷达超分辨成像检测一体化方法 Download PDFInfo
- Publication number
- CN110109114B CN110109114B CN201910384277.1A CN201910384277A CN110109114B CN 110109114 B CN110109114 B CN 110109114B CN 201910384277 A CN201910384277 A CN 201910384277A CN 110109114 B CN110109114 B CN 110109114B
- Authority
- CN
- China
- Prior art keywords
- rank
- low
- scattering coefficient
- sparse
- super
- 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
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
- G01S13/904—SAR modes
- G01S13/9043—Forward-looking SAR
-
- 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
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- 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
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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种扫描雷达超分辨成像检测一体化方法,属于雷达成像技术领域。本发明利用目标场景的低秩稀疏先验信息作为约束构建目标函数,通过增对目标函数进行迭代求解,同时实现了超分辨成像以及感兴趣稀疏目标的检测。相比于常规的成像检测及目标检测方法,本发明能够实现感目标成像检测一体化,并为进一步的目标识别奠定了良好的基础。
Description
技术领域
本发明属于雷达成像技术领域,特别涉及一种扫描雷达超分辨成像检测一体化方法。
背景技术
实现机载雷达前视区域目标高分辨成像及目标检测,对提高飞行员对前方区域观察能力、引导武器精确打击目标、实施空中警戒等具有重要意义。但由于常规单基合成孔径雷达和多普勒波束锐化技术存在前视成像盲区,无法实现平台前视区域的成像检测;利用天线扫描可以获取前视区域的实波束图像,但由于天线尺寸的限制,实波束图像方位分辨率较低,造成目标检测也比较困难。
目前的方法是将成像、检测视为两个独立的步骤,即首先研究如何获得高分辨图像,然后在高分辨图像的基础上,研究不同的检测方法。由于将成像和检测割裂开来,一方面降低了处理效率,另一方面成像的性能将直接影响到目标检测的性能,造成误差的传递。现有技术中,针对实波束图像,提出了基于lp范数的正则化超分辨成像方法,然后基于成像结果,可以检测感兴趣目标,这使得目标检测过程必然受到超分辨性能的影响;而针对SAR成像结果,提出的一种目标检测算法,该方法首先采用超像素生成算法对图像进行分割,再基于超像素自适应估计每个像素杂波的分布参数,最后利用层次聚类得到目标检测结果,方法涉及步骤较多,检测性能极易受到前端成像、参数估计性能的影响。
发明内容
本发明的目的在于提出一种扫描雷达超分辨成像检测一体化方法,构造基于低秩稀疏约束的正则化方法,进行优化求解,同时实现实波束扫描雷达方位向超分辨成像和感兴趣目标检测。
一种扫描雷达超分辨成像检测一体化方法,包括以下步骤:
S1、获取雷达回波信号R,对所述雷达回波信号进行距离向脉冲压缩处理,得到脉冲压缩后的回波信号s;
S2、获取天线方向图h,构造方位向卷积测量矩阵H;
S3、建立目标函数
其中,x为目标散射系数矩阵,s为脉冲压缩后的回波信号矩阵,SS为目标散射系数矩阵分解得到的稀疏部分,L为目标散射系数矩阵分解得到的低秩部分,λl和λs分别为稀疏部分和低秩部分的正则化参数,z为拉格朗日乘子,||·||*为核范数,||·||1为l1范数,||·||2为l2范数,<·>为内积,β为惩罚因子;
S4、初始化z(0)、L(0)、SS(0)、x(0)、λl、λs、β、δ,其中,上标(0)为迭代次数,δ为预设迭代终止阈值;
S5、根据迭代公式更新稀疏部分SS(k+1)、低秩部分L(k+1)、目标散射系数矩阵x(k+1)及拉格朗日乘子z(k+1),其中,上标(k+1)为迭代次数;
进一步地,所述步骤S2包括:
获取天线方向图h=[h0 h1 ... hl-1],根据h构造方位向卷积测量矩阵H
进一步地,所述步骤S3包括:
s表示为s=Hx+n
其中,s为脉冲压缩后的回波信号矩阵,x为目标散射系数矩阵,n为噪声;采用正则化方法,对目标散射系数矩阵进行分解,得到稀疏和低秩部分
其中,SS为目标散射系数矩阵分解得到的稀疏部分,L为目标散射系数矩阵分解得到的低秩部分,λ为分解稀疏部分和低秩部分的参数,rank(·)为秩函数,||·||0为l0范数;分别采用核范数||L||*和l1范数||SS||1替代rank(L)和||SS||0,得到
将稀疏部分和低秩部分分别作为惩罚约束项,建立求解模型
其中,λl和λs分别为稀疏部分和低秩部分的正则化参数,||·||2为l2范数;利用增广拉格朗日函数将有约束最优化问题转化为无约束最优化问题,得到目标函数
其中,z为拉格朗日乘子,<·>为内积,β为惩罚因子。
进一步地,所述步骤S5包括:
S51、迭代更新稀疏部分SS(k+1);
固定低秩部分L、目标散射系数矩阵x及拉格朗日乘子z后,保留稀疏部分得到关于SS的最优化问题
利用软门限方法进行求解,得到稀疏部分的迭代公式
S52、迭代更新低秩部分L(k+1);
固定系数部分SS、目标散射系数矩阵x及拉格朗日乘子z后,保留低秩部分得到关于L的最优化问题
通过奇异值分解和软门限方法进行求解,得到低秩部分的迭代公式
S53、迭代更新目标散射系数矩阵x(k+1);
固定系数部分SS、低秩部分L及拉格朗日乘子z,保留目标散射系数矩阵x部分得到关于x的最优化问题
关于x求梯度,并令其为零,得到
(2HHH+βI)x(k+1)=2HHs+β(L(k+1)+SS(k+1))-z(k)
得到目标散射系数矩阵x(k+1)的迭代公式
x(k+1)=(2HHH+βI)-1(2HHs+β(L(k+1)+SS(k+1))-z(k));
S54、迭代更新拉格朗日乘子z(k+1);
固定系数部分SS、低秩部分L及目标散射系数矩阵x,根据迭代公式更新拉格朗日乘子z
z(k+1)=z(k)+β(x(k+1)-L(k+1)-SS(k+1))。
进一步地,所述步骤S6包括:
S62、输出超分辨成像结果、超分辨成像结果的稀疏部分和超分辨成像结果的低秩部分。
S63、返回所述步骤S5继续迭代。
本发明的有益效果:本发明提供了一种扫描雷达超分辨成像检测一体化方法,同时实现了场景的超分辨成像和感兴趣稀疏目标的检测,有效地实现了扫描雷达超分辨成像检测一体化。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的实波束扫描雷达的成像示意图。
图3为本发明实施例的场景示意图。
图4为本发明实施例的距离压缩后信噪比为30dB的回波示意图。
图5为本发明实施例的天线方向图。
图6为本发明实施例得到的超分辨结果图。
图7为本发明实施例得到的低秩背景图。
图8为本发明实施例得到的稀疏目标图。
具体实施方式
下面结合附图对本发明的实施例做进一步的说明。
请参阅图1,本发明提出了一种扫描雷达超分辨成像检测一体化方法,通过以下步骤实现:
S1、获取雷达回波信号R,对雷达回波信号进行距离向脉冲压缩处理,得到脉冲压缩后的回波信号s。
本实施例中,实波束扫描雷达成像示意图如图2所示。本实施例中采用的场景如图3所示。进行距离向脉冲压缩后得到的回波如图4所示,其中,SNR=30dB。下表为本实施例中雷达系统参数信息。
参数 | 符号 | 数值 |
载频 | f<sub>0</sub> | 10GHz |
发射信号带宽 | B<sub>r</sub> | 50MHz |
发射信号时宽 | T<sub>r</sub> | 5μs |
距离采样率 | f<sub>r</sub> | 100MHz |
脉冲采样频率 | prf | 2000Hz |
天线主瓣宽度 | θ | 3° |
扫描速度 | ω | 100°/s |
扫描范围 | θ<sub>min</sub>~θ<sub>max</sub> | -15°~15° |
表1实波束扫描雷达系统参数表
S2、获取天线方向图h=[h0 h1 ... hl-1],根据h构造方位向卷积测量矩阵H
本实施例中,天线方向图如图5所示。
S3、建立目标函数。
实波束扫描雷达的回波s建模为天线方向图h和目标的散射系数矩阵x的卷积形式,此处使用卷积矩阵H,回波的卷积模型如下:
s=Hx+n (2)
其中,s为脉冲压缩后的回波信号矩阵,x为目标散射系数矩阵,n为噪声,本实施例中为1000×1维噪声向量。针对回波的卷积模型直接进行卷积反演求解时出现的病态问题,所以采用采用正则化方法,对目标散射系数矩阵进行分解,得到稀疏和低秩部分
其中,SS为目标散射系数矩阵分解得到的稀疏部分,L为目标散射系数矩阵分解得到的低秩部分,λ为分解稀疏部分和低秩部分的参数,rank(·)为秩函数,||·||0为l0范数。由于秩的极小化问题和矩阵中非零元素的个数是N-P难问题,因此,本实施例采取凸松弛,分别采用核范数||L||*和l1范数||SS||1替代rank(L)和||SS||0,得到
将稀疏部分和低秩部分分别作为惩罚约束项,规范该线性逆问题的解,建立求解模型
其中,λl和λs分别为稀疏部分和低秩部分的正则化参数,||·||2为l2范数。式(4)为一个有约束最优化问题,利用增广拉格朗日函数将有约束最优化问题转化为无约束最优化问题,得到目标函数
其中,z为拉格朗日乘子,<·>为内积,β为惩罚因子。
在求解有多个变量的最优化问题时,当求解一个变量时其他变量保持固定不变,可以将(6)式所表示的问题分解为4个子问题求解。
S4、初始化z(0)、L(0)、SS(0)、x(0)、λl、λs、β、δ,其中,上标(0)为迭代次数,δ为预设迭代终止阈值。
本实施例中,初始化为z(0)=0、L(0)=0、SS(0)=0、x(0)=s、λl=20、λs=560、β=3、δ=10-6,同样,也可以初始化为其他数值。
S5、根据迭代公式更新稀疏部分SS(k+1)、低秩部分L(k+1)、目标散射系数矩阵x(k+1)及拉格朗日乘子z(k+1),其中,上标(k+1)为迭代次数。
本实施例中,步骤S5通过以下子步骤实现:
S51、迭代更新稀疏部分SS(k+1)。
本实施例中,固定低秩部分L、目标散射系数矩阵x及拉格朗日乘子z后,保留稀疏部分得到关于SS的最优化问题
该问题等价为LASSO问题,利用软门限方法进行求解,得到稀疏部分的迭代公式
S52、迭代更新低秩部分L(k+1)。
固定系数部分SS、目标散射系数矩阵x及拉格朗日乘子z后,保留低秩部分得到关于L的最优化问题
对于式(10)的优化问题通过奇异值分解和软门限方法进行求解,得到低秩部分的迭代公式
S53、迭代更新目标散射系数矩阵x(k+1)。
固定系数部分SS、低秩部分L及拉格朗日乘子z,保留目标散射系数矩阵x部分得到关于x的最优化问题
该问题可以被解析求解,对式(13)关于x求梯度,并且令其为零,得到
(2HHH+βI)x(k+1)=2HHs+β(L(k+1)+SS(k+1))-z(k) (14)
得到目标散射系数矩阵x(k+1)的迭代公式
x(k+1)=(2HHH+βI)-1(2HHs+β(L(k+1)+SS(k+1))-z(k)) (15)
S54、迭代更新拉格朗日乘子z(k+1)。
固定系数部分SS、低秩部分L及目标散射系数矩阵x,根据迭代公式(16)更新拉格朗日乘子z
z(k+1)=z(k)+β(x(k+1)-L(k+1)-SS(k+1)) (16)
本实施例中,步骤S6通过以下子步骤实现:
S62、输出超分辨成像结果、超分辨成像结果的稀疏部分和超分辨成像结果的低秩部分。
S63、返回步骤S5,通过迭代公式(8)、(11)、(15)、(16)继续迭代更新。
本实施例中,图6为本实施例得到的超分辨结果,在30dB噪声下,经本发明方法处理后,方向位分辨率得到了明显提高,同时,得到了超分辨成像结果的低秩背景图7和稀疏目标图8。
本领域的普通技术人员将会意识到,这里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。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种扫描雷达超分辨成像检测一体化方法,其特征在于,包括以下步骤:
S1、获取雷达回波信号R,对所述雷达回波信号进行距离向脉冲压缩处理,得到脉冲压缩后的回波信号s;
S2、获取天线方向图h,构造方位向卷积测量矩阵H;
S3、建立目标函数
其中,x为目标散射系数矩阵,SS为目标散射系数矩阵分解得到的稀疏部分,L为目标散射系数矩阵分解得到的低秩部分,λl和λs分别为稀疏部分和低秩部分的正则化参数,z为拉格朗日乘子,||·||*为核范数,||·||1为l1范数,||·||2为l2范数,<·>为内积,β为惩罚因子;
S4、初始化z(0)、L(0)、SS(0)、x(0)、λl、λs、β、δ,其中,上标(0)为迭代次数,δ为预设迭代终止阈值;
S5、根据迭代公式更新稀疏部分SS(k+1)、低秩部分L(k+1)、目标散射系数矩阵x(k+1)及拉格朗日乘子z(k+1),其中,上标(k+1)为迭代次数;所述步骤S5包括:
S51、迭代更新稀疏部分SS(k+1);
固定低秩部分L、目标散射系数矩阵x及拉格朗日乘子z后,保留稀疏部分得到关于SS的最优化问题
利用软门限方法进行求解,得到稀疏部分的迭代公式
S52、迭代更新低秩部分L(k+1);
固定稀疏部分SS、目标散射系数矩阵x及拉格朗日乘子z后,保留低秩部分得到关于L的最优化问题
通过奇异值分解和软门限方法进行求解,得到低秩部分的迭代公式
S53、迭代更新目标散射系数矩阵x(k+1);
固定稀疏部分SS、低秩部分L及拉格朗日乘子z,保留目标散射系数矩阵x部分得到关于x的最优化问题
关于x求梯度,并令其为零,得到
(2HHH+βI)x(k+1)=2HHs+β(L(k+1)+SS(k+1))-z(k)
得到目标散射系数矩阵x(k+1)的迭代公式
x(k+1)=(2HHH+βI)-1(2HHs+β(L(k+1)+SS(k+1))-z(k));
S54、迭代更新拉格朗日乘子z(k+1);
固定稀疏部分SS、低秩部分L及目标散射系数矩阵x,根据迭代公式更新拉格朗日乘子z
z(k+1)=z(k)+β(x(k+1)-L(k+1)-SS(k+1));
3.如权利要求1所述的扫描雷达超分辨成像检测一体化方法,其特征在于,所述步骤S3包括:
s表示为
s=Hx+n
其中,s为脉冲压缩后的回波信号矩阵,x为目标散射系数矩阵,n为噪声;采用正则化方法,对目标散射系数矩阵进行分解,得到稀疏和低秩部分
其中,SS为目标散射系数矩阵分解得到的稀疏部分,L为目标散射系数矩阵分解得到的低秩部分,λ为分解稀疏部分和低秩部分的参数,rank(·)为秩函数,||·||0为l0范数;分别采用核范数||L||*和l1范数||SS||1替代rank(L)和||SS||0,得到
将稀疏部分和低秩部分分别作为惩罚约束项,建立求解模型
其中,λl和λs分别为稀疏部分和低秩部分的正则化参数,||·||2为l2范数;利用增广拉格朗日函数将有约束最优化问题转化为无约束最优化问题,得到目标函数
其中,z为拉格朗日乘子,<·>为内积,β为惩罚因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910384277.1A CN110109114B (zh) | 2019-05-09 | 2019-05-09 | 一种扫描雷达超分辨成像检测一体化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910384277.1A CN110109114B (zh) | 2019-05-09 | 2019-05-09 | 一种扫描雷达超分辨成像检测一体化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110109114A CN110109114A (zh) | 2019-08-09 |
CN110109114B true CN110109114B (zh) | 2020-11-10 |
Family
ID=67489055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910384277.1A Active CN110109114B (zh) | 2019-05-09 | 2019-05-09 | 一种扫描雷达超分辨成像检测一体化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109114B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780274B (zh) * | 2019-11-04 | 2022-04-01 | 电子科技大学 | 一种用于扫描雷达的改进l1正则化方位超分辨成像方法 |
CN111538007B (zh) * | 2020-05-22 | 2021-12-28 | 电子科技大学 | 一种基于两步加速的稀疏超分辨成像方法 |
CN113359135B (zh) * | 2021-07-07 | 2023-08-22 | 中国人民解放军空军工程大学 | 一种成像及识别模型的训练方法、应用方法、装置及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267964A (zh) * | 2013-04-21 | 2013-08-28 | 北京航空航天大学 | 一种基于低秩矩阵恢复的弹载导引头雷达σδ-stap方法 |
CN105093225A (zh) * | 2015-08-25 | 2015-11-25 | 西安电子科技大学 | 基于双重稀疏约束的逆合成孔径雷达自聚焦成像方法 |
CN105607059A (zh) * | 2016-01-20 | 2016-05-25 | 中国科学院电子学研究所 | 一种合成孔径雷达地面运动目标指示实现方法和装置 |
CN107193003A (zh) * | 2017-07-20 | 2017-09-22 | 电子科技大学 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
CN107330953A (zh) * | 2017-07-06 | 2017-11-07 | 桂林电子科技大学 | 一种基于非凸低秩的动态mri重建方法 |
CN107609573A (zh) * | 2017-08-17 | 2018-01-19 | 东华大学 | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 |
CN107680116A (zh) * | 2017-08-18 | 2018-02-09 | 河南理工大学 | 一种监测视频图像中运动目标的方法 |
CN108333587A (zh) * | 2018-02-12 | 2018-07-27 | 电子科技大学 | 基于分裂Bregman的前视扫描雷达超分辨成像方法 |
CN108776339A (zh) * | 2018-03-29 | 2018-11-09 | 清华大学 | 基于块稀疏迭代阈值处理的单比特合成孔径雷达成像方法 |
CN109712113A (zh) * | 2018-11-28 | 2019-05-03 | 中原工学院 | 一种基于级联低秩分解的织物疵点检测方法 |
CN109709544A (zh) * | 2019-01-04 | 2019-05-03 | 河北科技大学 | 一种探地雷达杂波去除方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9697614B2 (en) * | 2014-12-08 | 2017-07-04 | Mitsubishi Electric Research Laboratories, Inc. | Method for segmenting and tracking content in videos using low-dimensional subspaces and sparse vectors |
-
2019
- 2019-05-09 CN CN201910384277.1A patent/CN110109114B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267964A (zh) * | 2013-04-21 | 2013-08-28 | 北京航空航天大学 | 一种基于低秩矩阵恢复的弹载导引头雷达σδ-stap方法 |
CN105093225A (zh) * | 2015-08-25 | 2015-11-25 | 西安电子科技大学 | 基于双重稀疏约束的逆合成孔径雷达自聚焦成像方法 |
CN105607059A (zh) * | 2016-01-20 | 2016-05-25 | 中国科学院电子学研究所 | 一种合成孔径雷达地面运动目标指示实现方法和装置 |
CN107330953A (zh) * | 2017-07-06 | 2017-11-07 | 桂林电子科技大学 | 一种基于非凸低秩的动态mri重建方法 |
CN107193003A (zh) * | 2017-07-20 | 2017-09-22 | 电子科技大学 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
CN107609573A (zh) * | 2017-08-17 | 2018-01-19 | 东华大学 | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 |
CN107680116A (zh) * | 2017-08-18 | 2018-02-09 | 河南理工大学 | 一种监测视频图像中运动目标的方法 |
CN108333587A (zh) * | 2018-02-12 | 2018-07-27 | 电子科技大学 | 基于分裂Bregman的前视扫描雷达超分辨成像方法 |
CN108776339A (zh) * | 2018-03-29 | 2018-11-09 | 清华大学 | 基于块稀疏迭代阈值处理的单比特合成孔径雷达成像方法 |
CN109712113A (zh) * | 2018-11-28 | 2019-05-03 | 中原工学院 | 一种基于级联低秩分解的织物疵点检测方法 |
CN109709544A (zh) * | 2019-01-04 | 2019-05-03 | 河北科技大学 | 一种探地雷达杂波去除方法 |
Non-Patent Citations (2)
Title |
---|
A Low-rank and Jointly-sparse Approach for Multipolarization Through-wall Radar Imaging;A. Bouzerdoum等;《2017 IEEE Radar Conference (RadarConf)》;20170608;0263-0268 * |
基于低秩稀疏约束的穿墙雷达成像算法;屈乐乐等;《电讯技术》;20171031;第57卷(第10期);1122-1127 * |
Also Published As
Publication number | Publication date |
---|---|
CN110109114A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109114B (zh) | 一种扫描雷达超分辨成像检测一体化方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar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 | |
CN107621635B (zh) | 一种前视海面目标角超分辨方法 | |
CN105137408B (zh) | 一种最优天线方向图选取的雷达角超分辨方法 | |
CN109613532B (zh) | 一种机载雷达实时多普勒波束锐化超分辨成像方法 | |
CN110118967B (zh) | 一种基于全变差的扫描雷达方位向超分辨成像方法 | |
CN111856465B (zh) | 一种基于稀疏约束的前视海面目标角超分辨方法 | |
Wu et al. | TSVD with least squares optimization for scanning radar angular super-resolution | |
CN103413279A (zh) | 基于ad-nsct算法的sar图像去噪方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
CN110082759B (zh) | 一种随机辐射雷达快速高分辨成像处理方法 | |
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 | |
Wang et al. | A 3-D sparse SAR imaging method based on Plug-and-Play | |
CN117192548A (zh) | 基于深度展开的稀疏isar高分辨成像方法 | |
CN115825953B (zh) | 一种基于随机频率编码信号的前视超分辨成像方法 | |
CN115902886A (zh) | 基于Renyi熵的ITR-DTV雷达前视超分辨成像方法 | |
CN115453523A (zh) | 一种扫描雷达稀疏目标批处理超分辨方法 | |
CN110109097B (zh) | 一种扫描雷达前视成像方位超分辨方法 | |
Wu et al. | Outline reconstruction for radar forward-looking imaging based on total variation functional deconvloution methodxs | |
CN114910905A (zh) | 相似性约束下geo星机双基sar动目标智能成像方法 | |
CN113205564A (zh) | 一种sar智能目标边缘重构方法 | |
CN110780273A (zh) | 一种混合正则化方位超分辨成像方法 | |
CN113126095B (zh) | 基于稀疏贝叶斯学习的二维isar快速成像方法 |
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 |