CN111580105B - 一种用于太赫兹雷达高分辨成像的自适应处理方法 - Google Patents
一种用于太赫兹雷达高分辨成像的自适应处理方法 Download PDFInfo
- Publication number
- CN111580105B CN111580105B CN202010488574.3A CN202010488574A CN111580105B CN 111580105 B CN111580105 B CN 111580105B CN 202010488574 A CN202010488574 A CN 202010488574A CN 111580105 B CN111580105 B CN 111580105B
- Authority
- CN
- China
- Prior art keywords
- points
- scattering
- point
- image
- threshold
- 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
- G01S13/9088—Circular SAR [CSAR, C-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
- G01S13/9094—Theoretical aspects
-
- 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
- G01S7/418—Theoretical aspects
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)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于太赫兹雷达高分辨成像的自适应处理方法。针对现有太赫兹雷达高分辨成像方法存在需要人工调整的参数,以及批量处理时不合格图像需要人工判断的问题。本方法对各角度采用其附近回波能量的变异系数来自适应识别该角度能否作为子孔径边界,代替原有的能量门限。本方法依次使用不同的门限来分割背景与目标,采用统计目标图像中闭运算之后不会与其他连通区域融合的孤立连通区域数目的方法,来自适应得到最佳分割门限。本方法使用寻找最佳分割目标图像中值为8邻域中最大值的像素的方式,将成像结果分解为散射点组。并采用根据散射点位置关系来识别目标图像中是否存在孤立的一字排列散射点的方法来自适应挑选出不合格的图像。
Description
技术领域
本发明属于雷达信号处理技术领域,涉及一种用于太赫兹雷达高分辨成像的自适应处理方法。
背景技术
太赫兹雷达高分辨成像的通常成像方法是使用CSAR模式采集数据,再对CSAR成像的圆周孔径进行自适应子孔径划分,并对子孔径分别成像,最后融合子图像。与微波雷达高分辨成像不同的是,太赫兹雷达高分辨成像不需要提升子图像的分辨率。然而由于太赫兹频段更加强烈的散射能量各向异性,太赫兹雷达高分辨成像需要一个特别的子孔径划分方法来解决其特有的严重旁瓣散焦和细节丢失问题。各太赫兹雷达高分辨成像方法的主要不同之处也在于自适应子孔径划分方法。
2018年,电子科技大学的刘通提出了一种采用基于子孔径能量的自适应子孔径划分方法。使用该方法的太赫兹雷达高分辨成像初步解决了基于子孔径划分方法的太赫兹雷达成像方法非常容易将同一个散射点的回波划分在两个不同的子孔径内,进而产生严重旁瓣散焦和细节丢失的问题。
2020年,电子科技大学的曾梧桐提出了一种采用基于子孔径相邻互相关系数的自适应子孔径划分方法,并且在子孔径划分方法中采用了子孔径重叠的子孔径划分方式。使用该方法的太赫兹雷达高分辨成像进一步解决了太赫兹雷达在对散射能量各向异性强烈目标成像时仍然存在旁瓣散焦和细节丢失的问题。
然而目前的成像方法解决的主要是成像质量的问题,二者均需要操作人员手动调试一些参数,自动化程度低。其中刘通的成像方法需要一个强散射能量门限和一个子孔径宽度门限;曾梧桐的成像方法必需一个强散射能量门限,一个弱散射能量门限和一个子孔径宽度门限,此外还有两个可以通过简单改进备选子孔径边界点获取算法省去的参数。其中子孔径宽度门限只与所使用的雷达有关,对同一个雷达只需要调试一次。但是,散射能量门限是与雷达探测目标有关的,需要针对每个目标分别调试,并且十分影响成像结果。
并且,从成像结果中绘制图像时需要一个门限用于分割背景与目标,该门限也是与雷达探测目标有关的,需要针对每个目标分别调试,同样十分影响成像结果。
此外,一方面太赫兹雷达高分辨成像的进一步发展需要根据现有算法的不足来改进。随着算法的进步旧算法出现不合格成像结果的比例越来越低,需要从大量成像结果中挑选出不合格图像。另一方面太赫兹雷达高分辨成像要进入实用也将产生大量成像结果。因此需要一个方法来有效率地识别出不合格的图像。然而目前识别成像结果是否不合格主要依靠人眼观察,效率低。
发明内容
本发明的目的是针对现有技术的不足,提供一种太赫兹雷达高分辨成像的自适应处理方法。
本发明的目的是通过以下技术方案来实现的:本方法对各角度采用其附近回波能量的变异系数来自适应识别该角度能否作为子孔径边界,代替原有的能量门限。本方法依次使用不同的门限来分割背景与目标,采用统计目标图像中闭运算之后不会与其他连通区域融合的孤立连通区域数目的方法,来自适应得到最佳分割门限。本方法使用寻找最佳分割目标图像中值为8邻域中最大值的像素的方式,将成像结果分解为散射点组。并采用根据散射点位置关系来识别目标图像中是否存在孤立的一字排列散射点组的方法来自适应挑选出不合格的图像,具包括如下步骤:
S1、太赫兹雷达获得目标回波信号后,通过成像方法获得备选子孔径边界点,从子孔径边界点中自适应识别并去除其中受强散射能量影响的边界点,具体包括:
S11、设通过成像方法获得的备选子孔径边界点为θi,i=1,2,…,L,其中L为子孔径边界点数量;
S12、计算目标散射能量与角度的函数,令I(θ,n)和Q(θ,n)分别表示回波信号的实部与虚部,θ表示慢时间方位角度,n表示快时间采样,对于成像场景中仅存在唯一目标的实测数据,目标散射能量与角度的函数表示为
N为采样总数;
S13、每个子孔径边界生成附近的回波能量函数为:
PH(θ)i=PH(σ),σ∈(θi-2,θi+2)
S14、计算每个回波能量函数的变异系数:
COV(i)=STD[PH(θ)i]/MEAN[PH(θ)i]
其中STD[·]表示求标准差,MEAN[·]表示求平均值;
S15、从子孔径边界点组中去除对应变异系数COV(i)>0.5的子孔径边界点,获得去除受强散射能量影响的边界点后的子孔径边界点组;
S2、采用去除受强散射能量影响的边界点后的子孔径边界点组,通过成像方法获得成像结果,根据成像结果自适应得到背景分割门限,并绘制图像,具体包括:
S21、设获得的成像结果矩阵为Image(x,y),其中,Image(x,y)的值为对应位置的归一化雷达散射截面的对数,设置初始门限值Treshold为mage(x,y)的最大值减小1DB;
S22、通过门限值Threshold,提取出Image(x,y)中值大于门限的点Image2(x,y):
其中Threshold为当前门限值;
S23、对Image2(x,y)做闭运算,闭运算的算子为一个奇数边长的,边长为Image2(x,y)边长1/64的正方形矩阵:
Image3(x,y)=imclose[Image2(x,y),se]
其中imclose[·]表示闭操作,se表示闭运算算子;
S24、统计Image3(x,y)与Image2(x,t)中中心点位置和面积都相差在10以内的连通区域数量:
Num=countnearbyregion{label[Image3(x,t)],label[Image2(x,t)]}
其中countnearbyregion{·}表示统计中心点位置和面积都相差在10以内的连通区域数量,label[·]表示求矩阵的连通区域;
S25、如果Num≤15,将现有门限减小1DB,并回到步骤S22,否则,将现有门限增大1DB作为背景分割门限BestThreshold,并绘制图像:
Imagesc(Image4)
其中Imagesc(·)表示根据RCS矩阵Image4(x,y)绘制图像;
S3、从绘制好的图像中自适应识别是否存在严重的旁瓣散焦,具体包括:
S31、从获得的RCS矩阵Image4(x,y)中寻找散射点的中心:
Points(x,y)i=Points(xm,xn),i=1,2,…,L.Points(xm,xn)
>8Neighborhood[Points(xm,xn)]
其中Points(x,y)i为散射点中心,L为散射点数量,8Neighborhood[·]表示一个点的8邻域;
S32、寻找每个散射点最近的6个相邻散射点编号:
NearPoits(i,:)=mindistance[Points(x,y)i]i=1,2,…,L
其中NearPoits(i,:)表示离第i个散射点最近的6个相邻散射点编号向量,mindistance[·]表示求离对应散射点最近的6个相邻散射点编号;
S33、为每个散射点与6个相邻散射点的其中5个计算两两之间的角度:
angles(i,j,:)=getanles[Points(x,y)m,Points(x,y)n]i=1,2,…,L,j=1,2,…,6
其中angles(i,j,:)表示去掉其中一个相邻散射点之后第i个散射点与其他5个相邻散射点两两之间的角度,getanles[·]表示求两个散射点之间的角度,Points(x,y)m与Points(x,y)n表示包括第i个散射点与其他5个相邻散射点的共6个散射点;
S34、通过如下方式判断每个散射点与其周围的6个相邻散射点的位置关系:
min{max[angles(i,j,:)]-min[angles(i,j,:)]}<10°j=1,2,…,6
即判断条件为第i个散射点与其他5个相邻散射点两两之间的角度的差距是否小于10°,若是,则判定第i个散射点为不符合条件的散射点;否则,判定第i个散射点为符合条件的散射点,并在图像中标记出旁瓣散焦位置:
plot(x,y,′r*′)
其中x、y为符合条件的散射点坐标,plot(·,·,′r*′)为在图像指定位置标记星号。
本发明的有益效果是:
(1)采用回波能量的变异系数来自适应识别各角度能否作为子孔径边界,回波能量变异系数的门限不随探测目标改变而改变。本算法中采用的门限0.5适用于绝大多数探测目标,成像过程不需要操作人员参与。
(2)采用统计目标图像中闭运算之后不会与其他连通区域融合的孤立连通区域数目的方法来自适应得到最佳分割门限。相比手工调整分割门限,成像速度更快,不需要操作人员参与。并且分割的效果与有经验的操作人员效果相当。
(3)采用将成像结果分解为散射点组,并根据散射点位置关系来识别目标图像中是否存在孤立的一字排列散射点组的方法来自适应挑选出不合格的图像。相比手工挑选,不需要操作人员参与,挑选速度适中。使用CPU型号为i5-8300H的个人电脑对分辨率为4096×4096的成像结果进行挑选时,用时在半分钟左右。识别正确率高,仅当出现探测目标不是平面目标,其他高度的部位在成像平面上产生了投影时且很像旁瓣散焦时出现虚警。
附图说明
图1是本发明所公布自适应处理方法的流程图;
图2是实施案例1中对目标采用改进的现有成像方法的成像结果图;
图3是实施案例1中对目标采用接上本自适应处理方法后的现有成像方法的成像结果图;
图4是实施案例2中对目标采用接上本自适应处理方法后的现有成像方法的成像结果图;
图5是实施案例2中采用平均划分子孔径的旧成像方法的存在严重旁瓣散焦的成像结果图;
图6是实施案例2中对图5进行自适应识别旁瓣散焦识别的标记结果图。
具体实施方式
下面结合附图及实施例,详细描述本发明的技术方案:
参照附图1,本发明的具体实施步骤如下:
(1)从现有算法得到的备选子孔径边界点中自适应识别受强散射能量影响的边界点
首先从现有成像方法中输入一组备选的子孔径边界点:
θi,i=1,2,…,L (公式1)
其中L为子孔径边界点数量;
第二步计算目标散射能量与角度的函数:I(θ,n)和Q(θ,n)分别表示回波信号的实部与虚部,θ表示慢时间方位角度,n表示快时间采样,对于成像场景中仅存在唯一目标的实测数据,目标散射能量与角度的函数可以近似表示为:
第三步每个子孔径边界生成附近的回波能量函数为:
PH(θ)i=PH(σ),σ∈(θi-2,θi+2) (公式3)
第四步计算每个回波能量函数的变异系数:
COV(i)=STD[PH(θ)i]/MEAN[PH(θ)i] (公式4)
其中STD[·]表示求标准差,MEAN[·]表示求平均值;
最后从子孔径边界点组中去除对应变异系数COV(i)>0.5的子孔径边界点,并将处理后的子孔径边界点组输出到现有成像方法。
(2)从现有算法得到的成像结果中自适应得到背景分割门限,并绘制图像
首先从现有成像算法中输入成像结果的矩阵:
Image(x,y) (公式5)
其中Image(x,y)的值为对应位置的归一化雷达散射截面(RCS)的对数。其中探测目标的RCS较大,背景RCS较小,通过一个门限将背景RCS去掉就能得到探测目标的图像。
第二步选取门限,提取出Image(x,y)中值大于门限的点。其中Image(x,y)的最大值减小1DB为初始门限:
Image2(x,y)=Image(xi,yj),Image(xi,yj)>Threshold (公式6)
其中Image2(x,y)的其他值均为Threshold,Threshold为当前门限值。
第三步对Image2(x,y)做闭运算,闭运算的算子为一个奇数边长的,边长接近Image2(x,y)边长1/64的正方形矩阵:
Image3(x,y)=imclose[Image2(x,y),se] (公式7)
其中imclose[·]表示闭操作,se表示闭运算算子。
第四步统计Image3(x,y)与Image2(x,y)中中心点位置和面积都相差在10以内的连通区域数量:
Num=countnearbyregion{label[Image3(x,y)],label[Image2(x,y)]} (公式8)
其中countnearbyregion{·}表示统计中心点位置和面积都相差在10以内的连通区域数量,label[·]表示求矩阵的连通区域。
第五步如果Num≤15,将现有门限减小1DB,从第二步开始重复执行。如果Num>15,将现有门限增大1DB作为最佳分割门限。并绘制图像:
Imagesc(Image4),Image4(x,y)=Image(xi,yj),Image(xi,yj)
>BestThreshold (公式9)
其中Imagesc(·)表示根据RCS矩阵绘制图像,Image4(x,y)的其他值均为BestThreshold,BestThreshold为最佳分割门限。
(3)从绘制好的图像中自适应识别是否存在严重的旁瓣散焦
首先从步骤(2)中输入分割好的RCS矩阵Image4;
第二步从RCS矩阵Image4中寻找散射点的中心:
Points(x,y)i=Points(xm,xn),i=1,2,…,L.Points(xm,xn)
>8Neighborhood[Points(xm,xn)] (公式10)
其中Points(x,y)i为散射点中心,L为散射点数量。8Neighborhood[·]表示一个点的8邻域。
第三步寻找每个散射点最近的6个相邻散射点编号:
NearPoits(i,:)=mindistance[Points(x,y)i]i=1,2,…,L (公式11)
其中NearPoits(i,:)表示离第i个散射点最近的6个相邻散射点编号向量,mindistance[·]表示求离对应散射点最近的6个相邻散射点编号。
第四步为每个散射点与6个相邻散射点的其中5个计算两两之间的角度:
angles(i,j,:)=getanles[Points(x,y)m,Points(x,y)n]i=1,2,…,L,j=1,2,…,6 (公式12)
其中angles(i,j,:)表示去掉其中一个相邻散射点之后第i个散射点与其他5个相邻散射点两两之间的角度,getanles[·]表示求两个散射点之间的角度,Points(x,y)m与Points(x,y)n表示包括第i个散射点与其他5个相邻散射点的共6个散射点;
第五步判断每个散射点与其周围的6个相邻散射点是否大致排列为一条直线:
min{max[angles(i,h,:)]-min[angles(i,j,:)]}<10°j=1,2,…,6 (公式13)
其中该判断条件为该散射点与其中5个相邻散射点两两之间的角度的差距是否可以小于10°。
第六步如果第五步没有找到符合条件的散射点,输出旁瓣散焦识别变量为0(FALSE)。否则输出旁瓣散焦识别变量为1(TRUE),并在图像中标记出旁瓣散焦位置:
plot(x,y,′r*′) (公式14)
其中x、y为符合条件的散射点坐标,plot(·,·,′r*′)为在图像指定位置标记星号。
下面结合实测数据对本发明的效果作进一步说明。
实施例1
利用工作带宽28.8GHz的0.34THz雷达系统采集实测数据。将J15飞机模型作为CSAR成像目标,其尺寸为44.5cm×30cm。飞机模型与真实飞机的尺寸比例为1:50。目标放置在距离雷达天线4.02米处的泡沫平台上,与雷达天线的相对高度为0.42m。雷达天线到泡沫平台中心的斜视角近视为6°。雷达角速度为4°/s,载波322.02GHz,带宽28.8GHz,脉冲宽度0.3ms,快时间采样频率1.5625MHz,脉冲重复频率1000Hz。
对该回波数据使用现有基于子孔径相邻互相关系数的自适应子孔径划分方法,并根据得到的子孔径高分辨成像,成像结果见附图2。该成像方法原本设置了五个参数,其中三个是必要的:强散射能量门限设置为1倍目标散射能量的平均值,能量门限设置为最大能量的0.08倍,子孔径宽度门限设置为4°。另两个参数的根本目的是获得备选子孔径边界点,可以通过改进备选子孔径边界点获取算法省去。实验时采用直接将相邻互相关系数区间最小值点作为备选子孔径边界点的方式省去这两个参数,反而提升了该算法对不同目标的适应性。此外在得到成像结果之后接上步骤(2)所述自适应处理方法绘制图像,自适应得到的最佳分割门限为42DB,与原成像方法人工判断时的结论相同。
对该回波数据使用进一步改进的高分辨成像方法,其中需要原本的三个必要参数的备选子孔径边界处理环节替换为步骤(1)所述自适应处理方法,成像结果见附图3。步骤(2)所述自适应处理方法自适应得到的最佳分割门限为43DB,与原成像方法人工判断时的结论相同。该成像方法接上步骤(1)、(2)所述自适应处理方法之后完全不需要人工参与成像过程,并且成像效果与现有方法差距不大,成像效果差异的主要原因是最佳分割门限的改变。
实施例2:
利用工作带宽28.8GHz的0.34THz雷达系统采集实测数据。将左轮手枪模型作为CSAR成像目标。目标放置在距离雷达天线3.85米处的泡沫平台上,雷达角速度为8°/s,载波322.02GHz,带宽28.8GHz,脉冲宽度0.3ms,快时间采样频率1.5625MHz,脉冲重复频率1000Hz。
对该回波数据使用接上步骤(1)、(2)所述自适应处理方法之后的高分辨成像方法,成像结果见附图4,成像过程完全不需要人工参与。对该成像结果使用步骤(3)所述自适应处理方法自适应识别旁瓣散焦,结果返回0(FALSE)。
对该回波数据使用传统微波雷达采用的平均划分子孔径的子孔径划分方法,并根据得到的子孔径高分辨成像,成像结果见附图5,箭头标记处为严重的旁瓣散焦。对该成像结果使用步骤(3)所述自适应处理方法自适应识别旁瓣散焦,结果返回1(TRUE),标记以后的成像结果见附图6。
Claims (1)
1.一种用于太赫兹雷达高分辨成像的自适应处理方法,其特征在于,包括以下步骤:
S1、太赫兹雷达获得目标回波信号后,通过成像方法获得备选子孔径边界点,从子孔径边界点中自适应识别并去除其中受强散射能量影响的边界点,具体包括:
S11、设通过成像方法获得的备选子孔径边界点为θi,i=1,2,...,L,其中L为子孔径边界点数量;
S12、计算目标散射能量与角度的函数,令I(θ,n)和Q(θ,n)分别表示回波信号的实部与虚部,θ表示慢时间方位角度,n表示快时间采样,对于成像场景中仅存在唯一目标的实测数据,目标散射能量与角度的函数表示为
N为采样总数;
S13、每个子孔径边界生成附近的回波能量函数为:
PH(θ)i=PH(σ),σ∈(θi-2,θi+2)
S14、计算每个回波能量函数的变异系数:
COV(i)=STD[PH(θ)i]/MEAN[PH(θ)i]
其中STD[·]表示求标准差,MEAN[·]表示求平均值;
S15、从子孔径边界点组中去除对应变异系数COV(i)>0.5的子孔径边界点,获得去除受强散射能量影响的边界点后的子孔径边界点组;
S2、采用去除受强散射能量影响的边界点后的子孔径边界点组,通过成像方法获得成像结果,根据成像结果自适应得到背景分割门限,并绘制图像,具体包括:
S21、设获得的成像结果矩阵为Image(x,y),其中,Image(x,y)的值为对应位置的归一化雷达散射截面的对数,设置初始门限值Threshold为mage(x,y)的最大值减小1DB;
S22、通过门限值Threshold,提取出Image(x,y)中值大于门限的点Image2(x,y):
Image2(x,y)=Image(xi,yj),Image(xi,yj)>Threshold
S23、对Image2(x,y)做闭运算,闭运算的算子为一个奇数边长的,边长为Image2(x,y)边长1/64的正方形矩阵:
Image3(x,y)=imclose[Image2(x,y),se]
其中imclose[·]表示闭操作,se表示闭运算算子;
S24、统计Image3(x,y)与Image2(x,y)中中心点位置和面积都相差在10以内的连通区域数量:
Num=countnearbyregion{label[Image3(x,y)],label[Image2(x,y)]}
其中countnearbyregion{·}表示统计中心点位置和面积都相差在10以内的连通区域数量,label[·]表示求矩阵的连通区域;
S25、如果Num≤15,将现有门限减小1DB,并回到步骤S22,否则,将现有门限增大1DB作为背景分割门限BestThreshold,并绘制图像:
Imagesc(Image4),Image4(x,y)=Image(xi,yj),Image(xi,yj)>BestThreshold
其中Imagesc(·)表示根据RCS矩阵Image4(x,y)绘制图像;
S3、从绘制好的图像中自适应识别是否存在严重的旁瓣散焦,具体包括:
S31、从获得的RCS矩阵Image4(x,y)中寻找散射点的中心:
Points(x,y)i=Points(xm,xn),i=1,2,...,L.Points(xm,xn)>8Neighborhood[Points(xm,xn)]
其中Points(x,y)i为散射点中心,L为散射点数量,8Neighborhood[·]表示一个点的8邻域;
S32、寻找每个散射点最近的6个相邻散射点编号:
NearPoits(i,:)=mindistance[Points(x,y)i]i=1,2,...,L
其中NearPoits(i,:)表示离第i个散射点最近的6个相邻散射点编号向量,mindistance[·]表示求离对应散射点最近的6个相邻散射点编号;
S33、为每个散射点与6个相邻散射点的其中5个计算两两之间的角度:
angles(i,j,:)=getanles[Points(x,y)m,Points(x,y)n]i=1,2,...,L,j=1,2,...,6
其中angles(i,j,:)表示去掉其中一个相邻散射点之后第i个散射点与其他5个相邻散射点两两之间的角度,getanles[·]表示求两个散射点之间的角度,Points(x,y)m与Points(x,y)n表示包括第i个散射点与其他5个相邻散射点的共6个散射点;
S34、通过如下方式判断每个散射点与其周围的6个相邻散射点的位置关系:
min{max[angles(i,j,:)]-min[angles(i,j,:)]}<10°j=1,2,...,6
即判断条件为第i个散射点与其他5个相邻散射点两两之间的角度的差距是否小于10°,若是,则判定第i个散射点为不符合条件的散射点;否则,判定第i个散射点为符合条件的散射点,并在图像中标记出旁瓣散焦位置:
plot(x,y,′r*′)
其中x、y为符合条件的散射点坐标,plot(·,·,′r*′)为在图像指定位置标记星号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010488574.3A CN111580105B (zh) | 2020-06-02 | 2020-06-02 | 一种用于太赫兹雷达高分辨成像的自适应处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010488574.3A CN111580105B (zh) | 2020-06-02 | 2020-06-02 | 一种用于太赫兹雷达高分辨成像的自适应处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111580105A CN111580105A (zh) | 2020-08-25 |
CN111580105B true CN111580105B (zh) | 2022-05-13 |
Family
ID=72116039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010488574.3A Active CN111580105B (zh) | 2020-06-02 | 2020-06-02 | 一种用于太赫兹雷达高分辨成像的自适应处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111580105B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484842B (zh) * | 2021-09-08 | 2021-11-12 | 中国人民解放军国防科技大学 | 基于目标姿态分帧与散射字典截断的rcs重构方法 |
CN116540232B (zh) * | 2023-04-28 | 2024-01-26 | 中国人民解放军陆军工程大学 | 基于自适应重叠子孔径的csar成像方法、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001281332A (ja) * | 2000-03-30 | 2001-10-10 | Mitsubishi Electric Corp | 合成開口レーダ装置および目標画像再生方法 |
US6388606B1 (en) * | 1999-08-18 | 2002-05-14 | Deutsches Zentrum Fur Luft-Und Raumfahrt E.V. | Aircraft or spacecraft based synthetic aperture radar |
CN101221239A (zh) * | 2008-01-25 | 2008-07-16 | 电子科技大学 | 一种基于水平集的合成孔径雷达图像分割方法 |
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
CN102620681A (zh) * | 2012-03-31 | 2012-08-01 | 中国科学院光电技术研究所 | 一种超大口径凸双曲面镜分环带检测系统及其检测方法 |
CN107238821A (zh) * | 2017-05-31 | 2017-10-10 | 中国电子科技集团公司第二十九研究所 | 一种基于特征谱特征的机场跑道异物检测方法及装置 |
CN107589421A (zh) * | 2017-10-31 | 2018-01-16 | 西安电子科技大学 | 一种阵列前视sar成像方法 |
CN108387896A (zh) * | 2018-01-03 | 2018-08-10 | 厦门大学 | 一种基于探地雷达回波数据的自动汇聚成像方法 |
WO2019069787A1 (ja) * | 2017-10-02 | 2019-04-11 | 日本電気株式会社 | レーダ画像処理装置、レーダ画像処理方法およびレーダ画像処理プログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0415219D0 (en) * | 2004-07-07 | 2004-08-11 | Koninkl Philips Electronics Nv | Improvements in or relating to time-of-flight ranging systems |
US10270642B2 (en) * | 2012-12-05 | 2019-04-23 | Origin Wireless, Inc. | Method, apparatus, and system for object tracking and navigation |
DE102016216412A1 (de) * | 2016-08-31 | 2018-03-01 | Siemens Aktiengesellschaft | Verfahren und Anordnung zur Überwachung eines Heißgasbereichs einer Gasturbine |
CN108508439B (zh) * | 2018-05-01 | 2022-02-18 | 南京理工大学 | 双机载sar对目标协同成像立体定位的方法 |
-
2020
- 2020-06-02 CN CN202010488574.3A patent/CN111580105B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6388606B1 (en) * | 1999-08-18 | 2002-05-14 | Deutsches Zentrum Fur Luft-Und Raumfahrt E.V. | Aircraft or spacecraft based synthetic aperture radar |
JP2001281332A (ja) * | 2000-03-30 | 2001-10-10 | Mitsubishi Electric Corp | 合成開口レーダ装置および目標画像再生方法 |
CN101221239A (zh) * | 2008-01-25 | 2008-07-16 | 电子科技大学 | 一种基于水平集的合成孔径雷达图像分割方法 |
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
CN102620681A (zh) * | 2012-03-31 | 2012-08-01 | 中国科学院光电技术研究所 | 一种超大口径凸双曲面镜分环带检测系统及其检测方法 |
CN107238821A (zh) * | 2017-05-31 | 2017-10-10 | 中国电子科技集团公司第二十九研究所 | 一种基于特征谱特征的机场跑道异物检测方法及装置 |
WO2019069787A1 (ja) * | 2017-10-02 | 2019-04-11 | 日本電気株式会社 | レーダ画像処理装置、レーダ画像処理方法およびレーダ画像処理プログラム |
CN107589421A (zh) * | 2017-10-31 | 2018-01-16 | 西安电子科技大学 | 一种阵列前视sar成像方法 |
CN108387896A (zh) * | 2018-01-03 | 2018-08-10 | 厦门大学 | 一种基于探地雷达回波数据的自动汇聚成像方法 |
Non-Patent Citations (3)
Title |
---|
"Interferometric methods for three-dimensional target reconstruction with multipass circular SAR";E. Ertin 等;《IET Radar, Sonar Navigat.》;20101231;第464-473页 * |
"Wide-Angle CSAR Imaging Based on the Adaptive Subaperture Partition Method in the Terahertz Band";Tong Liu 等;《IEEE Transactions on Terahertz Science and Technology》;20181231;第1555-1565页 * |
"太赫兹时域雷达成像研究";魏明贵 等;《雷达学报》;20150415;第222-229页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111580105A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187318B (zh) | 一种雷达数据处理方法 | |
CN110473260B (zh) | 一种波浪视频测量装置及方法 | |
CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN111580105B (zh) | 一种用于太赫兹雷达高分辨成像的自适应处理方法 | |
US20020057216A1 (en) | A-Scan ISAR classification system and method therefor | |
CN110208806B (zh) | 一种航海雷达图像降雨识别方法 | |
CN104820987B (zh) | 一种基于光学图像及微波图像检测目标散射性能缺陷的方法 | |
CN108181620B (zh) | 一种三坐标雷达点迹质量评估方法 | |
CN112731307B (zh) | 基于距离-角度联合估计的ratm-cfar检测器及检测方法 | |
CN106680783B (zh) | 基于站址误差融合算法对抗欺骗式假目标的方法 | |
CN104680538A (zh) | 基于超像素的sar图像cfar目标检测方法 | |
CN111239704B (zh) | 大气探测雷达信号识别方法、装置、设备及介质 | |
CN110097524B (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
CN107507417A (zh) | 一种基于微波雷达回波信号的智能车道划分方法及装置 | |
CN109085572A (zh) | 隧道内基于多径利用毫米波雷达的运动目标跟踪方法 | |
CN109188430A (zh) | 一种基于地面监视雷达系统的目标提取方法 | |
CN105005983A (zh) | 一种sar图像背景杂波建模及目标检测方法 | |
CN103675808B (zh) | 一种单脉冲雷达导引头的不可分辨多目标检测方法 | |
CN109100697A (zh) | 一种基于地面监视雷达系统的目标凝聚方法 | |
CN112435249A (zh) | 一种基于周扫红外搜索系统的动态小目标检测方法 | |
CN108983194B (zh) | 一种基于地面监视雷达系统的目标提取及凝聚方法 | |
CN113283326B (zh) | 基于仿真目标亮线特征的视频sar目标智能检测方法 | |
CN110992398A (zh) | 一种激光雷达与红外探测系统图像融合跟踪与抗干扰方法 | |
Wang et al. | DBSCAN clustering algorithm of millimeter wave radar based on multi frame joint | |
CN105844644B (zh) | 基于形态学中值导数的海陆杂波场景分割方法 |
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 |