CN111859266A - 基于多源信息融合的空间目标结构反演方法和装置 - Google Patents

基于多源信息融合的空间目标结构反演方法和装置 Download PDF

Info

Publication number
CN111859266A
CN111859266A CN202010750792.XA CN202010750792A CN111859266A CN 111859266 A CN111859266 A CN 111859266A CN 202010750792 A CN202010750792 A CN 202010750792A CN 111859266 A CN111859266 A CN 111859266A
Authority
CN
China
Prior art keywords
scattering center
target
radar
source information
information fusion
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
Application number
CN202010750792.XA
Other languages
English (en)
Inventor
田鹤
毛宏霞
盛晶
贾伟伟
刘铮
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.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
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 Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN202010750792.XA priority Critical patent/CN111859266A/zh
Publication of CN111859266A publication Critical patent/CN111859266A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Discrete Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于多源信息融合的空间目标结构反演方法、装置、和计算机可存储介质，其中方法包括：获取同一目标的可见光图像和雷达复图像；基于可见光图像获得目标的支撑区域；对雷达复图像进行二维逆傅里叶变换至雷达回波域，建立属性散射中心模型；构造参数化字典D(x,y)和
Figure DDA0002609985120000011
对位置参数、散射中心长度和初始方位角进行稀疏优化求解；构造字典D(α)，利用散射中心长度的估计值确定频率依赖因子的取值范围，并对该取值范围内的值进行稀疏优化求解；构造字典D(γ)，利用散射中心长度和初始方位角的估计值确定目标中的局部式散射中心，并对该类散射中心下的方位依赖因子值进行稀疏优化求解；判断空间目标内包含的结构类型及尺寸信息。

Description

基于多源信息融合的空间目标结构反演方法和装置
技术领域
本发明涉及雷达成像和空间目标特征提取领域，尤其涉及一种基于多源信息融合的空间目标结构反演方法、装置和计算机可读存储介质。
背景技术
随着全球太空资源开发热潮的进一步高涨，地球外层空间正逐步形成新的军事斗争领地。但目前而言，基于雷达或者光学等单一传感器手段尚且不能获得卫星目标的精细结构信息，特别是针对太阳帆板、光学系统、精密传感器等敏感部件，基于光学图像的目标尺寸反演方法对光照、天气及传感器探测距离、分辨率等依赖性较强，而基于雷达图像的解译方法受观测角度、雷达系统参数影响较大，目标轮廓不清晰。基于雷达回波数据的属性散射中心参数反演方法运算量大，不利于实际应用。因此，基于光学或雷达等单一传感器在目标部件类型及位置反演上具有较大困难。
针对以上问题，需要提出一种基于多源信息融合的空间目标结构反演方法。
发明内容
本发明要解决的技术问题在于，针对以往依靠光学图像的目标特征提取精度受分辨率限制、以及依靠雷达图像的目标特征提取运算量大的问题，提供一种基于多源信息融合的空间目标结构反演方法、装置和计算机可读存储介质。
为了解决上述技术问题，本发明第一方面提供了一种基于多源信息融合的空间目标结构反演方法，该方法包括：
S1、利用不同平台下的可见光传感器及雷达传感器，获取同一目标的可见光图像和雷达复图像；
S2、通过提取所述可见光图像中目标横纵向尺寸，获得目标的支撑区域x、y；
S3、对所述雷达复图像进行二维逆傅里叶变换至雷达回波域，在雷达回波域建立属性散射中心模型；
S4、基于所述属性散射中心模型构造参数化字典D(x,y)和
Figure BDA0002609985100000021
对属性参数中的位置参数(x,y)、散射中心长度L和初始方位角
Figure BDA0002609985100000022
进行稀疏优化求解，获得估计值；
S5、基于所述属性散射中心模型构造字典D(α)，利用散射中心长度L的估计值确定属性参数中的频率依赖因子α的取值范围，并对该取值范围内的α值进行稀疏优化求解；
S6、基于属性散射中心模型构造字典D(γ)，利用散射中心长度L和初始方位角
Figure BDA0002609985100000023
的估计值确定目标中的局部式散射中心，并对该类散射中心下的方位依赖因子γ值进行稀疏优化求解；
S7、利用所估计的目标各散射中心对应的属性参数，判断空间目标内包含的结构类型及尺寸信息。
在根据本发明所述的基于多源信息融合的空间目标结构反演方法中，优选地，在步骤S1中，针对同一目标，所获得的可见光图像是灰度图像，雷达复图像是复数域图像；且所述可见光传感器与雷达传感器对目标的视线角误差不大于20°。
在根据本发明所述的基于多源信息融合的空间目标结构反演方法中，优选地，在步骤S2中，从可见光图像中提取目标主轴，通过图像处理过程，使可见光图像和雷达复图像中的目标轴向一致，提取可见光图像中目标横纵向尺寸，获得支撑区域x、y。
在根据本发明所述的基于多源信息融合的空间目标结构反演方法中，优选地，在步骤S3中，所述雷达复图像在雷达回波域建立的属性散射中心模型为：
Figure BDA0002609985100000031
其中f为雷达频率，φ为方位角，M为散射中心个数，
Figure BDA0002609985100000032
为散射中心参数集合；fc为雷达中心频率，c为光速；参数xi和yi分别表示第i个散射中心距离向与方位向的坐标，Ai为第i个散射中心幅度，αi表示第i个散射中心的散射强度的频率依赖性；方位属性参数
Figure BDA0002609985100000033
表示第i个散射中心对方位角的依赖关系，其中Li为第i个散射中心的散射中心长度，
Figure BDA0002609985100000034
为其初始方位角，γi为方位依赖因子。
在根据本发明所述的基于多源信息融合的空间目标结构反演方法中，优选地，在步骤S4中，参数化字典D(x,y)为
Figure BDA0002609985100000035
其中
Figure BDA0002609985100000036
||di,j||2示di,j的二范数，Nx为目标散射中心的距离向支撑区域量化个数；Ny为目标散射中心的方位向支撑区域量化个数；参数化字典
Figure BDA0002609985100000037
为
Figure BDA0002609985100000038
其中
Figure BDA0002609985100000039
||d'i,j||2为d'i,j的二范数，NL为散射中心长度L的量化个数，
Figure BDA00026099851000000310
为初始方位角
Figure BDA00026099851000000311
的量化个数。
在根据本发明所述的基于多源信息融合的空间目标结构反演方法中，优选地，在步骤S5中，参数化字典D(α)为
Figure BDA00026099851000000312
其中
Figure BDA00026099851000000313
Figure BDA00026099851000000314
||dαi||2为dαi的二范数，M为频率依赖因子α的量化个数。
在根据本发明所述的基于多源信息融合的空间目标结构反演方法中，优选地，在步骤S6中，参数化字典D(γ)为：
D(γ)＝[dγ1,dγ2,...,dγi,...,dγM']
其中
Figure BDA0002609985100000041
，M'为方位依赖因子γ的量化个数。
在根据本发明所述的基于多源信息融合的空间目标结构反演方法中，优选地，在步骤S7中，当L>0，α＝1时，判断该散射中心对应的结构为二面角；当L＝0，α＝1时，判断该散射中心对应的结构为三面角；当L>0，α＝0.5时，判断该散射中心对应的结构为圆柱；当L＝0，α＝0时，判断该散射中心对应的结构为球；当L>0，α＝-0.5时，判断该散射中心对应的结构为边缘绕射；当L＝0，α＝-1.0时，判断该散射中心对应的结构为角绕射。
本发明第二方面，提供了一种执行基于多源信息融合的空间目标结构反演方法的装置，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如前任一项所述的方法。
本发明第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如前任一项所述的方法。
实施本发明的基于多源信息融合的空间目标结构反演方法、装置和计算机可读存储介质，具有以下有益效果：本发明针对空间目标，提出一种基于多源特征融合的属性散射中心参数估计方法，实现了卫星目标物理属性和结构部件反演；本发明可有效降低雷达图像数据噪声、观测角度等敏感性影响，突破光学图像分辨率对目标尺寸估计的限制，提高空间目标结构部件反演运算效率，为空间防御提供了有效输入。
附图说明
图1为根据本发明优选实施例的基于多源信息融合的空间目标结构反演方法的流程图；
图2为利用本发明所示的基于多源信息融合的空间目标结构反演方法得到的图像重构结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种基于多源信息融合的空间目标结构反演方法，解决以往由于不能从群目标雷达回波中分离出子目标的后时响应信号，使目标极点这一重要电磁特征在群目标识别中使用受限的问题。
请参阅图1，为根据本发明优选实施例的基于多源信息融合的空间目标结构反演方法的流程图。如图1所示，该实施例提供基于多源信息融合的空间目标结构反演方法包括以下步骤：
首先，在步骤S1中，利用不同平台下的可见光传感器及雷达传感器，获取同一目标的可见光图像和雷达复图像。这些可见光传感器及雷达传感器安装在不同的观测地点或者装置上。
优选地，在步骤S1中，针对同一空间目标，所获得的可见光图像是灰度图像，雷达复图像是复数域图像；且所述可见光传感器与雷达传感器对目标的视线角误差不大于20°。本发明中空间目标又被称为目标。
在步骤S2中，通过提取所述可见光图像中目标横纵向尺寸，获得目标的支撑区域x、y；
优选地，在步骤S2中，从可见光图像中提取目标主轴，通过旋转、缩放等图像处理过程，使可见光图像和雷达复图像中的目标轴向一致，提取可见光图像中目标横纵向尺寸，获得支撑区域x、y。
在步骤S3中，对雷达复图像进行二维逆傅里叶变换至雷达回波域，在雷达回波域建立属性散射中心模型。
优选地，在步骤S3中，雷达复图像在雷达回波域建立的属性散射中心模型为：
Figure BDA0002609985100000061
其中f为雷达频率，φ为方位角，M为散射中心个数，
Figure BDA0002609985100000062
为散射中心参数集合；fc为雷达中心频率，c为光速；参数xi和yi分别表示第i个散射中心距离向与方位向的坐标，Ai为第i个散射中心幅度，αi表示第i个散射中心的散射强度的频率依赖性，一般αi＝{1.0,0.5,0,0.5,1.0}；方位属性参数
Figure BDA0002609985100000063
表示第i个散射中心对方位角的依赖关系，其中Li为第i个散射中心的散射中心长度，
Figure BDA0002609985100000064
为其初始方位角，γi为方位依赖因子。本文中下标代表第i个散射中心的参数。
在步骤S4中，基于属性散射中心模型构造参数化字典D(x,y)和
Figure BDA0002609985100000065
对属性参数中的位置参数(x,y)、散射中心长度L和初始方位角
Figure BDA0002609985100000066
进行稀疏优化求解，获得估计值。
优选地，在步骤S4中，参数化字典D(x,y)为
Figure BDA0002609985100000067
其中
Figure BDA0002609985100000068
||di,j||2表示di,j的二范数，Nx为目标散射中心的距离向支撑区域量化个数；Ny为目标散射中心的方位向支撑区域量化个数；参数化字典
Figure BDA0002609985100000069
为
Figure BDA00026099851000000610
其中
Figure BDA0002609985100000071
||d'i,j||2为d'i,j的二范数，NL为散射中心长度L的量化个数，
Figure BDA0002609985100000072
为初始方位角
Figure BDA0002609985100000073
的量化个数。
在步骤S5中，基于所述属性散射中心模型构造字典D(α)，利用散射中心长度L的估计值确定属性参数中的频率依赖因子α的取值范围，并对该取值范围内的α值进行稀疏优化求解；
优选地，在步骤S5中，参数化字典D(α)为
Figure BDA0002609985100000074
其中
Figure BDA0002609985100000075
Figure BDA0002609985100000076
||dαi||2为dαi的二范数，M为频率依赖因子α的量化个数。
在步骤S6中，基于属性散射中心模型构造字典D(γ)，利用散射中心长度L和初始方位角
Figure BDA0002609985100000077
的估计值确定目标中的局部式散射中心，并对该类散射中心下的方位依赖因子γ值进行稀疏优化求解。
优选地，在步骤S6中，参数化字典D(γ)为
D(γ)＝[dγ1,dγ2,...,dγi,...,dγM'] (5)
其中
Figure BDA0002609985100000078
，M'为方位依赖因子γ的量化个数。
在步骤S7中，利用所估计的目标各散射中心对应的属性参数，判断空间目标内包含的结构类型及尺寸信息。
优选地，在步骤S7中，当L>0，α＝1时，判断该散射中心对应的结构为二面角；当L＝0，α＝1时，判断该散射中心对应的结构为三面角；当L>0，α＝0.5时，判断该散射中心对应的结构为圆柱；当L＝0，α＝0时，判断该散射中心对应的结构为球；当L>0，α＝-0.5时，判断该散射中心对应的结构为边缘绕射；当L＝0，α＝-1.0时，判断该散射中心对应的结构为角绕射。
本发明实施例还提供了一种执行基于多源信息融合的空间目标结构反演方法的装置，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中基于多源信息融合的空间目标结构反演方法。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中基于多源信息融合的空间目标结构反演方法。
请参阅图2，为利用本发明所示的一种基于多源信息融合的空间目标结构反演方法得到的图像重构结果。雷达工作频段为X波段，带宽2GHz，方位积累角度为5°。下表为对应的散射中心部分属性参数值，可利用频率依赖因子α和散射中心长度L确定散射中心类型。以散射中心1、2为例，散射中心1长度10m，频率依赖因子α＝-0.5，判断结构类型为边缘绕射。散射中心2长度4m，频率依赖因子α＝-0.5，判断结构类型为边缘绕射。故可知该部件为矩形长板。结合目标整体轮廓信息，可判定该部件为矩形载荷天线类敏感部件。上述实验验证了本发明方法的有效性。
表1卫星结构参数
序号 X Y L α
散射中心1 -5 -7 3 1
散射中心2 -3.5 -5 8 1
散射中心3 -4 6 10 -0.5
散射中心4 -1.5 8 4 1
综上所述，本发明的基于多源信息融合的空间目标结构反演方法及装置，可有效降低雷达图像数据噪声、观测角度等敏感性影响，突破光学图像分辨率对目标尺寸估计的限制，提高空间目标结构部件反演运算效率，为空间防御提供了有效输入。
应该理解地是，本发明中基于多源信息融合的空间目标结构反演方法及装置的原理相同，因此对基于多源信息融合的空间目标结构反演方法的实施例的详细阐述也适用于基于多源信息融合的空间目标结构反演装置。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于多源信息融合的空间目标结构反演方法，其特征在于，该方法包括：
S1、利用不同平台下的可见光传感器及雷达传感器，获取同一目标的可见光图像和雷达复图像；
S2、通过提取所述可见光图像中目标横纵向尺寸，获得目标的支撑区域x、y；
S3、对所述雷达复图像进行二维逆傅里叶变换至雷达回波域，在雷达回波域建立属性散射中心模型；
S4、基于所述属性散射中心模型构造参数化字典D(x,y)和
Figure FDA0002609985090000011
对属性参数中的位置参数(x,y)、散射中心长度L和初始方位角
Figure FDA0002609985090000012
进行稀疏优化求解，获得估计值；
S5、基于所述属性散射中心模型构造字典D(α)，利用散射中心长度L的估计值确定属性参数中的频率依赖因子α的取值范围，并对该取值范围内的α值进行稀疏优化求解；
S6、基于属性散射中心模型构造字典D(γ)，利用散射中心长度L和初始方位角
Figure FDA0002609985090000013
的估计值确定目标中的局部式散射中心，并对该类散射中心下的方位依赖因子γ值进行稀疏优化求解；
S7、利用所估计的目标各散射中心对应的属性参数，判断空间目标内包含的结构类型及尺寸信息。
2.根据权利要求1所述的基于多源信息融合的空间目标结构反演方法，其特征在于，在步骤S1中，针对同一目标，所获得的可见光图像是灰度图像，雷达复图像是复数域图像；且所述可见光传感器与雷达传感器对目标的视线角误差不大于20°。
3.根据权利要求1所述的基于多源信息融合的空间目标结构反演方法，其特征在于，在步骤S2中，从可见光图像中提取目标主轴，通过图像处理过程，使可见光图像和雷达复图像中的目标轴向一致，提取可见光图像中目标横纵向尺寸，获得支撑区域x、y。
4.根据权利要求1所述的基于多源信息融合的空间目标结构反演方法，其特征在于，在步骤S3中，所述雷达复图像在雷达回波域建立的属性散射中心模型为
Figure FDA0002609985090000021
其中f为雷达频率，φ为方位角，M为散射中心个数，
Figure FDA0002609985090000022
为散射中心参数集合；fc为雷达中心频率，c为光速；参数xi和yi分别表示第i个散射中心距离向与方位向的坐标，Ai为第i个散射中心幅度，αi表示第i个散射中心的散射强度的频率依赖性；方位属性参数
Figure FDA0002609985090000023
表示第i个散射中心对方位角的依赖关系，其中Li为第i个散射中心的散射中心长度，
Figure FDA0002609985090000024
为其初始方位角，γi为方位依赖因子。
5.根据权利要求4所述的基于多源信息融合的空间目标结构反演方法，其特征在于，在步骤S4中，参数化字典D(x,y)为
Figure FDA0002609985090000025
其中
Figure FDA0002609985090000026
||di,j||2表示di,j的二范数，Nx为目标散射中心的距离向支撑区域量化个数；Ny为目标散射中心的方位向支撑区域量化个数；参数化字典
Figure FDA0002609985090000027
为
Figure FDA0002609985090000028
其中
Figure FDA0002609985090000029
||d'i,j||2为d'i,j的二范数，NL为散射中心长度L的量化个数，
Figure FDA00026099850900000210
为初始方位角
Figure FDA00026099850900000211
的量化个数。
6.根据权利要求4所述的基于多源信息融合的空间目标结构反演方法，其特征在于，在步骤S5中，参数化字典D(α)为
Figure FDA00026099850900000212
其中
Figure FDA0002609985090000031
Figure FDA0002609985090000032
||dαi||2为dαi的二范数，M为频率依赖因子α的量化个数。
7.根据权利要求4所述的基于多源信息融合的空间目标结构反演方法，其特征在于，在步骤S6中，参数化字典D(γ)为
D(γ)＝[dγ1,dγ2,...,dγi,...,dγM']
其中
Figure FDA0002609985090000033
Figure FDA0002609985090000034
M'为方位依赖因子γ的量化个数。
8.根据权利要求1所述的基于多源信息融合的空间目标结构反演方法，其特征在于，在步骤S7中，当L>0，α＝1时，判断该散射中心对应的结构为二面角；当L＝0，α＝1时，判断该散射中心对应的结构为三面角；当L>0，α＝0.5时，判断该散射中心对应的结构为圆柱；当L＝0，α＝0时，判断该散射中心对应的结构为球；当L>0，α＝-0.5时，判断该散射中心对应的结构为边缘绕射；当L＝0，α＝-1.0时，判断该散射中心对应的结构为角绕射。
9.一种执行基于多源信息融合的空间目标结构反演方法的装置，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，其特征在于，当计算机程序指令被处理器执行时实现如权利要求1～8中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如权利要求1～8中任一项所述的方法。
CN202010750792.XA 2020-07-30 2020-07-30 基于多源信息融合的空间目标结构反演方法和装置 Pending CN111859266A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010750792.XA CN111859266A (zh) 2020-07-30 2020-07-30 基于多源信息融合的空间目标结构反演方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010750792.XA CN111859266A (zh) 2020-07-30 2020-07-30 基于多源信息融合的空间目标结构反演方法和装置

Publications (1)

Publication Number Publication Date
CN111859266A true CN111859266A (zh) 2020-10-30

Family

ID=72945649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010750792.XA Pending CN111859266A (zh) 2020-07-30 2020-07-30 基于多源信息融合的空间目标结构反演方法和装置

Country Status (1)

Country Link
CN (1) CN111859266A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112748412A (zh) * 2020-12-23 2021-05-04 北京环境特性研究所 一种基于双正交匹配追踪的散射中心参数反演方法
CN113534093A (zh) * 2021-08-13 2021-10-22 北京环境特性研究所 飞机目标的螺旋桨叶片数量反演方法及目标识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064071A (zh) * 2012-10-25 2013-04-24 西安电子科技大学 基于稀疏分解的雷达目标属性散射中心特征提取方法
CN105389582A (zh) * 2015-08-07 2016-03-09 西安电子科技大学 基于clean算法散射中心提取的isar目标轮廓提取方法
CN109558848A (zh) * 2018-11-30 2019-04-02 湖南华诺星空电子技术有限公司 一种基于多源信息融合的无人机生命探测方法
CN110428008A (zh) * 2019-08-02 2019-11-08 深圳市唯特视科技有限公司 一种基于多融合传感器的目标探测与识别装置和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064071A (zh) * 2012-10-25 2013-04-24 西安电子科技大学 基于稀疏分解的雷达目标属性散射中心特征提取方法
CN105389582A (zh) * 2015-08-07 2016-03-09 西安电子科技大学 基于clean算法散射中心提取的isar目标轮廓提取方法
CN109558848A (zh) * 2018-11-30 2019-04-02 湖南华诺星空电子技术有限公司 一种基于多源信息融合的无人机生命探测方法
CN110428008A (zh) * 2019-08-02 2019-11-08 深圳市唯特视科技有限公司 一种基于多融合传感器的目标探测与识别装置和方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李飞: "雷达图像目标特征提取方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
陈东,李飚,沈振康: "SAR与可见光图像融合算法的研究", 系统工程与电子技术 *
陈新 等: "一种利用SAR和可见光图像和融合检测目标的方法", 《信号处理》 *
鲁希团;吕慧;田雪涛;王健;: "无人机红外侦察目标与可见光图像融合器设计", 电光与控制 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112748412A (zh) * 2020-12-23 2021-05-04 北京环境特性研究所 一种基于双正交匹配追踪的散射中心参数反演方法
CN112748412B (zh) * 2020-12-23 2023-05-05 北京环境特性研究所 一种基于双正交匹配追踪的散射中心参数反演方法
CN113534093A (zh) * 2021-08-13 2021-10-22 北京环境特性研究所 飞机目标的螺旋桨叶片数量反演方法及目标识别方法
CN113534093B (zh) * 2021-08-13 2023-06-27 北京环境特性研究所 飞机目标的螺旋桨叶片数量反演方法及目标识别方法

Similar Documents

Publication Publication Date Title
Farbod et al. Optimized fuzzy cellular automata for synthetic aperture radar image edge detection
Miao et al. An improved lightweight RetinaNet for ship detection in SAR images
CN111859266A (zh) 基于多源信息融合的空间目标结构反演方法和装置
CN105549009A (zh) 一种基于超像素的sar图像cfar目标检测方法
CN115019187B (zh) 针对sar图像船舶目标的检测方法、装置、设备及介质
CN113674308B (zh) 基于图像增强与多重检测的sar图像舰船目标快速检测方法
CN113192646A (zh) 目标检测模型构建方法及不同目标间距离监控方法、装置
CN116563726A (zh) 一种基于卷积神经网络的遥感图像舰船目标检测方法
CN112883971A (zh) 一种基于深度学习的sar图像舰船目标检测方法
CN104537675A (zh) 一种sar图像双边cfar舰船目标检测方法
Xinyan et al. Research on SAR image target recognition based on convolutional neural network
CN112215832B (zh) Sar尾迹图像质量评估及自适应探测参数调整方法
CN107479052B (zh) 基于广义高斯分布模型的地面隐蔽目标检测方法
CN110109098A (zh) 一种扫描雷达快速超分辨成像方法
CN109345583B (zh) 基于omp的sar目标图像几何尺寸估计方法
CN107607927B (zh) 一种条纹激光回波信息提取方法
CN116843906A (zh) 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法
CN110969601A (zh) 基于视觉特征跟踪算法的结构转动响应非接触式识别方法
Liu et al. Target detection in remote sensing image based on saliency computation of spiking neural network
CN112233042B (zh) 一种含非合作目标的大场景sar图像快速生成方法
CN111899222B (zh) 一种利用风向全自动初步定位热带气旋中心的方法及系统
CN105974413B (zh) 多基地外辐射源雷达成像系统的自聚焦方法
CN109871731A (zh) 船舶检测的方法、装置及计算机存储介质
CN114373135A (zh) 基于局部显著性特征度量的舰船目标检测方法
CN116363135B (zh) 基于高斯相似度的红外目标检测方法、装置、介质和设备

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