CN113567982A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113567982A CN113567982A CN202110805156.7A CN202110805156A CN113567982A CN 113567982 A CN113567982 A CN 113567982A CN 202110805156 A CN202110805156 A CN 202110805156A CN 113567982 A CN113567982 A CN 113567982A
- Authority
- CN
- China
- Prior art keywords
- azimuth
- sar imaging
- sparse
- region
- norm
- 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.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 70
- 230000000737 periodic effect Effects 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000011084 recovery Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 22
- 239000000126 substance Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method 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
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01S13/9021—SAR image post-processing techniques
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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了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,首先,基于采集的方位向周期采样数据,构建无模糊稀疏SAR成像模型;其次,通过解决混合范数正则化问题实现观测场景的重建;最后,通过迭代恢复来实现观测场景的高精度重建。本发明基于方位向周期采样数据进行精确重构,能够有效抑制方位模糊和重影,获得高质量无模糊稀疏SAR图像。
Description
技术领域
本发明属于稀疏信号处理和微波成像领域,具体涉及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。
背景技术
合成孔径雷达(SyntheticAperture Radar,简称SAR)是一种装载于移动平台上的主动雷达。相比于传统光学成像,SAR具有全天时、全天候的观测能力,因此广泛应用于军事侦察、农业、灾害监测等领域。为实现低成本、高分辨率、宽测绘带SAR成像,一种新的星载微型合成孔径雷达系统的概念被提出并应用于实际,通过交替发射和接收操作来采集方位向周期采样数据。距离多普勒算法和Chirp-Scaling算法是常用的基于匹配滤波的SAR成像算法。然而,由于采集到的方位向周期数据是欠采样的,匹配滤波算法恢复的图像具有严重的方位模糊、鬼影和能量分散,导致重建失败。
2012年,稀疏信号处理被引入SAR成像,并通过解决Lq(q<0≤1)范数正则化问题实现了对观测区域的高分辨率稀疏重建。相比于匹配滤波算法,稀疏 SAR成像方法可基于降采样数据实现场景的高质量恢复。由于方位向周期采样信号不满足奈奎斯特采样定理,这使得传统匹配滤波算法不能用于场景恢复。本发明将基于稀疏信号处理技术开展此类周期采样数据的处理工作,提出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。
发明内容
发明目的:对于周期性采样数据,传统匹配滤波方法无法抑制方位模糊和鬼影,会导致重建失败,因此本发明提出了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,以解决采样数据周期性缺失的问题,保证基于降采样数据的SAR成像质量。
技术方案:本发明提供本发明提出了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,包括以下步骤:
(1)基于采集的方位向周期采样数据,构建无模糊稀疏SAR成像模型;
(2)对步骤(1)构建的稀疏SAR成像模型,通过解决混合范数正则化问题实现观测场景的重建;
(3)通过阈值迭代恢复算法实现观测场景的高精度重建。
进一步地,所述步骤(1)实现过程如下:
方位向周期采样导致的方位模糊区域的多普勒频率为:
fa=fη+i·PRF,i∈Zandi≠0 (1)
其中,fη为主多普勒频谱方位频率,PRF是脉冲重复频率,i表示第i块方位模糊区域;
鬼影区域多普勒频率为:
其中,Nt是发射脉冲数,Nτ是接收脉冲数,k表示第k个鬼影区域;
对于第i个方位模糊区域,构建和分别表示Chirp-Scaling算法中的三个主要操作,即变标、距离徙动校正和距离聚焦及方位聚焦和相位校正,算子构建与方位模糊区域的频率有关;和算子分别表示主多普勒区域、方位模糊区域和鬼影区域的匹配滤波过程,和算子分别表示主多普勒区域、方位模糊区域和鬼影区域的逆匹配滤波过程;Fa,Fr和分别表示方位向和距离的傅里叶变换算子和逆傅里叶变换算子;基于所构建的算子,匹配滤波过程和逆匹配滤波过程为:
利用构建的算子表示基于近似观测的无模糊稀疏SAR成像模型:
进一步地,所述步骤(2)实现过程如下:
对于步骤(1)构建的稀疏SAR成像模型,通过解决L2,1混合范数正则化问题来实现观测场景的重建:
Xall的混合范数表示为:
进一步地,所述步骤(3)实现过程如下:
阈值迭代算法输入采集的欠采样回波数据Y以及算子 设稀疏重构的场景X(0),和的初始化均为0,梯度值U(0),和也均为0;迭代参数为μ,错误参数为ε,最大迭代步数为Tmax;当满足条件t≤Tmax且残差Resi>ε时,执行下列步骤:
(31)估计残余数据值:
(32)更新梯度值:
其中,μ控制算法收敛速度,且满足:
(33)更新控制场景、方位模糊和鬼影块稀疏度参数β2:
其中,|U(t-1)|K+1表示幅度值|U(t-1)|按降序排列的第K+1个最大分量;
(34)成像区域的阈值收缩:
(35)更新控制场景稀疏度参数β1:
(36)分块成像区域的阈值收缩:
(37)计算恢复图像的残差:
Resi=||X(t)-X(t-1)||F (23)
基于相同的发明构思,本发明还提供一种基于混合范数的方位向周期采样数据稀疏SAR成像装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现上述的基于混合范数的方位向周期采样数据稀疏SAR成像方法。
有益效果:与现有技术相比,本发明的有益效果:本发明基于方位向周期采样数据进行精确重构,能够有效抑制方位模糊和重影,获得高质量无模糊稀疏 SAR图像。
附图说明
图1为本发明的流程图;
图2为本发明基于L2,1混合范数的稀疏SAR成像方法的迭代实现流程图;
图3为本发明算法和匹配滤波算法在不同周期性采样数据下对仿真点目标的成像结果图;其中,(a)为Nt=40和Nr=38时匹配滤波算法成像结果图;(b)为Nt=40和Nr=38时基于L2,1混合范数的稀疏SAR成像方法成像结果图; (c)为Nt=20和Nr=18时匹配滤波算法成像结果图;(d)为Nt=20和Nr=18 时基于L2,1混合范数的稀疏SAR成像方法成像结果图;(e)为Nt=20和Nr=16 时匹配滤波算法成像结果图;(f)为Nt=20和Nr=16时基于L2,1混合范数的稀疏SAR成像方法成像结果图;(g)为Nt=10和Nr=8时匹配滤波算法成像结果图;(h)为Nt=10和Nr=8时基于L2,1混合范数的稀疏SAR成像方法成像结果图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
在本发明提出了一种基于混合范数的方位向周期采样数据的稀疏SAR成像方法,如图1所示,具体包括以下步骤:
步骤1:基于采集的方位向周期采样数据,构建无模糊稀疏SAR成像模型。
令主多普勒频谱方位频率为fη,方位向周期采样导致的方位模糊区域的多普勒频率可以表示为:
fa=fη+i·PRF,i∈Zandi≠0 (1)
其中,PRF是脉冲重复频率,i表示第i块方位模糊区域。
鬼影区域多普勒频率可以表示为:
其中,Nt是发射脉冲数,Nτ是接收脉冲数,k表示第k个鬼影区域。
对于第i个方位模糊区域,构建和分别表示Chirp-Scaling算法中的三个主要操作,即变标、距离徙动校正和距离聚焦及方位聚焦和相位校正,算子构建与方位模糊区域的频率有关。和算子分别表示主多普勒区域、方位模糊区域和鬼影区域的匹配滤波过程,和算子分别表示主多普勒区域、方位模糊区域和鬼影区域的逆匹配滤波过程。Fa,Fr和分别表示方位向和距离的傅里叶变换算子和逆傅里叶变换算子。基于所构建的算子,匹配滤波过程和逆匹配滤波过程可以表示为:
利用构建的算子可以表示基于近似观测的无模糊稀疏SAR成像模型:
步骤2:对步骤1构建的稀疏SAR成像模型,通过解决混合范数正则化问题实现观测场景的重建。
对于(5)中所构建的稀疏SAR成像模型,可以通过解决如下的L2,1混合范数正则化问题来实现场景的重建:
Xall的混合范数可以表示为:
步骤3:通过阈值迭代恢复算法实现观测场景的高精度重建。
针对(7)中的最优化问题,可以通过迭代恢复来实现观测场景的稀疏重建。算法输入采集的欠采样回波数据Y以及算子设稀疏重构的场景X(0),和的初始化均为0,梯度值U(0),和也均为0。迭代参数为μ,错误参数为ε,最大迭代步数为Tmax。当满足条件t≤Tmax或残差Resi>ε时,如图2所示,执行下列步骤:
步骤S31:估计残余数据值:
步骤S32:更新梯度值:
其中,μ控制算法收敛速度,且满足:
步骤S33:更新控制场景、方位模糊和鬼影块稀疏度参数β2:
其中,|U(t-1)|K+1表示幅度值|U(t-1)|按降序排列的第K+1个最大分量。步骤S34:成像区域的阈值收缩:
步骤S36:分块成像区域的阈值收缩:
步骤S37:计算恢复图像的残差:
Resi=||X(t)-X(t-1)||F (23)
基于相同的发明构思,本发明还提供一种基于混合范数的方位向周期采样数据稀疏SAR成像装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现上述的基于混合范数的方位向周期采样数据稀疏SAR成像方法。
通过实验对本发明中提供的一种基于混合范数的方位向周期采样信号稀疏SAR成像方法进行验证。图3有五个仿真点分别设为T1、T2、T3、T4和T5;其中,T1、T2、T3和T4的方位向间隔和距离向间隔均为100m,T4和T5的距离向间隔为100m,方位向间隔为10m。在该仿真中,采用四组发射脉冲数Nt大于接收脉冲数Nr的方位向周期采样信号来验证。图3(a)为Nt=40和Nr=38时匹配滤波算法成像结果;图3(b)为Nt=40和Nr=38时基于L2,1混合范数的稀疏SAR成像方法成像结果;图3(c)为Nt=20和Nr=18时匹配滤波算法成像结果;图3(d)为Nt=20和Nr=18时基于L2,1混合范数的稀疏SAR成像方法成像结果;图3(e)为Nt=20和Nr=16时匹配滤波算法成像结果;图3(f)为Nt=20 和Nr=16时基于L2,1混合范数的稀疏SAR成像方法成像结果;图3(g)为Nt=10 和Nr=8时匹配滤波算法成像结果;图3(h)为Nt=10和Nr=8时基于L2,1混合范数的稀疏SAR成像方法成像结果。可以看出,对于方位向周期采样数据,传统匹配滤波算法无法抑制方位模糊和鬼影,也不能区分方位向间隔较小的两个点目标,导致重建失败。而本发明所提出算法能够有效地解决此类问题。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于混合范数的方位向周期采样数据稀疏SAR成像方法,其特征在于,包括以下步骤:
(1)基于采集的方位向周期采样数据,构建无模糊稀疏SAR成像模型;
(2)对步骤(1)构建的稀疏SAR成像模型,通过解决混合范数正则化问题实现观测场景的重建;
(3)通过阈值迭代恢复算法实现观测场景的高精度重建。
2.根据权利要求1所述的基于混合范数的方位向周期采样数据稀疏SAR成像方法,其特征在于,所述步骤(1)实现过程如下:
方位向周期采样导致的方位模糊区域的多普勒频率为:
fa=fη+i·PRF,i∈Z and i≠0 (1)
其中,fη为主多普勒频谱方位频率,PRF是脉冲重复频率,i表示第i块方位模糊区域;
鬼影区域多普勒频率为:
其中,Nt是发射脉冲数,Nτ是接收脉冲数,k表示第k个鬼影区域;
对于第i个方位模糊区域,构建和分别表示Chirp-Scaling算法中的三个主要操作,即变标、距离徙动校正和距离聚焦及方位聚焦和相位校正,算子构建与方位模糊区域的频率有关;和算子分别表示主多普勒区域、方位模糊区域和鬼影区域的匹配滤波过程,和算子分别表示主多普勒区域、方位模糊区域和鬼影区域的逆匹配滤波过程;Fa,Fr和分别表示方位向和距离的傅里叶变换算子和逆傅里叶变换算子;基于所构建的算子,匹配滤波过程和逆匹配滤波过程为:
利用构建的算子表示基于近似观测的无模糊稀疏SAR成像模型:
4.根据权利要求1所述的基于混合范数的方位向周期采样数据稀疏SAR成像方法,其特征在于,所述步骤(3)实现过程如下:
阈值迭代算法输入采集的欠采样回波数据Y以及算子 设稀疏重构的场景X(0),和的初始化均为0,梯度值U(0),和也均为0;迭代参数为μ,错误参数为ε,最大迭代步数为Tmax;当满足条件t≤Tmax且残差Resi>ε时,执行下列步骤:
(31)估计残余数据值:
(32)更新梯度值:
其中,μ控制算法收敛速度,且满足:
(33)更新控制场景、方位模糊和鬼影块稀疏度参数β2:
其中,|U(t-1)|K+1表示幅度值|U(t-1)|按降序排列的第K+1个最大分量;
(34)成像区域的阈值收缩:
(35)更新控制场景稀疏度参数β1:
(36)分块成像区域的阈值收缩:
(37)计算恢复图像的残差:
Resi=||X(t)-X(t-1)||F (23)
5.一种基于混合范数的方位向周期采样数据稀疏SAR成像装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的基于混合范数的方位向周期采样数据稀疏SAR成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110805156.7A CN113567982B (zh) | 2021-07-16 | 2021-07-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110805156.7A CN113567982B (zh) | 2021-07-16 | 2021-07-16 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113567982A true CN113567982A (zh) | 2021-10-29 |
CN113567982B CN113567982B (zh) | 2024-02-13 |
Family
ID=78165108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110805156.7A Active CN113567982B (zh) | 2021-07-16 | 2021-07-16 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567982B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581766A (zh) * | 2022-01-19 | 2022-06-03 | 南京航空航天大学 | 一种基于三通道稀疏sar图像数据的目标分类方法 |
CN114720984A (zh) * | 2022-03-08 | 2022-07-08 | 电子科技大学 | 一种面向稀疏采样与观测不准确的sar成像方法 |
CN114895305A (zh) * | 2022-04-18 | 2022-08-12 | 南京航空航天大学 | 一种基于l1范数正则化的稀疏sar自聚焦成像方法及装置 |
CN116594014A (zh) * | 2023-04-28 | 2023-08-15 | 南京航空航天大学 | 一种稀疏Mosaic成像模式的实现方法及实现装置 |
CN116660896A (zh) * | 2023-05-19 | 2023-08-29 | 南京航空航天大学 | 一种基于混合范数的极化HoloSAR三维成像方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854504A (zh) * | 2011-06-30 | 2013-01-02 | 中国科学院电子学研究所 | 基于回波模拟算子的稀疏合成孔径雷达成像方法 |
CN103630897A (zh) * | 2012-08-28 | 2014-03-12 | 中国科学院电子学研究所 | 一种多通道合成孔径雷达成像的方法 |
CN105842699A (zh) * | 2016-06-02 | 2016-08-10 | 中国科学院电子学研究所 | 合成孔径雷达稀疏成像方法 |
CN105929397A (zh) * | 2016-04-01 | 2016-09-07 | 中国科学院电子学研究所 | 基于lq 正则化的偏置相位中心天线成像方法 |
CN112099007A (zh) * | 2020-09-15 | 2020-12-18 | 中国科学院空天信息创新研究院 | 适用于非理想天线方向图的方位向多通道sar模糊抑制方法 |
-
2021
- 2021-07-16 CN CN202110805156.7A patent/CN113567982B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854504A (zh) * | 2011-06-30 | 2013-01-02 | 中国科学院电子学研究所 | 基于回波模拟算子的稀疏合成孔径雷达成像方法 |
CN103630897A (zh) * | 2012-08-28 | 2014-03-12 | 中国科学院电子学研究所 | 一种多通道合成孔径雷达成像的方法 |
CN105929397A (zh) * | 2016-04-01 | 2016-09-07 | 中国科学院电子学研究所 | 基于lq 正则化的偏置相位中心天线成像方法 |
CN105842699A (zh) * | 2016-06-02 | 2016-08-10 | 中国科学院电子学研究所 | 合成孔径雷达稀疏成像方法 |
CN112099007A (zh) * | 2020-09-15 | 2020-12-18 | 中国科学院空天信息创新研究院 | 适用于非理想天线方向图的方位向多通道sar模糊抑制方法 |
Non-Patent Citations (2)
Title |
---|
HUI BI 等: "L2, 1-norm Regularization Based Sparse SAR Imaging From Periodic Block Sampling Data: Initial Result", 《2020 21ST INTERNATIONAL RADAR SYMPOSIUM (IRS 2020)》 * |
杨牡丹;魏中浩;徐志林;张冰尘;洪文;: "一种基于层次稀疏的全极化SAR层析成像方法", 中国科学院大学学报, no. 04 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581766A (zh) * | 2022-01-19 | 2022-06-03 | 南京航空航天大学 | 一种基于三通道稀疏sar图像数据的目标分类方法 |
CN114720984A (zh) * | 2022-03-08 | 2022-07-08 | 电子科技大学 | 一种面向稀疏采样与观测不准确的sar成像方法 |
CN114895305A (zh) * | 2022-04-18 | 2022-08-12 | 南京航空航天大学 | 一种基于l1范数正则化的稀疏sar自聚焦成像方法及装置 |
CN114895305B (zh) * | 2022-04-18 | 2024-03-29 | 南京航空航天大学 | 一种基于l1范数正则化的稀疏sar自聚焦成像方法及装置 |
CN116594014A (zh) * | 2023-04-28 | 2023-08-15 | 南京航空航天大学 | 一种稀疏Mosaic成像模式的实现方法及实现装置 |
CN116594014B (zh) * | 2023-04-28 | 2024-02-09 | 南京航空航天大学 | 一种稀疏Mosaic成像模式的实现方法及实现装置 |
CN116660896A (zh) * | 2023-05-19 | 2023-08-29 | 南京航空航天大学 | 一种基于混合范数的极化HoloSAR三维成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113567982B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113567982A (zh) | 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 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN109581378B (zh) | 动目标检测方法、电子设备及存储介质 | |
CN112099007B (zh) | 适用于非理想天线方向图的方位向多通道sar模糊抑制方法 | |
CN111856465B (zh) | 一种基于稀疏约束的前视海面目标角超分辨方法 | |
CN108957448B (zh) | 一种基于广义全变差正则化的雷达关联成像方法 | |
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 | |
CN111948652B (zh) | 一种基于深度学习的sar智能参数化超分辨成像方法 | |
CN111693993B (zh) | 自适应1比特数据雷达成像方法 | |
CN114325707A (zh) | 基于深度展开网络的稀疏孔径微动目标isar成像方法 | |
Güngör et al. | Compressive synthetic aperture radar imaging and autofocusing by augmented Lagrangian methods | |
CN114019507A (zh) | 一种基于l1/2范数正则化的sar干涉图生成方法 | |
CN114895305B (zh) | 一种基于l1范数正则化的稀疏sar自聚焦成像方法及装置 | |
CN113933837A (zh) | 一种基于l2,1/2范数的无模糊稀疏sar成像方法 | |
CN111461999B (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN109615584B (zh) | 一种基于单应性约束的sar图像序列map超分辨率重建方法 | |
CN111239731A (zh) | 基于神经网络的合成孔径雷达快速成像方法及装置 | |
Wu et al. | Outline reconstruction for radar forward-looking imaging based on total variation functional deconvloution methodxs | |
CN115453523A (zh) | 一种扫描雷达稀疏目标批处理超分辨方法 | |
CN114779247A (zh) | 一种基于频率变标的星载稀疏合成孔径雷达斜视成像方法 | |
CN111398912B (zh) | 基于张量低秩逼近的合成孔径雷达干扰抑制方法 | |
Yang et al. | Sparsity-driven high-resolution and wide-swath SAR imaging via Poisson disk sampling | |
CN117289272A (zh) | 基于非凸稀疏优化的正则化合成孔径雷达成像方法 | |
Shen et al. | Super-Resolution Method of Forward Scanning Radar Based on Weibull Distribution | |
CN112731395B (zh) | 基于非凸&全变差正则化的sar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 |