CN114419452B - 一种高分辨率双极化sar抗角反射器干扰的目标辨识方法 - Google Patents

一种高分辨率双极化sar抗角反射器干扰的目标辨识方法 Download PDF

Info

Publication number
CN114419452B
CN114419452B CN202210321347.0A CN202210321347A CN114419452B CN 114419452 B CN114419452 B CN 114419452B CN 202210321347 A CN202210321347 A CN 202210321347A CN 114419452 B CN114419452 B CN 114419452B
Authority
CN
China
Prior art keywords
target
polarization
image
target slice
sar
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
Application number
CN202210321347.0A
Other languages
English (en)
Other versions
CN114419452A (zh
Inventor
胡昌华
许涛
杨剑
常沛
高超
竺红伟
衣彬
尤帅
黄丰生
吴涛
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.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
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 Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202210321347.0A priority Critical patent/CN114419452B/zh
Publication of CN114419452A publication Critical patent/CN114419452A/zh
Application granted granted Critical
Publication of CN114419452B publication Critical patent/CN114419452B/zh
Active 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/08—Systems for measuring distance only
    • 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
    • G01S13/9094—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
    • G01S7/414—Discriminating targets with respect to background clutter
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

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

Abstract

本发明公开了一种高分辨率双极化SAR抗角反射器干扰的目标辨识方法：步骤1，对接收到的SAR双极化图像进行极化增强处理，得到多个极化增强目标切片图像；步骤2，得到滤除后的目标切片图像；步骤3，同极化与交叉极化比特征提取，得到极化比均值和极化比方差；步骤4，得到间隙度特征值；步骤5，进行目标区域均值性特征提取；步骤6，将训练集代入向量机进行训练，训练后得到分类辨识的权值参数的最优值；步骤7，对待测试的进行步骤1‑5的处理得到对应的特征数据，并代入分类器区分出目标和角反射器阵列。本发明综合目标多个维度的特征保证准确度，方便工程实现，且针对角反射器和目标可分性很强，能够有效提高精度，抗干扰能力强。

Description

一种高分辨率双极化SAR抗角反射器干扰的目标辨识方法
技术领域
本发明涉及SAR图像处理与目标识别技术领域，特别涉及一种高分辨率双极化SAR抗角反射器干扰的目标辨识方法。
背景技术
角反射器干扰是雷达无源干扰的主要形式之一，在电子对抗中，通常会在目标附近布置角反射器或者角反射器阵列，来防止对方雷达对目标的探测。
据现有资料，国外针对抗角反射器方法的系统化研究公开报道的少之又少，而国内关于角反射器的特性研究以及应用已经比较完善，但是在抗角反射器干扰方面文献仍较少。部分学者提出了将Krogager极化分解算法用于舰船和角反射器阵列的鉴别，但为了获取目标的极化信息需要增加雷达系统的复杂度；也有学者提出基于回波特性差异和微动特性鉴别角反射器和目标。这些方法在工程应用上均有一定局限性，抗干扰能力低且目标检测精度低。
发明内容
为了解决上述现有的抗角反射器干扰技术存在的抗干扰能力低、目标检测精度低且工程应用有局限的问题，本发明的目的在于，提出一种高分辨率双极化SAR抗角反射器干扰的目标辨识方法，该方法能够提升抗角反射器的干扰能力，提高目标检测精度。
为了实现上述目的，本发明采用如下技术方案予以解决：
一种高分辨率双极化SAR抗角反射器干扰的目标辨识方法，具体包括如下步骤：
步骤1，对接收到的SAR双极化图像进行极化增强处理，得到多个极化增强目标切片图像；
步骤2，对步骤1得到的极化增强目标切片图像进行分割处理，得到对应的二值图像；对二值图像进行聚类并进行目标滤除，得到滤除后的目标切片图像；
步骤3，根据步骤1得到极化增强目标切片图像和步骤2得到的滤除后的目标切片图像，进行极化比特征提取，得到极化比均值E和极化比方差θ；具体包括如下子步骤：
步骤31，以步骤2生成的每个滤除后的目标切片图像为掩模，与步骤1中对应的HH极化SAR图像目标切片图像、极化增强目标切片图像分别进行对应像素值相乘，得到对应的HH图像目标切片图、极化增强目标区域图像；
步骤32，对步骤31得到的每个HH图像目标切片图进行直方图统计，得到直方图，再将每个直方图中取出幅值大于T的像素值取出，得到强点｛HH T (x,y)｝，其中，（x，y）为强点所在像素点位置；
步骤33，将步骤1中对应的HV极化SAR图像的目标切片图像中的像素点（x，y）取出，得到｛HV T (x,y)｝；
步骤34，计算极化比｛HHT (x,y) / HV T (x,y)｝，统计计算出该极化比数值的均值E和方差θ；
步骤4，对步骤31得到的每个HH图像目标切片图进行间隙度特征提取，得到间隙度特征值；
步骤5，根据步骤31生成的极化增强目标区域图像，进行目标区域均值性特征提取；
步骤6，将训练集代入向量机进行训练，训练后得到分类辨识的权值参数的最优值；
步骤7，将步骤6训练得到的权值参数的最优值用于SVM分类器，对待测试的SAR双极化图像进行步骤1-5的处理得到对应的特征数据，并将其代入SVM分类器，区分出目标和角反射器阵列。
进一步的，所述步骤1的具体操作如下：
对接收到的SAR双极化图像中的每个HH极化、HV极化SAR图像的目标切片图像，分别利用如下公式进行计算，得到对应的极化增强目标切片图像y：
Figure DEST_PATH_IMAGE001
Figure 411330DEST_PATH_IMAGE002
其中，y是极化增强目标切片图像；S HH 、S HV 分别是HH极化、HV极化SAR图像的目标切片图像；
Figure DEST_PATH_IMAGE003
为中间结果。
进一步的，所述步骤2具体包括如下子步骤：
步骤21，采用最大类间方差法，对步骤1得到的每个极化增强目标切片图像分别进行分割处理，分别得到对应的二值图像；
步骤22，设定最小聚类间距为3个像素，将每个二值图像中相邻的像素点“1”进行聚类，分别得到对应目标切片图像；
步骤23，对于每个目标切片图像，通过设定目标的像素面积范围，保留处于面积范围内的目标，将不满足条件的目标剔除，可有效滤除包括二面角、三面角的孤立角反射器和大片的角反射阵列，从而得到对应的滤除后的目标切片图像。
进一步的，所述步骤32中，T选择10%。
进一步的，所述步骤5具体包括如下子步骤：
步骤51，针对步骤31中生成的极化增强目标区域图像计算目标区域内的二阶中心矩和三阶中心矩；
步骤52，利用下式对二阶中心矩和三阶中心矩分别求取期望值，得到目标样本切片的二阶矩均值、三阶矩均值；
步骤53，根据步骤51得到的二阶中心矩和三阶中心矩，分别计算得到估计的方差。
进一步的，所述步骤6中，核函数选择径向基函数；其中，训练集为真实数据经过步骤1-5进行处理后得到的特征数据。
进一步的，所述训练集还包括仿真数据经步骤1-5进行处理后得到的特征数据。
相较于现有技术，本发明的方法具有如下技术效果：
1、目标检测精度高、干扰能力强：本发明的方法采用极化增强处理提高目标-杂波比，更有利于目标分割聚类；综合利用了角反射器和目标的几何尺寸特征、极化特征、间隙度特征、区域均质性等多个维度的可分特征，通过训练样本快速进行SVM训练获得最优分类识别参数，能有效区分角反射器和目标，有效提高了检测精度，达到抗角反射器干扰的目的。
2、本发明的方法中所采用目标特征均便于计算，算法复杂度不高，综合目标多个维度的特征保证准确度，方便工程实现，且针对角反射器和目标可分性很强，能够有效提高精度。
3、训练样本采用仿真样本结合真实数据特征，能更加有效地区分角反射器和目标，达到抗角反射器干扰的目的。针对目标样本不足，覆盖应用情况不充分的情况给出了线下仿真的方案，解决了样本不足的问题，可操作性强，便于工程实现。经试验，随着真实目标样本的积累，训练的准确度会不断上升，抗角反射器能力不断增强。
附图说明
图1是本发明的高分辨率双极化SAR抗角反射器干扰方法的流程图。
以下结合附图和具体实施方式对本发明进一步解释说明。
具体实施方式
本发明中涉及到的重要技术术语解释如下：
1、SAR双极化图像：HH（水平发射、水平接收）、HV（水平发射、垂直接收）两种极化方式的SAR（合成孔径雷达）图像。
2、SVM算法：支持向量机算法。
如图1所示，本发明给出的一种高分辨率双极化SAR抗角反射器干扰的目标辨识方法，包括如下步骤：
步骤1，对接收到的SAR双极化图像进行极化增强处理，得到多个极化增强目标切片图像。具体操作如下：
对接收到的SAR双极化图像中的每个HH极化、HV极化SAR图像的目标切片图像，分别利用如下公式进行计算，得到对应的极化增强目标切片图像y：
Figure 980851DEST_PATH_IMAGE001
（1）
Figure 849450DEST_PATH_IMAGE002
（2）
其中，y是极化增强目标切片图像；S HH 、S HV 分别是HH极化、HV极化SAR图像的目标切片图像；
Figure 227342DEST_PATH_IMAGE003
为中间结果；
本步骤得到的极化增强后的图像和单极化图像相比，具有更高的目标-杂波比，更利于检测目标。
步骤2，对步骤1得到的极化增强目标切片图像进行分割处理，得到对应的二值图像；对二值图像进行聚类并进行目标滤除，得到滤除后的目标切片图像；具体包括如下子步骤：
步骤21，采用最大类间方差法，对步骤1得到的每个极化增强目标切片图像分别进行分割处理，分别得到对应的二值图像；
步骤22，设定最小聚类间距为3个像素，将每个二值图像中相邻的像素点1进行聚类，分别得到对应目标切片图像；
步骤23，对于每个目标切片图像，通过设定目标的像素面积范围，保留处于面积范围内的目标，将不满足条件的目标剔除，可有效滤除包括二面角、三面角的孤立角反射器和大片的角反射阵列，从而得到对应的滤除后的目标切片图像；
上述技术方案中，设定最小聚类间距为3个像素，是由于角反射器所占的像素点个数在分割图上通常不大于3-5个像素，小于目标所占的像素点数。
步骤3，根据步骤1得到极化增强目标切片图像和步骤2得到的滤除后的目标切片图像，进行极化比特征提取，得到极化比均值E和极化比方差θ。具体包括如下子步骤：
步骤31，以步骤2生成的每个滤除后的目标切片图像为掩模，与步骤1中对应的HH极化SAR图像目标切片图像、极化增强目标切片图像分别进行对应像素值相乘，得到对应的HH图像目标切片图、极化增强目标区域图像。
步骤32，对步骤31得到的每个HH图像目标切片图进行直方图统计，得到直方图，再将每个直方图中取出幅值大于T的像素值（T选择10%）取出，得到强点｛HH T (x,y)｝，其中，（x，y）为强点所在像素点位置；
步骤33，将步骤1中对应的HV极化SAR图像的目标切片图像中的像素点（x，y）取出，得到｛HV T (x,y)｝；
步骤34，计算极化比｛HHT (x,y) / HV T (x,y)｝，统计计算出该极化比数值的均值E和方差θ。
步骤4，对步骤31得到的每个HH图像目标切片图进行间隙度特征提取，得到间隙度特征值。
步骤5，对步骤31中得到的极化增强目标区域图像进行目标区域均值性特征提取。具体包括如下子步骤：
步骤51，针对步骤31中生成的极化增强目标区域图像计算目标区域内的二阶中心矩和三阶中心矩：
Figure 31350DEST_PATH_IMAGE004
（10）
式中，Km为 Rm目标区域中的像素总数；X (i,j)为点 (i,j) 处的像素值；μm为目标区域Rm中像素的均值
Figure 849352DEST_PATH_IMAGE005
；
步骤52，利用下式对二阶中心矩和三阶中心矩分别求取期望值，得到目标样本切片的二阶矩均值
Figure 662587DEST_PATH_IMAGE006
、三阶矩均值
Figure 894986DEST_PATH_IMAGE007
；
Figure 260108DEST_PATH_IMAGE008
（11）
式中，X为步骤31中生成的极化增强目标区域图像中像素值的随机变量；
Figure 945167DEST_PATH_IMAGE009
为二项式系数。
步骤53，根据步骤51得到的二阶中心矩和三阶中心矩，分别计算得到估计的方差；
步骤6，将训练集代入向量机（即SVM分类器）进行训练，训练后得到分类辨识的权值参数的最优值。其中核函数选择径向基函数；
其中，训练集为真实数据（实际接收到的SAR双极化图像，包括已标签的目标图像和角反射数据图像）经过步骤1-5进行处理后得到的特征数据，包括步骤3得到的极化比数值的均值E和方差θ、步骤4得到的间隙度特征、步骤5得到的方差。或者：
训练集还可以包括仿真数据经步骤1-5进行处理后得到的特征数据，包括步骤3得到的极化比数值的均值E和方差θ、步骤4得到的间隙度特征、步骤5得到的方差。此处是将仿真数据进行了与真实数据相同的步骤1-5进行处理。优选的，仿真数据（包括目标图像和角反射数据图像）可采用高频电磁散射计算和射线弹跳法模拟得到。
步骤7，将步骤6训练得到的权值参数的最优值用于SVM分类器，对待测试的SAR双极化图像进行步骤1-5的处理得到对应的特征数据，并将其代入SVM分类器，区分出目标和角反射器阵列。
本发明的方法主要分为SAR双极化图像目标切片融合、切片二值化与疑似目标聚类、特征提取、数据仿真与训练、综合辨识等步骤，基于电磁仿真计算模拟目标和角反射器SAR数据样本，并结合真实样本数据提取特征，充分利用SAR图像目标的几何结构、纹理、分形、极化等多维度特征，以待检目标和角反射器为分类任务对数据进行SVM识别，提升抗角反射器干扰的能力。

Claims (6)

1.一种高分辨率双极化SAR抗角反射器干扰的目标辨识方法，其特征在于，具体包括如下步骤：
步骤1，对接收到的SAR双极化图像进行极化增强处理，得到多个极化增强目标切片图像；
步骤2，对步骤1得到的极化增强目标切片图像进行分割处理，得到对应的二值图像；对二值图像进行聚类并进行目标滤除，得到滤除后的目标切片图像；
步骤3，根据步骤1得到极化增强目标切片图像和步骤2得到的滤除后的目标切片图像，进行极化比特征提取，得到极化比均值E和极化比方差θ；具体包括如下子步骤：
步骤31，以步骤2生成的每个滤除后的目标切片图像为掩模，与步骤1中对应的HH极化SAR图像目标切片图像、极化增强目标切片图像分别进行对应像素值相乘，得到对应的HH图像目标切片图、极化增强目标区域图像；
步骤32，对步骤31得到的每个HH图像目标切片图进行直方图统计，得到直方图，再将每个直方图中幅值大于T的像素值取出，得到强点｛HH T (x,y)｝，其中，（x，y）为强点所在像素点位置；
步骤33，将步骤1中对应的HV极化SAR图像的目标切片图像中的像素点（x，y）取出，得到｛HV T (x,y)｝；
步骤34，计算极化比｛HH T (x,y) / HV T (x,y)｝，统计计算出该极化比数值的均值E和方差θ；
步骤4，对步骤31得到的每个HH图像目标切片图进行间隙度特征提取，得到间隙度特征值；
步骤5，根据步骤31生成的极化增强目标区域图像，进行目标区域均值性特征提取；具体包括如下子步骤：
步骤51，针对步骤31中生成的极化增强目标区域图像计算目标区域内的二阶中心矩和三阶中心矩；
步骤52，对二阶中心矩和三阶中心矩分别求取期望值，得到目标样本切片的二阶矩均值、三阶矩均值；
步骤53，根据步骤51得到的二阶中心矩和三阶中心矩，分别计算得到估计的方差；
步骤6，将训练集代入SVM分类器进行训练，训练后得到分类辨识的权值参数的最优值；所述训练集为真实数据经过步骤1-5进行处理后得到的特征数据；
步骤7，将步骤6训练得到的权值参数的最优值用于SVM分类器，对待测试的SAR双极化图像进行步骤1-5的处理得到对应的特征数据，并将其代入SVM分类器，区分出目标和角反射器阵列。
2.如权利要求1所述的高分辨率双极化SAR抗角反射器干扰的目标辨识方法，其特征在于，所述步骤1的具体操作如下：
对接收到的SAR双极化图像中的每个HH极化、HV极化SAR图像的目标切片图像，分别利用如下公式进行计算，得到对应的极化增强目标切片图像y：
Figure 960838DEST_PATH_IMAGE001
Figure 583318DEST_PATH_IMAGE002
其中，y是极化增强目标切片图像；S HH 、S HV 分别是HH极化、HV极化SAR图像的目标切片图像；
Figure 181790DEST_PATH_IMAGE003
为中间结果。
3.如权利要求1所述的高分辨率双极化SAR抗角反射器干扰的目标辨识方法，其特征在于，所述步骤2具体包括如下子步骤：
步骤21，采用最大类间方差法，对步骤1得到的每个极化增强目标切片图像分别进行分割处理，分别得到对应的二值图像；
步骤22，设定最小聚类间距为3个像素，将每个二值图像中相邻的像素点“1”进行聚类，分别得到对应目标切片图像；
步骤23，对于每个目标切片图像，通过设定目标的像素面积范围，保留处于面积范围内的目标，将不满足条件的目标剔除，可有效滤除包括二面角、三面角的孤立角反射器和大片的角反射阵列，从而得到对应的滤除后的目标切片图像。
4.如权利要求1所述的高分辨率双极化SAR抗角反射器干扰的目标辨识方法，其特征在于，所述步骤32中，T选择10%。
5.如权利要求1所述的高分辨率双极化SAR抗角反射器干扰的目标辨识方法，其特征在于，所述步骤6中，核函数选择径向基函数。
6.如权利要求5所述的高分辨率双极化SAR抗角反射器干扰的目标辨识方法，其特征在于，所述训练集还包括仿真数据经步骤1-5进行处理后得到的特征数据。
CN202210321347.0A 2022-03-30 2022-03-30 一种高分辨率双极化sar抗角反射器干扰的目标辨识方法 Active CN114419452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210321347.0A CN114419452B (zh) 2022-03-30 2022-03-30 一种高分辨率双极化sar抗角反射器干扰的目标辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210321347.0A CN114419452B (zh) 2022-03-30 2022-03-30 一种高分辨率双极化sar抗角反射器干扰的目标辨识方法

Publications (2)

Publication Number Publication Date
CN114419452A CN114419452A (zh) 2022-04-29
CN114419452B true CN114419452B (zh) 2022-07-05

Family

ID=81263425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210321347.0A Active CN114419452B (zh) 2022-03-30 2022-03-30 一种高分辨率双极化sar抗角反射器干扰的目标辨识方法

Country Status (1)

Country Link
CN (1) CN114419452B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297244A (zh) * 2019-07-26 2019-10-01 中国人民解放军国防科技大学 一种极化合成孔径雷达海面船只尾流检测方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AUPR301401A0 (en) * 2001-02-09 2001-03-08 Commonwealth Scientific And Industrial Research Organisation Lidar system and method
DE102009022834A1 (de) * 2009-05-27 2010-12-09 Siemens Aktiengesellschaft Verfahren zur automatischen Analyse von Bilddaten einer Struktur
US20150363951A1 (en) * 2013-01-31 2015-12-17 Van J. Wedeen Systems and methods for objective tractographic processing using features of grid structures of the brain
US20140358440A1 (en) * 2013-05-31 2014-12-04 Chevron U.S.A. Inc. System and Method For Characterizing Geological Systems Using Statistical Methodologies
CN103870829A (zh) * 2013-09-16 2014-06-18 中国人民解放军国防科学技术大学 基于sar图像的车辆目标特征提取方法
CN104463222B (zh) * 2014-12-20 2021-01-19 西安电子科技大学 基于特征向量分布特性的极化sar图像分类方法
JP6748648B2 (ja) * 2016-12-22 2020-09-02 アドバンスド オプティカル テクノロジーズ，インク． 複数の独立した調整可能チャネルを有する偏光計、および、物質および物体を分類および認識する方法
CN106909939B (zh) * 2017-02-20 2020-09-11 中国人民解放军国防科学技术大学 一种结合旋转域极化零角特征的极化sar地物分类方法
CN106897741B (zh) * 2017-02-20 2019-06-14 中国人民解放军国防科学技术大学 结合旋转域极化相干特征的极化sar地物分类方法
CN107329139B (zh) * 2017-07-26 2020-05-08 邓少平 一种双时相双极化干涉sar影像水域提取方法
CN110865340B (zh) * 2019-12-04 2022-03-29 上海无线电设备研究所 一种基于极化特性辅助的海面角反射器干扰对抗方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297244A (zh) * 2019-07-26 2019-10-01 中国人民解放军国防科技大学 一种极化合成孔径雷达海面船只尾流检测方法

Also Published As

Publication number Publication date
CN114419452A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN107728115B (zh) 一种雷达目标成像后基于svm的背景干扰抑制方法
CN109583293A (zh) 星载sar图像中的飞机目标检测与鉴别方法
Schumacher et al. Non-cooperative target identification of battlefield targets-classification results based on SAR images
CN111582089A (zh) 基于卫星红外与可见光图像的海上目标信息融合方法
CN110660065B (zh) 一种红外故障检测识别算法
CN109389609B (zh) 基于fart神经网络的交互自反馈红外目标检测方法
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
Zheng et al. A novel edge detection for buried target extraction after SVD-2D wavelet processing
CN103745216A (zh) 一种基于空域特性的雷达图像杂波抑制方法
CN104199009B (zh) 一种基于时域特性的雷达图像杂波抑制方法
Zong-ling et al. Remote sensing ship target detection and recognition system based on machine learning
Zhang et al. Vector phase symmetry for stable hyperbola detection in ground-penetrating radar images
CN114419452B (zh) 一种高分辨率双极化sar抗角反射器干扰的目标辨识方法
CN112989940B (zh) 基于高分三号卫星sar影像的筏式养殖区提取方法
CN111428624B (zh) 一种光学遥感图像在轨舰船目标检测方法
Jiang et al. Ship detection based on feature confidence for high resolution SAR images
CN111105419B (zh) 一种基于极化sar图像的车辆船舶检测方法及装置
CN112395944A (zh) 基于加权的多尺度比差联合对比度红外小目标检测方法
Jiao et al. Infrared dim small target detection method based on background prediction and high-order statistics
CN110426745B (zh) 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法
Arivazhagan et al. Optimal Gabor sub-band-based spectral kurtosis and Teager Kaiser energy for maritime target detection in SAR images
Wu Two-parameter CFAR ship detection algorithm based on Rayleigh distribution in SAR images
CN113822361A (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
Kaplan et al. SAR target detection by fusion of CFAR, variance, and fractal statistics
Li et al. Contrast-based SAR ship detection in superpixel level

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