CN114720984B - 一种面向稀疏采样与观测不准确的sar成像方法 - Google Patents

一种面向稀疏采样与观测不准确的sar成像方法 Download PDF

Info

Publication number
CN114720984B
CN114720984B CN202210227645.3A CN202210227645A CN114720984B CN 114720984 B CN114720984 B CN 114720984B CN 202210227645 A CN202210227645 A CN 202210227645A CN 114720984 B CN114720984 B CN 114720984B
Authority
CN
China
Prior art keywords
network
imaging
sar
layer
observation
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
CN202210227645.3A
Other languages
English (en)
Other versions
CN114720984A (zh
Inventor
武俊杰
李敏
霍伟博
李中余
杨建宇
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210227645.3A priority Critical patent/CN114720984B/zh
Publication of CN114720984A publication Critical patent/CN114720984A/zh
Application granted granted Critical
Publication of CN114720984B publication Critical patent/CN114720984B/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
    • G01S13/88—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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Electromagnetism (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种面向稀疏采样与观测不准确的SAR成像方法，本发明的方法根据SAR回波数据录取过程构建理想条件下的测量模型，然后结合此测量模型建立考虑稀疏采样和测量不准确的SAR成像模型，并通过S‑TLS理论和近端算子法推导该成像模型的迭代解，通过展开该迭代解，可以得到SAR成像网络结构，在该网络中，通过卷积层与非线性层近似成像模型中正则项的近端算子函数，最后通过训练数据集和网络的反向传播，学习网络中的参数，以实现稀疏采样和测量不准确条件下的高性能SAR成像。

Description

一种面向稀疏采样与观测不准确的SAR成像方法
技术领域
本发明属于合成孔径雷达(Synthetic Aperture Radar，SAR)成像技术领域，具体涉及稀疏采样和观测不准确条件下的深度SAR成像方法。
背景技术
合成孔径雷达可以提供被观测区域的全天候、全天候的电磁散射系数图像，且SAR具有强的穿透性，在地球遥感、资源勘探、侦察、测绘、灾情预报等领域发挥着重要作用。
由于数据采样和存储能力的限制，以及方位回波数据在采集过程中的丢失问题，使得高分辨SAR成像面临着稀疏采样的难题。此外，平台运动误差、设备测量误差等系统误差也会导致采样数据的测量不准确。因此，研究稀疏采样和测量不准确条件下的SAR成像方法具有重要的应用价值。
广泛使用的基于匹配滤波器的SAR成像方法要求采样数据满足Nyquist采样率，这导致了此类成像方法不适用于稀疏采样。随着压缩感知(Compressed Sensing，CS)理论的发展，稀疏驱动的SAR成像方法得到了广泛的研究。在文献“Sparsity-Driven SyntheticAperture Radar Imaging:Reconstruction,autofocusing,moving targets”中的研究表明，稀疏驱动的SAR成像方法能够有效地解决稀疏采样问题。但这类方法通常假设场景是稀疏的，或者是在某个特征字典的作用下是稀疏的，所以此类不适用于复杂的非稀疏场景，限制了其使用范围。
同时测量不准确也是获取高质量SAR图像需要解决的难题之一，稀疏驱动的SAR成像方法对测量模型的不准确性敏感，测量误差将会对成像性能产生严重的影响。在基于匹配滤波器的SAR成像方法中，许多自聚焦方法被提出用来解决测量不准确的问题。如文献“AGeneralized Phase Gradient Autofocus Algorithm”中提出了一种基于相位梯度的SAR自聚焦方法，但是此方法需要进行多次成像处理，导致计算效率的降低，且该方法不适用于稀疏驱动的SAR成像方法，无法解决稀疏采样的问题。近年来，用于稀疏驱动的SAR成像的自聚焦方法也得到了研究，在文献“Compressive Sensing Based SAR Imaging andAutofocus Using Improved Tikhonov Regularization”中，提出了一种基于改进的Tikhonov正则化的稀疏驱动SAR成像和自聚焦方法，该方法通过利用改进的Tikhonov正则项，提高了方法的鲁棒性和适用范围。但该方法需要手动设置参数，而参数的设置将对成像结果产生较大的影响，此外该方法采用迭代的方式对成像模型进行求解，这会导致计算效率的下降，无法满足实际的应用需求。
发明内容
针对现有技术存在的上述问题，本发明提出了一种面向稀疏采样与观测不准确的SAR成像方法。
本发明的技术方案为：一种面向稀疏采样与观测不准确的SAR成像方法，具体包括如下步骤：
S1.测量模型构建，根据SAR系统参数及回波采样过程，建立理想条件下的测量模型：
y＝Ax+n
其中，y表示以向量形式存储的回波数据，A表示由SAR系统决定的回波数据观测矩阵，x表示观测场景的散射系数，n表示观测噪声；
S2.建立SAR成像模型，在成像模型中，考虑测量不准确引入的测量误差项，成像模型由两部分组成：数据保真度项和正则项；
Figure BDA0003536710880000021
其中，E表示系统观测误差矩阵，
Figure BDA0003536710880000022
表示观测场景的正则化函数，λ表示正则化系数；
S3.推导成像模型的迭代解：
S31.考虑到测量不准确性，建立基于稀疏总最小二乘(Sparse Total Least-Squares，S-TLS)理论的SAR成像模型：
Figure BDA0003536710880000023
S32.利用前视次梯度和前向后向分裂(Forward-Looking Subgradients andForward-Backward Splitting，FOBOS)法和近端算子法(Proximal Algorithm)对步骤S31的成像模型进行求解，得到所建立的SAR成像模型的迭代解，具体过程如下：
S321.初始化
Figure BDA0003536710880000024
设置正则化系数λ，步长η，最大迭代次数T，当前迭代次数t＝0；
S322.当迭代次数t≤T时，计算梯度值：
Figure BDA0003536710880000025
S323.计算中间变量：
Figure BDA0003536710880000026
S324更新成像结果：
Figure BDA0003536710880000027
其中，
Figure BDA0003536710880000028
为步骤S2建立的成像模型中的正则项对应的近端算子函数。
S325.重复步骤S322～S324，直至满足迭代停止条件。
S4.通过深度展开技术(Unfolding Algorithm)，将步骤S3中的迭代解展开为一个深度网络：
S41.通过S322和S323中
Figure BDA0003536710880000031
的计算方式，设计用于求解
Figure BDA0003536710880000032
的网络结构，该层网络的输入为上一层网络的输出，并输出
Figure BDA0003536710880000033
到下一个层网络；
S42.将上一层的输出输入到一个卷积层，并将卷积层的计算结果输入到下一层；
S43.将S42中卷积层的输出输入到一个非线性层，并将计算结果输出到下一层；
S44.将S43的输出结果输入到一个卷积层，并将卷积层的计算结果输入到下一层；
S45.重复K次步骤S42～S44，并将最后一次S44的输出输入到S41，其中，K表示由S42～S44构成的网络模块的迭代次数，其取值可根据目标的复杂度进行调整；
S46.重构T次步骤S41～S45，其中，T对应与S3中推导的迭代求解方法的最大迭代次数，进而完成了成像深度网络的构建；
S5.准备训练成像网络需要的数据集，数据集中一个回波矩阵及其对应的SAR图像为一个训练样本；
S6.优化网络参数，设置网络训练的参数，具体包括：网络层数、优化器类型、学习率大小、时期数及批大小，并通过后向传播方法对网络参数进行优化，获得最终的SAR成像网络。
进一步的，步骤S42中所述的卷积层的参数为：输入通道数1，输出通道数为16，卷积核大小为5，步长为1，填充数为2。
进一步的，步骤S43中所述的非线性层为一个分段线性函数，其构造方式为：将自变量取值空间[-1,1]等间隔分为J段，每个分段区间的控制点为
Figure BDA0003536710880000034
其中，uj表示第j个自变量取值，vj表示uj对应的函数值，J+1表示总的控制点个数。
进一步的，步骤S44中所述的卷积层的参数为：输入通道数为16，输出通道数1，卷积核大小为5，步长为1，填充数为2。
本发明的有益效果：本发明的方法根据SAR回波数据录取过程构建理想条件下的测量模型，然后结合此测量模型建立考虑稀疏采样和测量不准确的SAR成像模型，并通过S-TLS理论和近端算子法推导该成像模型的迭代解，通过展开该迭代解，可以得到SAR成像网络结构，在该网络中，通过卷积层与非线性层近似成像模型中正则项的近端算子函数，最后通过训练数据集和网络的反向传播，学习网络中的参数，以实现稀疏采样和测量不准确条件下的高性能SAR成像。
附图说明
图1为本发明方法的网络结构示意图；
图2为本发明所述SAR系统的几何示意图；
图3为用于仿真验证的原始场景图；
图4为数据采样率为70％时的成像结果图；
图5为数据采样率为50％时的成像结果图；
图6为数据采样率为30％时的成像结果图；
图7为信噪比为10dB的成像结果图。
图8为信噪比为5dB的成像结果图。
图9为信噪比为1dB的成像结果图。
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。
本发明的方法的网络结构如图1所示，图2为本实施方式SAR系统的几何配置示意图，基本参数如表1所示。
表1
Figure BDA0003536710880000041
本实施方式中以TerraSAR-X的高分辨SAR图像为原始场景，结合表1中的系统参数生成网络训练数据集和测试数据集，具体过程如下：
A0.生成原始场景，将高分辨TerraSAR-X SAR图像裁剪为1024×1024大小的图像，将这些图像作为生成回波数据的原始场景；
A.生成回波数据：具体如下：
设置好操作参数后进行回波生成；对所得的回波进行解调，解调后基带回波可以表示为：
Figure BDA0003536710880000051
其中，Ω为SAR图像原始场景，σ(i,j)为原始场景(i,j)处的像素值，wr(·)、wa(·)分别表示距离向和方位向窗函数，本实施例中取简单的矩形窗，Kr表示线性调频信号的调频率，ηc为目标被波束中心穿越时刻，Ta为点目标合成孔径时间大小，τ为距离时间变量，其离散点数为Nrg＝1024，η为方位时间变量，其离散点数为Naz＝1024，R(η)为目标距离历史，其设置为：
Figure BDA0003536710880000052
其中，ζ为加入的随机扰动，即体现由于运动误差导致的测量不准确。
B.设置SAR成像网络参数：图1中网络的总迭代层数T设置为6，近端算子近似模块的迭代层数设置为2。
C.设置SAR成像网络训练参数：训练数据集样本数为6000，测试数据集样本数为100，用于训练过程的批大小(batch size)为60，总期数(epochs)为20，学习率设置为0.001，采用RMSprop优化器。
D.对SAR成像网络进行训练学习：通过上述设置的挽留过参数及网络训练参数，对SAR成像网络进行训练优化。网络训练平台的配置为：Intel Xeon Gold 6128CPU和NVIDIATesla P100 GPU(16G显存)。
E.测试网络：用测试数据集，对训练的网络进行测试，将训练数据集中的回波数据送入到训练好的网络中，输出网络的SAR成像结果，并计算相应的性能指标。
不同数据采样率下的测试结果如表2和图4-6所示，不同信噪比条件下的仿真结果如表3和图7-9所示，其中，均方根误差和图像熵的计算公式如下：
Figure BDA0003536710880000053
Figure BDA0003536710880000054
其中，
Figure BDA0003536710880000055
为网络的成像结果，Xlabel且其对应的原始场景，
Figure BDA0003536710880000056
为图像X的总能量。
表2
Figure BDA0003536710880000061
表3
Figure BDA0003536710880000062
本发明建立了一种用于稀疏采样和测量不准确条件下的SAR成像网络，建立的基于正则化的SAR成像模型，能够解决稀疏采样的问题，同时，通过S-TLS模型解决测量不准确的问题，通过深度网络的方式实现对所提SAR成像模型的求解，在所提出的网络中，构建了用于学习正则项近端算子的网络结构，提高了所提方法的成像性能，及对复杂场景的适用性，且用深度网络实现的方式可有效提高计算效率，以满足实际应用需求。从仿真结果可以看出，本发明的方法具有成像性能优、计算速度快的特点。
本领域的普通技术人员将会意识到，这里所述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)

1.一种面向稀疏采样与观测不准确的SAR成像方法，具体包括如下步骤：
S1.测量模型构建，根据SAR系统参数及回波采样过程，建立理想条件下的测量模型：
y＝Ax+n
其中，y表示以向量形式存储的回波数据，A表示由SAR系统决定的回波数据观测矩阵，x表示观测场景的散射系数，n表示观测噪声；
S2.建立SAR成像模型，在成像模型中，考虑测量不准确引入的测量误差项，成像模型由两部分组成：数据保真度项和正则项；
Figure FDA0004135880130000011
其中，E表示系统观测误差矩阵，
Figure FDA00041358801300000110
表示观测场景的正则化函数，λ表示正则化系数；
S3.推导成像模型的迭代解：
S31.考虑到测量不准确性，建立基于稀疏总最小二乘理论的SAR成像模型：
Figure FDA0004135880130000012
S32.利用前视次梯度和前向后向分裂法和近端算子法对步骤S31的成像模型进行求解，得到所建立的SAR成像模型的迭代解，具体过程如下：
S321.初始化
Figure FDA00041358801300000111
设置正则化系数λ，步长η，最大迭代次数T，当前迭代次数t＝0；
S322.当迭代次数t≤T时，计算梯度值：
Figure FDA0004135880130000013
S323.计算中间变量：
Figure FDA0004135880130000014
S324更新成像结果：
Figure FDA0004135880130000015
其中，
Figure FDA0004135880130000016
为步骤S2建立的成像模型中的正则项对应的近端算子函数；
S325.重复步骤S322～S324，直至满足迭代停止条件；
S4.通过深度展开技术，将步骤S3中的迭代解展开为一个深度网络：
S41.通过S322和S323中
Figure FDA0004135880130000017
和
Figure FDA0004135880130000018
的计算方式，设计用于求解
Figure FDA0004135880130000019
的网络层，该层网络的输入为
Figure FDA0004135880130000021
并输出
Figure FDA0004135880130000022
到下一个层网络；
S42.将上一层的输出输入到一个卷积层，并将卷积层的计算结果输入到下一层；
S43.将S42中卷积层的输出输入到一个非线性层，并将计算结果输出到下一层；
S44.将S43的输出结果输入到一个卷积层，并将卷积层的计算结果输入到下一层；
S45.重复K次步骤S42～S44，并将最后一次S44的输出输入到S41，其中，K表示由S42～S44构成的网络模块的迭代次数；
S46.重构T次步骤S41～S45，其中，T对应与S3中推导的迭代求解方法的最大迭代次数，进而完成了成像深度网络的构建；
S5.准备训练成像网络需要的数据集，数据集中一个回波矩阵及其对应的SAR图像为一个训练样本；
S6.优化网络参数，设置网络训练的参数，具体包括：网络层数、优化器类型、学习率大小、时期数及批大小，并通过后向传播方法对网络参数进行优化，获得最终的SAR成像网络。
2.根据权利要求1所述的一种面向稀疏采样与观测不准确的SAR成像方法，其特征在于，步骤S42中所述的卷积层的参数为：输入通道数1，输出通道数为16，卷积核大小为5，步长为1，填充数为2。
3.根据权利要求2所述的一种面向稀疏采样与观测不准确的SAR成像方法，其特征在于，步骤S43中所述的非线性层为一个分段线性函数，其构造方式为：将自变量取值空间[-1,1]等间隔分为J段，每个分段区间的控制点为
Figure FDA0004135880130000023
其中，uj表示第j个自变量取值，vj表示uj对应的函数值，J+1表示总的控制点个数。
4.根据权利要求2所述的一种面向稀疏采样与观测不准确的SAR成像方法，其特征在于，步骤S44中所述的卷积层的参数为：输入通道数为16，输出通道数1，卷积核大小为5，步长为1，填充数为2。
CN202210227645.3A 2022-03-08 2022-03-08 一种面向稀疏采样与观测不准确的sar成像方法 Active CN114720984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210227645.3A CN114720984B (zh) 2022-03-08 2022-03-08 一种面向稀疏采样与观测不准确的sar成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210227645.3A CN114720984B (zh) 2022-03-08 2022-03-08 一种面向稀疏采样与观测不准确的sar成像方法

Publications (2)

Publication Number Publication Date
CN114720984A CN114720984A (zh) 2022-07-08
CN114720984B true CN114720984B (zh) 2023-04-25

Family

ID=82237714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210227645.3A Active CN114720984B (zh) 2022-03-08 2022-03-08 一种面向稀疏采样与观测不准确的sar成像方法

Country Status (1)

Country Link
CN (1) CN114720984B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870687A (zh) * 2019-03-14 2019-06-11 北京航空航天大学 一种用于互质采样星载sar的成像处理方法
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

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102854505B (zh) * 2012-09-10 2013-11-06 电子科技大学 一种加权稀疏驱动自聚焦sar成像方法
KR20160067881A (ko) * 2013-10-11 2016-06-14 세노 메디컬 인스투르먼츠 인코포레이티드 의료 이미징 내 컴포넌트 분리를 위한 시스템 및 방법
US10660531B1 (en) * 2015-10-16 2020-05-26 Furaxa, Inc. Method and apparatus for non-invasive real-time biomedical imaging of neural and vascular activity
CN105842699B (zh) * 2016-06-02 2019-04-23 中国科学院电子学研究所 合成孔径雷达稀疏成像方法
US9990687B1 (en) * 2017-01-19 2018-06-05 Deep Learning Analytics, LLC Systems and methods for fast and repeatable embedding of high-dimensional data objects using deep learning with power efficient GPU and FPGA-based processing platforms
CN108734171A (zh) * 2017-04-14 2018-11-02 国家海洋环境监测中心 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法
WO2019079647A2 (en) * 2017-10-18 2019-04-25 Wuxi Nextcode Genomics Usa, Inc. IA STATISTICS FOR DEEP LEARNING AND PROBABILISTIC PROGRAMMING, ADVANCED, IN BIOSCIENCES
CN107765225A (zh) * 2017-10-27 2018-03-06 中国人民解放军国防科技大学 基于log度量的稀疏正则化SAR图像旁瓣抑制方法
CN108038445B (zh) * 2017-12-11 2020-09-15 电子科技大学 一种基于多视角深度学习框架的sar自动目标识别方法
CN108872988B (zh) * 2018-07-12 2022-04-08 南京航空航天大学 一种基于卷积神经网络的逆合成孔径雷达成像方法
CN109975805B (zh) * 2019-03-04 2023-04-11 广东工业大学 基于稀疏和全变差联合正则化的多平台星座sar成像方法
CN111077523B (zh) * 2019-12-13 2021-12-21 南京航空航天大学 一种基于生成对抗网络的逆合成孔径雷达成像方法
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
CN113065433B (zh) * 2021-03-23 2024-04-02 南京航空航天大学 一种基于稀疏复图像的sar目标识别方法
CN113534083B (zh) * 2021-05-24 2023-08-08 中国农业大学 基于sar的玉米留茬方式识别方法、装置和介质
CN113269691B (zh) * 2021-05-27 2022-10-21 北京卫星信息工程研究所 一种基于卷积稀疏进行噪声仿射拟合的sar图像去噪方法
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
CN113567982B (zh) * 2021-07-16 2024-02-13 南京航空航天大学 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
CN114019508A (zh) * 2021-11-03 2022-02-08 中国人民解放军空军工程大学 一种基于混合稀疏表示的sar非稀疏场景成像方法
CN114442092B (zh) * 2021-12-31 2024-04-12 北京理工大学 一种分布式无人机sar深度学习三维成像方法
CN115015929B (zh) * 2022-05-27 2024-08-09 电子科技大学 一种基于稀疏模型驱动的高效高精度InSAR相位滤波网络

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870687A (zh) * 2019-03-14 2019-06-11 北京航空航天大学 一种用于互质采样星载sar的成像处理方法
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

Also Published As

Publication number Publication date
CN114720984A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN109683161B (zh) 一种基于深度admm网络的逆合成孔径雷达成像的方法
CN112099008B (zh) 基于cv-admmn的sa-isar成像与自聚焦方法
CN110675321B (zh) 一种基于渐进式的深度残差网络的超分辨率图像重建方法
CN113567985B (zh) 逆合成孔径雷达成像方法、装置、电子设备及存储介质
CN111161146B (zh) 一种由粗糙到精细的单张图像超分辨率重建方法
CN115097454B (zh) 一种基于逆白化的合成孔径雷达增量成像处理方法及系统
CN104181528B (zh) 基于bp优化的压缩感知多层isar成像方法
CN114442092B (zh) 一种分布式无人机sar深度学习三维成像方法
CN115097453B (zh) 一种地球同步轨道合成孔径雷达增量成像处理方法及系统
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
CN105929397B (zh) 基于正则化的偏置相位中心天线成像方法
CN115079171A (zh) 基于混合范数的自适应稀疏约束逆合成孔径雷达成像方法
CN113899453A (zh) 一种基于亚采样的快速光谱成像系统及成像方法
CN114720984B (zh) 一种面向稀疏采样与观测不准确的sar成像方法
CN103728617B (zh) 双基地合成孔径雷达时域快速成像方法
CN112946644A (zh) 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法
CN116027293A (zh) 一种扫描雷达快速稀疏角超分辨方法
CN116243313A (zh) 一种基于距离分区的sar快速智能稀疏自聚焦技术
CN111239731A (zh) 基于神经网络的合成孔径雷达快速成像方法及装置
CN105068071A (zh) 一种基于反投影算子的快速成像方法
CN117289272B (zh) 基于非凸稀疏优化的正则化合成孔径雷达成像方法
CN117761694B (zh) 一种压缩感知雷达超分辨成像方法、系统及设备
Chen et al. SAR Change Imaging in the Sparse Transform Domain Based On Block Coordinate Descent Algorithm
Chen et al. Non-sparse SAR imaging from quadrature compressive measurements based on magnitude-phase separation
CN114879188B (zh) 模型自适应的深度学习sar三维成像方法

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