CN114841223B - 一种基于深度学习的微波成像方法和系统 - Google Patents

一种基于深度学习的微波成像方法和系统 Download PDF

Info

Publication number
CN114841223B
CN114841223B CN202210778396.7A CN202210778396A CN114841223B CN 114841223 B CN114841223 B CN 114841223B CN 202210778396 A CN202210778396 A CN 202210778396A CN 114841223 B CN114841223 B CN 114841223B
Authority
CN
China
Prior art keywords
network
sparse sampling
microwave imaging
echo signal
antenna array
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
CN202210778396.7A
Other languages
English (en)
Other versions
CN114841223A (zh
Inventor
边丽蘅
李道钰
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 Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210778396.7A priority Critical patent/CN114841223B/zh
Publication of CN114841223A publication Critical patent/CN114841223A/zh
Application granted granted Critical
Publication of CN114841223B publication Critical patent/CN114841223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于深度学习的微波成像方法和系统，该方法包括：通过训练稀疏采样矩阵和微波成像网络，得到训练好的稀疏采样矩阵和微波成像网络；根据训练好的稀疏采样矩阵确定天线阵元的位置分布，并按照天线阵元的位置分布安装天线阵元，构建稀疏采样天线阵列；通过稀疏采样天线阵列对目标场景进行探测，得到稀疏采样回波信号；将稀疏采样回波信号输入训练好的微波成像网络，输出重建目标场景数据。本发明通过稀疏采样天线阵列设计与深度神经网络重建，实现快速、低成本与高质量的微波成像。

Description

一种基于深度学习的微波成像方法和系统
技术领域
本发明涉及计算摄像学技术领域，尤其涉及一种基于深度学习的微波成像方法和系统。
背景技术
根据波段选择的区别，传统的人体成像技术包括：可见光成像、X射线成像、红外成像等。可见光与红外光由于穿透性较差，对于隐匿物体的探测与识别能力差，无法满足安检系统的需要。而X射线对人体具有一定的伤害，且涉及个人隐私问题，在部分国家和地区已立法禁止X射线用于人体安检成像。
微波具有优秀的穿透性，合格的成像分辨率，以及对人体危害小等特性，是最适合人体安检成像的波段。目前微波成像系统主要分为扫描式与面阵式两种类型，其中扫描式成像系统通过点扫描或线扫描的方式，扫描接收经人体反射的回波信号；而面阵式成像系统不需要扫描，面阵天线阵列同时接收回波。扫描式成像系统成本较低，但其成像速度慢，且目标在扫描期间稍有运动则会影响最终成像质量，不适用于非合作式安检成像；面阵式成像系统成像速度快，成像质量高，适用于非合作式安检成像，但其成本远高于扫描式成像系统。因此，研究同时满足低成本、快速、高质量的安检成像系统是微波安检成像的重要问题。
传统的微波安检成像算法包括后向投影（BP）算法、波数域（ωK）算法等方法。后向投影算法逐点补偿由于散射点和采样点之间空间距离造成的回波信号的相位差别，再将各采样点回波进行相干叠加；波数域算法将时域回波信号变换到频域进行处理，对空间采样孔径获取的干涉回波信号在方位向和高度向上进行二维空间傅里叶变换，将其变换至二维波数域中，然后使用参考函数与干涉回波信号的二维波数谱相乘，通过二维空间傅里叶逆变换将信号变换到空间域得到重建场景。上述两种算法的抗噪性与抗干扰能力较差，在稀疏采样、大噪声或强干扰等情况下重建精度较差。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种基于深度学习的微波成像方法，利用深度神经网络训练稀疏采样方式，并通过网络由稀疏采样回波信号得到初始重建场景，然后利用基于物理模型的无监督增强得到最终重建场景，实现快速、低成本与高质量的微波安检成像。
本发明的另一个目的在于提出一种基于深度学习的微波成像系统。
为达上述目的，本发明一方面提出了一种基于深度学习的微波成像方法，包括：
通过训练稀疏采样矩阵和微波成像网络，得到训练好的稀疏采样矩阵和微波成像网络；
根据所述训练好的稀疏采样矩阵确定天线阵元的位置分布，并按照所述天线阵元的位置分布安装天线阵元，构建稀疏采样天线阵列；
利用所述稀疏采样天线阵列对目标场景进行探测，得到稀疏采样回波信号；
将所述稀疏采样回波信号输入所述训练好的微波成像网络，输出重建目标场景数据。
另外，根据本发明上述实施例的基于深度学习的微波成像方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述通过训练稀疏采样矩阵和微波成像网络，得到训练好的稀疏采样矩阵和微波成像网络，包括：
获取微波成像网络的成像数据集；
建立稀疏采样矩阵和微波成像网络；
通过所述成像数据集训练所述稀疏采样矩阵和微波成像网络的网络参数，得到所述训练好的稀疏采样矩阵和微波成像网络。
进一步地，在本发明的一个实施例中，所述获取微波成像网络的成像数据集，包括：
通过全采样天线阵列探测所述目标场景，得到全采样目标回波信号；
通过微波成像方法并根据所述全采样目标回波信号计算生成所述成像数据集。
进一步地，在本发明的一个实施例中，所述将所述稀疏采样回波信号输入所述训练好的微波成像网络，输出重建目标场景数据，包括：
通过所述稀疏采样矩阵处理所述全采样目标回波信号，得到所述稀疏采样回波信号；
将所述稀疏采样回波信号输入所述训练好的微波成像网络输出重建目标场景数据。
进一步地，所述将所述稀疏采样回波信号输入所述训练好的微波成像网络，输出重建目标场景数据，包括：
将所述稀疏采样回波信号输入微波成像网络，利用信号传播的物理模型计算网络重建场景对应的重建回波信号；
优化所述微波成像网络的网络参数使得所述重建回波信号与所述稀疏采样回波信号之间的误差达到预设阈值，以通过所述微波成像网络输出重建目标场景数据。
为达到上述目的，本发明另一方面提出了一种基于深度学习的微波成像系统，包括：
网络训练模块，用于通过训练稀疏采样矩阵和微波成像网络，得到训练好的稀疏采样矩阵和微波成像网络；其中，所述稀疏采样矩阵包括稀疏天线阵列的天线阵元；
阵列构建模块，用于根据所述训练好的稀疏采样矩阵确定天线阵元的位置分布，并按照所述天线阵元的位置分布安装天线阵元，构建稀疏采样天线阵列；
信号探测模块，通过所述稀疏采样天线阵列对目标场景进行探测，得到稀疏采样回波信号；
数据重建模块，用于将所述稀疏采样回波信号输入所述训练好的微波成像网络，输出重建目标场景数据。
本发明实施例的基于深度学习的微波成像方法和系统，通过稀疏采样天线阵列设计与深度神经网络重建，实现快速、低成本与高质量的微波安检成像。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的基于深度学习的微波成像方法流程图；
图2为根据本发明实施例的基于稀疏采样的微波安检成像方法的架构示意图；
图3为根据本发明实施例的稀疏采样矩阵与微波成像网络训练优化示意图；
图4为根据本发明实施例的重建目标场景的方法流程图；
图5为根据本发明实施例的基于深度学习的微波成像系统结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的基于深度学习的微波成像方法及系统。
图1是本发明一个实施例的基于深度学习的微波成像方法的流程图。
如图1所示，该方法包括但不限于以下步骤：
S1，通过训练稀疏采样矩阵和微波成像网络，得到训练好的稀疏采样矩阵和微波成像网络；
S2，根据训练好的稀疏采样矩阵确定天线阵元的位置分布，并按照天线阵元的位置分布安装天线阵元，构建稀疏采样天线阵列；
S3，利用稀疏采样天线阵列对目标场景进行探测，得到稀疏采样回波信号；
S4，将稀疏采样回波信号输入训练好的微波成像网络，输出重建目标场景数据。
具体的，结合附图对本发明实施例进行详细阐述。
如图2所示，本发明实施例的微波安检成像系统以自收自发单站形式为例，采用稀疏采样天线阵列设计，由稀疏采样天线阵列采集稀疏采样回波信号。稀疏采样回波信号
Figure 957546DEST_PATH_IMAGE001
经过微波成像网络
Figure 771919DEST_PATH_IMAGE002
（其中
Figure 594381DEST_PATH_IMAGE003
为网络参数）重建目标场景
Figure 861414DEST_PATH_IMAGE004
。
作为一种实例，获取微波成像网络的成像数据集；建立稀疏采样矩阵和微波成像网络；通过成像数据集训练稀疏采样矩阵和微波成像网络的网络参数，得到训练好的稀疏采样矩阵和微波成像网络。
可以理解的是，稀疏采样矩阵与微波成像网络是同时进行训练优化的。如图3所示，已知稀疏采样矩阵与微波成像网络同时进行训练优化，微波成像数据集中的全采样目标回波信号，经过稀疏采样矩阵得到稀疏采样回波信号，微波成像网络输入稀疏采样回波信号输出重建场景，训练优化稀疏采样矩阵
Figure 122632DEST_PATH_IMAGE005
与微波成像网络参数
Figure 791510DEST_PATH_IMAGE006
，直至重建场景与微波成像数据集中的真实重建场景误差达到设定阈值后即可判定收敛。
作为一种实例，通过全采样天线阵列探测所述目标场景，得到全采样目标回波信号；通过微波成像方法并根据全采样目标回波信号计算得到成像数据集。
具体的，微波成像数据集中的真实重建场景由全采样目标回波信号利用传统微波成像方法计算生成。
进一步地，输出重建目标场景数据可以通过，稀疏采样矩阵处理全采样目标回波信号，得到稀疏采样回波信号，将稀疏采样回波信号输入微波成像网络输出重建目标场景数据。
也可以通过，将稀疏采样回波信号输入微波成像网络，利用信号传播的物理模型计算网络重建场景对应的重建回波信号；优化微波成像网络的网络参数使得重建回波信号与稀疏采样回波信号之间的误差达到预设阈值，以通过微波成像网络输出重建目标场景数据。
如图4所示，使用稀疏采样天线阵列对目标进行探测，得到稀疏采样回波信号。将稀疏采样回波信号输入微波成像网络获得目标重建场景。包含两种方法：方法一：将稀疏采样回波信号输入训练好的微波成像网络，网络输出重建目标场景数据；方法二：基于物理模型的方法，具体地，将稀疏采样回波信号输入微波成像网络，利用信号传播的物理模型计算网络重建场景对应的重建回波信号，优化网络参数使得重建回波信号与稀疏采样回波信号之间的误差达到设定阈值，此时微波成像网络输出重建场景即为重建目标场景数据。
根据本发明实施例的基于深度学习的微波成像方法，通过稀疏采样天线阵列设计与深度神经网络重建，实现快速、低成本与高质量的微波安检成像。
为了实现上述实施例，如图5所示，本实施例中还提供了基于深度学习的微波成像系统10，该系统10包括：网络训练模块100、阵列构建模块200、信号探测模块300和数据重建模块400。
网络训练模块100，用于通过训练稀疏采样矩阵和微波成像网络，得到训练好的稀疏采样矩阵和微波成像网络；
阵列构建模块200，用于根据训练好的稀疏采样矩阵确定天线阵元的位置分布，并按照天线阵元的位置分布安装天线阵元，构建稀疏采样天线阵列；
信号探测模块300，用于利用稀疏采样天线阵列对目标场景进行探测，得到稀疏采样回波信号；
数据重建模块400，用于将稀疏采样回波信号输入训练好的微波成像网络，输出重建目标场景数据。
进一步地，上述网络训练模块100，包括：
训练集获取单元，用于获取微波成像网络的成像数据集；
网络构建单元，用于建立稀疏采样矩阵和微波成像网络；
网络参数训练单元，用于通过成像数据集训练稀疏采样矩阵和微波成像网络的网络参数，得到训练好的稀疏采样矩阵和微波成像网络。
进一步地，上述训练集获取单元，包括：
全采样获取单元，用于通过全采样天线阵列探测所述目标场景数据，得到全采样目标回波信号；
真实数据获取单元，用于通过微波成像方法并根据全采样目标回波信号计算生成所述成像数据集。
进一步地，上述数据重建模块400，还用于：
通过稀疏采样矩阵处理所述全采样目标回波信号，得到稀疏采样回波信号；将稀疏采样回波信号输入训练好的微波成像网络输出重建目标场景数据。
进一步地，上述数据重建模块400，还用于：
将稀疏采样回波信号输入微波成像网络，利用信号传播的物理模型计算网络重建场景对应的重建回波信号；优化微波成像网络的网络参数使得重建回波信号与稀疏采样回波信号之间的误差达到预设阈值，以通过微波成像网络输出重建目标场景数据。
根据本发明实施例的基于深度学习的微波成像系统，通过稀疏采样天线阵列设计与深度神经网络重建，实现快速、低成本与高质量的微波安检成像。
需要说明的是，前述对基于深度学习的微波成像方法实施例的解释说明也适用于该实施例的基于深度学习的微波成像系统，此处不再赘述。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种基于深度学习的微波成像方法，其特征在于，包括以下步骤：
通过训练稀疏采样矩阵和微波成像网络，得到训练好的稀疏采样矩阵和微波成像网络；
根据所述训练好的稀疏采样矩阵确定天线阵元的位置分布，并按照所述天线阵元的位置分布安装天线阵元，构建稀疏采样天线阵列；
利用所述稀疏采样天线阵列对目标场景进行探测，得到稀疏采样回波信号；
将所述稀疏采样回波信号输入所述训练好的微波成像网络，输出重建目标场景数据；
所述通过训练稀疏采样矩阵和微波成像网络，得到训练好的稀疏采样矩阵和微波成像网络，包括：
获取微波成像网络的成像数据集；
建立稀疏采样矩阵和微波成像网络；
通过所述成像数据集训练所述稀疏采样矩阵和微波成像网络的网络参数，得到所述训练好的稀疏采样矩阵和微波成像网络；
所述将所述稀疏采样回波信号输入所述训练好的微波成像网络，输出重建目标场景数据，包括：
将所述稀疏采样回波信号输入微波成像网络，利用信号传播的物理模型计算网络重建场景对应的重建回波信号；
优化所述微波成像网络的网络参数使得所述重建回波信号与所述稀疏采样回波信号之间的误差达到预设阈值，以通过所述微波成像网络输出重建目标场景数据。
2.根据权利要求1所述的方法，其特征在于，所述获取微波成像网络的成像数据集，包括：
通过全采样天线阵列探测所述目标场景，得到全采样目标回波信号；
通过微波成像方法并根据所述全采样目标回波信号计算生成所述成像数据集。
3.一种基于深度学习的微波成像系统，其特征在于，包括：
网络训练模块，用于通过训练稀疏采样矩阵和微波成像网络，得到训练好的稀疏采样矩阵和微波成像网络；
阵列构建模块，用于根据所述训练好的稀疏采样矩阵确定天线阵元的位置分布，并按照所述天线阵元的位置分布安装天线阵元，构建稀疏采样天线阵列；
信号探测模块，用于利用所述稀疏采样天线阵列对目标场景进行探测，得到稀疏采样回波信号；
数据重建模块，用于将所述稀疏采样回波信号输入所述训练好的微波成像网络，输出重建目标场景数据；
所述网络训练模块，包括：
训练集获取单元，用于获取微波成像网络的成像数据集；
网络构建单元，用于建立稀疏采样矩阵和微波成像网络；
网络参数训练单元，用于通过所述成像数据集训练所述稀疏采样矩阵和微波成像网络的网络参数，得到所述训练好的稀疏采样矩阵和微波成像网络；
所述数据重建模块，还用于：
将所述稀疏采样回波信号输入微波成像网络，利用信号传播的物理模型计算网络重建场景对应的重建回波信号；优化所述微波成像网络的网络参数使得所述重建回波信号与所述稀疏采样回波信号之间的误差达到预设阈值，以通过所述微波成像网络输出重建目标场景数据。
4.根据权利要求3所述的系统，其特征在于，所述训练集获取单元，包括：
全采样获取单元，用于通过全采样天线阵列探测所述目标场景数据，得到全采样目标回波信号；
真实数据获取单元，用于通过微波成像方法并根据所述全采样目标回波信号计算生成所述成像数据集。
CN202210778396.7A 2022-07-04 2022-07-04 一种基于深度学习的微波成像方法和系统 Active CN114841223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210778396.7A CN114841223B (zh) 2022-07-04 2022-07-04 一种基于深度学习的微波成像方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210778396.7A CN114841223B (zh) 2022-07-04 2022-07-04 一种基于深度学习的微波成像方法和系统

Publications (2)

Publication Number Publication Date
CN114841223A CN114841223A (zh) 2022-08-02
CN114841223B true CN114841223B (zh) 2022-09-20

Family

ID=82574845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210778396.7A Active CN114841223B (zh) 2022-07-04 2022-07-04 一种基于深度学习的微波成像方法和系统

Country Status (1)

Country Link
CN (1) CN114841223B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109147036A (zh) * 2018-08-03 2019-01-04 北京航空航天大学 一种基于深度学习的集成成像微图像阵列快速生成方法
CN112764116A (zh) * 2020-12-24 2021-05-07 博微太赫兹信息科技有限公司 一种稀疏阵列稀疏频点平面扫描体制快速成像方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780342A (zh) * 2016-12-28 2017-05-31 深圳市华星光电技术有限公司 基于稀疏域重构的单帧图像超分辨重建方法及装置
CN110717478B (zh) * 2019-10-22 2023-04-07 中国电子科技集团公司信息科学研究院 一种基于微波的物体检测系统及方法
CN112712132A (zh) * 2021-01-14 2021-04-27 浙江农林大学 冬笋探测方法、装置及基于微波反射法的冬笋探测系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109147036A (zh) * 2018-08-03 2019-01-04 北京航空航天大学 一种基于深度学习的集成成像微图像阵列快速生成方法
CN112764116A (zh) * 2020-12-24 2021-05-07 博微太赫兹信息科技有限公司 一种稀疏阵列稀疏频点平面扫描体制快速成像方法

Also Published As

Publication number Publication date
CN114841223A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
Zhang et al. Resolution enhancement for large-scale real beam mapping based on adaptive low-rank approximation
US9250323B2 (en) Target detection utilizing image array comparison
US11789142B2 (en) Graph-based array signal denoising for perturbed synthetic aperture radar
CN110726992B (zh) 基于结构稀疏和熵联合约束的sa-isar自聚焦法
Xenaki et al. Compressive synthetic aperture sonar imaging with distributed optimization
Wu et al. Super-resolution for MIMO array SAR 3-D imaging based on compressive sensing and deep neural network
CN110954885A (zh) 基于sbl的捷变频雷达自适应目标重构方法
Wang et al. Efficient ADMM framework based on functional measurement model for mmW 3-D SAR imaging
CN112198506A (zh) 一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质
CN110554384A (zh) 一种基于微波信号的成像方法
Liang et al. Accurate near-field millimeter-wave imaging of concave objects—A case study of dihedral structures under monostatic array configurations
Zhang et al. Frequency‐domain multireceiver synthetic aperture sonar imagery with Chebyshev polynomials
CN109884627A (zh) 任意线阵构型的近程毫米波快速三维成像方法
US20110175625A1 (en) Electromagnetic body scanning system, a method and a computer program product
CN106373103A (zh) 一种超声数据的复合方法及装置
CN106680809B (zh) 一种穿墙雷达自聚焦压缩感知成像方法
Wei et al. Learning-based split unfolding framework for 3-D mmW radar sparse imaging
CN113484859B (zh) 一种基于融合技术的二维超分辨雷达成像方法
Rostami et al. A deep learning approach for reconstruction in millimeter-wave imaging systems
CN113534077A (zh) 一种雷达辐射源威力反演方法、装置及电子设备
CN114841223B (zh) 一种基于深度学习的微波成像方法和系统
Ge et al. Efficient near-field millimeter-wave sparse imaging technique utilizing one-bit measurements
Pham et al. A Noise-Robust Method with Smoothed ℓ1/ℓ2 Regularization for Sparse Moving-Source Mapping
CN117368877A (zh) 基于生成对抗学习的雷达图像杂波抑制与目标检测方法
CN117436329A (zh) 一种基于机器学习的合成孔径雷达图像风向反演方法

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