CN114966693A - 基于深度学习的机载舰船目标isar精细化成像方法 - Google Patents
基于深度学习的机载舰船目标isar精细化成像方法 Download PDFInfo
- Publication number
- CN114966693A CN114966693A CN202210851335.9A CN202210851335A CN114966693A CN 114966693 A CN114966693 A CN 114966693A CN 202210851335 A CN202210851335 A CN 202210851335A CN 114966693 A CN114966693 A CN 114966693A
- Authority
- CN
- China
- Prior art keywords
- data
- distance
- image
- value
- azimuth
- 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
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
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
-
- 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
- G01S13/9005—SAR image acquisition techniques with optical processing of the SAR signals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于深度学习的机载舰船目标ISAR精细成像方法,属于雷达信号处理微波成像技术领域。本发明通过采用SAR粗聚焦成像、深度学习目标精确提取分割、ISAR精细聚焦成像、图像定标及实测数据验证,最终实现舰船目标的精细聚焦定标ISAR成像,与现有技术相比,本发明通过迁移学习的方法,利用深度神经网络U‑Net对粗聚焦的舰船目标SAR图像进行分割提取,高效提升了舰船目标分割提取的精准性,同时降低运算量,利于工程实现,提升舰船目标识别和精准分辨能力。
Description
技术领域
本发明属于雷达信号处理微波成像技术领域,具体涉及一种用于机载雷达舰船目标ISAR精细成像与目标识别的方法。
背景技术
光学方法和雷达传感器是探测海面舰船的主要手段,采用光学方法得到的海面舰船成像分辨率高,易于识别,缺陷是受恶劣环境影响大;相对于光学方法,雷达传感器具有全天候、全天时、不受天气限制等显著优点,因此在舰船目标检测领域受到广泛关注。
SAR(Synthetic Aperture Radar,合成孔径雷达)具有全天时、全天候、不受天气限制、高分辨等优点外,在军事应用中还具有广泛应用前景;然而SAR成像针对的是静止目标,舰船目标在SAR图像上是散焦的;因此,基于舰船目标的非合作性,采用ISAR(InverseSynthetic Aperture Radar,逆合成孔径雷达)成像手段对舰船目标进行处理,以得到舰船聚焦图像。
在实际情况中,雷达平台和舰船目标均在运动,所以得到的雷达回波里具有SAR和ISAR成分,使得成像环境十分复杂;加之舰船目标存在横滚、俯仰和偏航,在多个舰船目标的情况下,由于运动特性不同,因此无法单独使用SAR对多个舰船目标同时成像,且在同一雷达波束内存在距离上和方位上分不开的多个舰船目标,单独使用ISAR成像,从距离向和方位向上是无法从混合回波中分离出每一个舰船目标的回波信号,也不可能同时对每个舰船目标进行运动补偿。
当前舰船目标ISAR成像方法面临目标分割提取不精准、算法步骤繁琐、运算量大、图像定标误差大等难题,难以精细化聚焦成像,不利于工程实现及实际应用需求。
发明内容
本发明所要解决的技术问题是针对以上现有技术存在的不足,提出一种基于深度学习的机载舰船目标ISAR精细成像方法,考虑采用SAR粗聚焦成像、深度学习目标精确提取分割、ISAR精细聚焦成像、图像定标及实测数据验证,实现舰船目标的精细聚焦定标ISAR成像,降低运算量,利于工程实现,提升舰船目标识别和精准分辨能力。
本发明为解决以上技术问题,采用以下技术方案:
本发明提出了一种基于深度学习的机载舰船目标ISAR精细化成像方法,包括以下步骤:
S1、建立机载SAR对海面舰船目标成像几何模型;
S10、定标参数估计:利用去调频斜率Dechirp算法对目标高分辨瞬时成像,输入信号为第六图像数据,最终得到方位成像处理结果;
S12、图像定标:基于包括调频率样本在内的信息,估计图像距离和方位向刻度;
本发明采用以上技术方案,与现有技术相比具有如下技术效果:
(1)通过迁移学习的方法,利用深度神经网络U-Net对粗聚焦的舰船目标SAR图像进行分割提取,高效提升了舰船目标进行分割提取的精准性。
(2)采用深度学习目标分割提取、成像时间优选、定标参数估计、图像量化及图像定标等方法,实现了舰船目标ISAR精细化成像。
(3)通过实测数据对本发明所提方法进行了验证,利于工程实现。
(4)本发明所提方法对多舰船目标的情况,同样也适用,利于应用拓展。
附图说明
图1 是本发明处理流程图。
图2 为机载SAR对海面舰船目标成像几何模型图。
图3 为基于多普勒中心估计的成像时间最优选取结果图。
图4 是本发明舰船ISAR精细成像处理结果图(图中:横坐标为方位门数序号,纵坐标为距离门数序号)。
图5 是现有技术舰船ISAR成像量化定标处理结果图(图中:横坐标为方位门数序号,纵坐标为距离门数序号)。
图6 为本发明舰船ISAR精细成像量化定标处理结果图(图中:横坐标为方位门数序号,纵坐标为距离门数序号)。
具体实施方式
为使得对本发明的技术解决方案更加明晰的展示,下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
本实施例是基于深度学习的机载舰船目标ISAR精细化成像方法,利用X波段机载舰船ISAR实测数据对本发明算法进行了验证,参照处理流出图1,具体实施方案步骤如下:
一、建立机载SAR对海面舰船目标成像几何模型。
其中,表示复数符号,表示机载SAR的载机速度,表示方位慢时间,表示时刻机载SAR的载机高度,表示时舰船目标在轴的速度分量,表示时舰船目标在轴的速度分量,表示时舰船目标在轴的速度分量,表示
机载SAR波束射线指向的斜视角,表示机载SAR波束中心线扫过舰船目标时的斜距,为
光速,为距离块时间,表示机载斜视SAR发射线性调频信号的调频率,为波长,
表示机载SAR发射线性调频信号的方位窗函数,表示机载SAR发射线性调频信号的
窗函数,表示指数函数。
二、将机载SAR的原始回波信号变换到距离时域,完成距离脉压处理。
将第一回波信号数据在脉冲维划分成多个子块回波数据,在每个子块回
波数据中取512个脉冲的回波数据,计算每个距离门所对应的相关系数,利用多普勒中心频
率计算公式求取每个距离门所对应的多普勒中心频率,并排序,取中间值作为多普勒中心
频率的估计,利用不模糊多普勒频率,计算模糊倍数,获得最终子块回波数据多普勒
中心频率的估计值,构造运动补偿函数,对第一回波信号数据进行距离FFT,并与运
动补偿函数相乘,获得运动补偿后的第一校正数据。具体步骤如下:
(1)第1子块回波数据每个距离门所对应的多普勒中心频率采用原始回波数据
最前面的512个脉冲估计,从第2子块开始,采用上一子块的最后512个脉冲来估计当前子块
回波数据每个距离门所对应的多普勒中心频率,计算每个距离门的相关系数值,第
个距离门所对应的相关系数值为
七、采用深度神经网络U-Net对中值滤波处理后的图像数据进行目标分割提取。
(1)目标函数优化
采用目标掩蔽(mask)与预测的交叉熵损失作为损失函数,其表达式如下:
(2)预训练
采用迁移学习的方法,首先在kaggle公司的Carvana Image Masking Challenge数据集上进行训练。然后利用RSOD Dataset数据集,对模型参数进行训练,得到最终的模型。Carvana Image Masking Challenge数据集包含5000 多个分割标注样本,预训练时设置批次为1,学习率为0.1,训练 200 个轮回后保存模型参数,用于之后的训练。
(3)训练
(4)舰船目标进行边界检测
九、最优成像时间选取。
所谓最优,是指能够获得高质量(图像清晰,聚焦好)目标像的时间段,在该观测时间内,目标上各散射点回波信号的多普勒频率恒定,处理结果如图3所示,本实施例选取优选区间1。具体步骤如下:
(2)求多普勒曲线相邻多普勒中心频率之差的绝对值;
(3)取多普勒曲线中相邻绝对值间多普勒中心之差绝对值最大的时间区段作为ISAR的最优成像时间的选取区段。
十、对目标截取数据,按相关法进行包络对齐处理。
十三、定标参数估计
(2)由估计的调频率构造分量信号,并估计调频分量的峰值位置信息,计算公式如下:
(4)估计线性调频分量信号,计算公式如下:
其中,表示形成指定维数的零矩阵,为插值倍数,代表方位门数,表
示复数符号,为移位函数,为分解次数,表示求绝对值;和分别为调频分量主峰位置左右截止点,为调频率精确估计值,、、、为
相应公式计算结果,为调频率精确校正后的图像数据,为调频率精确估计值最终结
果,为调频率精确校正之前图像数据的幅度值。
十四、方位压缩:
十五、图像量化,具体步骤如下:
(4)根据二值化结果确定目标的径向范围,计算公式如下:
图5为现有技术量化定标处理结果,图6为本发明量化定标处理结果(图中横坐标为方位门数序号,纵坐标为距离门数序号),相比舰船目标ISAR成像处理结果来看,本发明实现了机载舰船目标ISAR精细化成像,拓展了机载舰船目标ISAR成像应用,利于海面舰船目标检测与精准识别。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,但是在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的机载舰船目标ISAR精细化成像方法,其特征在于,包括以下步骤:
S1、建立机载SAR对海面舰船目标成像几何模型;
S12、图像定标:基于包括调频率样本在内的信息,估计图像距离和方位向刻度;
3.根据权利要求2所述的基于深度学习的机载舰船目标ISAR精细化成像方法,其特征在于,步骤S3的具体步骤如下:
(1)第1子块回波数据每个距离门所对应的多普勒中心频率采用原始回波数据最前
面的512个脉冲估计,从第2子块开始,采用上一子块的最后512个脉冲来估计当前子块回波
数据每个距离门所对应的多普勒中心频率,计算每个距离门的相关系数值,第个距
离门所对应的相关系数值为
(1)目标函数优化
采用目标掩蔽与预测的交叉熵损失作为损失函数,其表达式如下:
(2)预训练
采用迁移学习的方法,首先在kaggle公司的Carvana Image Masking Challenge数据集上进行训练;然后利用RSOD Dataset数据集,对模型参数进行训练,得到最终的模型,预训练时设置批次为1,学习率为0.1,训练 200 个轮回后保存模型参数,用于之后的训练;
(3)训练
(4)舰船目标进行边界检测
10.根据权利要求9所述的基于深度学习的机载舰船目标ISAR精细化成像方法,其特征在于,步骤S10中,定标参数估计具体处理步骤如下:
(2)、由估计的调频率构造分量信号,并估计调频分量的峰值位置信息,计算公式如下:
(4)、估计线性调频分量信号,计算公式如下:
其中,表示形成指定维数的零矩阵,为插值倍数,代表方位门数,表示复
数符号,为移位函数,为分解次数,表示求绝对值;和分
别为调频分量主峰位置左右截止点,为调频率精确估计值,、、、为相应
公式计算结果,为调频率精确校正后的图像数据,为调频率精确估计值最终结果,为调频率精确校正之前图像数据的幅度值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210851335.9A CN114966693B (zh) | 2022-07-20 | 2022-07-20 | 基于深度学习的机载舰船目标isar精细化成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210851335.9A CN114966693B (zh) | 2022-07-20 | 2022-07-20 | 基于深度学习的机载舰船目标isar精细化成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114966693A true CN114966693A (zh) | 2022-08-30 |
CN114966693B CN114966693B (zh) | 2022-11-04 |
Family
ID=82968748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210851335.9A Active CN114966693B (zh) | 2022-07-20 | 2022-07-20 | 基于深度学习的机载舰船目标isar精细化成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114966693B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117705830A (zh) * | 2024-02-05 | 2024-03-15 | 南京信息工程大学 | 一种基于U2Net框架下频分DBIM优化的超宽带微波成像方法 |
CN117761696A (zh) * | 2024-02-22 | 2024-03-26 | 中国科学院空天信息创新研究院 | 一种基于投影图抽取的sar快速后向投影成像方法 |
Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5164730A (en) * | 1991-10-28 | 1992-11-17 | Hughes Aircraft Company | Method and apparatus for determining a cross-range scale factor in inverse synthetic aperture radar systems |
US20090121926A1 (en) * | 2007-11-09 | 2009-05-14 | The Boeing Company | Multi-spot inverse synthetic aperture radar imaging |
CN102944875A (zh) * | 2012-11-21 | 2013-02-27 | 西安电子科技大学 | Isar图像距离单元选择横向定标方法 |
CN103616685A (zh) * | 2013-12-04 | 2014-03-05 | 西安电子科技大学 | 基于图像特征的isar图像几何定标方法 |
CN103698765A (zh) * | 2013-12-27 | 2014-04-02 | 西安电子科技大学 | 一种isar成像方位定标方法 |
US20140285371A1 (en) * | 2013-03-20 | 2014-09-25 | Raytheon Company | Bistatic inverse synthetic aperture radar imaging |
CN104391286A (zh) * | 2014-12-10 | 2015-03-04 | 中国电子科技集团公司第二十研究所 | 一种逆合成孔径雷达方位定标方法 |
CN105974410A (zh) * | 2016-04-28 | 2016-09-28 | 西安电子科技大学 | 机载雷达的多舰船目标sar和isar混合成像方法 |
CN106154265A (zh) * | 2016-06-23 | 2016-11-23 | 西安空间无线电技术研究所 | 一种基于频域移位的去斜体制雷达isar包络对齐方法 |
CN106526591A (zh) * | 2016-12-02 | 2017-03-22 | 上海无线电设备研究所 | 机动目标高分辨isar子孔径融合成像方法 |
KR20170097373A (ko) * | 2016-02-18 | 2017-08-28 | 포항공과대학교 산학협력단 | 주성분 분석 기법을 이용한 역합성 개구면 레이더 영상의 횡단거리방향 스케일링 장치 및 그 방법 |
CN107255817A (zh) * | 2017-07-02 | 2017-10-17 | 中国航空工业集团公司雷华电子技术研究所 | 基于参数估计法的isar图像方位向定标方法 |
CN107942329A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 机动平台单通道sar对海面舰船目标检测方法 |
CN108445490A (zh) * | 2018-03-13 | 2018-08-24 | 电子科技大学 | 基于时域反投影与粒子群优化的isar成像方法 |
CN109085590A (zh) * | 2018-10-16 | 2018-12-25 | 中国人民解放军国防科技大学 | 基于arp分段相参积累宽带直采数据isar成像方法 |
CN110161498A (zh) * | 2019-04-23 | 2019-08-23 | 哈尔滨工程大学 | 一种基于rccd变换的逆合成孔径雷达定标方法 |
CN110910413A (zh) * | 2019-11-28 | 2020-03-24 | 中国人民解放军战略支援部队航天工程大学 | 一种基于U-Net的ISAR图像分割方法 |
CN111208513A (zh) * | 2020-01-15 | 2020-05-29 | 西安电子科技大学 | 空间目标isar图像序列能量反向投影与三维重构方法 |
CN111781595A (zh) * | 2020-06-28 | 2020-10-16 | 中国人民解放军空军工程大学 | 基于匹配搜索和多普勒解模糊的复杂机动群目标成像方法 |
CN111856466A (zh) * | 2020-08-14 | 2020-10-30 | 重庆航天火箭电子技术有限公司 | 一种高效的复杂运动目标isar平动补偿方法 |
CN112684446A (zh) * | 2020-12-02 | 2021-04-20 | 中国人民解放军国防科技大学 | 基于最小熵准则的Bi-ISAR横向定标与畸变校正方法 |
CN113012075A (zh) * | 2021-04-22 | 2021-06-22 | 中国平安人寿保险股份有限公司 | 一种图像矫正方法、装置、计算机设备及存储介质 |
CN113205564A (zh) * | 2021-04-07 | 2021-08-03 | 北京理工大学 | 一种sar智能目标边缘重构方法 |
CN113222898A (zh) * | 2021-04-14 | 2021-08-06 | 西安电子科技大学 | 基于多元统计量和深度学习的双航过sar图像痕迹检测方法 |
CN113589284A (zh) * | 2021-07-28 | 2021-11-02 | 河南大学 | 一种逆合成孔径雷达对舰船目标的成像方法和系统 |
CN113743383A (zh) * | 2021-11-05 | 2021-12-03 | 航天宏图信息技术股份有限公司 | 一种sar影像水体提取方法、装置、电子设备及存储介质 |
CN114114260A (zh) * | 2021-11-25 | 2022-03-01 | 哈尔滨工业大学 | 一种基于深度学习的机动目标isar自聚焦成像方法 |
CN114252878A (zh) * | 2021-12-20 | 2022-03-29 | 吉林大学 | 一种基于逆合成孔径雷达对运动目标进行成像及横向定标的方法 |
CN114384520A (zh) * | 2022-03-24 | 2022-04-22 | 中国人民解放军火箭军工程大学 | 一种机动平台对海面船只精细化雷达成像方法 |
CN114488152A (zh) * | 2022-04-18 | 2022-05-13 | 南京信息工程大学 | 基于后向投影的高效近场大小尺寸目标isar成像方法 |
CN114545411A (zh) * | 2022-04-21 | 2022-05-27 | 南京信息工程大学 | 一种基于工程实现的极坐标格式多模高分辨sar成像方法 |
-
2022
- 2022-07-20 CN CN202210851335.9A patent/CN114966693B/zh active Active
Patent Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5164730A (en) * | 1991-10-28 | 1992-11-17 | Hughes Aircraft Company | Method and apparatus for determining a cross-range scale factor in inverse synthetic aperture radar systems |
US20090121926A1 (en) * | 2007-11-09 | 2009-05-14 | The Boeing Company | Multi-spot inverse synthetic aperture radar imaging |
CN102944875A (zh) * | 2012-11-21 | 2013-02-27 | 西安电子科技大学 | Isar图像距离单元选择横向定标方法 |
US20140285371A1 (en) * | 2013-03-20 | 2014-09-25 | Raytheon Company | Bistatic inverse synthetic aperture radar imaging |
CN103616685A (zh) * | 2013-12-04 | 2014-03-05 | 西安电子科技大学 | 基于图像特征的isar图像几何定标方法 |
CN103698765A (zh) * | 2013-12-27 | 2014-04-02 | 西安电子科技大学 | 一种isar成像方位定标方法 |
CN104391286A (zh) * | 2014-12-10 | 2015-03-04 | 中国电子科技集团公司第二十研究所 | 一种逆合成孔径雷达方位定标方法 |
KR20170097373A (ko) * | 2016-02-18 | 2017-08-28 | 포항공과대학교 산학협력단 | 주성분 분석 기법을 이용한 역합성 개구면 레이더 영상의 횡단거리방향 스케일링 장치 및 그 방법 |
CN105974410A (zh) * | 2016-04-28 | 2016-09-28 | 西安电子科技大学 | 机载雷达的多舰船目标sar和isar混合成像方法 |
CN106154265A (zh) * | 2016-06-23 | 2016-11-23 | 西安空间无线电技术研究所 | 一种基于频域移位的去斜体制雷达isar包络对齐方法 |
CN106526591A (zh) * | 2016-12-02 | 2017-03-22 | 上海无线电设备研究所 | 机动目标高分辨isar子孔径融合成像方法 |
CN107255817A (zh) * | 2017-07-02 | 2017-10-17 | 中国航空工业集团公司雷华电子技术研究所 | 基于参数估计法的isar图像方位向定标方法 |
CN107942329A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 机动平台单通道sar对海面舰船目标检测方法 |
CN108445490A (zh) * | 2018-03-13 | 2018-08-24 | 电子科技大学 | 基于时域反投影与粒子群优化的isar成像方法 |
CN109085590A (zh) * | 2018-10-16 | 2018-12-25 | 中国人民解放军国防科技大学 | 基于arp分段相参积累宽带直采数据isar成像方法 |
CN110161498A (zh) * | 2019-04-23 | 2019-08-23 | 哈尔滨工程大学 | 一种基于rccd变换的逆合成孔径雷达定标方法 |
CN110910413A (zh) * | 2019-11-28 | 2020-03-24 | 中国人民解放军战略支援部队航天工程大学 | 一种基于U-Net的ISAR图像分割方法 |
CN111208513A (zh) * | 2020-01-15 | 2020-05-29 | 西安电子科技大学 | 空间目标isar图像序列能量反向投影与三维重构方法 |
CN111781595A (zh) * | 2020-06-28 | 2020-10-16 | 中国人民解放军空军工程大学 | 基于匹配搜索和多普勒解模糊的复杂机动群目标成像方法 |
CN111856466A (zh) * | 2020-08-14 | 2020-10-30 | 重庆航天火箭电子技术有限公司 | 一种高效的复杂运动目标isar平动补偿方法 |
CN112684446A (zh) * | 2020-12-02 | 2021-04-20 | 中国人民解放军国防科技大学 | 基于最小熵准则的Bi-ISAR横向定标与畸变校正方法 |
CN113205564A (zh) * | 2021-04-07 | 2021-08-03 | 北京理工大学 | 一种sar智能目标边缘重构方法 |
CN113222898A (zh) * | 2021-04-14 | 2021-08-06 | 西安电子科技大学 | 基于多元统计量和深度学习的双航过sar图像痕迹检测方法 |
CN113012075A (zh) * | 2021-04-22 | 2021-06-22 | 中国平安人寿保险股份有限公司 | 一种图像矫正方法、装置、计算机设备及存储介质 |
CN113589284A (zh) * | 2021-07-28 | 2021-11-02 | 河南大学 | 一种逆合成孔径雷达对舰船目标的成像方法和系统 |
CN113743383A (zh) * | 2021-11-05 | 2021-12-03 | 航天宏图信息技术股份有限公司 | 一种sar影像水体提取方法、装置、电子设备及存储介质 |
CN114114260A (zh) * | 2021-11-25 | 2022-03-01 | 哈尔滨工业大学 | 一种基于深度学习的机动目标isar自聚焦成像方法 |
CN114252878A (zh) * | 2021-12-20 | 2022-03-29 | 吉林大学 | 一种基于逆合成孔径雷达对运动目标进行成像及横向定标的方法 |
CN114384520A (zh) * | 2022-03-24 | 2022-04-22 | 中国人民解放军火箭军工程大学 | 一种机动平台对海面船只精细化雷达成像方法 |
CN114488152A (zh) * | 2022-04-18 | 2022-05-13 | 南京信息工程大学 | 基于后向投影的高效近场大小尺寸目标isar成像方法 |
CN114545411A (zh) * | 2022-04-21 | 2022-05-27 | 南京信息工程大学 | 一种基于工程实现的极坐标格式多模高分辨sar成像方法 |
Non-Patent Citations (13)
Title |
---|
GAO JJ等: "Cross-range Scaling of ISAR Based on Phase Frequency Modulation Parameter Estimation", 《1ST INTERNATIONAL CONFERENCE ON ELECTRONICS INSTRUMENTATION & INFORMATION SYSTEM (EIIS)》 * |
SHI HONGYIN: "ISAR autofocus imaging algorithm for maneuvering targets based on deep learning and keystone transform", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 * |
YANG, TING等: "ISAR imaging enhancement: exploiting deep convolutional neural network for signal reconstruction", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
刘悦: "基于深度学习的机动目标ISAR成像算法研究", 《万方数据》 * |
刘磊: "逆合成孔径雷达二维及三维成像方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
尹松乔等: "基于成像时间段的高海情舰船ISAR成像方法", 《雷达科学与技术》 * |
张俊: "复杂运动条件下的SAR/ISAR聚焦方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
徐鹏政: "基于HRRP与ISAR图像融合的舰船目标识别研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
王昕: "ISAR图像方位向定标方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
肖涛等: "一种基于滑窗相关的回波包络对齐方法", 《空军雷达学院学报》 * |
陈倩倩: "高分辨ISAR成像及定标技术研究", 《万方数据》 * |
黄大荣: "稀疏孔径ISAR机动目标成像与相位补偿方法", 《航空学报》 * |
黄柏圣等: "基于特征点的合成孔径雷达复图像自动配准算法", 《计算机测量与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117705830A (zh) * | 2024-02-05 | 2024-03-15 | 南京信息工程大学 | 一种基于U2Net框架下频分DBIM优化的超宽带微波成像方法 |
CN117705830B (zh) * | 2024-02-05 | 2024-04-12 | 南京信息工程大学 | 一种基于U2Net框架下频分DBIM优化的超宽带微波成像方法 |
CN117761696A (zh) * | 2024-02-22 | 2024-03-26 | 中国科学院空天信息创新研究院 | 一种基于投影图抽取的sar快速后向投影成像方法 |
CN117761696B (zh) * | 2024-02-22 | 2024-04-30 | 中国科学院空天信息创新研究院 | 一种基于投影图抽取的sar快速后向投影成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114966693B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114966693B (zh) | 基于深度学习的机载舰船目标isar精细化成像方法 | |
CN103869311B (zh) | 实波束扫描雷达超分辨成像方法 | |
CN101738614B (zh) | 基于时空图像序列的isar目标转动估计方法 | |
CN102147469A (zh) | 一种双基地前视合成孔径雷达成像方法 | |
CN109507669B (zh) | 基于相参累积的地面微弱运动目标参数估计方法 | |
CN103616687B (zh) | 分段线性估计的多项式拟合isar包络对齐方法 | |
CN109507666B (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN110632594B (zh) | 一种长波长星载sar成像方法 | |
CN104122549B (zh) | 基于反卷积的雷达角超分辨成像方法 | |
CN108535724B (zh) | 基于楔石变换和积分二次函数的运动目标聚焦方法 | |
CN114545411B (zh) | 一种基于工程实现的极坐标格式多模高分辨sar成像方法 | |
CN102121990B (zh) | 基于空时分析的逆合成孔径雷达的目标转速估计方法 | |
CN106291543A (zh) | 一种运动平台扫描雷达超分辨成像方法 | |
CN103969628A (zh) | 一种基于压缩感知的合成孔径雷达pfa成像算法 | |
CN101620272A (zh) | 一种逆合成孔径雷达的目标转速估计方法 | |
CN109358330B (zh) | 一种双基前视sar线性时间同步误差估计方法 | |
CN114252878A (zh) | 一种基于逆合成孔径雷达对运动目标进行成像及横向定标的方法 | |
CN105759264A (zh) | 基于时频字典的微动目标缺损回波高分辨成像方法 | |
CN116819466A (zh) | 基于图像最小熵的双基isar方位定标和几何校正方法 | |
CN112505647A (zh) | 一种基于序贯子图像序列的动目标方位速度估计方法 | |
Xu et al. | A variable PRF imaging method for high squint diving SAR | |
CN114185047B (zh) | 一种基于最优极坐标变换的双基sar动目标重聚焦方法 | |
CN115601278A (zh) | 基于子图像配准的高精度运动误差补偿的方法 | |
CN114994676A (zh) | 一种一站固定式双站低频超宽带sar运动目标成像方法 | |
CN104569970A (zh) | 一种用于机载雷达前视单脉冲成像的自聚焦方法 |
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 |