CN115657033A - 一种高分辨率低轨卫星合成孔径雷达成像方法 - Google Patents
一种高分辨率低轨卫星合成孔径雷达成像方法 Download PDFInfo
- Publication number
- CN115657033A CN115657033A CN202211703011.7A CN202211703011A CN115657033A CN 115657033 A CN115657033 A CN 115657033A CN 202211703011 A CN202211703011 A CN 202211703011A CN 115657033 A CN115657033 A CN 115657033A
- Authority
- CN
- China
- Prior art keywords
- data
- mapping
- azimuth
- row
- period
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例涉及SAR成像领域,公开了一种高分辨率低轨卫星合成孔径雷达成像方法及设备。该SAR成像方法,首先获取测绘区域的第一测绘数据,该第一测绘数据包括测绘区域的N行方位向数据和M列距离向数据。其中,第一测绘数据是SAR图像的未降噪数据。之后,对第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,从而得到测绘区域的第二测绘数据,该第二测绘数据即为SAR图像的降噪后的数据。进而,根据第二测绘数据生成测绘区域降噪后的SAR图像。这样,能够在确保距离向的图像分辨率不变的情况下,提高方位向的图像分辨率,从而能够提高SAR的成像性能。
Description
技术领域
本申请实施例涉及图像处理技术领域,具体涉及一种高分辨率低轨卫星合成孔径雷达(Synthetic Aperture Radar,SAR)图像成像方法及设备。
背景技术
SAR成像是SAR沿着长线阵的轨迹移动过程中,利用一个小天线辐射电磁波(例如,鸟声(chirp)信号), 进而,接收不同位置对应电磁波的回波信号,对相应回波信号进行相干处理获得较高分辨率的成像技术。SAR通常搭载在飞机上(即机载)或卫星上(即星载)。
图1A示意了一种星载SAR的场景示意图,其中卫星例如通过天线向地面发射电磁波,该电磁波在地面上对应的波束即为测绘带,测绘带宽度表征SAR距离向的图像信息。随着卫星移动,地面上的测绘带沿相应移动方向移动,卫星移动表征SAR方位向的图像信息。距离向的图像分辨率与电磁波的脉宽成反比,而脉宽越窄,电磁波的脉冲重复频率(Pulsefrequency repetition,PRF)应当越高。方位向的图像分辨率与测绘带宽度成正比,而测绘带宽度越大,电磁波的脉冲重复频率PRF应当越低。
一般的,提高方位向的图像分辨率的方式是提高电磁波的PRF。然而,如图1B,提高电磁波的PRF之后,使得回波信号之间的时间间隔缩短,导致第一电磁波的回波信号的一部分,与第二电磁波的回波信号混叠,从而对第二电磁波的回波信号产生干扰,从而降低距离向的图像分辨率。
发明内容
本申请实施例提供了一种SAR图像的降噪方法及设备,能够在确保距离向的图像分辨率不变的情况下,提高方位向的图像分辨率。
第一方面,本申请实施例提供了一种合成孔径雷达SAR图像的降噪方法,所述方法包括:
获取测绘区域的第一测绘数据,所述第一测绘数据包括所述测绘区域的N行方位向数据和M列距离向数据,所述第一测绘数据根据按照第一周期发射的线性调频信号的回波信号得到,所述N行方位向数据分别对应一个第一周期内的回波信号,所述M和所述N均大于或者等于2;
对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,以得到所述测绘区域的第二测绘数据,所述i等于1至N-1中任一值,所述i+x大于或者等于i+1,且小于或者等于N;
根据所述第二测绘数据生成所述测绘区域降噪后的SAR图像。
在一些可能的实施方式中,所述对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,包括:
按照预设规则从所述第i行的方位向数据分别提取所述第i+1行至所述第i+x行的方位向数据中,每一行方位向数据对应的干扰特征数据;
基于所述第i+1行至所述第i+x行的方位向数据,及相应干扰特征数据,对每一行方位向数据进行降噪处理。
在一些可能的实施方式中,还包括:训练降噪模型,所述降噪模型用于对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理。
在一些可能的实施方式中,所述训练降噪模型,包括:获取至少一组训练数据,所述至少一组训练数据中的每组训练数据对应同一第二周期,所述第二周期是所述第一周期的x+1倍,所述每组训练数据包括x个干扰数据,所述x个干扰数据分别对应相邻的x行方位向数据;
使用所述至少一组训练数据训练初始模型,以得到所述降噪模型。
在一些可能的实施方式中,当所述x大于或者等于2时,所述第j个干扰数据是根据第1至第j-1个初始干扰数据叠加得到的,所述初始干扰数据是指所述第二周期内的线性调频信号对应干扰数据,所述j是2至x中的任一值。
在一些可能的实施方式中,所述获取至少一组训练数据,包括:
按照所述第二周期发送线性调频信号;
对应每个所述第二周期内的线性调频信号,顺次在该第二周期内的每个所述第一周期时段内接收到一个反馈信号;
将该第二周期内第一个所述第一周期的时段对应的反馈信号确定为相应线性调频信号的回波信号,将该第二周期内第二个至第x+1个所述第一周期的时段对应的反馈信号确定为相应线性调频信号对应的初始干扰数据,得到x个初始干扰数据;
根据所述x个初始干扰数据得到x个干扰数据,以作为一组训练数据。
第二方面,本申请实施例还提供了一种星载雷达,所述星载雷达包括收发器和处理器,
所述收发器,用于获取测绘区域的第一测绘数据,所述第一测绘数据包括所述测绘区域的N行方位向数据和M列距离向数据,所述第一测绘数据根据按照第一周期发射的线性调频信号的回波信号得到,所述N行方位向数据分别对应一个第一周期内的回波信号,所述M和所述N均大于或者等于2;
所述处理器,用于对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,以得到所述测绘区域的第二测绘数据,所述i等于1至N-1中任一值,所述i+x大于或者等于i+1,且小于或者等于N;
所述处理器,还用于根据所述第二测绘数据生成所述测绘区域降噪后的SAR图像。
在一些可能的实施方式中,所述处理器,还用于按照预设规则从所述第i行的方位向数据分别提取所述第i+1行至所述第i+x行的方位向数据中,每一行方位向数据对应的干扰特征数据;以及基于所述第i+1行至所述第i+x行的方位向数据,及相应干扰特征数据,对每一行方位向数据进行降噪处理。
在一些可能的实施方式中,还包括:训练器,用于训练降噪模型,所述降噪模型用于对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理。
在一些可能的实施方式中,所述训练器,还用于获取至少一组训练数据,所述至少一组训练数据中的每组训练数据对应同一第二周期,所述第二周期是所述第一周期的x+1倍,所述每组训练数据包括x个干扰数据,所述x个干扰数据分别对应相邻的x行方位向数据;以及使用所述至少一组训练数据训练初始模型,以得到所述降噪模型。
在一些可能的实施方式中,当所述x大于或者等于2时,所述第j个干扰数据是根据第1至第j-1个初始干扰数据叠加得到的,所述初始干扰数据是指所述第二周期内的线性调频信号对应干扰数据,所述j是2至x中的任一值。
在一些可能的实施方式中,所述收发器,还用于按照所述第二周期发送线性调频信号;
所述收发器,还用于对应每个所述第二周期内的线性调频信号,顺次在该第二周期内的每个所述第一周期时段内接收到一个反馈信号;以及将该第二周期内第一个所述第一周期的时段对应的反馈信号确定为相应线性调频信号的回波信号,将该第二周期内第二个至第x+1个所述第一周期的时段对应的反馈信号确定为相应线性调频信号对应的初始干扰数据,得到x个初始干扰数据;以及根据所述x个初始干扰数据得到x个干扰数据,以作为一组训练数据。
第三方面,本申请实施例还提供了一种存储介质,其上存储有计算机可执行指令,当所述计算机可执行指令运行时,使得计算机实现第一方面或第一方面任一可能的实施方式所述的方法。
可见,本申请实施例提供的高分辨率低轨卫星合成孔径雷达成像方法,首先获取测绘区域的第一测绘数据,该第一测绘数据包括测绘区域的N行方位向数据和M列距离向数据,M和N均大于或者等于2。其中,第一测绘数据根据按照第一周期发射的线性调频信号的回波信号得到,且N行方位向数据分别对应一个第一周期内的回波信号。也即,第一测绘数据是SAR图像的未降噪数据。由于提高电磁波的PRF之后,一个回波信号会对其后的一个或几个回波信号产生干扰,基于此,本方案中,对第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,i等于1至N-1中任一值,i+x大于或者等于i+1,且小于或者等于N,从而得到测绘区域的第二测绘数据,该第二测绘数据即为SAR图像的降噪后的数据。进而,根据第二测绘数据生成测绘区域降噪后的SAR图像。这样,能够在确保距离向的图像分辨率不变的情况下,提高方位向的图像分辨率,从而能够提高SAR的成像性能。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A是本申请实施例提供的示例性星载SAR的场景示意图;
图1B是本申请实施例提供的示例性干扰信号的场景示意图;
图2是本申请实施例提供的示例性测绘数据的组成示意图;
图3A是本申请实施例提供的高分辨率低轨卫星合成孔径雷达成像方法100的方法流程图;
图3B是本申请实施例提供的训练数据收发的示例性时序示意图;
图4是本申请实施例提供的一种星载雷达41的示例性结构示意图。
具体实施方式
本申请以下实施例中所使用的术语是为了描述可选实施方式的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式。还应当理解,尽管在以下实施例中可能采用术语第一、第二等来描述某一类对象,但所述对象不限于这些术语。这些术语用来将该类对象的具体对象进行区分。例如,以下实施例中可能采用术语第一、第二等来描述周期,但周期不应限于这些术语。以下实施例中可能采用术语第一、第二等来描述的其他类对象同理,此处不再赘述。
下面对本申请实施例中涉及的技术进行解释。
线性调频(linear frequency modulation,LFM)信号,也称chirp信号,是一种使用天线以预设宽度的波束发送的电磁波,其占用的频带宽度远大于信息带宽,因此,常被用于需要增大频谱宽度的通信技术中,例如,雷达定位技术中。chirp信号的波束范围对应到地面上的区域,称为测绘带,相应区域的宽度即为测绘带宽度。雷达定位技术中,通常按照预设的PRF发送chirp信号。预设的PRF 包括至少一种。
回波信号,即雷达的接收信号,回波信号是雷达向地面发射的LFM信号撞击地面产生的反射信号,回波信号的传输时延、信号强度等可以为雷达定位、雷达成像等提供初始数据。本申请实施例中,将回波信号包含的数据称为测绘数据。
雷达通常搭载在其他设备之上,从而以预设宽度的测绘带为距离向宽度,随所搭载设备的移动对地面进行测绘。基于此,测绘数据可以通过二维数据表示,如图2所示,该二维数据的行方向表示方位向的测绘数据,即,移动方向维度的测绘数据,该二维数据的列方向表示距离向的测绘数据,即,测绘带方向维度的测绘数据。每一行方位向的测绘数据对应一个chirp信号的回波信号,相邻两行方位向的测绘数据分别对应两个相邻发送周期的chirp信号的回波信号。chirp信号的发送周期是chirp信号PRF的倒数。
本申请实施例提供了一种高分辨率低轨卫星合成孔径雷达成像方法,基于chirp信号的PRF预先训练降噪模型,进而在获取到测绘区域的包含噪声的测绘数据之后,基于该降噪模型逐行根据每行方位向数据对该行之后的方位向数据进行降噪处理,得到测绘区域降噪后的测绘数据,进而,根据降噪后的测绘数据生成测绘区域降噪后的SAR图像。从而能够在确保距离向的图像分辨率不变的情况下,提高方位向的图像分辨率。
下面结合示例对本申请实施例的技术方案进行介绍。
参见图3A,图3A示出了本申请实施例的一种高分辨率低轨卫星合成孔径雷达成像方法100(以下简称方法100),方法100包括以下步骤:
步骤S101,获取测绘区域的第一测绘数据。
其中,第一测绘数据例如来自于按第一周期发射的线性调频信号的回波信号,该第一周期与第一PRF对应,第一PRF例如会使回波信号之间产生混叠干扰。
可选的,第一测绘数据包括N行方位向数据和M列距离向数据,M和N均大于或者等于2。该N行方位向数据分别对应一个第一周期内的回波信号,该N行方位向数据中除第一行的方位向数据之外,其他行的方位向数据至少包含其上一行方位向数据对应的干扰数据。
可以理解的是,M和N的具体值,可以根据实际实施场景灵活确定,本申请实施例对此不限制。
步骤S102,对第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,以得到测绘区域的第二测绘数据。
其中,i等于1至N-1中任一值,i+x大于或者等于i+1,且小于或者等于N。
需要指出的是,基于第一PRF的高低以及chirp信号的强度,一些实施方式中,任一chirp信号可以仅对其相邻的下一个chirp信号的回波信号产生干扰。在该实施场景下,x为1,步骤S102实现为:根据第i行的方位向数据对第i+1行的方位向数据进行降噪处理。另一些实施方式中,任一chirp信号可以对其后的x个chirp信号的回波信号均产生干扰。在该实施场景下,x大于1,步骤S102实现为:根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理。
示例性的,由于第i+1行至第i+x行方位向数据中的干扰数据至少来自于第i行,因此,可以按照预设规则从第i行的方位向数据分别提取第i+1行至第i+x行的方位向数据中,每一行方位向数据对应的干扰特征数据,进而,基于第i+1行至第i+x行的方位向数据,及相应干扰特征数据,对每一行方位向数据进行降噪处理。
可选的,该预设规则以及该预设规则对应的处理,可以通过预训练的降噪模型实现。该降噪模型可以预先根据训练样本训练神经网络得到,该神经网络例如可以是卷积神经网络(Convolutional neural network,CNN)、循环神经网络(Recurrent NeuralNetwork,RNN)等。训练神经网络得到降噪模型的实现过程,详见下述实施例的描述,此处不详述。
步骤S103,根据第二测绘数据生成测绘区域降噪后的SAR图像。
将第二测绘数据输入雷达成像算法,得到SAR图像。雷达成像算法例如包括:线性调频扩展(Chirp Scaling,CS)算法和距离多普勒(Range Doppler,RD)算法。由于第二测绘数据是去除干扰之后的图像数据,因此,根据第二测绘数据得到的图像是测绘区域降噪后的SAR图像。
可见,本申请实施例提供的SAR图像的降噪方法,可以预先根据相应PRF的chirp信号造成的干扰情况,训练用于去除测绘数据干扰的降噪模型,进而,在获取到包含干扰的第一测绘数据之后,调用相应降噪模型逐行对第一测绘数据中的方位向数据进行降噪处理,从而得到降噪后的第二测绘数据,根据第二测绘数据生成测绘区域降噪后的SAR图像。这样,能够在确保距离向的图像分辨率不变的情况下,提高方位向的图像分辨率,从而能够提高SAR的成像性能。
目前,随着人工智能技术的发展,训练神经网络以得到满足要求的功能模型,虽然已经广泛应用。然而,训练神经网络需要大量的训练样本,但在SAR成像技术领域,常规的SAR图像数据均是包含噪声的数据,降噪后的图像数据难以获得,因此,训练得到降噪模型的实现难度较大。
本申请实施例提供了一种训练方法,包括:获取至少一组训练数据,使用该至少一组训练数据训练初始模型,以得到降噪模型。
其中,该至少一组训练数据中的每组训练数据例如对应同一第二周期,该第二周期是第一周期的x+1倍。每组训练数据可以包括x个干扰数据,x个干扰数据分别对应相邻的x行方位向数据。
示例性的,参见图3B,可以按照第二周期发送线性调频信号。例如发送chirp信号的频率依然是第一PRF,但是本示例中,在发送chirp信号C001之后,到达应该发送chirp信号C002时,关闭发送器,即不发送信号C002。进而,使得实际chirp信号的发送周期实现为第二周期。结合图3B可知,虽然发送chirp信号的周期为第二周期,但是地面反馈回波信号的周期依然是第一周期,基于此,对应每个第二周期内的线性调频信号,SAR顺次在该第二周期内的每个第一周期时段内接收到一个反馈信号。例如,图3B中T0时刻至T1时刻为一个第一周期时段,T1时刻至T2时刻为一个第一周期时段,SAR在T0时刻发送信号C001之后,在T0时刻至T1时刻的时段内接收到一个反馈信号R001,在T1时刻至T2再次接收到一个反馈信号R002。其中,反馈信号R001是信号C001的回波信号,反馈信号R002是信号C001对应的初始干扰数据。
需要指出的是,若信号C001仅对其相邻的下一个信号产生干扰,即x为1,那么可以将反馈信号R002确定为信号C001对应的干扰数据。若x大于或者等于2时,实际实施场景中,信号C001对信号C002以及信号C003的回波信号,均产生干扰,而信号C003的回波信号不仅被信号C001的反馈信号干扰,还会被信号C002的反馈信号干扰,也即,信号C003回波信号包含的干扰信号是之前两个干扰信号的叠加。基于此,每组训练数据的x个干扰数据中,第j个干扰数据是根据第1至第j-1个初始干扰数据叠加得到的,初始干扰数据是指一个第二周期内的线性调频信号对应干扰数据, j是2至x中的任一值。
进一步的,在获取到前述至少一组训练数据后,可以根据前述至少一组训练数据以及包含噪声的测绘数据,生成至少一组降噪后的数据,进而,将包含噪声的测绘数据作为待训练模型的输入数据,将至少一组降噪后的数据作为输出数据,以训练得到降噪模型。该包含噪声的测绘数据例如是第一PRF的chirp信号对应的测绘数据。
可见,采用本实现方式,通过增大chirp信号发送周期(也即降低chirp信号PRF)的方式,能够获得chirp信号产生的纯净的干扰数据,进而,基于纯净的干扰数据能够获得降噪后的测绘数据,从而能够灵活获取到训练数据,进而,使得降噪模型的训练较为简洁易行。
综上,本申请实施例提供的SAR图像的降噪方法,首先获取测绘区域的第一测绘数据,该第一测绘数据包括测绘区域的N行方位向数据和M列距离向数据,M和N均大于或者等于2。其中,第一测绘数据根据按照第一周期发射的线性调频信号的回波信号得到,且N行方位向数据分别对应一个第一周期内的回波信号。也即,第一测绘数据是SAR图像的未降噪数据。由于提高电磁波的PRF之后,一个回波信号会对其后的一个或几个回波信号产生干扰,基于此,本方案中,对第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,i等于1至N-1中任一值,i+x大于或者等于i+1,且小于或者等于N,从而得到测绘区域的第二测绘数据,该第二测绘数据即为SAR图像的降噪后的数据。进而,根据第二测绘数据生成测绘区域降噪后的SAR图像。这样,能够在确保距离向的图像分辨率不变的情况下,提高方位向的图像分辨率,从而能够提高SAR的成像性能。
上述实施例从雷达所执行的动作的角度和学习算法处理的角度,对本申请实施例提供的SAR图像的降噪方法的各实施方式进行了介绍。应理解,对应上述处理步骤,本申请实施例可以以硬件或硬件和计算机软件的结合形式来实现上述功能。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
例如,若上述实现步骤通过软件模块来实现相应的功能,相应SAR图像的降噪装置可以包括收发模块和处理模块。该SAR图像的降噪装置可用于执行上述方法100的部分或全部操作。
可以理解的是,以上各个模块/单元的划分仅仅是一种逻辑功能的划分,实际实现时,该以上各模块的功能可以集成到硬件实体实现,例如,处理模块的功能可以集成到处理器实现,收发模块的功能可以集成到收发器实现,实现上述各模块功能的程序和指令,可以维护在存储器中。例如,图4提供了一种星载雷达41,该星载雷达41包括可以包括处理器411、收发器412和存储器413。其中,收发器412用于执行方法100中各数据和信号的收发。存储器413可以用于存储处理器411执行方法100所需的程序/代码等。当处理器411运行存储器413存储的代码过程中,使得星载雷达41执行上述方法100中的部分或全部操作。
例如,收发器412,用于获取测绘区域的第一测绘数据,所述第一测绘数据包括所述测绘区域的N行方位向数据和M列距离向数据,所述第一测绘数据根据按照第一周期发射的线性调频信号的回波信号得到,所述N行方位向数据分别对应一个第一周期内的回波信号,所述M和所述N均大于或者等于2;处理器411,用于对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,以得到所述测绘区域的第二测绘数据,所述i等于1至N-1中任一值,所述i+x大于或者等于i+1,且小于或者等于N;处理器411,还用于根据所述第二测绘数据生成所述测绘区域降噪后的SAR图像。
可选的,处理器411还用于按照预设规则从所述第i行的方位向数据分别提取所述第i+1行至所述第i+x行的方位向数据中,每一行方位向数据对应的干扰特征数据;以及基于所述第i+1行至所述第i+x行的方位向数据,及相应干扰特征数据,对每一行方位向数据进行降噪处理。
可选的,还包括:训练器,用于训练降噪模型,所述降噪模型用于对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理。
可选的,所述训练器,还用于获取至少一组训练数据,所述至少一组训练数据中的每组训练数据对应同一第二周期,所述第二周期是所述第一周期的x+1倍,所述每组训练数据包括x个干扰数据,所述x个干扰数据分别对应相邻的x行方位向数据;以及使用所述至少一组训练数据训练初始模型,以得到所述降噪模型。
可选的,当所述x大于或者等于2时,所述第j个干扰数据是根据第1至第j-1个初始干扰数据叠加得到的,所述初始干扰数据是指所述第二周期内的线性调频信号对应干扰数据,所述j是2至x中的任一值。
可选的,收发器412,还用于按照所述第二周期发送线性调频信号;还用于对应每个所述第二周期内的线性调频信号,顺次在该第二周期内的每个所述第一周期时段内接收到一个反馈信号;以及将该第二周期内第一个所述第一周期的时段对应的反馈信号确定为相应线性调频信号的回波信号,将该第二周期内第二个至第x+1个所述第一周期的时段对应的反馈信号确定为相应线性调频信号对应的初始干扰数据,得到x个初始干扰数据;以及根据所述x个初始干扰数据得到x个干扰数据,以作为一组训练数据。
具体实现中,对应前述星载雷达41,本申请实施例还提供一种计算机存储介质,其中,设置在星载雷达41中的计算机存储介质可存储有程序,该程序执行时,可实施包括方法100的各实施例中的部分或全部步骤。该存储介质均可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等。
以上模块或单元的一个或多个可以软件、硬件或二者结合来实现。当以上任一模块或单元以软件实现的时候,所述软件以计算机程序指令的方式存在,并被存储在存储器中,处理器可以用于执行所述程序指令并实现以上方法流程。所述处理器可以包括但不限于以下至少一种:中央处理单元(central processing unit,CPU)、微处理器、数字信号处理器(DSP)、微控制器(microcontroller unit,MCU)、或人工智能处理器等各类运行软件的计算设备,每种计算设备可包括一个或多个用于执行软件指令以进行运算或处理的核。该处理器可以内置于SoC(片上系统)或专用集成电路(application specific integratedcircuit,ASIC),也可是一个独立的半导体芯片。该处理器内处理用于执行软件指令以进行运算或处理的核外,还可进一步包括必要的硬件加速器,如现场可编程门阵列(fieldprogrammable gate array,FPGA)、PLD(可编程逻辑器件)、或者实现专用逻辑运算的逻辑电路。
当以上模块或单元以硬件实现的时候,该硬件可以是CPU、微处理器、DSP、MCU、人工智能处理器、ASIC、SoC、FPGA、PLD、专用数字电路、硬件加速器或非集成的分立器件中的任一个或任一组合,其可以运行必要的软件或不依赖于软件以执行以上方法流程。
进一步的,图4中还可以包括总线接口,总线接口可以包括任意数量的互联的总线和桥,具体由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线接口还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发器提供用于在传输介质上与各种其他设备通信的单元。处理器负责管理总线架构和通常的处理,存储器可以存储处理器在执行操作时所使用的数据。
当以上模块或单元使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
应理解,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对实施例的实施过程构成任何限定。
本说明书的各个部分均采用递进的方式进行描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点介绍的都是与其他实施例不同之处。尤其,对于装置和系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例部分的说明即可。
尽管已描述了本申请的可选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
以上所述的具体实施方式,对本申请的目的、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,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (13)
1.一种高分辨率低轨卫星合成孔径雷达成像方法,其特征在于,所述方法包括:
获取测绘区域的第一测绘数据,所述第一测绘数据包括所述测绘区域的N行方位向数据和M列距离向数据,所述第一测绘数据根据按照第一周期发射的线性调频信号的回波信号得到,所述N行方位向数据分别对应一个第一周期内的回波信号,所述M和所述N均大于或者等于2;
对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,以得到所述测绘区域的第二测绘数据,所述i等于1至N-1中任一值,所述i+x大于或者等于i+1,且小于或者等于N;
根据所述第二测绘数据生成所述测绘区域降噪后的SAR图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,包括:
按照预设规则从所述第i行的方位向数据分别提取所述第i+1行至所述第i+x行的方位向数据中,每一行方位向数据对应的干扰特征数据;
基于所述第i+1行至所述第i+x行的方位向数据,及相应干扰特征数据,对每一行方位向数据进行降噪处理。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
训练降噪模型,所述降噪模型用于对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理。
4.根据权利要求3所述的方法,其特征在于,所述训练降噪模型,包括:
获取至少一组训练数据,所述至少一组训练数据中的每组训练数据对应同一第二周期,所述第二周期是所述第一周期的x+1倍,所述每组训练数据包括x个干扰数据,所述x个干扰数据分别对应相邻的x行方位向数据;
使用所述至少一组训练数据训练初始模型,以得到所述降噪模型。
5.根据权利要求4所述的方法,其特征在于,
当所述x大于或者等于2时,第j个干扰数据是根据第1至第j-1个初始干扰数据叠加得到的,所述初始干扰数据是指所述第二周期内的线性调频信号对应干扰数据,所述j是2至x中的任一值。
6.根据权利要求4或5所述的方法,其特征在于,所述获取至少一组训练数据,包括:
按照所述第二周期发送线性调频信号;
对应每个所述第二周期内的线性调频信号,顺次在该第二周期内的每个所述第一周期时段内接收到一个反馈信号;
将该第二周期内第一个所述第一周期的时段对应的反馈信号确定为相应线性调频信号的回波信号,将该第二周期内第二个至第x+1个所述第一周期的时段对应的反馈信号确定为相应线性调频信号对应的初始干扰数据,得到x个初始干扰数据;
根据所述x个初始干扰数据得到x个干扰数据,以作为一组训练数据。
7.一种星载雷达,其特征在于,所述星载雷达包括收发器和处理器,
所述收发器,用于获取测绘区域的第一测绘数据,所述第一测绘数据包括所述测绘区域的N行方位向数据和M列距离向数据,所述第一测绘数据根据按照第一周期发射的线性调频信号的回波信号得到,所述N行方位向数据分别对应一个第一周期内的回波信号,所述M和所述N均大于或者等于2;
所述处理器,用于对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理,以得到所述测绘区域的第二测绘数据,所述i等于1至N-1中任一值,所述i+x大于或者等于i+1,且小于或者等于N;
所述处理器,还用于根据所述第二测绘数据生成所述测绘区域降噪后的SAR图像。
8.根据权利要求7所述的星载雷达,其特征在于,所述处理器,还用于按照预设规则从所述第i行的方位向数据分别提取所述第i+1行至所述第i+x行的方位向数据中,每一行方位向数据对应的干扰特征数据;以及基于所述第i+1行至所述第i+x行的方位向数据,及相应干扰特征数据,对每一行方位向数据进行降噪处理。
9.根据权利要求7或8所述的星载雷达,其特征在于,还包括:
训练器,用于训练降噪模型,所述降噪模型用于对所述第一测绘数据逐行根据第i行的方位向数据对第i+1行至第i+x行的方位向数据进行降噪处理。
10.根据权利要求9所述的星载雷达,其特征在于,所述训练器,还用于获取至少一组训练数据,所述至少一组训练数据中的每组训练数据对应同一第二周期,所述第二周期是所述第一周期的x+1倍,所述每组训练数据包括x个干扰数据,所述x个干扰数据分别对应相邻的x行方位向数据;以及使用所述至少一组训练数据训练初始模型,以得到所述降噪模型。
11.根据权利要求10所述的星载雷达,其特征在于,当所述x大于或者等于2时,第j个干扰数据是根据第1至第j-1个初始干扰数据叠加得到的,所述初始干扰数据是指所述第二周期内的线性调频信号对应干扰数据,所述j是2至x中的任一值。
12.根据权利要求10或11所述的星载雷达,其特征在于,
所述收发器,还用于按照所述第二周期发送线性调频信号;
所述收发器,还用于对应每个所述第二周期内的线性调频信号,顺次在该第二周期内的每个所述第一周期时段内接收到一个反馈信号;以及将该第二周期内第一个所述第一周期的时段对应的反馈信号确定为相应线性调频信号的回波信号,将该第二周期内第二个至第x+1个所述第一周期的时段对应的反馈信号确定为相应线性调频信号对应的初始干扰数据,得到x个初始干扰数据;以及根据所述x个初始干扰数据得到x个干扰数据,以作为一组训练数据。
13.一种存储介质,其上存储有计算机可执行指令,当所述计算机可执行指令运行时,使得计算机实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211703011.7A CN115657033B (zh) | 2022-12-29 | 2022-12-29 | 一种高分辨率低轨卫星合成孔径雷达成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211703011.7A CN115657033B (zh) | 2022-12-29 | 2022-12-29 | 一种高分辨率低轨卫星合成孔径雷达成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115657033A true CN115657033A (zh) | 2023-01-31 |
CN115657033B CN115657033B (zh) | 2023-07-07 |
Family
ID=85022641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211703011.7A Active CN115657033B (zh) | 2022-12-29 | 2022-12-29 | 一种高分辨率低轨卫星合成孔径雷达成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115657033B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4010469A (en) * | 1951-06-20 | 1977-03-01 | The Rand Corporation | Interference suppression |
US5379642A (en) * | 1993-07-19 | 1995-01-10 | Diasonics Ultrasound, Inc. | Method and apparatus for performing imaging |
US20110273963A1 (en) * | 2010-05-06 | 2011-11-10 | Yuriko Onishi | Detection device |
CN104698459A (zh) * | 2015-02-05 | 2015-06-10 | 南京航空航天大学 | 一种应用于缺失数据的条带sar压缩感知成像方法 |
CN105068050A (zh) * | 2015-08-21 | 2015-11-18 | 西安空间无线电技术研究所 | 一种超高分辨率星载sar系统的时序确定方法 |
CN105137425A (zh) * | 2015-07-17 | 2015-12-09 | 电子科技大学 | 基于卷积反演原理的扫描雷达前视角超分辨方法 |
CN109655795A (zh) * | 2019-01-24 | 2019-04-19 | 南京莱斯电子设备有限公司 | 基于波形熵的米波雷达同频窄脉冲干扰抑制方法和系统 |
CN110297240A (zh) * | 2019-06-26 | 2019-10-01 | 中国科学院电子学研究所 | 方位向宽波束合成孔径雷达的成像方法及装置 |
CN111175750A (zh) * | 2020-01-20 | 2020-05-19 | 中国科学院电子学研究所 | 一种合成孔径雷达的成像方法及装置、设备、存储介质 |
CN111537996A (zh) * | 2020-06-02 | 2020-08-14 | 西安石油大学 | 一种基于卷积神经网络的穿墙雷达成像方法 |
CN111665507A (zh) * | 2020-07-17 | 2020-09-15 | 河南大学 | 图像干扰抑制方法、装置、计算机可读介质和电子设备 |
CN111929682A (zh) * | 2020-07-22 | 2020-11-13 | 西安瑞得空间信息技术有限公司 | 基于距离向分块的机载dbf-tops sar成像方法 |
CN112327259A (zh) * | 2020-10-30 | 2021-02-05 | 河南大学 | 一种sar图像中干扰信号的消除方法和装置 |
CN112379375A (zh) * | 2020-10-26 | 2021-02-19 | 中国科学院空天信息创新研究院 | 基于双天线sar频分加码分斜视两发两收成像方法及装置 |
CN112989940A (zh) * | 2021-02-08 | 2021-06-18 | 国家海洋环境监测中心 | 基于高分三号卫星sar影像的筏式养殖区提取方法 |
CN113514827A (zh) * | 2021-03-03 | 2021-10-19 | 南昌大学 | 无人机集群模式下合成孔径雷达成像处理方法及应用 |
KR102327060B1 (ko) * | 2021-07-01 | 2021-11-16 | 국방과학연구소 | 표적 식별을 위한 관심 영역 추출 방법, 장치, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램 |
CN113985357A (zh) * | 2021-11-05 | 2022-01-28 | 中国航空工业集团公司雷华电子技术研究所 | 一种合成孔径雷达相干脉冲信号产生方法 |
CN114019520A (zh) * | 2020-07-17 | 2022-02-08 | 上海禾赛科技有限公司 | 激光雷达的信号处理方法、激光雷达及其探测方法 |
WO2022033895A1 (de) * | 2020-08-11 | 2022-02-17 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und vorrichtung zum bestimmen von frequenzstörungen in einem empfangssignal eines aktiven mehrkanal-sar-systems |
CN114509733A (zh) * | 2022-04-20 | 2022-05-17 | 中国科学院空天信息创新研究院 | 一种基于联合对消的多通道sar干扰抑制方法 |
WO2022100482A1 (zh) * | 2020-11-11 | 2022-05-19 | 北京一径科技有限公司 | 回波信号干扰确定方法及装置、电子设备及存储介质 |
CN114779246A (zh) * | 2022-03-10 | 2022-07-22 | 中国科学院空天信息创新研究院 | 星载sar的运动舰船成像方法、装置及电子设备 |
CN114814840A (zh) * | 2022-03-28 | 2022-07-29 | 河南大学 | 含干扰合成孔径雷达图像筛选及干扰位置检测方法和系统 |
CN115236609A (zh) * | 2022-07-20 | 2022-10-25 | 广州汽车集团股份有限公司 | 一种基于超声波雷达的抗干扰探测方法及系统 |
-
2022
- 2022-12-29 CN CN202211703011.7A patent/CN115657033B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4010469A (en) * | 1951-06-20 | 1977-03-01 | The Rand Corporation | Interference suppression |
US5379642A (en) * | 1993-07-19 | 1995-01-10 | Diasonics Ultrasound, Inc. | Method and apparatus for performing imaging |
US20110273963A1 (en) * | 2010-05-06 | 2011-11-10 | Yuriko Onishi | Detection device |
CN104698459A (zh) * | 2015-02-05 | 2015-06-10 | 南京航空航天大学 | 一种应用于缺失数据的条带sar压缩感知成像方法 |
CN105137425A (zh) * | 2015-07-17 | 2015-12-09 | 电子科技大学 | 基于卷积反演原理的扫描雷达前视角超分辨方法 |
CN105068050A (zh) * | 2015-08-21 | 2015-11-18 | 西安空间无线电技术研究所 | 一种超高分辨率星载sar系统的时序确定方法 |
CN109655795A (zh) * | 2019-01-24 | 2019-04-19 | 南京莱斯电子设备有限公司 | 基于波形熵的米波雷达同频窄脉冲干扰抑制方法和系统 |
CN110297240A (zh) * | 2019-06-26 | 2019-10-01 | 中国科学院电子学研究所 | 方位向宽波束合成孔径雷达的成像方法及装置 |
CN111175750A (zh) * | 2020-01-20 | 2020-05-19 | 中国科学院电子学研究所 | 一种合成孔径雷达的成像方法及装置、设备、存储介质 |
CN111537996A (zh) * | 2020-06-02 | 2020-08-14 | 西安石油大学 | 一种基于卷积神经网络的穿墙雷达成像方法 |
CN114019520A (zh) * | 2020-07-17 | 2022-02-08 | 上海禾赛科技有限公司 | 激光雷达的信号处理方法、激光雷达及其探测方法 |
CN111665507A (zh) * | 2020-07-17 | 2020-09-15 | 河南大学 | 图像干扰抑制方法、装置、计算机可读介质和电子设备 |
CN111929682A (zh) * | 2020-07-22 | 2020-11-13 | 西安瑞得空间信息技术有限公司 | 基于距离向分块的机载dbf-tops sar成像方法 |
WO2022033895A1 (de) * | 2020-08-11 | 2022-02-17 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und vorrichtung zum bestimmen von frequenzstörungen in einem empfangssignal eines aktiven mehrkanal-sar-systems |
CN112379375A (zh) * | 2020-10-26 | 2021-02-19 | 中国科学院空天信息创新研究院 | 基于双天线sar频分加码分斜视两发两收成像方法及装置 |
CN112327259A (zh) * | 2020-10-30 | 2021-02-05 | 河南大学 | 一种sar图像中干扰信号的消除方法和装置 |
WO2022100482A1 (zh) * | 2020-11-11 | 2022-05-19 | 北京一径科技有限公司 | 回波信号干扰确定方法及装置、电子设备及存储介质 |
CN112989940A (zh) * | 2021-02-08 | 2021-06-18 | 国家海洋环境监测中心 | 基于高分三号卫星sar影像的筏式养殖区提取方法 |
CN113514827A (zh) * | 2021-03-03 | 2021-10-19 | 南昌大学 | 无人机集群模式下合成孔径雷达成像处理方法及应用 |
KR102327060B1 (ko) * | 2021-07-01 | 2021-11-16 | 국방과학연구소 | 표적 식별을 위한 관심 영역 추출 방법, 장치, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램 |
CN113985357A (zh) * | 2021-11-05 | 2022-01-28 | 中国航空工业集团公司雷华电子技术研究所 | 一种合成孔径雷达相干脉冲信号产生方法 |
CN114779246A (zh) * | 2022-03-10 | 2022-07-22 | 中国科学院空天信息创新研究院 | 星载sar的运动舰船成像方法、装置及电子设备 |
CN114814840A (zh) * | 2022-03-28 | 2022-07-29 | 河南大学 | 含干扰合成孔径雷达图像筛选及干扰位置检测方法和系统 |
CN114509733A (zh) * | 2022-04-20 | 2022-05-17 | 中国科学院空天信息创新研究院 | 一种基于联合对消的多通道sar干扰抑制方法 |
CN115236609A (zh) * | 2022-07-20 | 2022-10-25 | 广州汽车集团股份有限公司 | 一种基于超声波雷达的抗干扰探测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115657033B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111521989B (zh) | 用于雷达系统中的超分辨率的深度学习 | |
EP3588128B1 (en) | Method for detection and height and azimuth estimation of objects in a scene by radar processing using sparse reconstruction with coherent and incoherent arrays | |
US11520036B2 (en) | Method and apparatus for space-variance correction imaging of bistatic SAR, device and storage medium | |
US9363024B2 (en) | Method and system for estimation and extraction of interference noise from signals | |
CN102879782B (zh) | 基于分数阶傅里叶变换的压缩感知sar成像方法 | |
CN111521998B (zh) | 用于去混叠和配置雷达系统的深度学习 | |
US11860270B2 (en) | Sparse linear array approach in automotive radars using matrix completion | |
US20210209453A1 (en) | Fmcw radar with interference signal suppression using artificial neural network | |
DE102015108772B4 (de) | Verfahren, Vorrichtung und System zum Verarbeiten von Radarsignalen | |
Fembacher et al. | Real-time synthetic aperture radar for automotive embedded systems | |
CN111190151A (zh) | 扫描模式下多模态小卫星sar的系统参数设计及发射功率优化方法 | |
JP2023525938A (ja) | 摂動合成開口レーダーのグラフベースのアレイ信号ノイズ除去 | |
CN113376607B (zh) | 机载分布式雷达小样本空时自适应处理方法 | |
CN108562901B (zh) | 基于最大信杂噪比准则的isar高分辨成像方法 | |
CN115657033B (zh) | 一种高分辨率低轨卫星合成孔径雷达成像方法 | |
CN113484859A (zh) | 一种基于融合技术的二维超分辨雷达成像方法 | |
CN109946696B (zh) | 基于目标先验信息的雷达凝视关联成像方法 | |
CN108802706A (zh) | 基于位置标定的调频步进雷达信号目标抽取方法 | |
Van de Lindt | Digital technique for generating synthetic aperture radar images | |
CN114895306A (zh) | 高分辨率宽测绘带成像方法、装置和存储介质 | |
CN109031289B (zh) | 认知捷变频雷达波形设计方法和装置 | |
CN115685204B (zh) | 一种用于低轨卫星星座的sar成像通信一体化方法及设备 | |
CN115755054A (zh) | 一种低轨卫星合成孔径雷达成像增强方法及设备 | |
Saeedi | A new hybrid method for synthetic aperture radar deceptive jamming | |
US20240094377A1 (en) | High resolution radar simulation to train vehicle radar system neural network |
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 |