CN117635442A - 基于多频段融合的超宽带雷达图像增强方法、装置及设备 - Google Patents
基于多频段融合的超宽带雷达图像增强方法、装置及设备 Download PDFInfo
- Publication number
- CN117635442A CN117635442A CN202311765464.7A CN202311765464A CN117635442A CN 117635442 A CN117635442 A CN 117635442A CN 202311765464 A CN202311765464 A CN 202311765464A CN 117635442 A CN117635442 A CN 117635442A
- Authority
- CN
- China
- Prior art keywords
- radar
- image
- frequency
- imaging
- frequency point
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 238000003384 imaging method Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 9
- 230000001427 coherent effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000001629 suppression Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种基于多频段融合的超宽带雷达图像增强方法、装置及设备，通过根据目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像，对多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像，最后将多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。采用本方法既能有效抑制雷达图像栅旁瓣和杂波，又实现了目标的高分辨率图像增强。
Description
技术领域
本申请涉及雷达图像增强技术领域，特别是涉及一种基于多频段融合的超宽带雷达图像增强方法、装置及设备。
背景技术
低频超宽带雷达电磁波具有较强的穿透性和分辨能力，能穿透云雨、雾霾、树叶、地表、墙体等介质，对隐藏目标进行探测。尤其是能够获取目标图像和散射信息，在人体姿态估计、排雷工程、城市巷战、健康监测、预警识别等军民用领域发挥着显著的作用。
然而，由于超宽带雷达的频谱跨度较大，不同频段之间的信息尚未完全利用，例如：低频图像具有较好的栅旁瓣抑制效果，而高频图像具有较高的分辨率，直接使用超宽带数据进行成像，会使不同频段的目标图像特征耦合在一起，导致超宽带雷达图像质量不高。为保证图像质量的前提下充分利用不同频段的雷达数据，有必要提出一种基于多频段融合的超宽带雷达图像增强方法。
发明内容
基于此，有必要针对上述技术问题，提供一种能够对雷达图像进行有效增强的基于多频段融合的超宽带雷达图像增强方法、装置及设备。
一种基于多频段融合的超宽带雷达图像增强方法，所述方法包括：
获取目标回波数据；
根据所述目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像；
对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像；
将所述多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。
在其中一实施例中，所述根据所述目标回波数据中每一个子频点进行成像包括：
在所述目标回波数据中，对每个子频点快拍下的回波信号进行最小二乘估计，得到对应的单频点雷达图像。
在其中一实施例中，所述对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像包括：
按照预设的多个频段，将对应各频段的多个单频点雷达图像进行相干积累得到对应各不同频段的频段雷达成像；
对所有的所述单频点雷达图像进行相干积累得到所述完整雷达成像。
在其中一实施例中，所述目标回波数据由超宽带MIMO步进频雷达对目标进行探测得到。
在其中一实施例中，训练所述图像增强神经网络包括：
根据多个仿真点得到对应的仿真目标回波数据，根据各所述仿真目标回波数据生成对应各仿真点的多张不同频段的单频点训练图像以及完整训练图像；
根据各所述仿真点随机生成对应的点目标真值标签，将所述点目标真值标签与点扩展函数进行卷积，得到对应各所述仿真点的真值图像；
将对应一个仿真点生成的多张单频点训练图像以及完整训练图像作为一组训练数据对所述图像增强神经网络进行训练，得到预测增强图像；
根据所述预测增强图像与对应的真值图像计算损失函数，根据计算结果对所述图像增强神经网络中的参数进行调整，直至所述损失函数的计算结果收敛，则得到所述训练好的图像增强神经网络。
在其中一实施例中，所述图像增强神经网络为深度卷积神经网络。
本申请还提供了一种基于多频段融合的超宽带雷达图像增强装置，所述装置包括：
目标回波数据得到模块，用于获取目标回波数据；
单频点雷达图像得到模块，用于根据所述目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像；
单频点雷达图像累加模块，对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像；
雷达图像增强模块，用于将所述多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标回波数据；
根据所述目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像；
对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像；
将所述多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标回波数据；
根据所述目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像；
对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像；
将所述多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。
上述基于多频段融合的超宽带雷达图像增强方法、装置及设备，通过根据目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像，对多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像，最后将多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。采用本方法既能有效抑制雷达图像栅旁瓣和杂波，又实现了目标的高分辨率图像增强。
附图说明
图1为一个实施例中基于多频段融合的超宽带雷达图像增强方法的流程示意图；
图2为一个实施例中图像增强神经网络训练方法的流程示意图；
图3为一个实施例中神经网络实现图像增强的整体流程示意图；
图4为一个实施例中基于多频段融合的超宽带雷达图像增强装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种基于多频段融合的超宽带雷达图像增强方法，包括以下步骤：
步骤S100，获取目标回波数据。
步骤S110，根据目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像。
步骤S120，对多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像。
步骤S130，将多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。
在本方法中，充分利用了超宽带雷达不同频段中目标的特征信息，既能有效抑制雷达图像栅旁瓣和杂波，有实现了目标的高分辨率图像增强。
在步骤S100中，目标回波数据由超宽带MIMO步进频雷达对目标进行探测得到。
具体的，超宽带雷达目标回波数据可表示为：
在公式(1)中，m表示超宽带MIMO雷达天线等效后的阵元数，n表示成像场景离散化网格数，k＝2πfi/c，c表示光速，fi＝f0+Δf·ni ni＝0···Nf-1，Nf表示频点总数，f0表示载频。表示离散化的回波矩阵，/>代表成像网格的散射系数矩阵。
其中，发射回波距离历程RT和接收回波距离历程RR为：
在公式(2)中，发射天线Tx与接收天线Rx分别位于(xT,yT,zT)和(xR,yR,zR)构成多站天线阵元，成像网格散射系数的坐标为(x,y,z)。
在步骤S110中，根据目标回波数据中每一个子频点进行成像包括：在目标回波数据中，对每个子频点快拍下的回波信号进行最小二乘估计，得到对应的单频点雷达图像。
具体的，对于单频点下的快拍数据，公式(1)可以写为矩阵形式，即：
s＝Ax (3)
在公式(3)中，s和x分别表示单频点下的回波向量和成像场景网格散射系数向量了。是观测矩阵，定义为：
在本实施例中，通过最小二乘法对单频点的快拍数据进行最小方差无偏差估计，可得：
x＝(ATA)-1ATs (5)
在步骤S120中，对多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像包括：按照预设的多个频段，将对应各频段的多个单频点雷达图像进行相干积累得到对应各不同频段的频段雷达成像，对所有的单频点雷达图像进行相干积累得到完整雷达成像。
其中，相干积累表示为：
在本实施例中，可以根据实际情况对频段范围进行自定义设置。
在步骤S130中，将根据目标回波数据进行处理后得到的多个不同频段对应的雷达图像以及完整雷达图像输入训练好的图像增强神经网络中，即可得到增强雷达目标图像。
在本实施例中，如图2所示，还提供了一种训练图像增强神经网络的方法，具体包括：先根据多个仿真点得到对应的仿真目标回波数据，根据各仿真目标回波数据生成对应各仿真点的多张不同频段的单频点训练图像以及完整训练图像。根据各仿真点随机生成对应的点目标真值标签，将点目标真值标签与点扩展函数进行卷积，得到对应各仿真点的真值图像。将对应一个仿真点生成的多张单频点训练图像以及完整训练图像作为一组训练数据对图像增强神经网络进行训练，得到预测增强图像。根据预测增强图像与对应的真值图像计算损失函数，根据计算结果对图像增强神经网络中的参数进行调整，直至损失函数的计算结果收敛，则得到所述训练好的图像增强神经网络。由于低频子带的雷达图像具有较好地栅旁瓣抑制效果，高频子带的雷达图像分辨率高，利用深度神经网络的强大的特征提取能力，更加适合于描述图像域之间的函数映射关系，更方便实现雷达图像质量增强。
在本实施例中，图像增强神经网络为深度卷积神经网络，其网络结构可如图3所示。具体的，深度卷积神经网络可采用多种包括但不限于：卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)。
上述基于多频段融合的超宽带雷达图像增强方法中，主要利用深度神经网络强大的拟合能力，将多个子频段雷达图像和整个频段的雷达图像作为输入，真值作为训练标签，实现低分辨率雷达图像到高分辨率雷达图像端到端的增强。该方法充分利用了超宽带雷达不同频段的目标特征信息，在实际图像增强过程中既能有效抑制雷达图像栅旁瓣和杂波，更能实现了雷达图像分辨率的提升，实现了高分辨率雷达图像的增强，对后续的检测识别等图像解译等抽象化应用提供了高质量的雷达图像，有着重大的应用价值和实际意义。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种基于多频段融合的超宽带雷达图像增强装置，包括：目标回波数据得到模块200、单频点雷达图像得到模块210、单频点雷达图像累加模块220和雷达图像增强模块230，其中：
目标回波数据得到模块200，用于获取目标回波数据；
单频点雷达图像得到模块210，用于根据所述目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像；
单频点雷达图像累加模块220，对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像；
雷达图像增强模块230，用于将所述多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。
关于基于多频段融合的超宽带雷达图像增强装置的具体限定可以参见上文中对于基于多频段融合的超宽带雷达图像增强方法的限定，在此不再赘述。上述基于多频段融合的超宽带雷达图像增强装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多频段融合的超宽带雷达图像增强方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标回波数据；
根据所述目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像；
对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像；
将所述多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标回波数据；
根据所述目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像；
对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像；
将所述多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于多频段融合的超宽带雷达图像增强方法，其特征在于，所述方法包括：
获取目标回波数据；
根据所述目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像；
对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像；
将所述多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。
2.根据权利要求1所述的基于多频段融合的超宽带雷达图像增强方法，其特征在于，所述根据所述目标回波数据中每一个子频点进行成像包括：
在所述目标回波数据中，对每个子频点快拍下的回波信号进行最小二乘估计，得到对应的单频点雷达图像。
3.根据权利要求1所述的基于多频段融合的超宽带雷达图像增强方法，其特征在于，所述对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像包括：
按照预设的多个频段，将对应各频段的多个单频点雷达图像进行相干积累得到对应各不同频段的频段雷达成像；
对所有的所述单频点雷达图像进行相干积累得到所述完整雷达成像。
4.根据权利要求1所述的基于多频段融合的超宽带雷达图像增强方法，其特征在于，所述目标回波数据由超宽带MIMO步进频雷达对目标进行探测得到。
5.根据权利要求1-4任一项所述的基于多频段融合的超宽带雷达图像增强方法，其特征在于，训练所述图像增强神经网络包括：
根据多个仿真点得到对应的仿真目标回波数据，根据各所述仿真目标回波数据生成对应各仿真点的多张不同频段的单频点训练图像以及完整训练图像；
根据各所述仿真点随机生成对应的点目标真值标签，将所述点目标真值标签与点扩展函数进行卷积，得到对应各所述仿真点的真值图像；
将对应一个仿真点生成的多张单频点训练图像以及完整训练图像作为一组训练数据对所述图像增强神经网络进行训练，得到预测增强图像；
根据所述预测增强图像与对应的真值图像计算损失函数，根据计算结果对所述图像增强神经网络中的参数进行调整，直至所述损失函数的计算结果收敛，则得到所述训练好的图像增强神经网络。
6.根据权利要求5所述的基于多频段融合的超宽带雷达图像增强方法，其特征在于，所述图像增强神经网络为深度卷积神经网络。
7.一种基于多频段融合的超宽带雷达图像增强装置，其特征在于，所述装置包括：
目标回波数据得到模块，用于获取目标回波数据；
单频点雷达图像得到模块，用于根据所述目标回波数据中每一个子频点进行成像，得到多个单频点雷达图像；
单频点雷达图像累加模块，对所述多个单频点雷达图像按照预设的多个频段分别进行累加，得到对应多个不同频段的频段雷达成像和完整雷达成像；
雷达图像增强模块，用于将所述多个频段雷达成像和完整雷达成像同时输入至训练好的图像增强神经网络中，得到增强雷达目标图像。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求5至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311765464.7A CN117635442A (zh) | 2023-12-20 | 2023-12-20 | 基于多频段融合的超宽带雷达图像增强方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311765464.7A CN117635442A (zh) | 2023-12-20 | 2023-12-20 | 基于多频段融合的超宽带雷达图像增强方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117635442A true CN117635442A (zh) | 2024-03-01 |
Family
ID=90019976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311765464.7A Pending CN117635442A (zh) | 2023-12-20 | 2023-12-20 | 基于多频段融合的超宽带雷达图像增强方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117635442A (zh) |
-
2023
- 2023-12-20 CN CN202311765464.7A patent/CN117635442A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2325234T3 (es) | Procesador adaptativo espacio-temporal multiresolucion eficiente. | |
| CN107976673B (zh) | 提高大场景目标成像质量的mimo雷达成像方法 | |
| CN111650585B (zh) | 近场毫米波稀疏mimo扫描阵列全聚焦成像方法和装置 | |
| CN111537997B (zh) | 一种基于mimo和压缩感知技术的三维雷达成像方法 | |
| CN113050089B (zh) | 基于距离衰减补偿的快速成像方法、装置和计算机设备 | |
| CN111896952B (zh) | 一种基于1比特量化的多目标欺骗干扰方法及装置 | |
| CN114740472A (zh) | 一种无扫描单通道太赫兹雷达前视三维成像方法和系统 | |
| CN108845318B (zh) | 基于Relax算法的星载高分宽幅成像方法 | |
| CN117148353B (zh) | 基于毫米波sar的近距离多目标检测方法及安检系统 | |
| CN114047483A (zh) | 基于初相-pri联合调制的雷达波形设计方法 | |
| CN117635442A (zh) | 基于多频段融合的超宽带雷达图像增强方法、装置及设备 | |
| CN115407299B (zh) | 基于伯努利滤波器算法的弱小目标检测方法和装置 | |
| CN114740470A (zh) | 基于属性散射模型的微波波前调制前视成像方法和装置 | |
| CN113376635B (zh) | 一种基于谱分解的距离模糊抑制方法、装置及存储介质 | |
| CN115542323A (zh) | Sar运动目标图像快速重聚焦方法、装置和计算机设备 | |
| CN113484829B (zh) | 针对合成孔径雷达的1比特多假目标欺骗干扰的生成方法 | |
| CN114152918A (zh) | 基于压缩感知的抗间歇式主瓣干扰方法 | |
| CN114895291A (zh) | 基于模糊函数局部优化的雷达系统配置方法和装置 | |
| Hu et al. | High resolution 3D imaging in MIMO radar with sparse array | |
| CN113253272B (zh) | 基于sar距离压缩域图像的目标检测方法及装置 | |
| CN116128727B (zh) | 极化雷达图像超分辨方法、系统、设备及介质 | |
| CN113311431B (zh) | 基于单通道sar单次成像的欺骗干扰抑制方法及系统 | |
| Wang et al. | Knowledge-Aided Precise Jamming Technique Against Spaceborne SAR System | |
| CN113296097A (zh) | 一种sar图像旁瓣抑制方法 | |
| Zhu et al. | Analysis of super-resolution radar imaging based on sparse regularization |
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 |