深度卷积神经网络在迁移学习模式下的SAR目标识别

合成孔径雷达（synthetic aperture radar,SAR）自动目标识别过程主要包括目标特征提取和分类器训练两个步骤。提出一种基于深度卷积神经网络（deep convolutional neural networks,DNNs）的SAR自动目标识别方法,使用一类优化的DNNs网络结构对SAR图像目标进行分类训练。该网络结构自动提取目标类别特征,避免人工预选取特征方法带来的不标准性。在DNNs网络模型训练过程中引入迁移学习的概念,以防止结果陷入局部最优解和加快模型参数的训练。最后使用美国运动和静止目标获取与识别MSTAR数据集进行试验,给出该方法与其他分类方法结果的对比,证明其取得较高的分类正确率。     

一种新的基于遗传算法的SAR图像分割方法

SAR(合成孔径雷达)图像包含有相干斑噪声,因此对图像的分割异常困难.本文通过遗传算法选取最优的阈值,并和边缘检测结合起来,实现图像的分割.     

基于时频分析的动目标检测技术

利用逆合成孔径雷达成像技术,基于时频分析的性质,提出一种雷达目标识别的增强方法,对雷达回波信号采用距离多卜勒图技术,得到信号回波的距离多卜勒图,从中提取目标的各项参数,达到增强和检测的目的。经仿真实验证明,能够在强杂波背景下精确识别目标。     

合成孔径雷达干涉测量InSAR原理及其应用

简要地回顾了合成孔径雷达干涉测量的历史发展情况，简单介绍了InSAR的干涉模式与干涉原理，最后概括地总结了InSAR在地形测量、地质灾害研究、极地监测等各领域中的应用。     

合成孔径雷达图像典型目标解译特性分析

合成孔径雷达（Synthetic Aperture Radar,简称SAR）是20世纪50年代末研制成功的一种微波传感器,是微波传感器中发展最为迅速、最有成效的一种对地观测系统。它的出现是微波遥感发展史上划时代的伟大成就。经过近五十多年的发展,合成孔径雷达已在军事、地学、海洋、农林、资源探测、灾害监测等众多领域发挥着其它遥感手段不可替代的作用,成为人类经济与社会可持续发展的强大科技支持之一。     

ISAR成像中包络对齐方法研究

包络对齐是整个ISAR成像处理中的一个关键环节,为了提高ISAR成像质量,必须提高包络对齐的精度。本文在包络相关的基础上进行了改进刑用成像域中的循环迭代等步骤得到平均距离像,然后利用这一平均距离像和各次回波距离向像作相关处理。通过飞机目标实测数据验证,该方法在运算量增加不多的情况下能显著的提高包络对齐的精度,为ISAR准实时处理提供了一种方法。     

简缩极化干涉合成孔径雷达三分量目标分解方法

提出利用合成孔径雷达简缩极化干涉数据的目标分解方法. 将全极化干涉目标分解方法扩展到简缩极化干涉数据处理,由简缩极化互相关矩阵分解出3种散射分量. 针对简缩极化数据量减少造成的方程欠定问题,利用极化度估计体散射功率,通过遍历简缩极化相干区域寻找最长轴和判断地表相位获得偶次散射相位估计,最终得到各散射分量的功率和相位中心高度的估计. 利用L波段全极化干涉仿真数据合成简缩极化数据集,验证了算法的有效性.     

SAR图像质量评测实验教学平台的开发与应用

将合成孔径雷达(SAR)图像质量评测融入实验教学中，构建了SAR图像质量评测实验教学平台。该实验平台由系统设置、数据加载、系统参数输入、图像显示和图像指标计算5个软件模块组成，可以直观地显示图像质量评测过程，获得准确的评测结果，同时加深学生对SAR图像质量指标以及评估流程和方法的理解和掌握。实验要求学生开发实现SAR成像处理等功能的Matlab GUI(Graphics User Interface,图形操作界面)程序，将输出的SAR图像等文件加载到评测平台生成评测报告，从而便于教师评判学生所编制的成像处理程序的质量。