合成孔径雷达散射波干扰模型

由于缺少SAR散射波干扰真实数据,建立了SAR散射波干扰的物理模型,分析了地面散射点的分布特征,给出了仿真结果.结果表明,对于极度粗糙地表和中等粗糙地表,散射波干扰充斥于SAR的整个波束,不能采用空间滤波的方式进行干扰抑制;对于中等粗糙地表,增加快时间采样点数,可以增加相关散射点的数量,因此可以用空间-快时间自适应滤波的方法提高干扰抑制性能.     

一种基于独立联合K-分布CFAR的舰船检测算法

分析了中高分辨率SAR海洋图像的目标和海杂波特点. 利用舰船目标的灰度相关性和形状特性与背景杂波的差异,提出了一种基于独立联合K-分布CFAR的舰船检测算法. 算法建立了海杂波的二维独立联合K-分布概率模型,通过给定的虚警率得到检测阈值以对图像进行检测. 该算法能够极大地抑制斑点噪声和背景局部不均匀对检测带来的影响,有效地降低了虚警数,检测效果得到了明显改善.     

基于数字波束形成的合成孔径雷达干扰抑制方案

提出一种基于数字波束形成(DBF)的机载SAR自适应干扰抑制方案.该方案根据干扰的方向,在成像的过程中,实时地调整接收波束方向图,使得主波束对准成像区域,同时在干扰方向形成零陷.为了在成像过程中,只对波束进行有限次调整,采用了宽零陷波束形成算法.并对该方案的性能进行分析,仿真表明了该方案的可行性和有效性.     

多通道SAR空时二维杂波模拟研究

多通道合成孔径雷达（SAR）空时自适应处理是抑制地面杂波的有效方法,而空时二维滤波器的权值求取离不开杂波协方差矩阵的估计。从多通道SAR回波模型出发,提出了一种基于二维FFT的多通道SAR原始数据频域模拟方法,并根据该方法模拟出的多通道数据对空时二维协方差矩阵进行了估计。仿真结果显示,该方法在有效降低运算量的情况下保持了数据的真实性,良好地反映了多通道SAR的空时二维杂波特性。     

基于波束形成原理的SAR三维成像算法

合成孔径雷达(SAR)三维成像能解决SAR二维成像中的叠掩、顶底倒置等几何失真问题,在军事侦察、灾害预测、资源调查和地形融合等领域具有广阔的应用前景.本文基于波束形成原理开展了SAR三维成像方法研究,通过在航迹向及跨航向上同时进行数字波束合成,实现对观测目标的三维分辨成像,分析了距离近似条件对三维成像处理的影响并验证其正确性,通过仿真实验数据验证了本文模型及算法的有效性及正确性.     

基于动态K均值聚类算法的SAR图像分割

针对SAR图像的分割问题,对K均值聚类算法进行研究.分析动态K均值聚类算法,用聚类样本数的正比函数对该聚类适应度函数进行平均,改进适应度函数的计算.毫米波SAR图像分割实验结果表明,对于城区建筑及路、桥场景的分割,改进后的动态K均值聚类算法和自适应动态K均值聚类算法的分割质量与改进前相同,但是分割时间有一定的减少,改进适应度函数后分割效率得到了提高.     

非线性ECS自配准成像算法中相位保持精度分析

为进一步提高InSAR系统的DEM精度,分析非线性ECS自配准成像算法中4个影响相位保持精度的因素。研究结果如下：雷达和散射体之间的相对速度等效误差非常小,可以忽略;当系统分辨率优于0.1 m时,非线性自配准中的二次近似误差会引起超过0.1个像素的误差,要考虑其影响;非线性变标中的二阶泰勒近似误差非常小,可以忽略;成像时采用的平地假设误差,主要会引起干涉运动补偿的轨迹误差和相位补偿误差,对于高精度InSAR系统（高程精度优于0.5 m时）,会造成一定的影响,要予以考虑。这些误差因素的分析,将为进一步优化提高InSAR成像处理中的相位保持精度及DEM精度提供一定的指导作用。     

基于长时间间隔序贯SAR图像的运动舰船跟踪方法

针对长时间间隔序贯SAR图像中运动舰船位置变化大、不易跟踪的难题,提出一种融合航迹起始和图像特征的匹配跟踪方法.首先从SAR图像中检测出舰船,得到舰船图像切片,并提取舰船的图像特征、空间位置信息;然后根据速度和加速度约束,将不同时刻的舰船关联,形成多条候选航迹;最后采用特征匹配差异最小原则筛选出舰船航迹,实现运动舰船跟...     

应用小波包变换的斑点噪声抑制方法

根据信号和噪声的小波系数在不同分解尺度上的分布,提出应用小波包变换(WPT)消除合成孔径雷达(SAR)图像斑点噪声的新方法.根据在正交小波基上的最优分解,通过叠加代价函数,对分解得到的小波包树中除近似子空间以外每个叶节点子空间以自适应的方式进行处理.通过每一叶节点以及整个图像的噪声的估计方差变化计算叶节点阈值.实验结果表明,该方法能有效地减少斑点噪声,同时保存边缘细节.     

基于卷积注意力和胶囊网络的SAR少样本目标识别方法

合成孔径雷达(SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。