步进正负调频信号实现MIMO SAR距离高分辨

带宽合成技术通过多子带步进调频信号的数据融合实现距离向超高分辨。单相位中心顺序收发的模式对系统PRF要求较高,在星载条件下不利于实现高分大测绘带成像。文章对基于多发多收（MIMO）SAR系统的子带并发体制进行研究,详细阐述该体制下子带信号合成的方法,指出带宽合成前必须对相位中心的位置差异进行校正,针对子带串扰带来的虚像问题,首先对其出现机理进行详细分析,最后提出应用步进正负调频信号的方法,在距离压缩后进行子带合成,在实现距离高分辨的同时进一步抑制虚像峰值,仿真结果验证了方法的有效性。      

合成孔径雷达成像中频带分割与子带处理技术研究

采用多收多发孔径的合成孔径雷达(SAR)可以获得较常规SAR更宽的测绘带和更高的空间分辨率。该文将频带分割技术应用到多收多发孔径SAR成像中,在实现方位向高分辨率的同时获得距离向高分辨率。针对同步收发的子带脉冲信号,提出了一种时域先合成再脉冲压缩的方法,并对频域子带先脉冲压缩再合成的方法进行了扩展,提出了非零中频子带脉冲压缩合成的方法,仿真结果证明了方法的有效性。文中研究了子带载频差对压缩结果及成像的影响,并通过计算机仿真分别对两种相位差的影响进行了说明。     

一种基于频域子带合成的多发多收高分辨率SAR成像算法

针对传统单通道SAR系统无法同时实现方位向高分辨率和大测绘带宽的不足,该文研究了一种基于多载频LFM波形的方位多孔径MIMO SAR系统,建立了相应的几何模型,详细推导了其回波表达式,并提出了一种基于频域子带合成的MIMO SAR高分辨率成像算法.该算法将方位向多普勒解模糊,改进的距离向频域子带合成和CS成像算法相结合...     

高分辨率机载SAR多子带合成误差补偿方法

合成孔径雷达(SAR)能够实现高分辨率成像,在遥感领域发挥着不可替代的作用,在军事和民用方面都有着广泛的应用。高分辨率SAR需要宽带收发系统,为了缓解大带宽对信号接收和采集设备的压力,对发射的宽带信号采用子带分割方法,在信号处理中通过对子带回波进行合成获得高分辨率图像。针对在子带合成时子带内和子带间误差会严重影响最终的图像质量,提出了一种基于实测数据的子带合成误差补偿方法。利用定标数据补偿子带内误差,利用回波数据补偿子带间误差,最终实现了多子带误差补偿,并利用机载SAR实测数据验证了方法的正确性和有效性。     

多发多收星载SAR系统发射波形选择分析

针对多发多收SAR系统发射波形研究的迫切需要,该文对3种具有代表性的可能作为多发多收SAR系统发射波形的信号进行了研究和比较,通过对分布目标的仿真验证其实用性。并在此基础上提出了多发多收SAR系统回波的波形分离和能量分离的原则,推导了应用空时编码的相位补偿量和两发多收实用化系统的通道响应,论证了其相对于单发单收SAR系统在提高信噪比方面的优势。     

基于交叉接收的空时频编码高分辨率SAR处理方法

为了实现高分辨率宽测绘带SAR系统,需要在相对较小的天线孔径的约束下,提高系统的功率孔径积,并同时实现宽带信号的收发。针对上述问题,该文提出了一种基于交叉接收的空时频编码高分辨率SAR成像系统方案和处理方法,通过多子阵发射不同子带,不同波形的信号增大相控阵发射子阵的面积,提高了峰值功率,突破了传统SAR系统中功率孔径积的约束。采用交叉接收的频分方式实现大带宽信号合成,避免了复杂的后处理算法。理论和仿真验证了空时频编码的高分辨率SAR处理方法的有效性和可行性。     

超高分辨率星载SAR系统多子带信号处理技术研究

多子带信号拼接是星载合成孔径雷达（Synthetic Aperture Radar, SAR）实现超高距离分辨率的重要方式,但受限于硬件系统、大气传输等非理想因素的影响,接收各子带信号在子带内会存在幅度和相位误差,子带间也存在幅度、相位和时延不一致误差。这些误差严重影响多子带合成后的信号质量以及最终的图像质量。本文基于星载多子带SAR系统模型,首先提出了一种先单子带成像,再多子带信号拼接的成像处理策略;然后在此基础上,针对子带内/子带间幅相和时延误差提出一种基于各子带强目标点数据的误差估计与补偿方法。该方法主要包括基于质量相位梯度自聚焦（Quality Phase Gradient Autofocus, QPGA）准则的强目标点数据提取、基于PGA的子带内误差估计、子带间误差估计和误差补偿与频谱合成四个步骤。理论仿真分析数据实验验证了本方法的有效性。      

基于回波的多子带SAR系统载频误差补偿方法研究

为了提高SAR系统的分辨率,在距离向可以通过发射一系列不同载频的窄带信号,通过信号处理的方法实现带宽合成,进而得到等效大带宽信号对应的分辨率。为有效实现带宽合成,要求不同子带回波的载频步进值严格已知,这在某些实际应用环境中,并不能总是满足,因而需要从回波数据中直接估计步进值。该文提出一种基于子带回波数据的载频误差估计与补偿方法。该方法基于压缩后子带回波数据多普勒相位与载频的关系,对子带图像进行干涉处理,提取差分相位,并利用差分相位沿方位向的冗余进行相干积累,获得以实际载频步进值为振荡频率的单频信号,进而通过频谱分析方法得到误差频率,并对子带间相位误差进行补偿。通过该方法,能够实现子带信号的相干合成,提升了SAR数据成像质量。实验数据的处理结果验证了该方法的有效性。     

多发多收SAR系统幅相误差定标方法

方位多通道SAR（Synthetic Aperture Radar）系统采用数字波束形成技术(Digital Beam-Forming, DBF),能够克服最小天线面积的限制,有效地解决了高分辨率与大测绘带之间的矛盾,实现了高分辨率宽测绘带对地观测,多发多收模式是方位多通道SAR未来的发展方向。对于方位多通道SAR系统,通道间的幅相误差对系统成像性能有很大影响,必须对其进行标定。利用子空间投影算法,提出了一种基于地面发射机和接收机的定标方法。其利用地面布设的发射机和接收机,分别估计出接收通道间的幅相误差和发射通道间的幅相误差,实现收发通道相位误差分离,从而估计出多发多收模式下各回波包含的幅相误差值。基于发射机和接收机估计方法的精度均得到了仿真验证。最后通过点目标仿真实验,对提出方法的有效性进行了仿真验证。实验表明,该方法通过布设地面发射机和接收机即可对多发多收模式下通道间的幅相误差进行标定,实现成像的校正。     

面阵MIMO-SAR大测绘带成像

 提出一种基于面阵MIMO-SAR(Multiple Input Multiple Output Synthetic Aperture Radar)模型结合脉内扫描技术、二维空域联合处理以及频带合成技术实现高信噪比、二维高分辨大测绘带成像方法。文中首先提出了面阵SAR脉内扫描多发多收模型;分析了面阵MIMO-SAR模型下脉内扫描技术对系统信噪比性能的改善。针对脉内扫描引起的距离模糊以及低PRF(Pulse Repetition Frequency)导致的多普勒模糊,提出了二维空域联合处理方法;同时利用多发多收模型获得多个空间自由度进行频带合成实现高距离分辨。该面阵MIMO-SAR模型实现了高信噪比、二维高分辨大测绘带成像,打破了传统高分辨与大测绘带以及高信噪比与大测绘带的矛盾。仿真实验验证了本文方法的有效性。     

基于小波域NMF特征提取的SAR图像目标识别方法

该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

一种改进含噪多聚焦图像融合方法

针对目前多聚焦图像融合方法处理含噪图像缺乏有 效性而导致融合效果较差的问题,提出一种引导滤波结合脉冲耦合神经网络(PCNN)的非下采 样Shearlet变换(NSST)域内多聚焦图像融合方法。 首先,分别对待融合多聚焦图像进行NSST获取其相应高频子带和低频子带系数;对高 频子带系数,通过引导滤波结合改进简化PCNN模型设置融合规则;提取相位一致性、清晰 度和亮度等底层视觉特性,指导低频子带系数融合权重;最后反NSST获取最终融合结 果。实验结果表明,本文方法能够在噪声干扰情况下有效完成多聚焦融合,并且边缘和纹理 信息保持较好,当20标准差噪声时互信息提升了近0.15具有有效性。     

一种合成孔径雷达图像特征提取与目标识别的新方法

该文提出了一种利用小波域主成分分析和支持向量机进行的合成孔径雷达图像特征提取与目标识别的新方法。该方法对图像小波分解后提取低频子带图像的主成分分量作为目标的特征,利用支持向量机进行分类完成目标识别。实验结果表明,该方法可以明显提高目标的正确识别率,是一种有效的合成孔径雷达图像特征提取和目标识别方法。     

基于NSPT域PCNN-SC的图像超分辨率重建

结合多尺度变换和脉冲耦合神经网络(PCNN)的 优点,将空域的稀疏编码(SC)算法通过非 下采样金字塔变换(NSPT)转换应用到频率域进行重建,并结合改进的PCNN对SC算法中的 最优系数 采用一种新的方法进行获取,进而提出一种新的超分辨率重建(SRR)模型与算法。首先将 图像进行三次B 样条 放大处理,然后采用NSPT对图像进行多尺度分解得到高低频子带系数。对于低频子带,运 用PCNN-SC 完成重建;对高频子带,将其与预测高分辨(HR)图像的特征图像运用改进的PCNN经图像融合 完成重建。最后 通过逆NSPT得到HR图像。实验表明,本文算法在主观视觉效果和客观数据都获 得了较好的效果。     

Bayesian-based Wavelet Shrinkage for SAR Image Despeckling Using Cycle Spinning

A novel and efficient speckle noise reduction algorithm based on Bayesian wavelet shrinkage using cycle spinning is proposed. First, the sub-band decompositions of non-logarithmically transformed SAR images are shown. Then, a Bayesian wavelet shrinkage factor is applied to the decomposed data to estimate noise-free wavelet coefficients. The method is based on the Mixture Gaussian Distributed （MGD） modeling of sub-band coefficients. Finally, multi-resolution wavelet coefficients are reconstructed by wavelet-threshold using cycle spinning. Experimental results show that the proposed despeclding algorithm is possible to achieve an excellent balance between suppresses speckle effectively and preserves as many image details and sharpness as possible. The new method indicated its higher performance than the other speckle noise reduction techniques and minimizing the effect of pseudo-Gibbs phenomena.     

基于FFST和方向特性对比度的图像融合算法

为了克服红外可见光图像融合方法存在的不足,结合快速有限剪切波变换(Fast Finite Shearlet Transform,FFST)的平移不变性以及较高的方向敏感性,提出了一种基于快速有限剪切波变换域的自适应多方向图像融合新方法。首先,对严格配准后的图像进行快速有限剪切波变换分解,得到低频子带和高频子带系数;然后,对低频子带系数采用非负矩阵分解的一个约束稀疏算法,即在基本非负矩阵分解的优化函数中施加稀疏性约束,使分解更优,以此来提高重构后图像的清晰度;高频子带系数则采用联合方向特性的对比度进行选取,以得到丰富的细节信息。最后,利用快速有限剪切波逆变换得到重构后的图像。实验结果表明,融合后的图像充分结合了源图像的有用信息,整体轮廓清晰,在客观评价上也有一定的提高。     

基于NSST和人眼感知保真约束的图像自适应增强

鉴于现有的图像增强方法在提高图像对比度、清 晰度等方面仍存在不足,提出了基于非下采样剪切波变换 (NSST,non-subsampled shearlet transform)和人眼感知保真约束的自适应 增强方法。首先对输 入图像进行NSST,分解为一个低频子带图像和多个高频子带图像;然后利用非线性增益 函数增强高 频子带系数,同时对低频部分进行分块局部增强;考虑到传统分块局部增强存在局部图像块 间不连续进而 导致失真的情况,引入了人眼感知保真约束条件,并将其转化为求解一个典型的线性优化问 题,由此获取 增强参数,实现低频部分的增强;最后融合处理后的高低频子带系数,重构出期望的增强 图像。大量实验 结果表明,与近年提出的4种同类方法相比,本文方法所得增强图像的主观视觉效果更好 ,在清晰度、 局部对比度以及全局对比度等定量评价指标上平均高出50%,且实时性良好。     

光照不变量特征提取新方法及其在目标识别中的应用

针对LNSCT光照不变量提取方法因舍弃低频分量而丢失目标轮廓信息的问题,本文提出了一种新的光照不变量提取方法MLNCST.新方法首先用NSCT将对数域的输入图像进行第一重多尺度分解,实现低频分量和高频分量的分离;其次对高频子带系数进行BayesShrink阈值滤波,低频分量做逆NSCT得到其特征图像;然后对特征图像进行第二重NSCT分解,并对分解后的高频子带阈值滤波以及低频分量逆NSCT;经多重NSCT分解,最后由多次分解后的高频子带系数集提取光照不变量特征.经进一步研究光照不变量特征与原始图像之间的关系,设计了并行同步卷积神经网络-Dual Lenet,通过融合两者的高层特征来提高地面目标识别的准确率.实验结果显示,在Lenet模型下,MLNSCT比LNSCT具有更高的分类准确率,并且随着分解重数的增加分类准确率更高;同时融合了光照不变量特征的Dual lenet能进一步提高地面目标识别准确率.