二维匹配滤波实现多角度SAR成像

 多角度SAR图像能够更全面描述目标不同角度下的特征信息,对目标识别具有重要意义.实现多角度SAR成像需要解决两个问题,一是在多角度测量模式下,传统成像算法的远场条件不能满足,成像散焦严重;二是空间采样不连续使得基于傅里叶变换的成像算法产生很高的旁瓣.本文利用二维匹配滤波函数的聚焦功能实现多角度SAR成像.通过调整成像参考点位置构造二维匹配函数,然后将测量数据用匹配函数进行滤波.与传统SAR成像算法相比,本文提出的多角度SAR成像算法突破了空间采样必须均匀和连续的束缚,更具有普适性.实验结果表明本文算法不仅能够实现多角度SAR成像,提高成像分辨率,而且多角度SAR图像能够描述目标散射特征的空间变化.     

基于压缩感知的多角度SAR特征提取

为提高目标属性散射中心参数估计的精度和鲁棒性,利用多角度SAR数据作为输入,将参数估计问题转化为稀疏向量重构问题,使用分步估计算法提高计算效率,从而实现多角度SAR特征提取.研究内容包括两方面,一是论证多角度SAR的角度和频率分集特性对字典矩阵性能的改善.另外,为提高算法效率,本文提出分步参数估计算法.首先用理想点目标模型得到初步估计的图像表示,然后通过图像分割和能量中心计算估计模型阶次、位置和散射类型,最后以初步估计为先验信息重新构造字典矩阵,得到最终估计.实验验证了算法鲁棒性以及分辨率的改善.     

基于高斯比例混合模型的图像非下采样Contourlet域去噪

为改善图像的去噪效果,该文提出了一种基于高斯比例混合模型的图像非下采样Contourlet域去噪算法。该算法首先建立非下采样Contourlet系数邻域的高斯比例混合模型,然后在模型基础上应用贝叶斯最小二乘法对系数进行估计,最后反变换得到恢复图像。算法结合了非下采样Contourlet变换对图像边缘的高效表示能力、非下采样变换的移不变性质以及GSM模型对非下采样Contourlet系数邻域相关性的概括能力。实验结果表明,该算法在视觉效果和峰值信噪比的改善上都取得了非常好的效果。     

利用多角度SAR数据实现三维成像

利用多角度 SAR 数据实现目标高分辨率3维成像对雷达自动目标识别具有重要价值。该文在目标散射稀疏性前提下提出了基于压缩感知的多角度SAR 3维成像方法。文章首先论证多角度SAR测量能够改善测量矩阵的互不相关性。然后根据互不相干影响因素分析,合理选择目标离散间隔构造多角度 SAR 测量矩阵。最后利用分段正交匹配追踪算法实现目标向量的稀疏重构。该文算法不仅改善了高度分辨率,而且克服了多角度 SAR空间采样不连续导致的高旁瓣问题。实验验证了该算法的可行性和稳定性。     

基于单频时变阈值的1-bit SAR成像方法研究

该文提出一种基于单频时变阈值的1-bit合成孔径雷达(SAR)成像方法,通过将回波数据与时变阈值比较,将其量化为1-bit采样数据,从而降低SAR回波数据的位宽,达到简化系统、提升效率的目的。传统的1-bit采样将信号与0阈值比较,这将造成信号相对幅度的非线性失真,影响成像质量。而随机时变阈值虽然能够保留幅度信息,却会引入额外的类噪声干扰。单频时变阈值将能够有效地保留1-bit采样量化中丢失的相对幅度信息,同时避免引入类噪声干扰,有效地提高了1-bit采样量化下的SAR成像质量。通过仿真实验定量分析了算法的成像聚焦质量、幅度信息保持能力,并通过对场景目标的成像验证了算法的有效性。      

利用缺失数据幅度相位估计提取多角度SAR特征

提取多角度SAR特征对雷达目标识别具有重要价值。该文利用缺失数据幅度相位估计提取多角度SAR特征,本质上是缺失数据情形下的参数估计问题。该算法无需利用目标参数化模型,是一种数据驱动的自适应估计方法;同时,它无需填充缺失数据,避免了因插值导致的误差。实验表明该算法不仅能够提高目标位置和幅度估计精度、实现超分辨成像,而且对噪声和模型失配具有鲁棒性,实验同时验证了多角度SAR重构目标轮廓的优势。