CN104181528A - 基于bp优化的压缩感知多层isar成像方法 - Google Patents
基于bp优化的压缩感知多层isar成像方法 Download PDFInfo
- Publication number
- CN104181528A CN104181528A CN201410383872.0A CN201410383872A CN104181528A CN 104181528 A CN104181528 A CN 104181528A CN 201410383872 A CN201410383872 A CN 201410383872A CN 104181528 A CN104181528 A CN 104181528A
- Authority
- CN
- China
- Prior art keywords
- partiald
- isar
- multilayer
- resolution
- imaging
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9004—SAR image acquisition techniques
- G01S13/9011—SAR image acquisition techniques with frequency domain processing of the SAR signals in azimuth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9004—SAR image acquisition techniques
- G01S13/9017—SAR image acquisition techniques with time domain processing of the SAR signals in azimuth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于BP优化的压缩感知多层ISAR成像方法,它属于雷达成像技术领域,主要解决传统ISAR成像对噪声敏感和单层压缩感知优化时间复杂度高,稀疏控制参数难选择的问题。其具体实现过程为:原始回波数据预处理;确定方位向分辨率步长因子σ;初始化编码矩阵W1,解码矩阵W2;BP算法进行训练优化编过过程和解码过程;用压缩感知理论重构出ISAR图像;方位向进行逆傅立叶变换,把得到的回波输入下一层,采用相同的原理训练;在最后一层输出高分辨的ISAR图像。本发明具有收敛速度快,可以在低信噪比和回波数少的条件下实现高分辨成像,可用于ISAR图像目标的分类和识别。
Description
技术领域
本发明属于雷达成像领域,特别是一种涉及ISAR成像的方法,可应用于目标的分类和识别。
背景技术
逆合成孔径雷达ISAR成像相对于其他的遥感技术,具有全天候,全天时对远距离运动目标成像的优势,所以被广泛应用在军事和民用领域,实现对目标的分类和识别。为了提升对目标的分类和识别能力,需要ISAR图像具有很高的分辨率,提取目标的散射特性和几何特征。距离向的分辨率依赖于雷达发射信号的带宽,方位向的分辨率受到目标相干积累角的限制。为了提高方位向分辨率,必须增加方位向相干积累时间,然而在实际应用中,受限于雷达工作状态或目标运动状态,方位向相干积累时间的增加有困难。所以尽可能减少相干积累时间,而又能实现方位向的高分辨成像成为研究的热点。在短的相干时间内,目标的运动可以认为相对简单,降低运动补偿难度,并且减少回波的数据量,便于存储和传输。
带宽外推方法和参数化的谱估计技术是比较常见的超分辨算法,利用这些技术逼近完整的回波信息,提高方位分辨率。但是这些算法对噪声很敏感,且性能受到回波数量和质量的影响,鲁棒性不够好。
另一种常见的高分辨成像算法是运用压缩感知理论,利用在ISAR成像中,强散射点在成像平面中占据很少的空间,可以认为ISAR信号是稀疏的,结合1范数稀疏约束进行搜索,重构出ISAR图像,该算法对噪声具有鲁棒性,并且能在较少的回波数据下保证超分辨的成像质量。但是这种算法需要利用牛顿法、共轭梯度等优化算法来优化,需要求解Hessian矩阵,增加了算法的时间复杂度。当回波的信噪比较低时,ISAR图像不能实现更好的聚焦,在强散射点附近会出现虚假点,图像的质量下降。并且稀疏控制参数在很大程度上影响成像效果,人为设置参数降低的算法的鲁棒性。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于误差反向传播BP优化的压缩感知多层成像方法。
实现本发明目的的具体实现过程如下:
(1)根据采样得到的回波数N0,目标ISAR图像方位向分辨率N,确定模型的层数L和步进成像的步长因子σ,每层得到的ISAR图像的方位向分辨率为{N1,N2,...,NL-1,NL},Nl=σlN0且NL=N;
(2)原始回波的预处理,包络对齐和相位初校正;
(3)对模型的第l层,输入为Nl-1个回波数据Sl,输出为方位向分辨率为Nl的ISAR图像Il:
1)初始化编码矩阵W1,解码矩阵W2和***噪声n1,n2,
W1=FE,E为需要进行调节的相位矩阵,初始化为单位矩阵,F为部分傅立叶矩阵,W2=W1 T,n1和n2初始化为0;
2)编码过程为:Il=sigmoid(W1Sl+n1),解码过程为:优化目标函数为:
3)编码和解码过程构成一个多层感知器,以重构误差反向传播,利用BP算法对编码矩阵W1和解码矩阵W2进行调节,直到目标函数f的值最小,同时实现了相位的校正;
4)把得到的解码矩阵看作一个稀疏字典,利用压缩感知理论,ISAR图像的重构过程可以表示为:Sl=W2Il+n2,然后利用压缩感知恢复算法,重构ISAR图像Il;
(4)ISAR图像Il方位向进行逆傅立叶变换,得到的Sl+1可以认为是距离向经过包络对齐以后的回波数据,由于压缩感知对噪声具有鲁棒性,得到的回波数据Sl+1比原始相同个数的回波具有更高的信噪比。
(5)重复(3)、(4),直到获得期望的ISAR图像的分辨率。
(6)模型最后一层的输出即为期望得到的ISAR高分辨图像I。
本发明构造了一个多层的成像模型,ISAR图像的方位向分辨率随着层数的增加而逐渐提高。对于模型的每一层来说,把ISAR成像过程看作一个稀疏编码的过程,加入sigmoid激励函数,限制稀疏系数的范围,利用BP算法训练出编码矩阵和解码矩阵,然后把解码矩阵看作稀疏字典,利用压缩感知理论,实现对ISAR图像的重构,然后在方位向进行傅里叶变换,得到数据可以认为是经过距离补偿后的回波数据,作为下一层的输入。重复此过程,直到在输出端得到高质量的ISAR图像。 本发明与现有的技术相比具有以下优点:
1、本发明由于使用多层成像模型,每层利用压缩感知ISAR成像算法,保留了算法对噪声的鲁棒性;
2、本发明由于使用多层成像模型,实现步进式成像,采样率相对提高,提高每层压缩感知重构ISAR图像的质量;
3、本发明由于把成像过程看作一个稀疏编码的过程,保证了ISAR图像的稀疏性,使得强散射点都完整的保留下来,同时不会出现虚假的强散射点;
4、本发明由于在稀疏编码后,引入一个sigmoid激励函数,限制了编码系数的范围,因而避免了稀疏控制参数的选择;
5、本发明在每层相位调节时,采用BP算法优化,降低了算法的时间复杂度,实现了实时成像。
6、仿真结果表明,本发明方法较传统RD算法和单层压缩感知成像算法,能得到质量更高的高分辨ISAR图像。
附图说明
图1是本发明的流程示意图;
图2是本发明在回波数为32时不同信噪比条件下仿真结果图;
图3是本发明在回波数为64时不同信噪比条件下仿真结果图;
图4是本发明在回波数为128时不同信噪比条件下仿真结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤一、原始回波数据预处理。
在距离向利用相邻包络相关法实现包络对齐,相位初补偿采用的是特显点法。
距离向,指与目标运动方向垂直的方向。
对于相邻两次回波,目标的转角很小,因此散射点的平动是很小的,相邻两次回波的波形是相似的,当波形完全重合的时候,两者的相关性最大,我们通过对回波做延时补偿,使得相邻回波的相关性最大,实现包络对齐。这种实现包络对齐的方法称为相邻包络相关法。
特显点法,即选一个散射强度最大的点,也称为特显点,把该点作为旋转平台的轴心,这样理论上它的相邻相位差为零,但实际上我们会得到一个不为零的相位差,这是由初相误差引起的,我们利用这个不为零的相位差逐个校正回波的初相。
步骤二、确定步长因子σ。
根据采样得到的回波数N0,目标逆合成孔径雷达(ISAR)图像方位向分辨率N,确定模型的层数L,则每层得到的ISAR图像的方位向分辨率为{N1,N2,...,Nl,...,NL-1,NL},Nl=σlN0。
步骤三、初始化W1,W2,n1,n2。
W1为编码矩阵,W1实现相位的校正,同时把回波数据变换到多普勒域,初始化时,W1=FE,
E为相位矩阵,初始化为单位矩阵,大小为Nl-1×Nl-1;
F为部分傅立叶基矩阵,F采用以下方式获得:将大小为Nl-1×Nl-1的单位矩阵经过傅里叶变换以后得到傅里叶矩阵,然后抽取前Nl行组成部分傅里叶基矩阵,大小为Nl×Nl-1,且Nl-1>Nl。
Nl-1×Nl-1的单位矩阵经过傅里叶变换以后得到的傅里叶矩阵的大小是Nl-1×Nl-1,共有Nl-1行,因为Nl-1>Nl,所以可以抽取第1行到第Nl行。
W2=W1 T,n1和n2的元素都初始化为零向量,大小分别为Nl×1和Nl-1×1。
步骤四、编码过程和解码过程。
整个相位调节的过程分为编码过程和解码过程,这两过程可以构成一个多层感知器,编码过程为Il=sigmoid(W1Sl+n1),解码过程为其中sigmoid(·)表示的是sigmoid激励函数,它的具体形式为Il为得到的ISAR图像,Sl为原始回波,为重构得到的回波。
步骤五、利用BP算法优化。
优化目标函数为:其中表示二范数,||·||1表示的是一范数。以重构误差反向传播,利用BP算法优化。实现该步骤的具体过程如下:
(5a)解码过程的误差为编码过程中,设Al=W1Sl+n1,则编码过程 这个总的过程中的概念,是针对这个优化目标函数而言的。这个过程又分为编码和解码两个子过程,e1是解码过程中中的概念,e2是编码过程中的概念。
(5b)目标函数f对W1,W2,n1,n2的偏导数分别为:
(5c)W1,W2,n1,n2的梯度分别为:
(5d)参数更新过程为:
W1=W1-αΔW1 (9)
n1=n1-αΔn1 (10)
W2=W2-αΔW2 (11)
n2=n2-αΔn2 (12)
(5e)直到目标函数的值收敛,分别得到W1,W2,n1,n2。
步骤六、压缩感知恢复ISAR图像。
把训练得到的W2当作一个字典,成像过程用压缩感知理论表示为:Sl=W2Il+n2,利用平滑零范数SL0算法重构出ISAR图像Il。
步骤七、判断是否达到了预期的分辨率,如果没有达到,对Il方位向进行逆傅立叶变换,得到Sl+1,然后执行步骤三;如果达到预期的分辨率则直接输出ISAR图 像I。
本发明的的效果可通过以下仿真进一步说明:
1仿真内容:应用本发明方法和RD成像方法,基于牛顿法优化的单层CS成像方法分别对Yak-42的实测数据在回波数为32,64,128和信噪比为10dB,5dB,0dB条件下进行成像实验,并从图像的对比度(CON)、图像的熵(ENT)、主瓣3dB宽度(MLW)和峰值旁瓣比(PSLR)评价这些方法的各自性能。
2仿真实验结果
A不同回波个数在信噪比为0dB条件的实验结果
用本方法以及RD成像方法,基于牛顿法优化的单层CS成像方法在信噪比为0dB,回波数分别为32,64,128条件下成像,其效果比较如图2所示。其中图2(a),2(e),2(i)分别为传统RD全孔径成像结果;图2(b),2(f),2(j)分别为回波数为32,64,128传统RD稀疏成像结果;图2(c),2(g),2(k)分别为回波数为32,64,128单层压缩感知成像结果;图2(d),2(h),2(l)分别为回波数为32,64,128多层压缩感知成像结果。
B不同回波个数在信噪比为5dB条件的实验结果
用本方法以及RD成像方法,单层CS成像方法在信噪比为5dB,回波数分别为32,64,128条件下成像,其效果比较如图3所示。其中图3(a),3(e),3(i)分别为传统RD全孔径成像结果;图3(b),3(f),3(j)分别为回波数为32,64,128传统RD稀疏成像结果;图3(c),3(g),3(k)分别为回波数为32,64,128单层压缩感知成像结果;图3(d),3(h),3(l)分别为回波数为32,64,128多层压缩感知成像结果。
C不同回波个数在信噪比为10dB条件的实验结果
用本方法以及RD成像方法,单层CS成像方法在信噪比为10dB,回波数分别为32,64,128条件下成像,其效果比较如图4所示。其中图4(a),4(e),4(i)分别为传统RD全孔径成像结果;图4(b),4(f),4(j)分别为回波数为32,64,128传统RD稀疏成像结果;图4(c),4(g),4(k)分别为回波数为32,64,128单层压缩感知成像结果;图4(d),4(h),4(l)分别为回波数为32,64,128多层压缩感知成像结果。
从图2,图3,图4可以看出,用本方法的成像结果,相较于别的方法,可以提取出目标的强散射点,且目标周围的虚假点也减少,可以保留目标散射特性和几何特征。随着信噪比的降低,别的算法的成像的结果中噪声点也随之增加,而本方法受此影响不大,背景中的噪声点很少,并且强散射点周围的虚假点也减少。所以本 方法对噪声具有更强的鲁棒性,而且可以实现更好的聚焦,提取出目标的强散射点。
表1是不同算法成像结果评价指标。可以看出本方法在对比度和熵这两项上,明显优于其他两种算法。聚焦好的图像,在强散射点位置会出现一个峰值,对比度会增大,而熵会减小,本方法的对比度和熵优于其他两种,表明本方法实现良好的聚焦,提取出目标的强散射点,这正符合前面我们视觉上的评价。主瓣宽度体现出了空间分辨率,对比表1中列出的MLW值,可以看出本方法和其他两种优于或者持平。峰值旁瓣比体现出算法可以提取弱目标的能力,本方法在这方面也优于其他两中方法。
表1。
Claims (7)
1.一种基于BP优化的压缩感知多层ISAR成像方法,包括如下步骤:
1)原始回波数据预处理:在距离向利用相邻包络相关法实现包络对齐,相位初补偿采用的是特显点法;
2)确定步长因子σ:根据采样得到的回波数N0,目标ISAR图像方位向分辨率N,确定模型的层数L,步长因子σ,每层得到的ISAR图像的方位向分辨率Nl;
3)初始化W1,W2,n1,n2:W1为编码矩阵,W1实现相位的校正,同时把回波数据变换到多普勒域;
4)整个相位调节的过程分为编码过程和解码过程,这两过程构成一个多层感知器;
5)利用BP算法优化目标函数;
6)利用压缩感知理论恢复出ISAR图像Il;
7)判断是否达到了预期的分辨率,如果没有达到,对ISAR图像Il方位向进行逆傅立叶变换,然后执行步骤三;如果达到预期的分辨率则直接输出ISAR图像I。
2.根据权利要求1所述的多层ISAR成像方法,其中N=256,L=3,则步进成像的步长因子每层得到的ISAR图像的方位向分辨率为{N1,N2,...,Nl,...,NL-1,NL},其中Nl=σlN0。
3.根据权利要求1所述的多层ISAR成像方法,初始化时,W1=FE,E为相位矩阵,初始化为单位矩阵,大小为Nl-1×Nl-1,F为部分傅立叶基矩阵,大小为Nl×Nl-1,W2=W1 T,n1和n2都初始化为0向量,大小分别为Nl×1和Nl-1×1。
4.根据权利要求1所述的多层ISAR成像方法,编码过程为Il=sigmoid(W1Sl+n1),Il为ISAR图像,Sl为回波数据,解码过程为 为重构得到的回波数据,编码过程引入sigmoid(·)函数,使得ISAR图像每个像素点的幅度限制在[0.5,1]之间。
5.根据权利要求1所述的多层ISAR成像方法,目标函数为其中表示二范数,||·||1表示一范数,以重构误差反向传播,实现步骤5)的具体过程如下:
5a)解码过程的误差为编码过程中,设Al=W1Sl+n1,则编码过程的误差为e2=(W2e1+||Al||)f′(Al),f′(·)为sigmoid函数的导数;
5b)目标函数f对W1,W2,n1,n2的偏导数分别为:
5c)W1,W2,n1,n2的梯度分别为:
5d)参数更新过程为:
W1=W1-αΔW1 (9)
n1=n1-αΔn1 (10)
W2=W2-αΔW2 (11)
n2=n2-αΔn2 (12)
5e)直到目标函数的值收敛,分别得到W1,W2,n1,n2。
6.根据权利要求1所述的多层ISAR成像方法,把训练得到的W2当作一个字典,成像过程用压缩感知理论表示为:Sl=W2Il+n2,利用平滑零范数SL0算法重构出ISAR图像Il。
7.根据权利要求1所述的多层ISAR成像方法,其中,μ=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410383872.0A CN104181528B (zh) | 2014-08-06 | 2014-08-06 | 基于bp优化的压缩感知多层isar成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410383872.0A CN104181528B (zh) | 2014-08-06 | 2014-08-06 | 基于bp优化的压缩感知多层isar成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104181528A true CN104181528A (zh) | 2014-12-03 |
CN104181528B CN104181528B (zh) | 2017-02-22 |
Family
ID=51962726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410383872.0A Active CN104181528B (zh) | 2014-08-06 | 2014-08-06 | 基于bp优化的压缩感知多层isar成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104181528B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574323A (zh) * | 2015-02-03 | 2015-04-29 | 中国人民解放军国防科学技术大学 | 一种基于层次模型与导向先验的单像元相机快速成像方法 |
CN105954769A (zh) * | 2016-04-21 | 2016-09-21 | 大连理工大学 | 一种时延与多普勒频移联合估计方法 |
CN108259158A (zh) * | 2018-01-11 | 2018-07-06 | 西安电子科技大学 | 一种云计算环境下高效和隐私保护的单层感知机学习方法 |
CN109901164A (zh) * | 2019-03-21 | 2019-06-18 | 桂林电子科技大学 | 一种合成孔径雷达的分布式后向投影成像方法 |
CN111965643A (zh) * | 2020-07-10 | 2020-11-20 | 西安电子科技大学 | 一种斜视sar bp图像中运动舰船目标重聚焦方法 |
CN112526517A (zh) * | 2020-12-01 | 2021-03-19 | 东南大学 | 一种平滑l0范数最小化的逆合成孔径雷达成像算法 |
CN114280608A (zh) * | 2022-03-07 | 2022-04-05 | 成都理工大学 | 一种DInSAR高程相关大气效应去除方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080291077A1 (en) * | 2007-05-21 | 2008-11-27 | Donald Chin-Dong Chang | Apparatus and method for radar imaging by measuring spatial frequency components |
CN102375137A (zh) * | 2010-08-18 | 2012-03-14 | 中国科学院电子学研究所 | 一种压缩感知成像雷达参数的方法 |
CN102636782A (zh) * | 2012-04-29 | 2012-08-15 | 西安电子科技大学 | 步进频雷达超分辨一维距离成像方法 |
CN102879783A (zh) * | 2012-10-12 | 2013-01-16 | 西安电子科技大学 | 基于稀疏探测频率信号的isar成像方法 |
CN103682677A (zh) * | 2013-11-14 | 2014-03-26 | 中国科学院电子学研究所 | 一种艇载雷达共形稀疏阵列天线及其信号处理方法 |
-
2014
- 2014-08-06 CN CN201410383872.0A patent/CN104181528B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080291077A1 (en) * | 2007-05-21 | 2008-11-27 | Donald Chin-Dong Chang | Apparatus and method for radar imaging by measuring spatial frequency components |
CN102375137A (zh) * | 2010-08-18 | 2012-03-14 | 中国科学院电子学研究所 | 一种压缩感知成像雷达参数的方法 |
CN102636782A (zh) * | 2012-04-29 | 2012-08-15 | 西安电子科技大学 | 步进频雷达超分辨一维距离成像方法 |
CN102879783A (zh) * | 2012-10-12 | 2013-01-16 | 西安电子科技大学 | 基于稀疏探测频率信号的isar成像方法 |
CN103682677A (zh) * | 2013-11-14 | 2014-03-26 | 中国科学院电子学研究所 | 一种艇载雷达共形稀疏阵列天线及其信号处理方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574323A (zh) * | 2015-02-03 | 2015-04-29 | 中国人民解放军国防科学技术大学 | 一种基于层次模型与导向先验的单像元相机快速成像方法 |
CN104574323B (zh) * | 2015-02-03 | 2016-03-23 | 中国人民解放军国防科学技术大学 | 一种基于层次模型与导向先验的单像元相机快速成像方法 |
CN105954769A (zh) * | 2016-04-21 | 2016-09-21 | 大连理工大学 | 一种时延与多普勒频移联合估计方法 |
CN105954769B (zh) * | 2016-04-21 | 2018-01-16 | 大连理工大学 | 一种时延与多普勒频移联合估计方法 |
CN108259158A (zh) * | 2018-01-11 | 2018-07-06 | 西安电子科技大学 | 一种云计算环境下高效和隐私保护的单层感知机学习方法 |
CN108259158B (zh) * | 2018-01-11 | 2021-03-23 | 西安电子科技大学 | 一种云计算环境下高效和隐私保护的单层感知机学习方法 |
CN109901164A (zh) * | 2019-03-21 | 2019-06-18 | 桂林电子科技大学 | 一种合成孔径雷达的分布式后向投影成像方法 |
CN111965643A (zh) * | 2020-07-10 | 2020-11-20 | 西安电子科技大学 | 一种斜视sar bp图像中运动舰船目标重聚焦方法 |
CN111965643B (zh) * | 2020-07-10 | 2022-11-04 | 西安电子科技大学 | 一种斜视sar bp图像中运动舰船目标重聚焦方法 |
CN112526517A (zh) * | 2020-12-01 | 2021-03-19 | 东南大学 | 一种平滑l0范数最小化的逆合成孔径雷达成像算法 |
CN114280608A (zh) * | 2022-03-07 | 2022-04-05 | 成都理工大学 | 一种DInSAR高程相关大气效应去除方法及*** |
CN114280608B (zh) * | 2022-03-07 | 2022-06-17 | 成都理工大学 | 一种DInSAR高程相关大气效应去除方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104181528B (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104181528A (zh) | 基于bp优化的压缩感知多层isar成像方法 | |
CN110472483B (zh) | 一种面向sar图像的小样本语义特征增强的方法及装置 | |
CN112488924B (zh) | 一种图像超分辨率模型训练方法、重建方法及装置 | |
de Queiroz Mendes et al. | On deep learning techniques to boost monocular depth estimation for autonomous navigation | |
CN114331890B (zh) | 基于深度学习的探地雷达B-scan图像特征增强方法及*** | |
CN110988818A (zh) | 基于条件生成式对抗网络的欺骗干扰模板生成方法 | |
Ni et al. | Compressed sensing SAR imaging based on centralized sparse representation | |
CN111784560A (zh) | 基于级联残差生成对抗网络的sar和光学图像双向翻译方法 | |
CN113222824B (zh) | 一种红外图像超分辨率及小目标检测方法 | |
CN115713679A (zh) | 基于多源信息融合、热红外和三维深度图的目标检测方法 | |
CN102879783A (zh) | 基于稀疏探测频率信号的isar成像方法 | |
CN104657951A (zh) | 图像乘性噪声移除方法 | |
CN114894740A (zh) | 一种太赫兹单像素成像方法与*** | |
CN114114260A (zh) | 一种基于深度学习的机动目标isar自聚焦成像方法 | |
Kang et al. | SAR imaging based on deep unfolded network with approximated observation | |
Tian et al. | SAR object classification using the DAE with a modified triplet restriction | |
Gao et al. | TWR-MCAE: A data augmentation method for through-the-wall radar human motion recognition | |
CN112882010B (zh) | 基于信噪比领域知识网络的高分辨距离像目标识别方法 | |
CN113781311A (zh) | 一种基于生成对抗网络的图像超分辨率重建方法 | |
CN113705340A (zh) | 一种基于雷达遥感数据的深度学习变化检测方法 | |
Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
Wang et al. | SAR image synthesis based on conditional generative adversarial networks | |
CN116482618A (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
Yang et al. | Remote sensing image super‐resolution based on convolutional blind denoising adaptive dense connection | |
CN111681156B (zh) | 一种应用于无线传感器网络的深度压缩感知图像重构方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |