CN108627835B - 全极化差分sar层析的目标重构方法 - Google Patents
全极化差分sar层析的目标重构方法 Download PDFInfo
- Publication number
- CN108627835B CN108627835B CN201810705723.XA CN201810705723A CN108627835B CN 108627835 B CN108627835 B CN 108627835B CN 201810705723 A CN201810705723 A CN 201810705723A CN 108627835 B CN108627835 B CN 108627835B
- Authority
- CN
- China
- Prior art keywords
- observation
- target
- model
- signal
- differential sar
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000004587 chromatography analysis Methods 0.000 title claims abstract description 6
- 230000010287 polarization Effects 0.000 claims abstract description 39
- 238000003325 tomography Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 3
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000005571 horizontal transmission Effects 0.000 description 2
- 230000005570 vertical transmission Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
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
- G01S13/904—SAR modes
- G01S13/9076—Polarimetric features in SAR
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)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种全极化差分SAR层析的目标重构方法,包括如下步骤:S1、在不同位置和不同时间获取同一观测目标的N帧航过SAR单视复图像,建立单信号观测目标的全极化差分SAR层析成像模型;S2、利用所述单信号观测目标的全极化差分SAR层析成像模型,在预定观测区域内建立多信号观测目标的全极化差分SAR层析成像模型;S3、利用所述多信号观测目标的全极化差分SAR层析成像模型的稀疏特性,得到稀疏重构模型;S4、利用广义块梯度下降算法求解所述稀疏重构模型;以及S5、对步骤S4中求解得到的结果做进一步的分离,分别得到观测区域的各个信号的高程向信息和形变速率信息。
Description
技术领域
本发明涉及SAR数据成像领域,具体地,涉及一种全极化差分SAR层析的目标重构方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动微波遥感手段,与光学遥感相比,其信号穿透力强,具有全天时全天候的对地观测能力,是对地观测的重要手段之一。差分SAR层析成像技术是利用对同一场景的多幅配准的二维SAR复数图像(不同位置基线,不同采集时间)在SAR层析三维成像的基础上,引入时间轴上的形变相位,获得观测体高程向分辨率的同时,也得到观测目标时间向的形变信息,使得SAR具备了方位向-距离向-高程向-形变速率向四个方向的分辨能力。
在差分SAR层析成像中,通常通过使用特定的重复航过收集的数据来恢复每个方位-距离像素高程向的后向散射率系数和视线方向的形变速率。最常见的方法是通过大量平行轨道的图像在高程方向上生成合成孔径。这种因其具有较大的时间去相关,会影响重建的效果。
发明内容
针对上述问题,本发明通过利用全极化通道的数据,利用邻近方位向-距离向像素以及极化之间的相关性,在结构稀疏的框架下处理,从而更准确的获取观测目标的高程向和形变速率向的信息。
本发明的实施例提出了一种全极化差分SAR层析的目标重构方法,包括如下步骤:
S1、在不同位置和不同时间获取同一观测目标的N帧航过SAR单视复图像,建立单信号观测目标的全极化差分SAR层析成像模型;
S2、利用所述单信号观测目标的全极化差分SAR层析成像模型,在预定观测区域内建立多信号观测目标的全极化差分SAR层析成像模型;
S3、利用所述多信号观测目标的全极化差分SAR层析成像模型的稀疏特性,得到稀疏重构模型;
S4、利用广义块梯度下降算法求解所述稀疏重构模型;以及
S5、对步骤S4中求解得到的结果做进一步的分离,分别得到观测区域的各个信号的高程向信息和形变速率信息。
在一些实施例中,步骤S1中,所述单信号观测目标的全极化差分SAR层析模型在线性形变下的表达式为:
其中ghh,ghvgvh,gvh∈CN×1分别表示在HH、HV、VH、VV极化模式下的单目标信号观测向量,γhh,γhv,γvh,γvv分别表示在HH、HV、VH、VV极化模式下观测目标的散射函数,nhh,nhv,nvh,nvv分别表示在HH、HV、VH、VV极化模式下的噪声信号,Φ表示观测矩阵。
在一些实施例中,所述观测向量gi∈CN×1,i∈{hh,hv,vh,vv},其中极化模式i∈{hh,hv,vh,vv}下的第n次航过的回波信号离散形式的表达式为:
其中,n=1,2,...,N,M为高程向采样点数,sm表示高程向范围内采样点中第m个点的高程值,P为形变速率向采样点数,vp表示形变速率范围内采样点中第p个点的速率值,δ(vp-v(sm))为冲激响应函数;γi(sm)表示极化模式i下高程向sm处的后向散射系数,v(sm)为视线方向sm处的形变速率;ξn=-2bn/λr表示高程向频率,ηn=(2tn/λ)表示时间频率,其中bn为第n条基线与参考基线的垂直距离,λ为波长,r为雷达与观测目标的斜距,tn为相对参考基线的相对时间。
在一些实施例中,步骤S2中,所述预定观测区域大小为a×r,得到的多信号观测目标下的全极化差分SAR层析成像模型的表达式为:
其中Gi=[gi,1,...,gi,q,...,gi,Q]T,i∈{hh,hv,vh,vv}表示该极化模式下的Q个信号的观测向量,{ghh,q,ghv,q,gvh,q,gvv,q}表示第q个像素点的观测向量;观测矩阵为块对角线矩阵,为观测目标的后向散射系数,Nhh,Nhv,Nvb,Nvv为噪声扰动项。
在一些实施例中,步骤S3中,得到的稀疏重构模型为:
在一些实施例中,步骤S4包括:
S4A、外循环步骤,在每一个稀疏组内执行;对于每一个极化模式i组内,通过以下式检查该组的散射系数是否为0,
内循环步骤具体包括:
S4B2、通过执行t=0.8*t更新步长,直到满足
S4B4、设置l=l+1。
基于上述技术方案可知,本发明至少取得了以下有益效果:
本发明利用全极化相信息,在差分SAR层析成像的基础上,建立全极化差分SAR层析成像模型,根据结构稀疏的知识,建立组稀疏重构模型,最后用广义块梯度下降算法求解,得到高分辨率的高程向信息和高精度的视线向形变速率信息。
附图说明
图1为本发明实施例中的全极化差分SAR层析的目标重构方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
图1为本发明实施例中的全极化差分SAR层析的目标重构方法示意图,参照图1,包括如下步骤:
S1、在不同位置和不同时间获取同一观测目标的N帧航过SAR单视复图像,建立单信号观测目标的全极化差分SAR层析成像模型;
S2、利用S1中的模型,在预定观测区域内建立多信号观测目标的全极化差分SAR层析成像模型;
S3、利用S2中的模型的稀疏特性,得到稀疏重构模型;
S4、利用广义块梯度下降算法求解所述稀疏重构模型;以及
S5、对步骤S4中求解得到的结果做进一步的分离,分别得到观测区域的各个信号的高程向信息和形变速率信息。
本发明提出结合全极化差分SAR层析成像技术,可运用于城区建筑四维监测的模型,对于城市建筑目标,运用该模型,利用全极化模式的块稀疏特性以及观测目标单个像素点中强散射元较少的稀疏特性,建立分布式压缩感知求解模型,运用广义块梯度下降算法求解,从而获得观测目标更准确的三维信息和线性形变速率信息。
根据一些实施例,在步骤S1中,线性形变下,全极化差分SAR层析模型的表达式为:
全极化SAR包括四种极化模式:水平发射水平接收(HH)、水平发射垂直接收(HV)、垂直发射水平接收(VH)和垂直发射垂直接收(VV)。(1)式中,gi∈CN×1,i∈{hh,hv,vh,vv}分别表示在HH、HV、VH、VV四种极化模式下的单目标信号观测向量,Φ表示观测矩阵,若假设在小的方位角范围内后向散射结构相同,则四种极化模式下的观测矩阵相同,γi∈RMP×1,i∈{hh,hv,vh,vv}表示观测目标的后向散射系数ni∈CN×1,i∈{hh,hv,vh,vv}分别表示噪声扰动项。
将(1)式表示成矩阵形式如(2)式所示:
在观测向量中,极化模式i∈{hh,hv,vh,vv}下的第n(n=1,2,...,N)次航过的回波信号离散形式的表达式为:
其中,M为高程向采样点数,sm表示高程向范围内采样点中第m个点的高程值,P为形变速率向采样点数,vp表示形变速率范围内采样点中第p个点的速率值,δ(vp-v(sm))为冲激响应函数;γi(sm)表示极化模式i(i∈{hh,hv,vh,vv})下高程向sm处的后向散射系数,v(sm)为视线方向(Line of Sight,LOS)sm处的形变速率;ξn=-2bn/λr表示高程向频率,ηn=(2tn/λ)表示时间频率,其中bn为第n条基线与参考基线的垂直距离,λ为波长,r为雷达与观测目标的斜距,tn为相对参考基线的相对时间。
观测矩阵Φ表达式为:
其中,h(ξn,ηn,sm,vp)=exp(-j2πξnsm)exp(-j2πηnvm)。
观测目标的后向散射系数γi表达式为:
γi=[γi1δ(v1-v(s1)),...,γiMδ(v1-v(sM)),γi1δ(v2-v(s1)),...,γiMδ(v2-v(sM)),...,γiMδ(vP-v(sM))]T (5)
其中,离散表达式(3)式的原始连续积分形式为(6)式所示:
本实施例中,在步骤S2中,考虑多像素点一个通道的场景,区域大小为a×r,该区域的像素点数量为Q=Δa×Δr(假设选择的区域为矩形),其中Δa为方位向的像素数量,Δr为距离向的像素数量。表示第q个像素点的散射函数,假设极化通道中的所有Q个信号在空间域近似相同的稀疏支持,但具有不同的非零系数,同时假设在小的方位角范围内后向散射结构相同,即四种极化模式下的观测矩阵相同,则得到多信号观测目标下的全极化差分SAR层析成像模型为:
其中
Gi=[gi,1,...,gi,q,...,gi,Q]T,i∈{hh,hv,vh,vv}
且{Ghh,Ghv,Gvh,Gvv}∈CNQ,为Q个信号的观测向量,{ghh,q,ghv,q,gvh,q,gvv,q}表示第q个像素点的观测向量;观测矩阵为块对角线矩阵,其中Φq∈CN×(MP),q=1,2,...,Q表示信号q的观测矩阵,观测目标的后向散射系数为噪声扰动项为N=[Nhh Nhv Nvh Nvv]。
本实施例中,在步骤S3中,对步骤S2中得到的表达式用l2,1刻画结构的稀疏性,得到稀疏重构模型为:
本实施例中,步骤S4具体包括:
S4A、外循环步骤,在每一个稀疏组内执行;对于每一个i组内,通过以下式子检查该组的后向散射系数是否为0,
S4B、内循环步骤,迭代以下步骤直到收敛为止:
内循环详细步骤包括:
S4B2、通过执行t=0.8*t更新步长,直到满足:
S4B4、设置l=l+I。
本发明利用全极化相信息,在差分SAR层析成像的基础上,建立全极化差分SAR层析成像模型,根据结构稀疏的知识,用l2,1混合范数表征解耦稀疏特征,l1范数表征观测目标的信号稀疏,建立组稀疏求解模型,最后用广义块梯度下降算法求解,得到高分辨率的高程向信息和高精度的视线向形变速率信息。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种全极化差分SAR层析的目标重构方法,包括如下步骤:
S1、在不同位置和不同时间获取同一观测目标的N帧航过SAR单视复图像,建立单信号观测目标的全极化差分SAR层析成像模型,
所述单信号观测目标的全极化差分SAR层析模型在线性形变下的表达式为:
其中ghh,ghv,gvh,gvh∈CN×1分别表示在HH、HV、VH、VV极化模式下的单目标信号观测向量,γhh,γhv,γvh,γvv分别表示在HH、HV、VH、VV极化模式下观测目标的散射函数,nhv,nhv,nvh,nvv分别表示在HH、HV、VH、VV极化模式下的噪声信号,Φ表示观测矩阵;
所述观测向量gi∈CN×1,i∈{hh,hv,vh,vv},其中极化模式i∈{hh,hv,vh,vv}下的第n次航过的回波信号离散形式的表达式为:
其中,n=1,2,...,N,M为高程向采样点数,sm表示高程向范围内采样点中第m个点的高程值,P为形变速率向采样点数,vp表示形变速率范围内采样点中第p个点的速率值,6(vp-v(sm))为冲激响应函数;γi(sm)表示极化模式i下高程向sm处的后向散射系数,v(sm)为视线方向sm处的形变速率;ξn=-2bn/λr表示高程向频率,ηn=(2tn/λ)表示时间频率,其中bn为第n条基线与参考基线的垂直距离,λ为波长,r为雷达与观测目标的斜距,tn为相对参考基线的相对时间;
S2、利用所述单信号观测目标的全极化差分SAR层析成像模型,在预定观测区域内建立多信号观测目标的全极化差分SAR层析成像模型,
得到的多信号观测目标下的全极化差分SAR层析成像模型的表达式为:
其中Gi=[gi,1,..,gi,q,...,gi,Q]T,i∈{hh,hv,vh,vv}表示极化模式下的Q个信号的观测向量,{ghh,q,ghv,q,gvh,q,gvv,q}表示第q个像素点的观测向量;观测矩阵为块对角线矩阵,为观测目标的后向散射系数,Nhh,Nhv,Nvh,Nvv为噪声扰动项;
S3、利用所述多信号观测目标的全极化差分SAR层析成像模型的稀疏特性,得到稀疏重构模型,
得到的稀疏重构模型为:
S4、利用广义块梯度下降算法求解所述稀疏重构模型,
步骤S4包括:
S4A、外循环步骤,在每一个稀疏组内执行,对于每一个极化模式i组内,通过以下式检查该组的散射系数是否为0,
内循环步骤具体包括:
S4B2、通过执行t=0.8*t更新步长,直到满足
S4B4、设置l=l+1;以及
S5、对步骤S4中求解得到的结果做进一步的分离,分别得到观测区域的各个信号的高程向信息和形变速率信息,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810705723.XA CN108627835B (zh) | 2018-06-29 | 2018-06-29 | 全极化差分sar层析的目标重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810705723.XA CN108627835B (zh) | 2018-06-29 | 2018-06-29 | 全极化差分sar层析的目标重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108627835A CN108627835A (zh) | 2018-10-09 |
CN108627835B true CN108627835B (zh) | 2021-07-27 |
Family
ID=63688708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810705723.XA Active CN108627835B (zh) | 2018-06-29 | 2018-06-29 | 全极化差分sar层析的目标重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108627835B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461127B (zh) * | 2018-10-22 | 2021-02-12 | 中国人民解放军空军工程大学 | 一种以解译为目的的sar图像稀疏正则化特征增强方法 |
CN109212529B (zh) * | 2018-11-02 | 2021-06-22 | 国网四川省电力公司电力应急中心 | 一种输电铁塔监测方法与装置 |
CN109521425A (zh) * | 2019-01-30 | 2019-03-26 | 云南电网有限责任公司电力科学研究院 | 一种sar差分层析方法及装置 |
CN109828272A (zh) * | 2019-03-29 | 2019-05-31 | 云南电网有限责任公司电力科学研究院 | 一种sar差分层析方法及装置 |
CN114545407B (zh) * | 2021-09-24 | 2023-03-24 | 中国科学院精密测量科学与技术创新研究院 | 一种基于分布式压缩感知的星载差分层析sar成像方法 |
CN116660896B (zh) * | 2023-05-19 | 2024-07-05 | 南京航空航天大学 | 一种基于混合范数的极化HoloSAR三维成像方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645651A (zh) * | 2012-04-23 | 2012-08-22 | 电子科技大学 | 一种sar层析超分辨成像方法 |
CN102662171A (zh) * | 2012-04-23 | 2012-09-12 | 电子科技大学 | 一种sar层析三维成像方法 |
CN103439693A (zh) * | 2013-08-16 | 2013-12-11 | 电子科技大学 | 一种线阵sar稀疏重构成像与相位误差校正方法 |
CN103576151A (zh) * | 2013-10-15 | 2014-02-12 | 中国科学院电子学研究所 | 基于压缩感知的方位向多通道sar成像方法及*** |
WO2015008310A1 (en) * | 2013-07-19 | 2015-01-22 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
CN105388476A (zh) * | 2015-12-28 | 2016-03-09 | 河南工业大学 | 一种基于联合稀疏模型的层析sar成像方法 |
CN105787943A (zh) * | 2016-03-03 | 2016-07-20 | 西安电子科技大学 | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 |
WO2016125206A1 (ja) * | 2015-02-06 | 2016-08-11 | 三菱電機株式会社 | 合成開口レーダ信号処理装置 |
CN106940443A (zh) * | 2017-01-16 | 2017-07-11 | 洪都天顺(深圳)科技有限公司 | 多云多雨条件下复杂城区基础设施PSInSAR形变估计方法 |
CN107064933A (zh) * | 2017-03-10 | 2017-08-18 | 中国科学院遥感与数字地球研究所 | 基于循环谱估计的sar层析建筑物高度的方法 |
CN107255800A (zh) * | 2017-05-19 | 2017-10-17 | 清华大学 | 多极化雷达成像的双层次块稀疏匹配追踪方法及装置 |
CN107392861A (zh) * | 2017-06-29 | 2017-11-24 | 南京航空航天大学 | 一种基于高斯比例混合模型的稀疏表示sar图像降斑方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6879279B2 (en) * | 2003-01-14 | 2005-04-12 | The Regents Of The University Of California | Differential optical synthetic aperture radar |
PL2394184T3 (pl) * | 2009-02-06 | 2018-02-28 | Saab Ab | System radaru i sposób dla radaru o syntetycznej aperturze |
CN103454638B (zh) * | 2013-09-22 | 2015-04-08 | 中国科学院电子学研究所 | 一种圆迹合成孔径雷达三维层析成像方法 |
CN104199032B (zh) * | 2014-08-29 | 2017-01-11 | 中国科学院电子学研究所 | 一种基于相关系数的层析sar成像的航迹分布优化方法 |
-
2018
- 2018-06-29 CN CN201810705723.XA patent/CN108627835B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645651A (zh) * | 2012-04-23 | 2012-08-22 | 电子科技大学 | 一种sar层析超分辨成像方法 |
CN102662171A (zh) * | 2012-04-23 | 2012-09-12 | 电子科技大学 | 一种sar层析三维成像方法 |
WO2015008310A1 (en) * | 2013-07-19 | 2015-01-22 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
CN103439693A (zh) * | 2013-08-16 | 2013-12-11 | 电子科技大学 | 一种线阵sar稀疏重构成像与相位误差校正方法 |
CN103576151A (zh) * | 2013-10-15 | 2014-02-12 | 中国科学院电子学研究所 | 基于压缩感知的方位向多通道sar成像方法及*** |
WO2016125206A1 (ja) * | 2015-02-06 | 2016-08-11 | 三菱電機株式会社 | 合成開口レーダ信号処理装置 |
CN105388476A (zh) * | 2015-12-28 | 2016-03-09 | 河南工业大学 | 一种基于联合稀疏模型的层析sar成像方法 |
CN105787943A (zh) * | 2016-03-03 | 2016-07-20 | 西安电子科技大学 | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 |
CN106940443A (zh) * | 2017-01-16 | 2017-07-11 | 洪都天顺(深圳)科技有限公司 | 多云多雨条件下复杂城区基础设施PSInSAR形变估计方法 |
CN107064933A (zh) * | 2017-03-10 | 2017-08-18 | 中国科学院遥感与数字地球研究所 | 基于循环谱估计的sar层析建筑物高度的方法 |
CN107255800A (zh) * | 2017-05-19 | 2017-10-17 | 清华大学 | 多极化雷达成像的双层次块稀疏匹配追踪方法及装置 |
CN107392861A (zh) * | 2017-06-29 | 2017-11-24 | 南京航空航天大学 | 一种基于高斯比例混合模型的稀疏表示sar图像降斑方法 |
Non-Patent Citations (2)
Title |
---|
"基于压缩多信号分类算法的森林区域极化SAR层析成像";张冰尘等;《电子与信息学报》;20150331;第37卷(第3期);第625-630页 * |
张冰尘等."基于压缩多信号分类算法的森林区域极化SAR层析成像".《电子与信息学报》.2015,第37卷(第3期),第625-630页. * |
Also Published As
Publication number | Publication date |
---|---|
CN108627835A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108627835B (zh) | 全极化差分sar层析的目标重构方法 | |
Sauer et al. | Three-dimensional imaging and scattering mechanism estimation over urban scenes using dual-baseline polarimetric InSAR observations at L-band | |
US11520035B2 (en) | Coherence change detection techniques | |
US20150253423A1 (en) | System and Method for 3D SAR Imaging using Compressive Sensing with Multi-Platform, Multi-Baseline and Multi-PRF Data | |
CN112099007B (zh) | 适用于非理想天线方向图的方位向多通道sar模糊抑制方法 | |
KR101804522B1 (ko) | 다중 변위 추정 커널을 이용한 위성레이더 오프셋트래킹 장치 및 그 방법 | |
del Campo et al. | Towards feature enhanced SAR tomography: A maximum-likelihood inspired approach | |
CN113777607B (zh) | 一种视频sar成像方法 | |
CN108594223A (zh) | 机载sar图像目标定位方法 | |
CN107797110B (zh) | 综合孔径投影辐射的***成像方法及综合孔径投影辐射计 | |
US8798359B2 (en) | Systems and methods for image sharpening | |
Liu et al. | Ambiguities Suppression for Azimuth Multichannel SAR Based on ${L_ {2, q}} $ Regularization With Application to Gaofen-3 Ultra-Fine Stripmap Mode | |
Wang et al. | A novel motion compensation algorithm based on motion sensitivity analysis for mini-UAV-based BiSAR system | |
CN113670301B (zh) | 一种基于惯导***参数的机载sar运动补偿方法 | |
CN108646244B (zh) | 测量建筑五维形变的分析方法及*** | |
Wei et al. | An autofocus approach for model error correction in compressed sensing SAR imaging | |
CN104714230B (zh) | 稀疏合成孔径雷达多视成像方法 | |
CN115902886A (zh) | 基于Renyi熵的ITR-DTV雷达前视超分辨成像方法 | |
Hu et al. | Widely-distributed radar imaging based on consensus ADMM | |
Zhu et al. | Super-resolution for 4-D SAR tomography via compressive sensing | |
Wu et al. | Learning-based High-frame-rate SAR imaging | |
CN117805820B (zh) | 一种基于极化相干最优的层析sar三维成像方法 | |
Shang et al. | An adaptive spatial filtering algorithm based on nonlocal mean filtering for GNSS-based InSAR | |
CN113835090B (zh) | 一种基于多通道sar***的高精度干涉相位获取方法 | |
Zha et al. | Fast factorized back projection imaging algorithm integrated with motion error estimation for bistatic forward-looking SAR |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |