CN110231625A - 一种基于多尺度融合的综合孔径成像方法 - Google Patents

一种基于多尺度融合的综合孔径成像方法 Download PDF

Info

Publication number
CN110231625A
CN110231625A CN201910549465.5A CN201910549465A CN110231625A CN 110231625 A CN110231625 A CN 110231625A CN 201910549465 A CN201910549465 A CN 201910549465A CN 110231625 A CN110231625 A CN 110231625A
Authority
CN
China
Prior art keywords
image
fusion
scale
synthetic aperture
visibility function
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
Application number
CN201910549465.5A
Other languages
English (en)
Other versions
CN110231625B (zh
Inventor
王凯
韩丰恺
陈建飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201910549465.5A priority Critical patent/CN110231625B/zh
Publication of CN110231625A publication Critical patent/CN110231625A/zh
Application granted granted Critical
Publication of CN110231625B publication Critical patent/CN110231625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • 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

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)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)
  • Image Processing (AREA)
  • Transforming Light Signals Into Electric Signals (AREA)

Abstract

本发明公开了一种基于多尺度融合的综合孔径成像方法，该方法包括步骤：在不改变***结构的前提下对目标场景进行多尺度探测，获得不同尺度下的可见度函数采样值；将测得多尺度可见度函数值组合成融合可见度函数集，并构建与之匹配的多尺度传感矩阵模型；通过FGP方法对多尺度传感模型进行快速求解，重构出高精度的毫米波图像。本发明借鉴超分辨融合的思想，提出的MsF方法相比于传统的先反演后融合的图像融合方法重构精度更高，能够有效提高综合孔径辐射计的成像探测精度。

Description

一种基于多尺度融合的综合孔径成像方法
技术领域
本发明涉及毫米波近场成像领域，尤其涉及一种基于多尺度融合(MsF)的综合孔径成像方法。
背景技术
毫米波综合孔径辐射计(SAIR)借助综合孔径技术，利用小口径阵元天线合成大口天线，可实现较高分辨率的成像探测；同时兼具红外与微波成像的特点，能够穿透衣物、塑料、木材等实现隐匿探测，已被广泛应用于军事、导航、医疗和交通安监等领域。
目前受***阵列规模的限制，SAIR测得的可见度点数较少；且受背景噪声和***误差的干扰，测得的可见度函数常存在误差；使得SAIR重构的毫米波图像与真实毫米波图像之间存在较大误差。为提高SAIR的成像精度，人们一方面改进优化SAIR的阵列布局，以测得更多的可见度采样点；另一方面对SAIR的成像算法进行优化，以重构出更加精确的毫米波图像。在阵列优化方面，已设计出较为有效的一维稀疏天线阵；但对于情况复杂的二维SAIR，尚未得出较为有效的二维稀疏天线阵。目前二维SAIR采用的阵列主要有“T”形、“Y”形、圆周形等，其阵元数目通常较少，测得可见度点数远小于待恢复的图像像素数。为从少量可见度采样点中重构出高度精度的毫米波图像，多种综合孔径成像算法被相继提出，如MFFT，Gridding，正则化等反演法。其中MFFT法通过对可见度函数进行相位补偿有效提升了其成像精度，且反演速度较快；但仅适用于标准网格分布的天线阵(如“T”形，“U”形)。而Gridding法克服了这一不足，但其插值重采样的过程会引入了额外误差，导致其重构精度较低。正则化法则是通过对综合孔径成像模型的数值反演来重构目标图像，并借助先验知识对重构过程进行限制，其重构结果较为准确，也是目前常用的成像方法。
发明内容
发明目的：为了解决现有技术存在的问题，本发明的目的是提供一种基于多尺度融合(MsF)的综合孔径成像方法，以提高SAIR***重构图像精度。
技术方案：一种基于多尺度融合的综合孔径成像方法，包括如下步骤：
(1)在不改变***结构的前提下，对目标进行多尺度探测，获取目标场景的多尺度可见度函数采样值；
(2)将测得可见度函数组合成可见度函数融合集，并构建与之匹配的多尺度传感矩阵模型；
(3)通过FGP方法对多尺度传感模型进行快速求解，重构出高精度的毫米波图像。
进一步的，所述步骤(1)具体包括如下内容：
(1.1)所述***阵元天线(c,l)位于OXY面，目标场景S位于oxy面；
(1.2)将目标离散化后，第i个辐射源Si与天线c和l的距离分别为Ri c和Ri l，所获取的天线对(c,l)测量的可见度函数采样值的计算方法为：
其中，E#(·)为阵元天线接收的电磁信号，<·>表示时间积分，τ为积分时间，(xi,yi)为Si坐标，T(xi,yi)为归一化亮温，F#(·)为天线方向图，k＝2π/λ为圆波数，λ为***中心波长，rc,l为消条纹函数；exp[-jk(Ri c-Ri l)]表示天线对(c,l)间的相位差；Ri c和Ri l通过泰勒近似展开计算：
Ri c≈R+[(xi-Xc)2+(yi-Yc)2]/2R
Ri l≈R+[(xi-Xl)2+(yi-Yl)2]/2R；
(1.3)定义u＝k(Xl-Xc)/R，v＝k(Yl-Yc)/R，将Ri c和Ri l代入Vc,l，得到：
其中，将rc,l和F#(·)近似为1，得到：
(1.4)将Ri c和Ri l表示为：
将Ri c和Ri l重新代入Vc,l，得到：
VM×1＝GM×N·TN×1
进一步的，所述步骤(2)具体包括如下内容：
(2.1)在不同距离下对目标场景进行综合孔径成像探测，所组合的可见度函数融合集为测得的不同尺度下的可见度函数VRi，i＝1,2,3…的集合；利用此融合集构建对应的成像传感矩阵为：
VR1＝GR1·TR1
VR2＝GR2·TR2
……
VRi＝GRi·TRi
其中，GRi是Ri尺度下重构的图像，TRi是Ri尺度下的G矩阵；
(2.2)根据成像传感矩阵分别重构出图像TRi；
(2.3)借助图像融合的方法对图像TRi进行超分辨融合，重构出高分辨率的目标图像T；所构建的与所述融合集相匹配的多尺度传感矩阵模型为：
进一步的，所述步骤(3)具体包括如下内容：
(3.1)使用正则化法对G矩阵进行病态求解，利用一定的先验信息来构造正则项，其重构模型为：
其中，||GT-V||2 2是保真项，α为的正则化参数，P(T)为正则化项；
采用如下正则项：
其中，T(i,j)为是图像像素位置为(i,j)处的归一化亮温，T(i,j+1)为是图像像素位置为(i,j+1)处的归一化亮温，T(i+1,j)为是图像像素位置为(i+1,j)处的归一化亮温；
(3.2)采用快速梯度投影FGP算法对G矩阵进行求解，重构出毫米波图像T。
优选的，所述步骤(3.2)中，最大迭代步骤k设置为20，参数α设置为0.07。
和现有技术相比，本发明具有如下显著进步：1、本发明所述成像方法不需要改变SAIR***结构，直接对目标进行多尺度探测获取可见度函数，方法的成本代价较低。2、相比于传统的先成像反演后融合的图像融合方法，提出的MsF法将数据的融合过程前移至成像反演过程中，有利于借助融合的可见度函数集重构出更多的图像信息，进一步提高最终重构图像的精度。
附图说明
图1为综合孔径成像原理图；
图2为本发明的综合孔径多尺度成像原理图；
图3(a)为本发明“T”阵列分布图；
图3(b)为用于仿真的船只场景图；
图4(a)为本发明R＝3m尺度下的反演结果图；
图4(b)为R＝3.5m尺度下的反演结果图；
图4(c)为传统图像融合结果图；
图4(d)为本发明中MsF法的反演结果。
具体实施方式
下面结合附图和实施例对本发明的技术方案作详细的说明。
如图1所示，阵元天线(c,l)位于OXY面，展源目标S位于oxy面；将目标离散化后，第i个辐射源Si与天线c和l的距离分别为Ri c和Ri l。
依据综合孔径辐射计的干涉测量原理，由天线对(c,l)测量的可见度函数样本点可表示为：
其中，E#(·)为阵元天线接收的电磁信号，<·>表示时间积分，τ为积分时间，(xi,yi)为Si坐标，T(xi,yi)为归一化亮温，F#(·)为天线方向图，k＝2π/λ为圆波数，λ为***中心波长，rc,l为消条纹函数。exp[-jk(Ri c-Ri l)]表示天线对(c,l)间的相位差。在传统模型中，常对Ri c和Ri l进行泰勒近似展开：
Ri c≈R+[(xi-Xc)2+(yi-Yc)2]/2R (2)
Ri l≈R+[(xi-Xl)2+(yi-Yl)2]/2R (3)
将式(2)和(3)代入式(1)，并定义u＝k(Xl-Xc)/R，v＝k(Yl-Yc)/R，可得：
式中，为相位补偿项，可有效提高SAIR的近场成像精度。对于理想SAIR，可进一步将rc,l和F#(·)近似为1，得出：
上式即为MFFT成像模型。但该模型的近似较多，存在较大重构误差；为提高综合孔径的成像精度，可对SAIR进行数学建模，构建其G矩阵传感模型，依据图1可将Ri c和Ri l精确的表示为：
将式(7)和(8)代入式(1)可得：
VM×1＝GM×N·TN×1 (9)
式(9)即为综合孔径G矩阵(传感)模型，其对综合孔径成像过程的描述更加精确，因此具有更高的反演精度。
在实际SAIR***中，受阵列规模和***复杂度的限制，测得的可见度函数点数M通常远小于待恢复的像素数N，且存在观测误差；即使借助正则化方法进行重构，其重构的图像精度依然较低。为应对这一不足，本发明借鉴超分辨图像重构的思想，提出了一种基于多尺度融合(MsF)的综合孔径成像方法。
首先依据图2所示，在不同距离下对目标场景进行综合孔径成像探测，测得不同尺度下的可见度函数VRi(i＝1,2,3…)，为简化计算量取i＝1,2。并依据公式(7-10)构建对应的成像传感矩阵：
VR1＝GR1·TR1 (11)
VR2＝GR2·TR2 (12)
基于式(11-12)可分别重构出图像TR1和TR2；由于探测距离的不同，图像TR1和TR2可看作是目标图像T在不同尺度下的低分辨图像。因此可借助图像融合的方法对像TR1和TR2进行超分辨融合，重构出高分辨率的目标图像T。
然而传统图像融合法仅能借助图像TR1和TR2冗余信息进行超分辨重建，无法有效滤除低分辨图像本身的误差。因此在提出的MsF成像法中，将图像融合思想引入到图像反演过程中，采用的传感模型为:
由式(13)可以看出MsF传感模型中，其可见度函数和观测矩阵的规模均得到了提升，有效改善了G矩阵模型的不适定性，可有效借助融合的数据集对目标图像T进行高分辨重构。
对于G矩阵的病态求解较为行之有效的方法是正则化法，利用一定的先验信息来构造正则项，使病态问题变为一个良好的条件问题，其典型的重构模型为：
式中||GT-V||2 2是保真项，用于保证重构图像与真实毫米波图像间的差值足够小，α为的正则化参数，P(T)为正则化项。为进行高精度的图像重构，本发明借鉴TV范数的思想，采用如下正则项：
已有研究表明，将TV范数作为正则化项，可实现较为精确的图像重建效果。对于式(14)的反演求解，本发明采用快速梯度投影FGP算法，最大迭代步骤k设置为20，参数α设置为0.07。
数值模拟和结果：本发明以实验仿真的方法对提出的MsF反演法进行验证分析。仿真所用主要参数如表1所示，仿真所用阵列为“T”型，其阵元排布如图3(a)所示，●为实元天线，○为可见度采样点。
表1主要反演参数
参数 中心波长λ(mm) 阵列规模 天线间距Δd(m) 成像距离R(m)
数值 3 40*40 0.01 3m/3.5m
目标场景的亮温分布如图3(b)所所示，维度为100×100。为更真实的模拟SAIR成像过程，仿真中将图3(b)中各像素点作为离散辐射源，其灰度值作为辐射强度，相邻辐射源间距设为***空间分辨率的一半。通过对所有点源产生的毫米波辐射信号进行累积来获得阵元天线的接收信号，之后通过天线对间的复相关运算得出可见度函数。分别得出R＝3/3.5m尺度下的可见度函数后，再借助MsF反演法对目标场景进行高精度的反演重构。此外为进行对比，本发明还依据传统图像融合的方法，先依据式(11-12)分别反演出地分辨图像TR1和TR2，后借助小波融合方法对TR1和TR2法进行超分辨重构得出高分辨融合图像。相应的重构结果如图4所示。
从图4中可以看出在单个尺度下(R＝3/3.5m)，由于可见度函数点数不足，且可见度函数和***传感矩阵存在一定的误差；其反演图像(图4(a-b))的精度较差，在目标附近存在较为明显的噪声干扰，且目标轮廓模糊，识别性较差。而借助传统图像融合方法得到的融合图像(图4(c))具有较好的清晰度，图像噪声得到了一定的抑制，且轮廓信息较为明显；但由于低分辨图像的目标信息丢失较多，其重构图像的目标信息还不够明显。而提出的MsF法则借助融合传感模型直接从测得可见度函数中直接提前目标信息，其重构图像(图4(d))目标信息恢复更好，图像信噪比更高。
为客观评价重构图像的精度，对其均方根误差(RMSE)、峰值信噪比(PSNR)和结构相似度(SSIM)进行了计算，结果如表2所示：
表2重构图像的评价数据比较
显然，MsF法反演结果的RMSE最小，PSNR和SSIM最大。结果表明提出的MsF方法可以有效克服综合孔径辐射计采样点数不足的问题，提高其成像反演的精度。

Claims (5)

1.一种基于多尺度融合的综合孔径成像方法，其特征在于，包括如下步骤：
(1)在不改变***结构的前提下，对目标进行多尺度探测，获取目标场景的多尺度可见度函数采样值；
(2)将测得可见度函数组合成可见度函数融合集，并构建与之匹配的多尺度传感矩阵模型；
(3)通过FGP方法对多尺度传感模型进行快速求解，重构出高精度的毫米波图像。
2.根据权利要求1所述的综合孔径成像方法，其特征在于，所述步骤(1)具体包括如下内容：
(1.1)所述***阵元天线(c,l)位于OXY面，目标场景S位于oxy面；
(1.2)将目标离散化后，第i个辐射源Si与天线c和l的距离分别为Ri c和Ri l，所获取的天线对(c,l)测量的可见度函数采样值的计算方法为：
其中，E#(·)为阵元天线接收的电磁信号，<·>表示时间积分，τ为积分时间，(xi,yi)为Si坐标，T(xi,yi)为归一化亮温，F#(·)为天线方向图，k＝2π/λ为圆波数，λ为***中心波长，rc,l为消条纹函数；exp[-jk(Ri c-Ri l)]表示天线对(c,l)间的相位差；Ri c和Ri l通过泰勒近似展开计算：
(1.3)定义u＝k(Xl-Xc)/R，v＝k(Yl-Yc)/R，将Ri c和Ri l代入Vc,l，得到：
其中，将rc,l和F#(·)近似为1，得到：
(1.4)将Ri c和Ri l表示为：
将Ri c和Ri l重新代入Vc,l，得到：
VM×1＝GM×N·TN×1
3.根据权利要求1所述的综合孔径成像方法，其特征在于，所述步骤(2)具体包括如下内容：
(2.1)在不同距离下对目标场景进行综合孔径成像探测，所组合的可见度函数融合集为测得的不同尺度下的可见度函数VRi，i＝1,2,3…的集合；利用此融合集构建对应的成像传感矩阵为：
VR1＝GR1·TR1
VR2＝GR2·TR2
……
VRi＝GRi·TRi
其中，GRi是Ri尺度下重构的图像，TRi是Ri尺度下的G矩阵；
(2.2)根据成像传感矩阵分别重构出图像TRi；
(2.3)借助图像融合的方法对图像TRi进行超分辨融合，重构出高分辨率的目标图像T；所构建的与所述融合集相匹配的多尺度传感矩阵模型为：
4.根据权利要求1所述的综合孔径成像方法，其特征在于，所述步骤(3)具体包括如下内容：
(3.1)使用正则化法对G矩阵进行病态求解，利用一定的先验信息来构造正则项，其重构模型为：
其中，||GT-V||2 2是保真项，α为的正则化参数，P(T)为正则化项；
采用如下正则项：
为(i,j+1)处的归一化亮温，T(i+1,j)为是图像像素位置为(i+1,j)处的归一化亮温；
(3.2)采用快速梯度投影FGP算法对G矩阵进行求解，重构出毫米波图像T。
5.根据权利要求4所述的综合孔径成像方法，其特征在于，所述步骤(3.2)中，最大迭代步骤k设置为20，参数α设置为0.07。
CN201910549465.5A 2019-06-24 2019-06-24 一种基于多尺度融合的综合孔径成像方法 Active CN110231625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910549465.5A CN110231625B (zh) 2019-06-24 2019-06-24 一种基于多尺度融合的综合孔径成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910549465.5A CN110231625B (zh) 2019-06-24 2019-06-24 一种基于多尺度融合的综合孔径成像方法

Publications (2)

Publication Number Publication Date
CN110231625A true CN110231625A (zh) 2019-09-13
CN110231625B CN110231625B (zh) 2023-01-31

Family

ID=67857120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910549465.5A Active CN110231625B (zh) 2019-06-24 2019-06-24 一种基于多尺度融合的综合孔径成像方法

Country Status (1)

Country Link
CN (1) CN110231625B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111999307A (zh) * 2020-08-11 2020-11-27 河海大学 多尺度信息融合的水下构筑物表面损毁探测方法
CN113156433A (zh) * 2021-05-07 2021-07-23 南京邮电大学 一种微波成像装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081791A (zh) * 2010-11-25 2011-06-01 西北工业大学 一种基于多尺度特征融合的sar图像分割方法
CN103236063A (zh) * 2013-05-03 2013-08-07 河海大学 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法
CN107797110A (zh) * 2017-09-13 2018-03-13 南京邮电大学 综合孔径投影辐射的***成像方法及综合孔径投影辐射计
CN108154192A (zh) * 2018-01-12 2018-06-12 西安电子科技大学 基于多尺度卷积与特征融合的高分辨sar地物分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081791A (zh) * 2010-11-25 2011-06-01 西北工业大学 一种基于多尺度特征融合的sar图像分割方法
CN103236063A (zh) * 2013-05-03 2013-08-07 河海大学 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法
CN107797110A (zh) * 2017-09-13 2018-03-13 南京邮电大学 综合孔径投影辐射的***成像方法及综合孔径投影辐射计
CN108154192A (zh) * 2018-01-12 2018-06-12 西安电子科技大学 基于多尺度卷积与特征融合的高分辨sar地物分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
全斯农等: "利用多尺度融合的SAR图像变化检测方法", 《信号处理》 *
张素华: "基于改进l_1范数和稀疏表示的SAR与可见光图像快速融合算法", 《传感器世界》 *
陈广秋: "基于多尺度分析的多传感器图像融合技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *
陈建飞 等: "基于双模型的综合孔径辐射计成像反演方法", 《微波学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111999307A (zh) * 2020-08-11 2020-11-27 河海大学 多尺度信息融合的水下构筑物表面损毁探测方法
CN111999307B (zh) * 2020-08-11 2021-08-17 河海大学 多尺度信息融合的水下构筑物表面损毁探测方法
CN113156433A (zh) * 2021-05-07 2021-07-23 南京邮电大学 一种微波成像装置
CN113156433B (zh) * 2021-05-07 2023-08-15 南京邮电大学 一种微波成像装置

Also Published As

Publication number Publication date
CN110231625B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
Li et al. Pixel-level image fusion: A survey of the state of the art
CN107193003B (zh) 一种稀疏奇异值分解扫描雷达前视成像方法
CN108983229B (zh) 基于sar层析技术的高压输电铁塔高度及形变提取方法
Budillon et al. Three-dimensional SAR focusing from multipass signals using compressive sampling
Wang et al. TPSSI-Net: Fast and enhanced two-path iterative network for 3D SAR sparse imaging
CN106501865B (zh) 一种边缘嵌套加权的稀疏成像方法
Agarwal et al. Subspace-based optimization method for reconstruction of 2-D complex anisotropic dielectric objects
CN109188431B (zh) 一种基于压缩感知的全息微波快速成像方法
CN105388476B (zh) 一种基于联合稀疏模型的层析sar成像方法
CN114442092B (zh) 一种分布式无人机sar深度学习三维成像方法
Zhu et al. Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features
CN110231625B (zh) 一种基于多尺度融合的综合孔径成像方法
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
Xu et al. Fast full-wave electromagnetic inverse scattering based on scalable cascaded convolutional neural networks
Sharma et al. Coded-aperture computational millimeter-wave image classifier using convolutional neural network
CN110554384A (zh) 一种基于微波信号的成像方法
CN109581526B (zh) 一种应用于摄像式毫米波人体安检仪的实时跟踪成像方法
CN110940638A (zh) 一种高光谱图像亚像元级水体边界探测方法及探测***
Yu et al. SAR image change detection based on joint dictionary learning with iterative adaptive threshold optimization
CN114280602A (zh) 用于毫米波综合孔径辐射计的近场三维成像***及方法
Song et al. An Effective Image Reconstruction Enhancement Method with Convolutional Reweighting for Near-field SAR
CN113359133B (zh) 一种协同光学和雷达遥感数据的面向对象变化检测方法
Wen et al. Electrical Impedance Tomography Based on a High-resolution Direction-of-arrival Estimation Algorithm.
CN114200448A (zh) 综合孔径辐射计波数域近场成像方法及设备
CN110263777B (zh) 基于空谱结合的局部保持投影算法的目标检测方法及***

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