显示方式:
在遥感图像舰船检测任务中,可见光图像细节和纹理信息丰富,但成像质量易受云雾干扰,合成孔径雷达(SAR)图像具有全天时和全天候的特点,但图像质量易受复杂海杂波影响。结合可见光和SAR图像优势的协同检测方法可以提高舰船目标的检测性能。针对在前后时相图像中,舰船目标在极小邻域范围内发生轻微偏移的场景,该文提出一种基于邻域显著性的可见光和SAR多源异质遥感图像舰船协同检测方法。首先,通过可见光和SAR的协同海陆分割降低陆地区域的干扰,并通过RetinaNet和YOLOv5s分别进行可见光和SAR图像的单源目标初步检测;其次,提出了基于单源检测结果对遥感图像邻域开窗进行邻域显著性目标二次检测的多源协同舰船目标检测策略,实现可见光和SAR异质图像的优势互补,减少舰船目标漏检、虚警以提升检测性能。在2022年烟台地区拍摄的可见光和SAR遥感图像数据上,该方法的检测精度AP50相比现有舰船检测方法提升了1.9%以上,验证了所提方法的有效性和先进性。 在遥感图像舰船检测任务中,可见光图像细节和纹理信息丰富,但成像质量易受云雾干扰,合成孔径雷达(SAR)图像具有全天时和全天候的特点,但图像质量易受复杂海杂波影响。结合可见光和SAR图像优势的协同检测方法可以提高舰船目标的检测性能。针对在前后时相图像中,舰船目标在极小邻域范围内发生轻微偏移的场景,该文提出一种基于邻域显著性的可见光和SAR多源异质遥感图像舰船协同检测方法。首先,通过可见光和SAR的协同海陆分割降低陆地区域的干扰,并通过RetinaNet和YOLOv5s分别进行可见光和SAR图像的单源目标初步检测;其次,提出了基于单源检测结果对遥感图像邻域开窗进行邻域显著性目标二次检测的多源协同舰船目标检测策略,实现可见光和SAR异质图像的优势互补,减少舰船目标漏检、虚警以提升检测性能。在2022年烟台地区拍摄的可见光和SAR遥感图像数据上,该方法的检测精度AP50相比现有舰船检测方法提升了1.9%以上,验证了所提方法的有效性和先进性。
针对远距离非合作目标探测,现有太赫兹雷达由于受到发射机功率低、大气衰减效应等因素影响,其作用距离有限,难以满足对目标的预警探测应用需求。为提升太赫兹雷达探测能力,该文研究了基于单光子探测技术的目标超灵敏探测方法,利用单光子探测器替代传统雷达接收机,有望显著提升太赫兹雷达的作用距离。首先,该文分析了太赫兹单光子雷达信号光子数的统计规律,从微观角度阐述了目标的回波特性,进一步,结合超导量子电容探测器的特点,建立了太赫兹单光子目标探测模型;此外,推导得到太赫兹单光子雷达目标检测性能数学表达式,并通过仿真实验对目标检测性能进行了验证和分析,获得了雷达检测性能曲线;最后开展了时间分辨太赫兹光子计数原理验证实验,通过回波脉冲计数的方式实现了目标高精度测距。该文工作将为太赫兹频段超灵敏探测技术及单光子雷达系统的研究与发展提供支撑。 针对远距离非合作目标探测,现有太赫兹雷达由于受到发射机功率低、大气衰减效应等因素影响,其作用距离有限,难以满足对目标的预警探测应用需求。为提升太赫兹雷达探测能力,该文研究了基于单光子探测技术的目标超灵敏探测方法,利用单光子探测器替代传统雷达接收机,有望显著提升太赫兹雷达的作用距离。首先,该文分析了太赫兹单光子雷达信号光子数的统计规律,从微观角度阐述了目标的回波特性,进一步,结合超导量子电容探测器的特点,建立了太赫兹单光子目标探测模型;此外,推导得到太赫兹单光子雷达目标检测性能数学表达式,并通过仿真实验对目标检测性能进行了验证和分析,获得了雷达检测性能曲线;最后开展了时间分辨太赫兹光子计数原理验证实验,通过回波脉冲计数的方式实现了目标高精度测距。该文工作将为太赫兹频段超灵敏探测技术及单光子雷达系统的研究与发展提供支撑。
聚焦雷达对抗中极化信息获取与利用的应用需求,该文研究了基于极化时变调控表面的有源欺骗干扰辨识方法。首先,设计了一套在9.6~10.1 GHz频带内支持3 bit相位量化的各向异性相位调制表面,通过优化相位调制编码序列,实现了极化态按需调控。然后,将极化调控表面加装在单极化雷达天线上,使天线发射和接收电磁波的极化态沿特定极化轨道变化,通过提取目标与有源欺骗干扰的极化域差异,实现两者辨识。仿真分析表明,在3种不同的极化轨道约束下,干扰与目标均具有显著的聚类效应,可获得稳定的干扰辨识效果。相较于依赖双极化或全极化雷达体制的干扰辨识方法,该文所提方法兼具低成本与高效性,在雷达抗干扰中具有很大的应用潜力。 聚焦雷达对抗中极化信息获取与利用的应用需求,该文研究了基于极化时变调控表面的有源欺骗干扰辨识方法。首先,设计了一套在9.6~10.1 GHz频带内支持3 bit相位量化的各向异性相位调制表面,通过优化相位调制编码序列,实现了极化态按需调控。然后,将极化调控表面加装在单极化雷达天线上,使天线发射和接收电磁波的极化态沿特定极化轨道变化,通过提取目标与有源欺骗干扰的极化域差异,实现两者辨识。仿真分析表明,在3种不同的极化轨道约束下,干扰与目标均具有显著的聚类效应,可获得稳定的干扰辨识效果。相较于依赖双极化或全极化雷达体制的干扰辨识方法,该文所提方法兼具低成本与高效性,在雷达抗干扰中具有很大的应用潜力。
超宽带穿墙雷达具备穿透墙体的能力,结合多输入多输出(MIMO)技术可以实现墙体后侧隐蔽目标的成像,为建筑物内人员检测和定位提供了丰富的信息。该文基于调频连续波(FMCW)体制下的多发多收超宽带穿墙雷达系统,提出了一种闭环干涉校准方法,校正了由系统内部误差产生的图像散焦。墙体的存在会导致目标成像位置偏离真实位置,该文推导了联合通道和像素点的三维墙体补偿算法,并基于其几何特性,提出快速重聚焦算法。首先去除墙体影响、确定目标存在区域;鉴于区域几何特性,选择适应区域形状的球坐标网格划分;分区域进行局部重聚焦,避免了因电磁波衰减导致成像结果中出现强目标掩盖弱目标的现象,并且球坐标形式的网格划分和局部成像大大缩减了算法耗时。通过仿真分析与实验验证,该文提出的系统校准方法能有效补偿系统误差,快速重聚焦算法可以实现墙后人体多目标三维定位,各维度定位精度优于10 cm,计算效率相对其余算法提升了5倍左右。从目标检测概率方面,所提算法相比其余算法不会出现弱目标的漏检。 超宽带穿墙雷达具备穿透墙体的能力,结合多输入多输出(MIMO)技术可以实现墙体后侧隐蔽目标的成像,为建筑物内人员检测和定位提供了丰富的信息。该文基于调频连续波(FMCW)体制下的多发多收超宽带穿墙雷达系统,提出了一种闭环干涉校准方法,校正了由系统内部误差产生的图像散焦。墙体的存在会导致目标成像位置偏离真实位置,该文推导了联合通道和像素点的三维墙体补偿算法,并基于其几何特性,提出快速重聚焦算法。首先去除墙体影响、确定目标存在区域;鉴于区域几何特性,选择适应区域形状的球坐标网格划分;分区域进行局部重聚焦,避免了因电磁波衰减导致成像结果中出现强目标掩盖弱目标的现象,并且球坐标形式的网格划分和局部成像大大缩减了算法耗时。通过仿真分析与实验验证,该文提出的系统校准方法能有效补偿系统误差,快速重聚焦算法可以实现墙后人体多目标三维定位,各维度定位精度优于10 cm,计算效率相对其余算法提升了5倍左右。从目标检测概率方面,所提算法相比其余算法不会出现弱目标的漏检。
随着合成孔径雷达(SAR)系统小型化技术、SAR三维成像技术的发展,当前已可利用无人机载小型化阵列干涉SAR实现城区三维成像,在城市测绘、复杂环境重建等领域具有重要应用前景。然而,SAR进行城市场景三维成像时,回波中存在多径信号,会导致成像结果解译困难,却也给非视距区域隐蔽目标的发现提供了重要手段。为此,该文针对低空无人机载阵列干涉SAR建筑区三维成像中的非视距目标进行了研究,建立了非视距目标在低空阵列干涉三维成像下的多径模型,给出了城市峡谷区域利用多径扩大可视范围的计算方法,并基于建筑平面拟合提出了非视距目标重定位方法。无人机载阵列干涉SAR的仿真和实际数据处理验证表明,所提出的方法可以对城市峡谷非视距目标进行有效的三维成像和重定位,重定位误差小于0.5 m,实现了对非视距区域信息的获取。 随着合成孔径雷达(SAR)系统小型化技术、SAR三维成像技术的发展,当前已可利用无人机载小型化阵列干涉SAR实现城区三维成像,在城市测绘、复杂环境重建等领域具有重要应用前景。然而,SAR进行城市场景三维成像时,回波中存在多径信号,会导致成像结果解译困难,却也给非视距区域隐蔽目标的发现提供了重要手段。为此,该文针对低空无人机载阵列干涉SAR建筑区三维成像中的非视距目标进行了研究,建立了非视距目标在低空阵列干涉三维成像下的多径模型,给出了城市峡谷区域利用多径扩大可视范围的计算方法,并基于建筑平面拟合提出了非视距目标重定位方法。无人机载阵列干涉SAR的仿真和实际数据处理验证表明,所提出的方法可以对城市峡谷非视距目标进行有效的三维成像和重定位,重定位误差小于0.5 m,实现了对非视距区域信息的获取。
机载雷达接收端采用子阵处理时面临栅瓣杂波导致的复杂空时耦合分布,使主瓣波束方向存在多个由栅瓣杂波导致的检测性能凹口,目标检测性能恶化严重。针对此问题,该文首先分析了子阵处理中栅瓣杂波空时谱分布特性,并在此基础上提出了基于接收子阵波束设计的空时二维杂波抑制方法。该方法采用重叠子阵构型方案,通过子阵方向图设计形成在子阵间栅瓣区域处的宽凹口,实现对子阵间栅瓣区域杂波的预滤波。进一步构建子阵级空时处理器,由于栅瓣杂波已经在子阵内完成预滤波,避免了栅瓣杂波在空时二维平面上的耦合扩散,从而提高了杂波抑制和动目标检测性能。仿真结果表明,所提方法显著改善了栅瓣杂波区的输出信杂噪比损失性能。 机载雷达接收端采用子阵处理时面临栅瓣杂波导致的复杂空时耦合分布,使主瓣波束方向存在多个由栅瓣杂波导致的检测性能凹口,目标检测性能恶化严重。针对此问题,该文首先分析了子阵处理中栅瓣杂波空时谱分布特性,并在此基础上提出了基于接收子阵波束设计的空时二维杂波抑制方法。该方法采用重叠子阵构型方案,通过子阵方向图设计形成在子阵间栅瓣区域处的宽凹口,实现对子阵间栅瓣区域杂波的预滤波。进一步构建子阵级空时处理器,由于栅瓣杂波已经在子阵内完成预滤波,避免了栅瓣杂波在空时二维平面上的耦合扩散,从而提高了杂波抑制和动目标检测性能。仿真结果表明,所提方法显著改善了栅瓣杂波区的输出信杂噪比损失性能。
非视距(NLOS) 三维成像雷达是一种利用多径散射回波探测隐藏目标的新技术,但存在多路径回波分离、孔径遮蔽缩减、反射面相位误差等问题,传统视距雷达三维成像方法难以实现非视距隐藏目标的高精度成像。为此,该文提出了一种基于迭代稀疏重构的非视距隐藏目标三维成像雷达精确成像方法(NSIR)。在该方法中,首先构建非视距毫米波雷达三维成像的多径信号模型,利用视距/非视距回波特性,通过模型驱动方法提取非视距隐藏目标的多路径回波,实现视距/非视距回波信号的分离;其次,构建耦合多径反射面相位误差的全变分多约束隐藏目标重构优化问题,利用分裂Bregman全变分(TV)正则化算子和最小均方误差的相位误差估计准则,联合求解多约束最优化问题,实现非视距目标的精确成像及轮廓重构。最后,搭建平面扫描的三维成像雷达试验平台,完成了拐角非视距场景下刀具、铁架等目标的实验验证,验证了非视距毫米波三维成像雷达隐匿目标探测能力及该文方法的有效性。 非视距(NLOS) 三维成像雷达是一种利用多径散射回波探测隐藏目标的新技术,但存在多路径回波分离、孔径遮蔽缩减、反射面相位误差等问题,传统视距雷达三维成像方法难以实现非视距隐藏目标的高精度成像。为此,该文提出了一种基于迭代稀疏重构的非视距隐藏目标三维成像雷达精确成像方法(NSIR)。在该方法中,首先构建非视距毫米波雷达三维成像的多径信号模型,利用视距/非视距回波特性,通过模型驱动方法提取非视距隐藏目标的多路径回波,实现视距/非视距回波信号的分离;其次,构建耦合多径反射面相位误差的全变分多约束隐藏目标重构优化问题,利用分裂Bregman全变分(TV)正则化算子和最小均方误差的相位误差估计准则,联合求解多约束最优化问题,实现非视距目标的精确成像及轮廓重构。最后,搭建平面扫描的三维成像雷达试验平台,完成了拐角非视距场景下刀具、铁架等目标的实验验证,验证了非视距毫米波三维成像雷达隐匿目标探测能力及该文方法的有效性。
单发单收穿墙雷达具备便携、系统简单、可独立工作等优势,但难以实现目标二维定位与跟踪。该文基于便携式单发单收雷达设计了一套分布式无线组网穿墙雷达系统,同时提出了一种目标联合定位方法,能够兼顾系统便携、低成本和目标二维信息估计。首先,设计了基于互补格雷码发射波形的超宽带雷达系统,解决了同频段多台雷达同时工作互相干扰的问题;分布式无线组网超宽带穿墙雷达系统包括3个雷达节点,并通过无线模块与数据处理中心通信。其次,提出了一种基于行为认知理论和模板匹配相结合的数据同步方法,通过识别各雷达数据中的相同运动状态来解决无线组网雷达慢时同步问题,摆脱了传统同步方法对硬件的苛刻要求。最后,提出基于Levenberg-Marquardt(L-M)最优化算法的雷达位置自估计和目标位置求解方法,实现了无先验雷达节点位置信息下的目标快速定位与跟踪。通过仿真分析与实验验证,该文设计的无线组网雷达系统可以实现目标二维定位与实时跟踪,雷达自身位置的估计精度优于0.06 m,对运动人体目标定位精度优于0.62 m。 单发单收穿墙雷达具备便携、系统简单、可独立工作等优势,但难以实现目标二维定位与跟踪。该文基于便携式单发单收雷达设计了一套分布式无线组网穿墙雷达系统,同时提出了一种目标联合定位方法,能够兼顾系统便携、低成本和目标二维信息估计。首先,设计了基于互补格雷码发射波形的超宽带雷达系统,解决了同频段多台雷达同时工作互相干扰的问题;分布式无线组网超宽带穿墙雷达系统包括3个雷达节点,并通过无线模块与数据处理中心通信。其次,提出了一种基于行为认知理论和模板匹配相结合的数据同步方法,通过识别各雷达数据中的相同运动状态来解决无线组网雷达慢时同步问题,摆脱了传统同步方法对硬件的苛刻要求。最后,提出基于Levenberg-Marquardt(L-M)最优化算法的雷达位置自估计和目标位置求解方法,实现了无先验雷达节点位置信息下的目标快速定位与跟踪。通过仿真分析与实验验证,该文设计的无线组网雷达系统可以实现目标二维定位与实时跟踪,雷达自身位置的估计精度优于0.06 m,对运动人体目标定位精度优于0.62 m。
针对复杂的机动扩展目标跟踪问题,利用Transformer网络设计了一种有效的星凸不规则形状机动扩展目标跟踪方法。首先,该文研究利用alpha-shape算法建立了星凸形状的变化模型,实现了静态场景下的星凸形扩展目标的形状估计。然后,通过对目标状态转移矩阵进行重新设计,结合Transformer网络对机动扩展目标运动状态转移矩阵进行实时估计,实现了对复杂机动目标运动过程的精准跟踪。进一步地,将估计得到的形状轮廓与运动状态进行融合,最终实现了对星凸形机动扩展目标的实时跟踪。最后,通过构造复杂的机动扩展目标跟踪场景,利用多重性能指标测试算法对形状和运动状态的综合估计性能,验证了算法的有效性。 针对复杂的机动扩展目标跟踪问题,利用Transformer网络设计了一种有效的星凸不规则形状机动扩展目标跟踪方法。首先,该文研究利用alpha-shape算法建立了星凸形状的变化模型,实现了静态场景下的星凸形扩展目标的形状估计。然后,通过对目标状态转移矩阵进行重新设计,结合Transformer网络对机动扩展目标运动状态转移矩阵进行实时估计,实现了对复杂机动目标运动过程的精准跟踪。进一步地,将估计得到的形状轮廓与运动状态进行融合,最终实现了对星凸形机动扩展目标的实时跟踪。最后,通过构造复杂的机动扩展目标跟踪场景,利用多重性能指标测试算法对形状和运动状态的综合估计性能,验证了算法的有效性。
无人机等低慢小目标探测对雷达目标检测和识别技术提出了很高的挑战,迫切需要构建相关数据集,支撑低慢小探测技术的发展和应用。该文公开了一个多波段调频连续波(FMCW)雷达低慢小目标探测数据集,基于Ku波段和L波段的FMCW雷达采集6种类型的无人机回波数据,通过雷达调制周期和调制带宽,具备不同时域和频域分辨和测量能力,构建了多波段FMCW雷达低慢小探测数据集(LSS-FMCWR-1.0)。为了进一步提升无人机微动特征提取能力,该文提出基于局部极大值同步提取变换的无人机微动提取和参数估计方法,在短时傅里叶变换的基础上提取时频能量最大值,保留有用信号分量,实现精细化时频表示。基于LSS-FMCWR-1.0进行验证分析,结果表明该方法相较于传统时频方法,熵值平均降低了5.3 dB,旋翼叶长估计误差降低了27.7%,所提方法兼顾高时频分辨率和较高的参数估计精度,为后续目标识别奠定了基础。 无人机等低慢小目标探测对雷达目标检测和识别技术提出了很高的挑战,迫切需要构建相关数据集,支撑低慢小探测技术的发展和应用。该文公开了一个多波段调频连续波(FMCW)雷达低慢小目标探测数据集,基于Ku波段和L波段的FMCW雷达采集6种类型的无人机回波数据,通过雷达调制周期和调制带宽,具备不同时域和频域分辨和测量能力,构建了多波段FMCW雷达低慢小探测数据集(LSS-FMCWR-1.0)。为了进一步提升无人机微动特征提取能力,该文提出基于局部极大值同步提取变换的无人机微动提取和参数估计方法,在短时傅里叶变换的基础上提取时频能量最大值,保留有用信号分量,实现精细化时频表示。基于LSS-FMCWR-1.0进行验证分析,结果表明该方法相较于传统时频方法,熵值平均降低了5.3 dB,旋翼叶长估计误差降低了27.7%,所提方法兼顾高时频分辨率和较高的参数估计精度,为后续目标识别奠定了基础。
在实际应用中,空时自适应处理(STAP)算法的性能受限于足够多独立同分布(IID)样本的获取。然而,目前可有效减少IID样本需求的算法仍面临一些问题。针对这些问题,该文融合数据驱动和模型驱动思想,构建了具有明确数学含义的多模块深度卷积神经网络(MDCNN),实现了小样本条件下对杂波协方差矩阵快速、准确、稳定估计。所构建MDCNN网络由映射模块、数据模块、先验模块和超参数模块组成。其中,前后端映射模块分别对应数据的预处理和后处理;单组数据模块和先验模块共同完成一次迭代优化,网络主体由多组数据模块和先验模块构成,可实现多次等效迭代优化;超参数模块则用来调整等效迭代中可训练参数。上述子模块均具有明确数学表述和物理含义,因此所构造网络具有良好的可解释性。实测数据处理结果表明,在实际非均匀杂波环境下该文所提方法杂波抑制性能优于现有典型小样本STAP方法,且运算时间较后者大幅降低。 在实际应用中,空时自适应处理(STAP)算法的性能受限于足够多独立同分布(IID)样本的获取。然而,目前可有效减少IID样本需求的算法仍面临一些问题。针对这些问题,该文融合数据驱动和模型驱动思想,构建了具有明确数学含义的多模块深度卷积神经网络(MDCNN),实现了小样本条件下对杂波协方差矩阵快速、准确、稳定估计。所构建MDCNN网络由映射模块、数据模块、先验模块和超参数模块组成。其中,前后端映射模块分别对应数据的预处理和后处理;单组数据模块和先验模块共同完成一次迭代优化,网络主体由多组数据模块和先验模块构成,可实现多次等效迭代优化;超参数模块则用来调整等效迭代中可训练参数。上述子模块均具有明确数学表述和物理含义,因此所构造网络具有良好的可解释性。实测数据处理结果表明,在实际非均匀杂波环境下该文所提方法杂波抑制性能优于现有典型小样本STAP方法,且运算时间较后者大幅降低。
空间卫星目标的逆合成孔径雷达(ISAR)图像由离散的散射点构成,具有弱纹理、高动态、非连续的特性,造成传统算法对空间目标ISAR图像进行三维重建时,得到的点云结果稀疏,无法覆盖目标整体外形轮廓,进而导致难以精确提取目标结构、姿态参数。针对上述问题,并考虑到空间目标通常由特定模块化部件组成的特点,该文提出一种从空间目标ISAR图像中抽取参数化基元来表示其三维结构的方法。首先利用能量累积算法从ISAR图像中得到目标的稀疏点云,进而利用参数化基元对点云进行拟合,最后将基元投影至ISAR成像平面,并最大化与目标图像的相似度来优化基元参数,得到最优的目标三维基元表示。相比于传统点云三维重建,该方法能够获得对目标三维结构更完整的描述,且所得到的基元参数即代表目标的姿态及结构,可直接支撑后续的目标识别、分析研判等任务。仿真实验证明该方法能够根据ISAR序列图像,有效实现对空间目标的三维表示。 空间卫星目标的逆合成孔径雷达(ISAR)图像由离散的散射点构成,具有弱纹理、高动态、非连续的特性,造成传统算法对空间目标ISAR图像进行三维重建时,得到的点云结果稀疏,无法覆盖目标整体外形轮廓,进而导致难以精确提取目标结构、姿态参数。针对上述问题,并考虑到空间目标通常由特定模块化部件组成的特点,该文提出一种从空间目标ISAR图像中抽取参数化基元来表示其三维结构的方法。首先利用能量累积算法从ISAR图像中得到目标的稀疏点云,进而利用参数化基元对点云进行拟合,最后将基元投影至ISAR成像平面,并最大化与目标图像的相似度来优化基元参数,得到最优的目标三维基元表示。相比于传统点云三维重建,该方法能够获得对目标三维结构更完整的描述,且所得到的基元参数即代表目标的姿态及结构,可直接支撑后续的目标识别、分析研判等任务。仿真实验证明该方法能够根据ISAR序列图像,有效实现对空间目标的三维表示。
随着高分辨率合成孔径雷达(SAR)卫星的陆续发射,对天气条件多变的海岛区域进行全天候、全时段的高精度观测已变得可行。作为多种遥感应用的关键前置步骤正射校正,依赖于高精度控制点来纠正SAR影像的几何定位误差。然而,在海岛区域获取符合SAR校正要求的人工控制点不仅成本高,且风险大。为了应对这一挑战,该文首先提出了一种光学与SAR异源影像的快速配准算法,然后基于光学参考底图自动提取控制点,实现了海岛区域SAR影像的正射校正。所提出的配准算法分为两个阶段:首先构建异源影像的共性密集特征,然后在降采样后的特征上进行逐像素匹配,避免了异源影像特征点重复性低的问题。为了降低匹配复杂度,引入了海陆分割掩模以限定搜索范围。接着,对初步匹配点进行局部精细匹配,以减少降采样带来的不准确性。同时,引入海岸线均匀采样点以提升匹配结果的均匀性,并通过分段线性变换模型生成正射影像,确保了稀疏岛屿区域的整体校正精度。该算法在多景海岛区域的高分辨率SAR影像上表现出色,平均定位误差为3.2 m,整景校正时间仅需17.3 s,均优于现有多种先进的异源配准与校正算法,显示出其在工程应用中的巨大潜力。 随着高分辨率合成孔径雷达(SAR)卫星的陆续发射,对天气条件多变的海岛区域进行全天候、全时段的高精度观测已变得可行。作为多种遥感应用的关键前置步骤正射校正,依赖于高精度控制点来纠正SAR影像的几何定位误差。然而,在海岛区域获取符合SAR校正要求的人工控制点不仅成本高,且风险大。为了应对这一挑战,该文首先提出了一种光学与SAR异源影像的快速配准算法,然后基于光学参考底图自动提取控制点,实现了海岛区域SAR影像的正射校正。所提出的配准算法分为两个阶段:首先构建异源影像的共性密集特征,然后在降采样后的特征上进行逐像素匹配,避免了异源影像特征点重复性低的问题。为了降低匹配复杂度,引入了海陆分割掩模以限定搜索范围。接着,对初步匹配点进行局部精细匹配,以减少降采样带来的不准确性。同时,引入海岸线均匀采样点以提升匹配结果的均匀性,并通过分段线性变换模型生成正射影像,确保了稀疏岛屿区域的整体校正精度。该算法在多景海岛区域的高分辨率SAR影像上表现出色,平均定位误差为3.2 m,整景校正时间仅需17.3 s,均优于现有多种先进的异源配准与校正算法,显示出其在工程应用中的巨大潜力。
现代雷达对抗形势复杂多变,体系与体系的作战已成为基本特点,而体系整体性能关乎着战场的主动权乃至最终的胜负。通过优化体系中雷达与干扰波束资源可以提升整体性能,获得在空间、时间域优效的低截获探测性能,然而空时域协同波束联合优化是一个复杂多参数耦合的非凸问题。该文针对空时域多任务动态场景,建立了以雷达探测性能为优化目标,以干扰性能以及能量限制为约束条件的优化模型。为求解该模型,该文提出了基于迭代优化的空时协同波束联合设计方法,即以雷达发射、接收、多干扰机发射波束交替迭代优化。其中,针对多干扰机协同优化的不定矩阵二次约束二次规划(QCQP)问题,该文基于可行点追踪-连续凸逼近(FPP-SCA)算法,在SCA算法的基础上,通过引入松弛变量与惩罚项,保证算法在合理松弛度下的可行性,解决了矩阵不定情况下难以获得可行解的问题。仿真表明,在一定的干扰机能量约束下,该文所提方法在保证雷达高性能探测目标且不受干扰情况下,同时实现了多干扰机在空时域干扰对方每个平台以掩护我方雷达探测的效果;相比传统算法,在动态场景中基于FPP-SCA算法的协同干扰具有更优效果。 现代雷达对抗形势复杂多变,体系与体系的作战已成为基本特点,而体系整体性能关乎着战场的主动权乃至最终的胜负。通过优化体系中雷达与干扰波束资源可以提升整体性能,获得在空间、时间域优效的低截获探测性能,然而空时域协同波束联合优化是一个复杂多参数耦合的非凸问题。该文针对空时域多任务动态场景,建立了以雷达探测性能为优化目标,以干扰性能以及能量限制为约束条件的优化模型。为求解该模型,该文提出了基于迭代优化的空时协同波束联合设计方法,即以雷达发射、接收、多干扰机发射波束交替迭代优化。其中,针对多干扰机协同优化的不定矩阵二次约束二次规划(QCQP)问题,该文基于可行点追踪-连续凸逼近(FPP-SCA)算法,在SCA算法的基础上,通过引入松弛变量与惩罚项,保证算法在合理松弛度下的可行性,解决了矩阵不定情况下难以获得可行解的问题。仿真表明,在一定的干扰机能量约束下,该文所提方法在保证雷达高性能探测目标且不受干扰情况下,同时实现了多干扰机在空时域干扰对方每个平台以掩护我方雷达探测的效果;相比传统算法,在动态场景中基于FPP-SCA算法的协同干扰具有更优效果。
地物精细分类是合成孔径雷达(SAR)的主要应用方向之一。在多波段全极化SAR工作模式下,可充分获取目标不同波段信息和极化响应特征,有望提高目标分类精度。然而国内外现有的数据集仅有个别波段、少数地区、少量样本的低分辨率全极化分类数据。为推动多波段全极化SAR分类应用的发展,在高分航空观测系统应用校飞与验证项目支持下,利用多维度SAR在海南的校飞数据构建了一个样本量充分大、地物类别较为丰富、分类可靠性较高的多波段全极化精细分类数据集。该文概述了该数据集的构成,给出了发布数据(MPOLSAR-1.0)的信息描述方式、数据集制作流程和方法,并分别基于极化特征分类方法和经典机器学习分类方法给出了初步的分类实验结果,为该数据集的共享和应用提供支撑。 地物精细分类是合成孔径雷达(SAR)的主要应用方向之一。在多波段全极化SAR工作模式下,可充分获取目标不同波段信息和极化响应特征,有望提高目标分类精度。然而国内外现有的数据集仅有个别波段、少数地区、少量样本的低分辨率全极化分类数据。为推动多波段全极化SAR分类应用的发展,在高分航空观测系统应用校飞与验证项目支持下,利用多维度SAR在海南的校飞数据构建了一个样本量充分大、地物类别较为丰富、分类可靠性较高的多波段全极化精细分类数据集。该文概述了该数据集的构成,给出了发布数据(MPOLSAR-1.0)的信息描述方式、数据集制作流程和方法,并分别基于极化特征分类方法和经典机器学习分类方法给出了初步的分类实验结果,为该数据集的共享和应用提供支撑。
扫描雷达角超分辨技术是基于目标与天线方向图的关系,采用解卷积方法获取超越实波束的角分辨能力。目前的角超分辨方法大都是基于理想的无畸变天线方向图,未考虑实际过程中方向图的变化。然而,由于雷达天线罩、天线测量误差与平台非理想运动等因素的影响,天线方向图在实际中往往存在未知的误差,会导致目标分辨能力下降,甚至产生虚假目标。针对此问题,该文提出一种机载扫描雷达未知天线方向图误差下的角超分辨成像方法。首先,基于总体最小二乘(TLS)准则,该文考虑了方向图误差矩阵的影响,导出了相应的目标函数;其次,基于交替迭代的求解思路,利用迭代重加权优化方法实现了目标函数求解;最后,针对算法超参数选取,引入了一种自适应参数选取方法。仿真与实测结果表明,该文方法能实现未知天线误差条件下的超分辨重建,进一步提升了超分辨算法的稳健性。 扫描雷达角超分辨技术是基于目标与天线方向图的关系,采用解卷积方法获取超越实波束的角分辨能力。目前的角超分辨方法大都是基于理想的无畸变天线方向图,未考虑实际过程中方向图的变化。然而,由于雷达天线罩、天线测量误差与平台非理想运动等因素的影响,天线方向图在实际中往往存在未知的误差,会导致目标分辨能力下降,甚至产生虚假目标。针对此问题,该文提出一种机载扫描雷达未知天线方向图误差下的角超分辨成像方法。首先,基于总体最小二乘(TLS)准则,该文考虑了方向图误差矩阵的影响,导出了相应的目标函数;其次,基于交替迭代的求解思路,利用迭代重加权优化方法实现了目标函数求解;最后,针对算法超参数选取,引入了一种自适应参数选取方法。仿真与实测结果表明,该文方法能实现未知天线误差条件下的超分辨重建,进一步提升了超分辨算法的稳健性。
雷达微弱目标处理是实现优异探测性能的基础和前提,在复杂的实际环境应用过程中,由于强杂波干扰、目标信号微弱、图像特征不明显、有效特征难提取等问题,导致雷达微弱目标检测与识别一直是雷达处理领域中的难点之一。传统模型类处理方法与实际工作背景和目标特性匹配不精准,导致通用性不强。近年来,深度学习在雷达智能信息处理领域取得了显著进展,深度学习算法通过构建深层神经网络,可以自动地从大量雷达数据中学习特征表示,提高目标检测和识别的性能。该文分别从雷达目标微弱信号处理、图像处理、特征学习等多个方面系统梳理和总结近年来雷达微弱目标智能化处理的研究进展,具体包括噪声与杂波抑制、微弱目标信号增强;低、高分辨雷达图像和特征图处理;特征提取、融合、目标分类与识别等。针对目前微弱目标智能化处理应用存在的泛化能力有限、特征单一、可解释性不足等问题,从小样本目标检测(迁移学习、强化学习)、多维多特征融合检测、网络模型可解释性、知识与数据联合驱动等方面对未来发展进行了展望。 雷达微弱目标处理是实现优异探测性能的基础和前提,在复杂的实际环境应用过程中,由于强杂波干扰、目标信号微弱、图像特征不明显、有效特征难提取等问题,导致雷达微弱目标检测与识别一直是雷达处理领域中的难点之一。传统模型类处理方法与实际工作背景和目标特性匹配不精准,导致通用性不强。近年来,深度学习在雷达智能信息处理领域取得了显著进展,深度学习算法通过构建深层神经网络,可以自动地从大量雷达数据中学习特征表示,提高目标检测和识别的性能。该文分别从雷达目标微弱信号处理、图像处理、特征学习等多个方面系统梳理和总结近年来雷达微弱目标智能化处理的研究进展,具体包括噪声与杂波抑制、微弱目标信号增强;低、高分辨雷达图像和特征图处理;特征提取、融合、目标分类与识别等。针对目前微弱目标智能化处理应用存在的泛化能力有限、特征单一、可解释性不足等问题,从小样本目标检测(迁移学习、强化学习)、多维多特征融合检测、网络模型可解释性、知识与数据联合驱动等方面对未来发展进行了展望。
动平台分布式雷达系统可有效提升系统的生存能力和探测性能,但运动平台之间通常采用无线传输方式,难以配备大通信带宽以传输完整的信号数据,给雷达系统的高性能检测带来极大挑战。由于低比特量化技术可显著降低分布式系统的通信传输代价和计算资源消耗,该文针对低信噪比弱信号环境下提出了动平台分布式雷达系统的低比特量化运动目标检测算法。首先,根据系统资源将各节点的多脉冲观测数据选择对应位数的低比特量化器进行量化,推导了关于量化器和多个目标状态的似然函数。其次,证明了低比特量化数据对应似然函数关于未知目标反射系数的凸性,并基于该特性设计了多普勒频移和反射系数的联合估计器。然后,针对探测区域中存在的多个状态未知目标设计了多目标检测器,推导了其恒虚警率门限。最后,通过推导系统的渐近性能设计了最优低比特量化器,在保证系统鲁棒性的同时有效提升了系统的检测性能。仿真实验分析了所提算法的检测与估计性能,结果证明了所提算法在低信噪比弱信号环境下的有效性,同时表明低比特量化数据可在仅占用低于20%通信带宽的基础上实现接近高精度(16比特量化)数据对应的检测和估计性能,且2比特量化策略可作为检测性能和雷达系统资源消耗的折中选择。 动平台分布式雷达系统可有效提升系统的生存能力和探测性能,但运动平台之间通常采用无线传输方式,难以配备大通信带宽以传输完整的信号数据,给雷达系统的高性能检测带来极大挑战。由于低比特量化技术可显著降低分布式系统的通信传输代价和计算资源消耗,该文针对低信噪比弱信号环境下提出了动平台分布式雷达系统的低比特量化运动目标检测算法。首先,根据系统资源将各节点的多脉冲观测数据选择对应位数的低比特量化器进行量化,推导了关于量化器和多个目标状态的似然函数。其次,证明了低比特量化数据对应似然函数关于未知目标反射系数的凸性,并基于该特性设计了多普勒频移和反射系数的联合估计器。然后,针对探测区域中存在的多个状态未知目标设计了多目标检测器,推导了其恒虚警率门限。最后,通过推导系统的渐近性能设计了最优低比特量化器,在保证系统鲁棒性的同时有效提升了系统的检测性能。仿真实验分析了所提算法的检测与估计性能,结果证明了所提算法在低信噪比弱信号环境下的有效性,同时表明低比特量化数据可在仅占用低于20%通信带宽的基础上实现接近高精度(16比特量化)数据对应的检测和估计性能,且2比特量化策略可作为检测性能和雷达系统资源消耗的折中选择。
作为一种由众多亚波长单元周期性或非周期性排列构成的二维人工结构,超表面展示了其在电磁波极化调控领域的卓越能力,开辟了电磁波调控的新途径。电控可重构极化调控超表面,可通过电信号实时调整其结构或材料特性进而动态地调控电磁波的极化状态,因而受到广泛研究关注。该文全面综述了电控可重构极化调控超表面的发展历程,详细探讨了微波段具备不同传输特性的电控可重构极化调控超表面的技术进展,并对电控可重构极化调控超表面技术的未来发展进行了深入的探讨和展望。 作为一种由众多亚波长单元周期性或非周期性排列构成的二维人工结构,超表面展示了其在电磁波极化调控领域的卓越能力,开辟了电磁波调控的新途径。电控可重构极化调控超表面,可通过电信号实时调整其结构或材料特性进而动态地调控电磁波的极化状态,因而受到广泛研究关注。该文全面综述了电控可重构极化调控超表面的发展历程,详细探讨了微波段具备不同传输特性的电控可重构极化调控超表面的技术进展,并对电控可重构极化调控超表面技术的未来发展进行了深入的探讨和展望。
机载扫描雷达前视成像可广泛应用于态势感知、自主导航和地形跟随。在雷达扫描过程中受到不经意的电磁脉冲干扰或设备性能异常等影响时,雷达回波数据出现异常值。已有的超分辨方法可以抑制回波中的异常值、提高角度分辨率,但没有考虑计算实时性问题。针对上述问题,该文提出了一种机载雷达超分辨方法实现回波数据异常时的快速前视成像。为了更好地拟合回波噪声,引入对异常值更加鲁棒的学生t分布,并采用期望最大化方法对成像参数进行估计。受截断奇异值分解方法的启发,将截断的酉矩阵引入目标散射系数的估计公式中。通过矩阵变换降低了求逆矩阵的尺寸,从而降低了参数估计的计算复杂度。仿真结果表明该文提出加速方法可以用更短的时间提高前视成像的角度分辨率,抑制回波数据中的异常值。 机载扫描雷达前视成像可广泛应用于态势感知、自主导航和地形跟随。在雷达扫描过程中受到不经意的电磁脉冲干扰或设备性能异常等影响时,雷达回波数据出现异常值。已有的超分辨方法可以抑制回波中的异常值、提高角度分辨率,但没有考虑计算实时性问题。针对上述问题,该文提出了一种机载雷达超分辨方法实现回波数据异常时的快速前视成像。为了更好地拟合回波噪声,引入对异常值更加鲁棒的学生t分布,并采用期望最大化方法对成像参数进行估计。受截断奇异值分解方法的启发,将截断的酉矩阵引入目标散射系数的估计公式中。通过矩阵变换降低了求逆矩阵的尺寸,从而降低了参数估计的计算复杂度。仿真结果表明该文提出加速方法可以用更短的时间提高前视成像的角度分辨率,抑制回波数据中的异常值。
合成孔径雷达自动目标识别(SAR-ATR)领域缺乏有效的黑盒攻击算法,为此,该文结合动量迭代快速梯度符号(MI-FGSM)思想提出了一种基于迁移的黑盒攻击算法。首先结合SAR图像特性进行随机斑点噪声变换,缓解模型对斑点噪声的过拟合,提高算法的泛化性能;然后设计了能够快速寻找最优梯度下降方向的ABN寻优器,通过模型梯度快速收敛提升算法攻击有效性;最后引入拟双曲动量算子获得稳定的模型梯度下降方向,使梯度在快速收敛过程中避免陷入局部最优,进一步增强对抗样本的黑盒攻击成功率。通过仿真实验表明,与现有的对抗攻击算法相比,该文算法在MSTAR和FUSAR-Ship数据集上对主流的SAR-ATR深度神经网络的集成模型黑盒攻击成功率分别提高了3%~55%和6%~57.5%,而且生成的对抗样本具有高度的隐蔽性。 合成孔径雷达自动目标识别(SAR-ATR)领域缺乏有效的黑盒攻击算法,为此,该文结合动量迭代快速梯度符号(MI-FGSM)思想提出了一种基于迁移的黑盒攻击算法。首先结合SAR图像特性进行随机斑点噪声变换,缓解模型对斑点噪声的过拟合,提高算法的泛化性能;然后设计了能够快速寻找最优梯度下降方向的ABN寻优器,通过模型梯度快速收敛提升算法攻击有效性;最后引入拟双曲动量算子获得稳定的模型梯度下降方向,使梯度在快速收敛过程中避免陷入局部最优,进一步增强对抗样本的黑盒攻击成功率。通过仿真实验表明,与现有的对抗攻击算法相比,该文算法在MSTAR和FUSAR-Ship数据集上对主流的SAR-ATR深度神经网络的集成模型黑盒攻击成功率分别提高了3%~55%和6%~57.5%,而且生成的对抗样本具有高度的隐蔽性。
多普勒穿墙雷达在定位墙后目标时,存在以下两个难点:(1)准确获取频率混叠区域目标瞬时频率;(2)通过获取精确的墙体参数来减小墙体对定位造成的影响。针对以上问题该文提出了一种结合Hough变换和支持向量回归-BP神经网络的目标定位算法。该文首先设计了一种多视角融合穿墙目标探测模型框架,通过获取不同视角下的目标位置来提供辅助估计墙体参数信息;其次,结合差分进化算法和切比雪夫插值多项式提出了一种目标瞬时频率曲线的高精度提取和估计算法;最后,利用估计的墙体参数信息,提出了一种基于BP神经网络的目标运动轨迹补偿算法,抑制了障碍物对目标定位结果的扭曲影响,实现了对墙后目标的精确定位。实验结果表明,相较于传统的短时傅里叶方法,该文所述方法可以准确提取时频混叠区域的目标瞬时频率曲线并减小墙体造成的影响,从而实现墙后多目标的准确定位,整体定位精度提升了约85%。 多普勒穿墙雷达在定位墙后目标时,存在以下两个难点:(1)准确获取频率混叠区域目标瞬时频率;(2)通过获取精确的墙体参数来减小墙体对定位造成的影响。针对以上问题该文提出了一种结合Hough变换和支持向量回归-BP神经网络的目标定位算法。该文首先设计了一种多视角融合穿墙目标探测模型框架,通过获取不同视角下的目标位置来提供辅助估计墙体参数信息;其次,结合差分进化算法和切比雪夫插值多项式提出了一种目标瞬时频率曲线的高精度提取和估计算法;最后,利用估计的墙体参数信息,提出了一种基于BP神经网络的目标运动轨迹补偿算法,抑制了障碍物对目标定位结果的扭曲影响,实现了对墙后目标的精确定位。实验结果表明,相较于传统的短时傅里叶方法,该文所述方法可以准确提取时频混叠区域的目标瞬时频率曲线并减小墙体造成的影响,从而实现墙后多目标的准确定位,整体定位精度提升了约85%。
基于调频(FM)广播信号的外辐射源雷达有着检测概率低、虚警率高、量测精度差的特点,这给组网目标跟踪带来了极大挑战。一方面,较高的虚警率使计算量增加,组网算法的实时性受到考验;另一方面检测概率低、方位角精度差造成冗余信息缺乏,量测关联与航迹起始变得困难。为解决这些问题,该文提出初级假设点和初级假设航迹的概念,以及基于此概念的FM广播外辐射源雷达网航迹起始算法。首先构造可能的低维关联假设,并解算出与其对应的初级假设点;随后关联不同时刻的初级假设点,形成多条可能的初级假设航迹;最后联合多场雷达网数据进行假设航迹判决,真实目标对应的初级假设航迹会得到确认,错误关联导致的虚假初级假设航迹会被剔除。相比于已有算法,所提算法有着更低的计算量,更快的航迹起始速度,仿真与实测结果均验证了所提算法的有效性。 基于调频(FM)广播信号的外辐射源雷达有着检测概率低、虚警率高、量测精度差的特点,这给组网目标跟踪带来了极大挑战。一方面,较高的虚警率使计算量增加,组网算法的实时性受到考验;另一方面检测概率低、方位角精度差造成冗余信息缺乏,量测关联与航迹起始变得困难。为解决这些问题,该文提出初级假设点和初级假设航迹的概念,以及基于此概念的FM广播外辐射源雷达网航迹起始算法。首先构造可能的低维关联假设,并解算出与其对应的初级假设点;随后关联不同时刻的初级假设点,形成多条可能的初级假设航迹;最后联合多场雷达网数据进行假设航迹判决,真实目标对应的初级假设航迹会得到确认,错误关联导致的虚假初级假设航迹会被剔除。相比于已有算法,所提算法有着更低的计算量,更快的航迹起始速度,仿真与实测结果均验证了所提算法的有效性。
该文考虑了海杂波环境下的雷达目标检测问题,提出了一种基于深度学习的海面目标检测器。该检测器通过融合从不同数据源中提取的多种互补性特征以增加目标和杂波的差异性,从而提升对海面目标的检测性能。具体来说,该检测器首先利用两个特征提取分支分别从距离像和距离多普勒谱图中提取多层次快时间特征和距离特征;然后,设计局部-全局特征提取结构从特征的慢时间维度或多普勒维度提取序列关联性;接着,提出基于自适应卷积权重学习的特征融合模块,实现快慢时间特征和距离多普勒特征的高效融合;最后,对多层次特征进行融合、上采样和非线性映射获得检测结果。基于两个公开雷达数据集上的实验验证了所提检测器的检测性能。 该文考虑了海杂波环境下的雷达目标检测问题,提出了一种基于深度学习的海面目标检测器。该检测器通过融合从不同数据源中提取的多种互补性特征以增加目标和杂波的差异性,从而提升对海面目标的检测性能。具体来说,该检测器首先利用两个特征提取分支分别从距离像和距离多普勒谱图中提取多层次快时间特征和距离特征;然后,设计局部-全局特征提取结构从特征的慢时间维度或多普勒维度提取序列关联性;接着,提出基于自适应卷积权重学习的特征融合模块,实现快慢时间特征和距离多普勒特征的高效融合;最后,对多层次特征进行融合、上采样和非线性映射获得检测结果。基于两个公开雷达数据集上的实验验证了所提检测器的检测性能。
该文针对分布式相控阵多雷达网络的多目标跟踪场景,研究非理想检测条件下的节点选择与辐射资源联合优化分配算法。首先,根据分布式相控阵多雷达网络构成、目标运动模型、雷达量测模型以及雷达节点检测情况,推导非理想检测下以雷达节点选择、辐射功率和信号带宽为变量的贝叶斯克拉默-拉奥下界(BCRLB)闭式解析表达式,并以此作为多目标跟踪精度衡量指标。在此基础上,以最小化系统各雷达节点对所有目标的总辐射功率为优化目标,以满足目标跟踪精度门限以及给定的系统射频辐射资源限制为约束条件,建立非理想检测条件下多雷达网络节点选择与辐射资源联合优化分配模型,对各时刻雷达节点选择、辐射功率和信号带宽等参数进行联合优化设计,以提升多雷达网络的射频隐身性能。最后,针对上述非线性、非凸优化问题,采用基于障碍函数法和循环最小化算法的4步分解算法进行求解。仿真结果表明,与现有算法相比,所提算法能在满足给定多目标跟踪精度的条件下有效降低分布式相控阵多雷达网络的总辐射功率,至少降低了约32.3%,从而提升其射频隐身性能。 该文针对分布式相控阵多雷达网络的多目标跟踪场景,研究非理想检测条件下的节点选择与辐射资源联合优化分配算法。首先,根据分布式相控阵多雷达网络构成、目标运动模型、雷达量测模型以及雷达节点检测情况,推导非理想检测下以雷达节点选择、辐射功率和信号带宽为变量的贝叶斯克拉默-拉奥下界(BCRLB)闭式解析表达式,并以此作为多目标跟踪精度衡量指标。在此基础上,以最小化系统各雷达节点对所有目标的总辐射功率为优化目标,以满足目标跟踪精度门限以及给定的系统射频辐射资源限制为约束条件,建立非理想检测条件下多雷达网络节点选择与辐射资源联合优化分配模型,对各时刻雷达节点选择、辐射功率和信号带宽等参数进行联合优化设计,以提升多雷达网络的射频隐身性能。最后,针对上述非线性、非凸优化问题,采用基于障碍函数法和循环最小化算法的4步分解算法进行求解。仿真结果表明,与现有算法相比,所提算法能在满足给定多目标跟踪精度的条件下有效降低分布式相控阵多雷达网络的总辐射功率,至少降低了约32.3%,从而提升其射频隐身性能。
栏目
显示方式:
综 述
高分辨率雷达成像技术和人工智能、大数据技术的快速发展,有力促进了雷达图像智能解译技术的进步。由于雷达传感器本身的特殊性和电磁散射成像物理的复杂性,雷达图像的解译缺乏光学图像的直观性,准确迅速识别分类的需求对雷达图像解译提出了迫切的挑战。在借鉴人脑光视觉感知机理和计算机视觉图像处理相关技术基础上,进一步融合电磁散射物理规律及其雷达成像机理,我们提出发展微波域雷达图像解译的“微波视觉”的新交叉领域研究。该文介绍微波视觉的概念与内涵,提出微波视觉认知模型,阐述其基础理论问题与技术路线,最后介绍了作者团队在相关问题上的初步研究进展。 高分辨率雷达成像技术和人工智能、大数据技术的快速发展,有力促进了雷达图像智能解译技术的进步。由于雷达传感器本身的特殊性和电磁散射成像物理的复杂性,雷达图像的解译缺乏光学图像的直观性,准确迅速识别分类的需求对雷达图像解译提出了迫切的挑战。在借鉴人脑光视觉感知机理和计算机视觉图像处理相关技术基础上,进一步融合电磁散射物理规律及其雷达成像机理,我们提出发展微波域雷达图像解译的“微波视觉”的新交叉领域研究。该文介绍微波视觉的概念与内涵,提出微波视觉认知模型,阐述其基础理论问题与技术路线,最后介绍了作者团队在相关问题上的初步研究进展。
合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。 合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。
论 文
合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战,理解SAR目标微波特性并将其结合先进的深度学习算法,实现高效鲁棒的SAR目标识别,是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高,难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用,发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性,提出一种改进的基于时频分析的目标特性智能感知方法,优化了处理流程和计算效率,使之更适用于SAR目标识别场景,并进一步将其应用到SAR目标智能识别算法中,实现了稳定的性能提升。该方法泛化性强、计算效率高,能得到物理可解释的SAR目标特性分类结果,对目标识别算法的性能提升与属性散射中心模型相当。 合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战,理解SAR目标微波特性并将其结合先进的深度学习算法,实现高效鲁棒的SAR目标识别,是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高,难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用,发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性,提出一种改进的基于时频分析的目标特性智能感知方法,优化了处理流程和计算效率,使之更适用于SAR目标识别场景,并进一步将其应用到SAR目标智能识别算法中,实现了稳定的性能提升。该方法泛化性强、计算效率高,能得到物理可解释的SAR目标特性分类结果,对目标识别算法的性能提升与属性散射中心模型相当。
合成孔径雷达(SAR)图像是当前微波视觉研究领域的重要数据源。计算机视觉以光学视觉规律为理论基础,无法有效解译SAR图像。因此,借鉴人类视觉感知规律和计算机视觉技术,并融合电磁物理规律的微波视觉成为当前微波遥感领域的一个重要研究方向。探索微波视觉的认知基础对于完善微波视觉理论体系至关重要。该文旨在探讨光学感知规律在微波视觉中的有效性,作为完善微波视觉理论的基础尝试。格式塔感知规律是一类经典的视觉理论,常用于描述人类视觉系统对外部光学世界的感知规律,是计算机视觉的认知理论基础之一。在此背景下,该文以SAR图像为研究对象,借鉴认知心理学实验的设计流程,对格式塔感知规律中的感知组合律和感知不变律在SAR图像中的有效性进行初步研究,探索微波视觉的认知基础。实验结果表明,格式塔感知规律不能够直接应用到SAR图像的算法设计中,人类视觉系统从光学世界中总结出的知识概念、视觉规律在SAR图像中表现不佳,未来需要针对SAR图像等微波图像的特点总结相应的微波视觉认知规律。 合成孔径雷达(SAR)图像是当前微波视觉研究领域的重要数据源。计算机视觉以光学视觉规律为理论基础,无法有效解译SAR图像。因此,借鉴人类视觉感知规律和计算机视觉技术,并融合电磁物理规律的微波视觉成为当前微波遥感领域的一个重要研究方向。探索微波视觉的认知基础对于完善微波视觉理论体系至关重要。该文旨在探讨光学感知规律在微波视觉中的有效性,作为完善微波视觉理论的基础尝试。格式塔感知规律是一类经典的视觉理论,常用于描述人类视觉系统对外部光学世界的感知规律,是计算机视觉的认知理论基础之一。在此背景下,该文以SAR图像为研究对象,借鉴认知心理学实验的设计流程,对格式塔感知规律中的感知组合律和感知不变律在SAR图像中的有效性进行初步研究,探索微波视觉的认知基础。实验结果表明,格式塔感知规律不能够直接应用到SAR图像的算法设计中,人类视觉系统从光学世界中总结出的知识概念、视觉规律在SAR图像中表现不佳,未来需要针对SAR图像等微波图像的特点总结相应的微波视觉认知规律。
卷积神经网络(CNN)在合成孔径雷达(SAR)图像目标分类任务中应用广泛。由于网络工作机理不透明,CNN模型难以满足高可靠性实际应用的要求。类激活映射方法常用于可视化CNN模型的决策区域,但现有方法主要基于通道级或空间级类激活权重,且在SAR图像数据集上的应用仍处于起步阶段。基于此,该文从神经元特征提取能力和网络决策依据两个层面出发,提出了一种面向SAR图像的CNN模型可视化方法。首先,基于神经元的激活值,对神经元在其感受野范围内的目标结构学习能力进行可视化,然后提出一种通道-空间混合的类激活映射方法,通过对SAR图像中的重要区域进行定位,为模型的决策过程提供依据。实验结果表明,该方法给出了模型在不同设置下的可解释性分析,有效拓展了卷积神经网络在SAR图像上的可视化应用。 卷积神经网络(CNN)在合成孔径雷达(SAR)图像目标分类任务中应用广泛。由于网络工作机理不透明,CNN模型难以满足高可靠性实际应用的要求。类激活映射方法常用于可视化CNN模型的决策区域,但现有方法主要基于通道级或空间级类激活权重,且在SAR图像数据集上的应用仍处于起步阶段。基于此,该文从神经元特征提取能力和网络决策依据两个层面出发,提出了一种面向SAR图像的CNN模型可视化方法。首先,基于神经元的激活值,对神经元在其感受野范围内的目标结构学习能力进行可视化,然后提出一种通道-空间混合的类激活映射方法,通过对SAR图像中的重要区域进行定位,为模型的决策过程提供依据。实验结果表明,该方法给出了模型在不同设置下的可解释性分析,有效拓展了卷积神经网络在SAR图像上的可视化应用。
随着卫星技术的发展,极化合成孔径雷达(PolSAR)数据的分辨率和数据质量得到大幅提升,为人造目标的精细化目视解译提供了良好的数据条件。目前主要采用多分量分解的方法,但是易造成像素错分问题,为此,该文结合Yamaguchi极化分解和极化熵提出了一种非固定阈值划分的方法用于实现全极化SAR图像船只结构精细化特征表征。Yamaguchi极化分解能够识别基本散射机制,其修正后的体散射模型更符合实测数据,可有效对人造目标进行表征。极化熵H在弱去极化状态下可以看成某一指定等效点的目标散射机制,能够有效突出船只主散射特征。因此,该文通过将Yamaguchi极化分解算法的非固定三分量与极化熵的低中高熵内嵌,将其分为非固定阈值的九分类成分,从而降低硬阈值处理在阈值边界处受噪声影响产生的类别随机性。并且将二次散射和单次散射均显著的区域称为混合散射(MSM),以更好匹配实验中船只典型结构的散射类型。在此基础上,利用广义相似性参数进一步缩短类内距离,采用改进后的GSP-Wishart分类器进行迭代聚类,旨在通过提高二次散射和混合散射机制以提高不同类型船只可区分度。最后,该文采用中国上海某港口的高分三号全极化SAR数据进行实验,为了验证每艘船只特征表征正确性,通过船舶自动识别系统(AIS)收集并筛选了该港口船只信息及光学数据,并与极化SAR数据中每艘船只进行匹配。实验结果表明该方法可有效区分散货船、集装箱船和油轮3种类型船只。 随着卫星技术的发展,极化合成孔径雷达(PolSAR)数据的分辨率和数据质量得到大幅提升,为人造目标的精细化目视解译提供了良好的数据条件。目前主要采用多分量分解的方法,但是易造成像素错分问题,为此,该文结合Yamaguchi极化分解和极化熵提出了一种非固定阈值划分的方法用于实现全极化SAR图像船只结构精细化特征表征。Yamaguchi极化分解能够识别基本散射机制,其修正后的体散射模型更符合实测数据,可有效对人造目标进行表征。极化熵H在弱去极化状态下可以看成某一指定等效点的目标散射机制,能够有效突出船只主散射特征。因此,该文通过将Yamaguchi极化分解算法的非固定三分量与极化熵的低中高熵内嵌,将其分为非固定阈值的九分类成分,从而降低硬阈值处理在阈值边界处受噪声影响产生的类别随机性。并且将二次散射和单次散射均显著的区域称为混合散射(MSM),以更好匹配实验中船只典型结构的散射类型。在此基础上,利用广义相似性参数进一步缩短类内距离,采用改进后的GSP-Wishart分类器进行迭代聚类,旨在通过提高二次散射和混合散射机制以提高不同类型船只可区分度。最后,该文采用中国上海某港口的高分三号全极化SAR数据进行实验,为了验证每艘船只特征表征正确性,通过船舶自动识别系统(AIS)收集并筛选了该港口船只信息及光学数据,并与极化SAR数据中每艘船只进行匹配。实验结果表明该方法可有效区分散货船、集装箱船和油轮3种类型船只。
舰船检测是极化SAR系统的重要应用之一。现有的舰船检测方法容易受到旁瓣泄露的干扰,使得舰船目标的形态难以提取,导致检测结果不符合真实情况。此外,在舰船过于密集、尺度不一致的情况下,相邻舰船由于旁瓣的影响有时会被认为是单个目标,从而造成漏检。针对这些问题,该文提出一种基于极化SAR梯度和复Wishart分类器的舰船检测方法。首先,将似然比检验(LRT)梯度引入对数比值梯度框架,使其适用于极化SAR数据;基于LRT梯度图进行恒虚警(CFAR)检测,提取舰船的边缘信息,消除伪影的同时抑制强旁瓣对舰船精细轮廓提取的影响。其次,利用复Wishart迭代分类器对舰船强散射部分进行检测,可排除大部分的杂波干扰且保持舰船形态细节。最后,将二者信息融合,从而可以保持舰船形态细节的同时克服旁瓣和伪信号的虚警。该文在3幅来自ALOS-2卫星的极化SAR图像上进行了对比实验,实验表明与其他方法相比,该文所提算法具有更少的虚警和漏检,且能够有效克服旁瓣泄露,保持舰船形态细节。 舰船检测是极化SAR系统的重要应用之一。现有的舰船检测方法容易受到旁瓣泄露的干扰,使得舰船目标的形态难以提取,导致检测结果不符合真实情况。此外,在舰船过于密集、尺度不一致的情况下,相邻舰船由于旁瓣的影响有时会被认为是单个目标,从而造成漏检。针对这些问题,该文提出一种基于极化SAR梯度和复Wishart分类器的舰船检测方法。首先,将似然比检验(LRT)梯度引入对数比值梯度框架,使其适用于极化SAR数据;基于LRT梯度图进行恒虚警(CFAR)检测,提取舰船的边缘信息,消除伪影的同时抑制强旁瓣对舰船精细轮廓提取的影响。其次,利用复Wishart迭代分类器对舰船强散射部分进行检测,可排除大部分的杂波干扰且保持舰船形态细节。最后,将二者信息融合,从而可以保持舰船形态细节的同时克服旁瓣和伪信号的虚警。该文在3幅来自ALOS-2卫星的极化SAR图像上进行了对比实验,实验表明与其他方法相比,该文所提算法具有更少的虚警和漏检,且能够有效克服旁瓣泄露,保持舰船形态细节。
随着合成孔径雷达(SAR)图像在舰船检测和识别领域的广泛应用,准确而高效地进行舰船分类已经成为一个亟待解决的问题。在小样本学习场景下,一般的方法面临着泛化能力不足的问题,因此该文引入了额外的信息和特征,旨在增加模型对目标的理解和泛化能力。该文通过散射关键点构建拓扑结构以表征舰船目标的结构和形状特征,并计算拓扑结构的拉普拉斯矩阵,将散射点之间的拓扑关系转化为矩阵形式,最后将SAR图像和拉普拉斯矩阵分别作为双分支网络的输入进行特征提取。在网络结构方面,该文设计了一个由两个独立的卷积分支组成的双分支卷积神经网络,分别负责处理视觉特征和拓扑特征,并用两个交叉融合注意力模块分别对两个分支的特征进行交互融合。该方法有效地将目标散射点拓扑关系与网络的自动学习过程相结合,从而增强模型的泛化能力并提高分类精度。实验结果表明,在OpenSARShip数据集上,所提方法在1-shot和5-shot任务的平均准确率分别为53.80%和73.00%。而在FUSAR-Ship数据集上,所提方法分别取得了54.44%和71.36%的平均准确率。所提方法在1-shot和5-shot的设置下相比基础方法准确率均提升超过15%,证明了散射点拓扑的应用对SAR图像小样本舰船分类的有效性。 随着合成孔径雷达(SAR)图像在舰船检测和识别领域的广泛应用,准确而高效地进行舰船分类已经成为一个亟待解决的问题。在小样本学习场景下,一般的方法面临着泛化能力不足的问题,因此该文引入了额外的信息和特征,旨在增加模型对目标的理解和泛化能力。该文通过散射关键点构建拓扑结构以表征舰船目标的结构和形状特征,并计算拓扑结构的拉普拉斯矩阵,将散射点之间的拓扑关系转化为矩阵形式,最后将SAR图像和拉普拉斯矩阵分别作为双分支网络的输入进行特征提取。在网络结构方面,该文设计了一个由两个独立的卷积分支组成的双分支卷积神经网络,分别负责处理视觉特征和拓扑特征,并用两个交叉融合注意力模块分别对两个分支的特征进行交互融合。该方法有效地将目标散射点拓扑关系与网络的自动学习过程相结合,从而增强模型的泛化能力并提高分类精度。实验结果表明,在OpenSARShip数据集上,所提方法在1-shot和5-shot任务的平均准确率分别为53.80%和73.00%。而在FUSAR-Ship数据集上,所提方法分别取得了54.44%和71.36%的平均准确率。所提方法在1-shot和5-shot的设置下相比基础方法准确率均提升超过15%,证明了散射点拓扑的应用对SAR图像小样本舰船分类的有效性。
随着深度学习方法在合成孔径雷达(SAR)图像解译领域的广泛应用,SAR目标识别深度网络可理解性问题逐渐受到学者的关注。类激活映射(CAM)作为常用的可理解性算法,能够通过热力图的方式,直观展示对识别任务起作用的显著性区域。然而作为一种事后解释的方法,其只能静态展示当次识别过程中的显著性区域,无法动态展示当输入发生变化时显著性区域的变化规律。该文将扰动的思想引入类激活映射,提出了一种基于SAR背景杂波特性类激活映射方法(SCC-CAM),通过对输入图像引入同分布的全局扰动,逐步向SAR识别深度网络施加干扰,使得网络判决发生翻转,并在此刻计算网络神经元输出激活值的变化程度。该方法既能解决添加扰动可能带来的扰动传染问题,又能够动态观察和度量目标识别网络在识别过程中显著性区域的变化规律,从而增强深度网络的可理解性。在MSTAR数据集和OpenSARShip-1.0数据集上的试验表明,该文提出的算法具有更加精确的定位显著性区域的能力,相比于传统方法,在平均置信度下降率、置信度上升比例、信息量等评估指标上,所提算法具有更强的可理解性,能够作为通用的增强网络可理解性的方法。 随着深度学习方法在合成孔径雷达(SAR)图像解译领域的广泛应用,SAR目标识别深度网络可理解性问题逐渐受到学者的关注。类激活映射(CAM)作为常用的可理解性算法,能够通过热力图的方式,直观展示对识别任务起作用的显著性区域。然而作为一种事后解释的方法,其只能静态展示当次识别过程中的显著性区域,无法动态展示当输入发生变化时显著性区域的变化规律。该文将扰动的思想引入类激活映射,提出了一种基于SAR背景杂波特性类激活映射方法(SCC-CAM),通过对输入图像引入同分布的全局扰动,逐步向SAR识别深度网络施加干扰,使得网络判决发生翻转,并在此刻计算网络神经元输出激活值的变化程度。该方法既能解决添加扰动可能带来的扰动传染问题,又能够动态观察和度量目标识别网络在识别过程中显著性区域的变化规律,从而增强深度网络的可理解性。在MSTAR数据集和OpenSARShip-1.0数据集上的试验表明,该文提出的算法具有更加精确的定位显著性区域的能力,相比于传统方法,在平均置信度下降率、置信度上升比例、信息量等评估指标上,所提算法具有更强的可理解性,能够作为通用的增强网络可理解性的方法。
卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。 卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。
合成孔径雷达(SAR)因其全天候、全天时的监测能力在民用和军事领域得到广泛应用。近年来,深度学习已被广泛应用于SAR图像自动解译。然而,由于卫星轨道和观测角度的限制,SAR目标样本面临视角覆盖率不全的问题,这为学习型SAR目标检测识别算法带来了挑战。该文提出一种融合可微分渲染的SAR多视角样本生成方法,结合逆向三维重建和正向渲染技术,通过卷积神经网络(CNN)从少量SAR视角图像中反演目标三维表征,然后利用可微分SAR渲染器(DSR)渲染出更多视角样本,实现样本在角度维的插值。另外,方法的训练过程使用DSR构建目标函数,无需三维真值监督。根据仿真数据的实验结果,该方法能够有效地增加多视角SAR目标图像,并提高小样本条件下典型SAR目标识别率。 合成孔径雷达(SAR)因其全天候、全天时的监测能力在民用和军事领域得到广泛应用。近年来,深度学习已被广泛应用于SAR图像自动解译。然而,由于卫星轨道和观测角度的限制,SAR目标样本面临视角覆盖率不全的问题,这为学习型SAR目标检测识别算法带来了挑战。该文提出一种融合可微分渲染的SAR多视角样本生成方法,结合逆向三维重建和正向渲染技术,通过卷积神经网络(CNN)从少量SAR视角图像中反演目标三维表征,然后利用可微分SAR渲染器(DSR)渲染出更多视角样本,实现样本在角度维的插值。另外,方法的训练过程使用DSR构建目标函数,无需三维真值监督。根据仿真数据的实验结果,该方法能够有效地增加多视角SAR目标图像,并提高小样本条件下典型SAR目标识别率。
全姿态散射中心模型是一种性能优良的光学区复杂目标电磁散射参数化模型。针对传统的基于候选点筛选和聚类的全姿态散射中心建模方法易出现虚假散射中心和遗漏真实散射中心的问题,该文提出了一种基于目标三维空间电磁散射强度场谱峰分析的建模方法。首先,基于目标多视一维散射中心参数,利用随机采样一致性(RANSAC)方法和Parzen窗函数方法估计目标在三维空间中的电磁散射强度场。然后,通过谱峰分析、散射中心关联和多视量测融合,得到全姿态三维散射中心的位置。最后,利用二值形态学处理修正全姿态散射中心的角度可见性,估计全姿态散射中心的散射系数和类型参数。仿真结果表明,该文方法所提取的全姿态散射中心与目标几何结构具有极强的关联性,相较传统方法,在缩减三维散射中心数量的同时提升了模型的表示精度。 全姿态散射中心模型是一种性能优良的光学区复杂目标电磁散射参数化模型。针对传统的基于候选点筛选和聚类的全姿态散射中心建模方法易出现虚假散射中心和遗漏真实散射中心的问题,该文提出了一种基于目标三维空间电磁散射强度场谱峰分析的建模方法。首先,基于目标多视一维散射中心参数,利用随机采样一致性(RANSAC)方法和Parzen窗函数方法估计目标在三维空间中的电磁散射强度场。然后,通过谱峰分析、散射中心关联和多视量测融合,得到全姿态三维散射中心的位置。最后,利用二值形态学处理修正全姿态散射中心的角度可见性,估计全姿态散射中心的散射系数和类型参数。仿真结果表明,该文方法所提取的全姿态散射中心与目标几何结构具有极强的关联性,相较传统方法,在缩减三维散射中心数量的同时提升了模型的表示精度。
微波光子(MWP)雷达是一种通过光子器件对传统微波雷达硬件架构进行改进的新型雷达系统。借助光子器件卓越的物理特性,MWP雷达能够发射超宽带、高线性度的高质量线性调频信号,从而实现对目标的超高分辨率探测与成像。在目标成像与探测过程中,不同结构和特性的目标区域对不同频率信号的响应存在差异。因此,微波光子雷达具备通过散射差异生成伪彩图像的潜力,从而进一步提升微波光子合成孔径雷达(MWP-SAR)的信息获取能力。传统的遥感技术生成的伪彩图像分辨率较低,无法达到厘米级的分辨。因此,该文提出了一种在保证MWP-SAR高分辨率的前提下合成伪彩图像的方法。该算法首先建立了最优子带回波搜索模型,随后采用最优子带搜索算法对超宽带回波进行处理,以获取散射特性相差最大的子带回波通道。再对多子带差异图像进行色彩合成,通过这一处理步骤,能够生成对目标散射特性最佳描述的伪彩图像。同时,为了确保MWP-SAR的分辨率不受到损失,建立了一个融合模型,将全分辨率的SAR图像与多子带图像相融合,以维持伪彩图像的高分辨率。最终,通过实测的机载MWP-SAR数据成功地合成了全分辨率的伪彩色图像,从而验证了该算法的有效性。该算法可以使得MWP-SAR在成像时获取更多的目标信息,为成像雷达微波视觉的实现提供辅助。 微波光子(MWP)雷达是一种通过光子器件对传统微波雷达硬件架构进行改进的新型雷达系统。借助光子器件卓越的物理特性,MWP雷达能够发射超宽带、高线性度的高质量线性调频信号,从而实现对目标的超高分辨率探测与成像。在目标成像与探测过程中,不同结构和特性的目标区域对不同频率信号的响应存在差异。因此,微波光子雷达具备通过散射差异生成伪彩图像的潜力,从而进一步提升微波光子合成孔径雷达(MWP-SAR)的信息获取能力。传统的遥感技术生成的伪彩图像分辨率较低,无法达到厘米级的分辨。因此,该文提出了一种在保证MWP-SAR高分辨率的前提下合成伪彩图像的方法。该算法首先建立了最优子带回波搜索模型,随后采用最优子带搜索算法对超宽带回波进行处理,以获取散射特性相差最大的子带回波通道。再对多子带差异图像进行色彩合成,通过这一处理步骤,能够生成对目标散射特性最佳描述的伪彩图像。同时,为了确保MWP-SAR的分辨率不受到损失,建立了一个融合模型,将全分辨率的SAR图像与多子带图像相融合,以维持伪彩图像的高分辨率。最终,通过实测的机载MWP-SAR数据成功地合成了全分辨率的伪彩色图像,从而验证了该算法的有效性。该算法可以使得MWP-SAR在成像时获取更多的目标信息,为成像雷达微波视觉的实现提供辅助。

微信 | 公众平台

随时查询稿件 获取最新论文 知晓行业信息

  • EI
  • Scopus
  • DOAJ
  • JST
  • CSCD
  • CSTPCD
  • CNKI
  • 中文核心期刊