一种海洋涡旋SAR图像仿真方法

王宇航,  杨敏,  种劲松

文章导航 > 雷达学报  > 2019 >  8(3): 382-390
张磊, 董纯柱, 侯兆国, 王超, 殷红成. 多层介质平板结构的传输线等效面模型及相位修正算法[J]. 雷达学报, 2015, 4(3): 317-325. doi: 10.12000/JR15038
引用本文: 王宇航, 杨敏, 种劲松. 一种海洋涡旋SAR图像仿真方法[J]. 雷达学报, 2019, 8(3): 382–390. doi: 10.12000/JR18052
shu
Zhang Lei, Dong Chun-zhu, Hou Zhao-guo, Wang Chao, Yin Hong-cheng. Transmission Line Equivalent Plane Model and Phase Correction Algorithm for Multilayered Dielectric Slab Structure[J]. Journal of Radars, 2015, 4(3): 317-325. doi: 10.12000/JR15038
Citation: WANG Yuhang, YANG Min, and CHONG Jinsong. SAR image simulation method for oceanic eddies[J]. Journal of Radars, 2019, 8(3): 382–390. doi: 10.12000/JR18052
shu

一种海洋涡旋SAR图像仿真方法

DOI: 10.12000/JR18052
  • ①.

    中国科学院电子学研究所   北京   100190

  • ②.

    微波成像技术国家重点实验室   北京   100190

  • ③.

    中国科学院大学   北京   100190

基金项目: 国家部委基金，微波成像技术国家重点实验室基金(CXJJ_15S119)
详细信息
    作者简介:

    王宇航(1992–)，女，博士生，中国科学院电子学研究所。研究方向为SAR海洋遥感探测与应用。E-mail: iecas_wang@126.com

    杨敏：杨   敏(1988–)，女，硕士。2013年在中国科学院电子学研究所获得硕士学位。研究方向为SAR海洋遥感探测与应用。E-mail: minyang993@126.com

    种劲松(1969–)，女，博士，研究员，博士生导师。2000年在北京航空航天大学宇航学院获得硕士学位，2003年在中国科学院研究生院获得博士学位，现担任中国科学院电子学研究所研究员。研究方向为SAR海洋微波遥感。E-mail: iecas_chong@163.com

    通讯作者:

    种劲松  iecas_chong@163.com

  • 中图分类号: TN957.52

SAR Image Simulation Method for Oceanic Eddies

  • ①.

    Institute of Electronics, Chinese Academy of Sciences, Beijing 100190, China

  • ②.

    National Key Laboratory of Science and Technology on Microwave Imaging, Beijing 100190, China

  • ③.

    University of Chinese Academy of Sciences, Beijing 100190, China

Funds: The National Ministries Foundation, The Foundation of National Key Laboratory of Science and Technology on Microwave Imaging (CXJJ_15S119)
More Information

摘要

    摘要
  • 摘要: 海洋涡旋对海洋热循环起着关键作用，是海洋科学研究中的一个重要分支。合成孔径雷达(Synthetic Aperture Radar, SAR)为海洋涡旋的观测和研究提供了大量的图像数据，但是涡旋在SAR成像时会受到各种海洋环境因素的影响，难以解译涡旋SAR图像特征。仿真SAR图像可以用于研究涡旋的特征，但是目前极少有关于涡旋SAR图像仿真方法的研究。为了更好地解译SAR图像中的涡旋特征，该文提出了一种涡旋SAR图像仿真方法。首先，基于流体力学中典型的Burgers-Rott涡旋模型，建立涡旋2维表面流场；然后，利用SAR海洋成像仿真模型，仿真给定涡旋2维流场、海面风场以及雷达系统参数下的涡旋SAR图像。该文针对气旋式涡旋与反气旋式涡旋进行了仿真实验，并建立了仿真涡旋SAR图像的相似度评价标准。实验结果表明，仿真的涡旋SAR图像与真实星载涡旋SAR图像能够较好地吻合，验证了方法的有效性。

     

    Abstract: Oceanic eddies, which play an important role in ocean thermal cycling, is a significant branch of oceanic scientific research. Synthetic Aperture Radar (SAR) provides a large number of images for the observation and investigation of oceanic eddies. However, SAR imagery of oceanic eddies is affected by various environmental factors; as such, it is difficult to interpret eddy features from SAR images. Alternatively, simulated SAR images can be used to investigate eddy features; however, few methods have been established for simulating SAR images for oceanic eddies. To better interpret the eddy features in real SAR images, an SAR image simulation method for oceanic eddies is proposed in this paper. First, a two-dimensional eddy surface current field was built based on the Burgers-Rott vortex model in hydrodynamics; SAR eddy images were then simulated according to the given eddy current field, wind field, and radar parameters. Images of cyclonic and anticyclonic eddies were simulated and evaluated. In addition, a standard for evaluating the similarity between real and simulated SAR eddy images was established. The features of the simulated SAR eddy images show good similarity with the real SAR eddy images, which validates the effectiveness of the proposed simulation method.

     

    • HTML全文

  • 图  1  涡旋SAR图像仿真方法流程图

    Figure  1.  Flow chart of the simulation method of SAR eddy image

    下载: 全尺寸图片 幻灯片

    图  2  SAR海洋成像仿真模型示意图[22]

    Figure  2.  Schematic diagram of oceanic SAR imagery simulation model[22]

    下载: 全尺寸图片 幻灯片

    图  3  中国东海海域获取的ERS-2 SAR图像，获取时间为2009.08.19, 02:23:50 UTC

    Figure  3.  ERS-2 SAR image of the East China Sea obtained on August 19, 2009 at 02:23:50 UTC

    下载: 全尺寸图片 幻灯片

    图  4  从方框1处截取的涡旋SAR图像

    Figure  4.  Enlargement of the eddy in Frame 1

    下载: 全尺寸图片 幻灯片

    图  5  相同参数下仿真SAR图像与ERS-2 SAR图像对比图

    Figure  5.  Comparison of simulated SAR image and ERS-2 SAR image under the same parameters

    下载: 全尺寸图片 幻灯片

    图  6  仿真SAR图像与ERS-2 SAR图像涡旋信息提取

    Figure  6.  Eddy information extraction of simulated SAR image and ERS-2 SAR image

    下载: 全尺寸图片 幻灯片

    图  7  吕宋海峡获取的ENVISAT-1 ASAR图像，获取时间为2010.06.11, 01:51:48 UTC

    Figure  7.  ENVISAT-1 ASAR image of the Luson Strait obtained on June 11, 2010 at 01:51:48 UTC

    下载: 全尺寸图片 幻灯片

    图  8  方框2处截取的涡旋SAR图像

    Figure  8.  Enlargement of the eddy in Frame 2

    下载: 全尺寸图片 幻灯片

    图  9  相同参数下仿真SAR图像与ENVISAT-1 ASAR图像对比图

    Figure  9.  Comparison of simulated SAR image and ENVISAT-1 ASAR image under the same parameters

    下载: 全尺寸图片 幻灯片

    图  10  仿真SAR图像与ENVISAT-1 ASAR图像涡旋信息提取

    Figure  10.  Eddy information extraction of simulated SAR image and ENVISAT-1 ASAR image

    下载: 全尺寸图片 幻灯片

    表  1  ERS-2 SAR参数

    Table  1.   SAR parameters of ERS-2

    参数数值
    极化方式VV
    波段C
    入射角23.0°
    平台高度780 km
    平台速度7500 m/s
    下载: 导出CSV

    表  2  涡旋信息提取结果

    Table  2.   Results of eddy information extraction

    SAR图像涡旋中心位置涡旋直径涡旋边缘长度
    仿真SAR图像(116,75)18.9 km35.7 km
    真实SAR图像(113,71)18.7 km35.4 km
    绝对/相对误差(3,4)/—0.2 km/0.0110.3 km/0.008
    下载: 导出CSV

    表  3  ENVISAT-1 ASAR参数

    Table  3.   ASAR parameters of ENVISAT-1

    参数数值
    极化方式HH
    波段C
    入射角26.7°
    平台高度800 km
    平台速度7455 m/s
    下载: 导出CSV

    表  4  涡旋信息提取结果

    Table  4.   Results of eddy information extraction

    SAR图像涡旋中心位置涡旋直径涡旋边缘尺寸
    仿真SAR图像(144,78)24.0 km49.4 km
    真实SAR图像(147,81)23.9 km49.7 km
    绝对/相对误差(3,3)/—0.1 km/0.0040.3 km/0.006
    下载: 导出CSV
    • 参考文献(26)
  • [1] KARIMOVA S. Spiral eddies in the Baltic, Black and Caspian seas as seen by satellite radar data[J]. Advances in Space Research, 2012, 50(8): 1107–1124. doi: 10.1016/j.asr.2011.10.027
    [2] IVANOV A Y and GINZBURG A I. Oceanic eddies in synthetic aperture radar images[J]. Journal of Earth System Science, 2002, 111(3): 281–295. doi: 10.1007/BF02701974
    [3] KARIMOVA S and GADE M. Improved statistics of sub-mesoscale eddies in the Baltic Sea retrieved from SAR imagery[J]. International Journal of Remote Sensing, 2016, 37(10): 2394–2414. doi: 10.1080/01431161.2016.1145367
    [4] XU G J, YANG J S, DONG C M, et al. Statistical study of submesoscale eddies identified from synthetic aperture radar images in the Luzon Strait and adjacent seas[J]. International Journal of Remote Sensing, 2015, 36(18): 4621–4631. doi: 10.1080/01431161.2015.1084431
    [5] TAVRI A, SINGHA S, LEHNER S, et al. Observation of sub-mesoscale eddies over Baltic Sea using TerraSAR-X and Oceanographic data[C]. Proceedings of Living Planet Symposium 2016, Prague, Czech Republic, 2016.
    [6] LYZENGA D and WACKERMAN C. Detection and classification of ocean eddies using ERS-1 and aircraft SAR images[C]. Proceedings of the 3rd ERS Symposium on Space at the Service of our Environment, Florence, Italy, 1997: 1267–1271.
    [7] MITNIK L, DUBINA V, and LOBANOV V. Cold season features of the Japan Sea coastal zone revealed by ERS SAR[C]. Proceedings of ERS-Envisat Symposium " Looking Down to Earth in the New Millennium”, Noordwijk, Netherlands, 2000: 4232–4242.
    [8] LAVROVA O Y and MITYAGINA M I. Manifestation specifics of hydrodynamic processes in satellite images of intense phytoplankton bloom areas[J]. Izvestiya Atmospheric and Oceanic Physics, 2016, 52(9): 974–987. doi: 10.1134/S0001433816090176
    [9] 杨敏, 种劲松. 基于对数螺旋线边缘拟合的SAR图像漩涡信息提取方法[J]. 雷达学报, 2013, 2(2): 226–233. doi: 10.3724/SP.J.1300.2013.13004

    YANG Min and CHONG Jing-song. A method based on logarithmic spiral edge fitting for information extraction of eddy in the SAR image[J]. Journal of Radars, 2013, 2(2): 226–233. doi: 10.3724/SP.J.1300.2013.13004
    [10] DRESCHLER-FISCHER L, LAVROVA O, SEPPKE B, et al. Detecting and tracking small scale eddies in the black sea and the Baltic Sea using high-resolution Radarsat-2 and TerraSAR-X imagery (DTeddie)[C]. Proceedings of 2014 IEEE Geoscience and Remote Sensing Symposium, Quebec City, Canada, 2014: 1214–1217. DOI: 10.1109/IGARSS.2014.6946650.
    [11] KARIMOVA S. An approach to automated spiral eddy detection in SAR images[C]. Proceedings of 2017 IEEE International Geoscience and Remote Sensing Symposium, Fort Worth, Texas, USA, 2017: 743–746. DOI: 10.1109/IGARSS.2017.8127059.
    [12] HUANG D M, DU Y L, HE Q, et al. DeepEddy: A simple deep architecture for mesoscale oceanic eddy detection in SAR images[C]. Proceedings of the 14th IEEE International Conference on Networking, Sensing and Control, Calabria, Italy, 2017: 673–678. DOI: 10.1109/ICNSC.2017.8000171.
    [13] 于祥祯. 顺轨干涉SAR对海洋表面流场监测的若干问题研究[D]. [博士论文], 中国科学院研究生院, 2012: 30–34.

    YU Xiang-zhen. Study on some problems of ocean surface current detection by along-track interferometric SAR[D]. [Ph.D. dissertation], Graduate University of Chinese Academy of Sciences, 2012: 30–34.
    [14] ROMEISER R, ALPERS W, and WISMANN V. An improved composite surface model for the radar backscattering cross section of the ocean surface: 1. Theory of the model and optimization/validation by scatterometer data[J]. Journal of Geophysical Research, 1997, 102(C11): 25237–25250. doi: 10.1029/97JC00190
    [15] ROMEISER R and ALPERS W. An improved composite surface model for the radar backscattering cross section of the ocean surface: 2. Model response to surface roughness variations and the radar imaging of underwater bottom topography[J]. Journal of Geophysical Research, 1997, 102(C11): 25251–25267. doi: 10.1029/97JC00191
    [16] ROMEISER R, SEIBT-WINCKLER A, HEINEKE M, et al. Validation of current and bathymetry measurements in the German Bight by airborne along-track interferometric SAR[C]. Proceedings of 2002 IEEE International Geoscience and Remote Sensing Symposium, Toronto, Canada, 2002: 1822–1824. DOI: 10.1109/IGARSS.2002.1026266.
    [17] OUYANG Y, CHONG J S, WU Y R, et al. Simulation studies of internal waves in SAR images under different SAR and wind field conditions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(5): 1734–1743. doi: 10.1109/TGRS.2010.2087384
    [18] 朱克勤, 彭杰. 高等流体力学[M]. 北京: 科学出版社, 2017: 132–138.

    ZHU Ke-qin and PENG Jie. Advanced Fluid Mechanics[M]. Beijing: Science Press, 2017: 132–138.
    [19] BURGERS J M. A mathematical model illustrating the theory of turbulence[J]. Advances in Applied Mechanics, 1948, 1: 171–199. doi: 10.1016/S0065-2156(08)70100-5
    [20] ROTT N. On the viscous core of a line vortex[J]. Zeitschrift für Angewandte Mathematik und Physik ZAMP, 1958, 9(5/6): 543–553. doi: 10.1007/BF02424773
    [21] LONGUET-HIGGINS M S and STEWART R W. Radiation stresses in water waves; a physical discussion, with applications[J]. Deep Sea Research and Oceanographic Abstracts, 1964, 11(4): 529–562. doi: 10.1016/0011-7471(64)90001-4
    [22] 余颖, 王小青, 朱敏慧, 等. 基于二阶散射的海面三尺度雷达后向散射模型[J]. 电子学报, 2008, 36(9): 1771–1775. doi: 10.3321/j.issn:0372-2112.2008.09.022

    YU Ying, WANG Xiao-qing, ZHU Min-hui, et al. Three-scale radar backscattering model of the ocean surface based on second-order scattering[J]. Acta Electronica Sinica, 2008, 36(9): 1771–1775. doi: 10.3321/j.issn:0372-2112.2008.09.022
    [23] WHITHAM G B. A general approach to linear and non-linear dispersive waves using a Lagrangian[J]. Journal of Fluid Mechanics, 1965, 22(2): 273–283. doi: 10.1017/S0022112065000745
    [24] ALPERS W R, ROSS D B, and RUFENACH C L. On the detectability of ocean surface waves by real and synthetic aperture radar[J]. Journal of Geophysical Research, 1981, 86(C7): 6481–6498. doi: 10.1029/JC086iC07p06481
    [25] ROMEISER R and THOMPSON D R. Numerical study on the along-track interferometric radar imaging mechanism of oceanic surface currents[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(1): 446–458. doi: 10.1109/36.823940
    [26] ROBINSON I S. Discovering the Ocean from Space: The Unique Applications of Satellite Oceanography[M]. Chichester, UK: Springer-Praxis, 2010: 76–78.
    • 相关文章
    • 施引文献

  • 期刊类型引用(88)

    1. 肜瑶，张洋洋. 重构目标和多层次BVMD特征融合的SAR图像目标识别方法. 探测与控制学报. 2025(01): 94-101 . 百度学术
    2. 杨慧娉，赖小龙，刘丹. 一种基于区域特征的SAR图像目标识别方法. 电光与控制. 2025(03): 76-81 . 百度学术
    3. 吕虎. 基于属性散射中心目标重构加权决策融合的SAR目标识别方法. 电光与控制. 2024(02): 112-117+124 . 百度学术
    4. 李振汕，丁柏圆. 联合核稀疏表示和增强字典的SAR目标识别方法. 电光与控制. 2024(08): 44-49 . 百度学术
    5. 罗曼，李新. 改进卷积神经网络的SAR图像识别方法. 空天预警研究学报. 2024(03): 162-166+172 . 百度学术
    6. 赵琰，赵凌君，张思乾，计科峰，匡纲要. 自监督解耦动态分类器的小样本类增量SAR图像目标识别. 电子与信息学报. 2024(10): 3936-3948 . 百度学术
    7. 何洁，李文娟，陈欣. NCIE在多特征选择及SAR目标识别中的应用. 太赫兹科学与电子信息学报. 2023(02): 183-188 . 百度学术
    8. 王源源. 联合变分模态分解和卷积神经网络的SAR图像目标分类方法. 电光与控制. 2023(06): 41-46 . 百度学术
    9. 陈婕，潘洁，杨小英. 结合非采样剪切波和MCCA的SAR目标识别方法. 探测与控制学报. 2023(03): 89-94 . 百度学术
    10. 李鹏，冯存前，胡晓伟. 一种改进的可解释SAR图像识别网络. 空军工程大学学报. 2023(04): 49-55 . 百度学术
    11. 王源源. 基于改进稀疏表示的SAR图像目标识别方法. 电光与控制. 2023(09): 42-46 . 百度学术
    12. 许延龙，潘昊，丁柏圆. 基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用. 液晶与显示. 2023(11): 1511-1520 . 百度学术
    13. 李昆，赵鹏，张帝，尹广举. 基于结构相似性的多模态筛选及在SAR目标识别中的应用研究. 中国电子科学研究院学报. 2023(11): 996-1002+1028 . 百度学术
    14. 陆建华. 融合CNN和SRC决策的SAR图像目标识别方法. 红外与激光工程. 2022(03): 520-526 . 百度学术
    15. 游丽. 基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法. 红外与激光工程. 2022(04): 399-404 . 百度学术
    16. 赵高丽，宋军平. 联合多特征的MSTAR数据集SAR目标识别方法. 武汉大学学报(工学版). 2022(07): 732-739 . 百度学术
    17. 周志洪，陈秀真，马进，夏正敏. 烟花算法在SAR图像属性散射中心参数估计中的应用. 红外与激光工程. 2022(08): 481-487 . 百度学术
    18. 李正伟，黄孝斌，胡尧. 基于二维随机投影特征典型相关分析融合的SAR ATR方法. 红外与激光工程. 2022(10): 366-373 . 百度学术
    19. 王源源，王小芳. 结合多特征联合表征和自适应加权的SAR图像目标识别方法. 电光与控制. 2022(11): 97-101+117 . 百度学术
    20. 莫海宁，钟友坤. 基于BVMD特征决策融合的SAR目标识别方法. 电子信息对抗技术. 2022(05): 40-44+50 . 百度学术
    21. 邢孟道，谢意远，高悦欣，张金松，刘嘉铭，吴之鑫. 电磁散射特征提取与成像识别算法综述. 雷达学报. 2022(06): 921-942 . 本站查看
    22. 来雨. 基于属性散射中心的SAR图像重构及在目标识别中的应用. 火力与指挥控制. 2021(02): 46-52 . 百度学术
    23. 刘飞，高红艳，卫泽刚，刘亚军，钱郁. 基于Res-Net深度特征的SAR图像目标识别方法. 液晶与显示. 2021(04): 624-631 . 百度学术
    24. 伍友龙. 多元经验模态分解及在SAR图像目标识别中的应用. 红外与激光工程. 2021(04): 251-257 . 百度学术
    25. 陈丛. 基于狼群算法的SAR图像属性散射中心参数估计. 红外与激光工程. 2021(04): 258-264 . 百度学术
    26. 辛海燕，童有为. 结合多源特征与高斯过程模型的SAR图像目标识别. 电讯技术. 2021(04): 454-460 . 百度学术
    27. 毛舒宇，岳凤英. 二维变分模态分解在SAR图像特征提取及目标识别中的应用. 电光与控制. 2021(03): 98-101+106 . 百度学术
    28. 唐吉深，覃少华. 稀疏表示系数下局部最优重构的SAR图像目标识别算法. 探测与控制学报. 2021(02): 69-75+80 . 百度学术
    29. 张楚笛，唐涛，计科峰. SAR图像车辆目标多模态联合协同表示分类方法. 信号处理. 2021(05): 681-689 . 百度学术
    30. 刘志超，屈百达. 复数二维经验模态分解在SAR目标识别中的应用. 红外与激光工程. 2021(05): 245-252 . 百度学术
    31. 刘志超，屈百达. 结合BM3D去噪与极限学习机的SAR目标分类方法. 电光与控制. 2021(06): 29-32 . 百度学术
    32. 吴剑波，陆正武，关玉蓉，王庆东，姜国松. 二维压缩感知多投影矩阵特征融合的SAR目标识别方法. 红外与激光工程. 2021(06): 314-320 . 百度学术
    33. 尚珊珊，余子开，范涛，金利民. 高斯过程模型在SAR图像目标识别中的应用. 红外与激光工程. 2021(07): 151-157 . 百度学术
    34. 胡媛媛，韩彦龙. 快速自适应二维经验模态分解在SAR目标识别中的应用研究. 电光与控制. 2021(08): 40-43+87 . 百度学术
    35. 张振中. 基于更新分类器的合成孔径雷达图像目标识别. 激光与光电子学进展. 2021(14): 234-241 . 百度学术
    36. 李亚娟. 结合多决策准则稀疏表示的SAR图像目标识别方法. 红外与激光工程. 2021(08): 353-360 . 百度学术
    37. 唐波，刘钢，谢黄海，黄力，代朝阳，李枫航. 基于多视角属性散射中心的风电机动态叶片雷达回波模拟. 中国电机工程学报. 2021(18): 6449-6461 . 百度学术
    38. 马丹丹. 图像分块匹配的SAR目标识别方法. 红外与激光工程. 2021(10): 290-297 . 百度学术
    39. 陈禾，张心怡，李灿，庄胤. 基于多尺度注意力CNN的SAR遥感目标识别. 雷达科学与技术. 2021(05): 517-525+533 . 百度学术
    40. 李笑雪，黄煜峰，李忠智. 嵌入特征预提取和注意力机制的SAR图像目标检测. 江西科学. 2021(06): 1103-1109 . 百度学术
    41. 陈婕，潘洁，杨小英，陈海媚，廖志平. 一种多视角SAR图像目标识别方法. 电讯技术. 2021(12): 1547-1553 . 百度学术
    42. 李宁，王军敏，司文杰，耿则勋. 基于最大熵准则的多视角SAR目标分类方法. 红外与激光工程. 2021(12): 572-578 . 百度学术
    43. 陈欣，陈明逊. 基于增强数据集卷积神经网络的SAR目标识别方法. 重庆理工大学学报(自然科学). 2020(01): 86-93 . 百度学术
    44. 张婷，蔡德饶. 联合多层次深度特征的SAR图像目标识别方法. 火力与指挥控制. 2020(02): 135-140 . 百度学术
    45. 陈婕. 考察独立性和相关性的多视角SAR图像目标识别方法. 电光与控制. 2020(03): 89-93+114 . 百度学术
    46. 丁慧洁. 基于非下采样剪切波特征提取的SAR图像目标识别方法. 探测与控制学报. 2020(01): 75-80 . 百度学术
    47. 柳小文，雷军程，伍雁鹏. 基于二维经验模态分解的合成孔径雷达目标识别方法. 激光与光电子学进展. 2020(04): 76-83 . 百度学术
    48. 张宏武，康凯. 结合二维内蕴模函数和贝叶斯多任务学习的SAR目标识别. 电讯技术. 2020(04): 372-377 . 百度学术
    49. 李亚娟. 结合全局和局部稀疏表示的SAR图像目标识别方法. 电子测量与仪器学报. 2020(02): 165-171 . 百度学术
    50. 兰文宝，车畅，陶成云. 基于斯皮尔曼等级相关的单演谱成分选择及其在SAR目标识别中的应用. 电波科学学报. 2020(03): 414-421 . 百度学术
    51. 周光宇，刘邦权，张亶. 基于变分模态分解的SAR图像目标识别方法. 国土资源遥感. 2020(02): 33-39 . 百度学术
    52. 郭炜炜，张增辉，郁文贤，孙效华. SAR图像目标识别的可解释性问题探讨. 雷达学报. 2020(03): 462-476 . 本站查看
    53. 陈婕，廖志平. 基于增强字典稀疏表示分类的SAR目标识别方法. 探测与控制学报. 2020(03): 75-81 . 百度学术
    54. 吴天宝，夏靖波，黄玉燕. 基于SVM和SRC级联决策融合的SAR图像目标识别方法. 河南理工大学学报(自然科学版). 2020(04): 118-124 . 百度学术
    55. 丛培贤，赵永彬，邸卓，刘雪松，徐静. 基于内蕴判别分析的SAR目标识别方法. 自动化技术与应用. 2020(09): 103-107 . 百度学术
    56. 张伟昌，王文政，代作松. 结合NSCT和TPCA的SAR图像目标识别. 火力与指挥控制. 2020(09): 41-46 . 百度学术
    57. 王源源. 一种基于多分辨率表示的SAR图像识别方法. 电光与控制. 2020(10): 31-36 . 百度学术
    58. 申伟，石平. 单演信号随机加权融合的SAR图像目标识别方法. 电子测量与仪器学报. 2020(09): 181-187 . 百度学术
    59. 陈潜，刘金清. 结合属性散射中心模型和空间变迹法的SAR图像旁瓣抑制方法. 电子测量与仪器学报. 2020(10): 57-64 . 百度学术
    60. 张虹，左鑫兰，黄瑶. 基于稀疏表示系数相关性的特征选择及SAR目标识别方法. 激光与光电子学进展. 2020(14): 271-278 . 百度学术
    61. 徐永士，贲可荣，王天雨，刘斯杰. DCGAN模型改进与SAR图像生成研究. 计算机科学. 2020(12): 93-99 . 百度学术
    62. 涂豫. 基于贝叶斯卷积神经网络与数据增强的SAR图像目标分类方法. 探测与控制学报. 2020(06): 43-48 . 百度学术
    63. 马梓元，龚华军，王新华，刘禹. 典型多特征决策融合方法及在无人机SAR图像目标识别中的应用. 舰船电子工程. 2020(12): 96-99 . 百度学术
    64. 何洁，陈欣. 基于非线性相关信息熵的SAR图像多分辨率选择及目标识别. 激光与光电子学进展. 2020(22): 215-222 . 百度学术
    65. 王骏，陈艳平，江立辉. 结合稀疏表示和协同表示的SAR图像目标方位角估计. 电子测量与仪器学报. 2020(12): 165-171 . 百度学术
    66. 乔良才. 结合多分辨率表示和复数域CNN的SAR图像目标识别方法. 激光与光电子学进展. 2020(24): 98-106 . 百度学术
    67. 王旭，蒋书波，张秀梅. SAR目标轮廓匹配及其在目标识别中的运用. 计算机工程与设计. 2019(01): 184-189 . 百度学术
    68. 蔡德饶，宋愈珍. 带鉴别分析的多视角SAR图像联合决策及目标识别. 中国电子科学研究院学报. 2019(01): 37-41+54 . 百度学术
    69. 段芃芃，刘锂. 基于相关性分析的SAR图像目标方位角估计. 中国电子科学研究院学报. 2019(01): 42-46 . 百度学术
    70. 靳黎忠，陈俊杰，彭新光. 决策可靠性分析及在SAR图像目标识别中的应用. 电讯技术. 2019(04): 409-414 . 百度学术
    71. 王鑑航，张广宇，李艳. 基于协同编码分类器的SAR目标识别方法. 中国电子科学研究院学报. 2019(03): 290-295 . 百度学术
    72. 陈岭. 基于随机加权的SAR图像多特征联合目标分类. 电子测量与仪器学报. 2019(05): 187-192 . 百度学术
    73. 张婷，蔡德饶. 基于属性散射中心匹配的噪声稳健SAR目标识别方法. 中国电子科学研究院学报. 2019(06): 557-562+567 . 百度学术
    74. 郭敦，吴志军. 基于局部字典块稀疏表示的SAR图像目标识别方法. 中国电子科学研究院学报. 2019(08): 813-817+829 . 百度学术
    75. 张克，牛鹏涛. 稀疏表示分类在SAR图像目标识别中的应用分析. 信息技术. 2019(09): 39-43 . 百度学术
    76. 张华，张素莉，何树吉. 基于幅相分离和动态粒子群算法的SAR图像属性散射中心参数估计. 中国电子科学研究院学报. 2019(09): 993-1000 . 百度学术
    77. 王源源. 基于单演信号多重集典型相关分析的SAR目标识别方法. 电光与控制. 2019(10): 7-11+29 . 百度学术
    78. 夏朋举. 目标区域和阴影联合决策的SAR图像目标识别方法. 中国电子科学研究院学报. 2019(10): 1062-1067+1087 . 百度学术
    79. 陈惠红，刘世明. 基于多重集典型相关的深度特征融合及SAR目标识别方法. 电子测量与仪器学报. 2019(09): 57-63 . 百度学术
    80. 冯冬艳，王海晖. 相关性约束下SAR图像动态重构的目标识别方法. 电子测量与仪器学报. 2019(09): 100-106 . 百度学术
    81. 陈宏. 结合多视角-多特征的SAR图像目标识别方法. 电子测量与仪器学报. 2019(09): 87-92 . 百度学术
    82. 刘阳. 基于属性散射中心多层次匹配的SAR目标识别方法. 电子测量与仪器学报. 2019(11): 192-198 . 百度学术
    83. 李辉. 基于峰值特征高斯混合建模的SAR目标识别. 电子测量与仪器学报. 2018(08): 103-108 . 百度学术
    84. 赵鹏举，甘凯. 基于互补特征层次决策融合的SAR目标识别方法. 电光与控制. 2018(10): 28-32 . 百度学术
    85. 谢晴，张洪. SAR图像多层次正则化增强及在目标识别中的应用. 电子测量与仪器学报. 2018(09): 157-162 . 百度学术
    86. 王立梅，李金凤，张亚峰. 联合多层次散射区域的SAR目标识别方法. 中国电子科学研究院学报. 2018(06): 690-694 . 百度学术
    87. 蔡德饶，张婷. 联合多分辨表示的SAR图像目标识别方法. 电子测量与仪器学报. 2018(12): 71-77 . 百度学术
    88. 董平，林嘉宇，刘莹. 一种基于峰值匹配的SAR目标识别方法. 无线互联科技. 2017(22): 112-114+121 . 百度学术

    其他类型引用(11)

    • 资源附件(0)
  • 加载中
图(10) / 表(4)
计量
  • 文章访问数: 2708
  • HTML全文浏览量: 1156
  • PDF下载量: 282
  • 被引次数: 99
出版历程
  • 收稿日期:  2018-07-05
  • 修回日期:  2018-09-11
  • 网络出版日期:  2019-06-01

目录

摘要
HTML全文
    参考文献(26)
    相关文章
    施引文献
    资源附件(0)

    /

    返回文章
    返回

    京ICP备20021838号-8   本系统由 北京仁和汇智信息技术有限公司 开发    百度统计