作者中心
专家审稿
责编办公
编辑办公
Airborne Multi-functional Maritime Surveillance Radar System Design and Key Techniques
-
摘要: 机载多功能海上监视雷达系统作为机载平台对海探测的主要任务载荷，具有全天候、全天时、探测范围广和工作环境复杂多变等特点，是极具应用前景的一种广域海上监视雷达系统，在海上作战体系中占有重要地位。该文根据多功能海上监视雷达的系统特点及优势，对系统设计中的雷达体制选择、工作参数选择和工作模式设计等进行了论述，并对影响其关键性能的强海杂波中慢速目标检测、跟踪和目标识别问题以及解决问题的技术途径进行了分析。Abstract: As the main task load of the airborne platform for sea detection, the airborne multi-functional marine surveillance radar system has the following characteristics: the ability to operate in all weather conditions regularly, a wide detection range, and a complex and changeable working environment. Moreover, the system has a wide area coverage, great application prospects, and plays an important role in marine combat. According to the system characteristics and the advantages of the multi-functional marine surveillance radar, the selection of radar system, working parameters, and the working mode design of the system are discussed. The problems of slow target detection, ineffective tracking and target identification in strong sea clutter, which affects the key performance of the system, and technical ways to solve them are analyzed.
-
1. 引言
合成孔径雷达（Synthetic Aperture Radar, SAR）具备全天候、全天时、远距离、高分辨率对地成像能力，已经成为现代微波遥感领域的重要技术手段之一[1]。获取陆海环境更高的分辨能力和更大的测绘范围一直是各种遥感手段不断突破的方向。方位向多通道体制以空间维度采样的增加消除分辨率和幅宽对时间维度采样率的矛盾制约[2]，目前已经成为高分辨率宽幅SAR成像的主流技术手段之一，并成功应用于国内外多颗在轨SAR卫星，包括高分三号[3]、TerraSAR-X[4], RADARSAT-2[5]和ALOS-2[6]。
通道失配校正和多通道信号重建是方位多通道SAR信号处理的两个关键技术环节。多通道信号重建旨在对空间上非均匀分布的多个通道采样信号进行联合处理，得到等效于单通道SAR系统的空间维均匀采样信号[7]。在进行非均匀采样数据重建处理之前，多个通道接收回波的幅度、相位、延时等特性需要校正一致，以避免重建图像中出现干扰图像判读的“鬼影”虚假目标[8]。针对方位多通道SAR系统失配校正问题，德国宇航中心、西安电子科技大学、上海交通大学、中国科学院电子学研究所等国内外研究机构相继进行了大量研究，提出了多种处理方案[9–11]。
通道相位失配校正主要分为基于内定标系统的标定方法和基于回波数据的估计方法[12]。由于实际SAR系统中通道失配来源复杂，完全依靠内定标系统不仅代价高昂而且系统十分庞大[13]。基于回波数据的通道失配估计方法受到国内外学者的广泛研究[14]。通常来讲，通道间特性失配源于系统特性不理想，与成像场景无关，目前已经发展的通道失配校正方法也是基于此假设。但是，虽然失配特性不一致源于SAR系统特性，其造成的影响与场景特性却是紧密相关的，特别是起伏地形高程。目前发展的通道失配校正方法均未考虑地形起伏的影响，基于平地假设的校正方法在地形起伏明显的场景中，失配校正性能将受到很大影响。当前，高精度数字高程模型(Digital Elevation Model, DEM)重建技术经过国内外学者多年研究，已经逐渐成熟并得到广泛应用[15]。本文详细分析了方位向多通道SAR系统存在偏航、俯仰和地形起伏条件下的通道失配特点，给出运用辅助DEM信息进行补偿的解析表达式，针对仿真实验数据和机载4通道SAR实验数据开展处理工作，验证所提方法的有效性。
2. 基于辅助DEM的方位多通道SAR相位失配补偿方法
方位多通道SAR信号无模糊重建的基础是各天线子孔径沿航迹方向均匀排布。但是，在实际工作过程中，受高空气流和侧风的影响，天线基线常常偏离平台的飞行轨迹，平台姿态往往存在偏航、俯仰和横滚[16]，如图1所示。在星载SAR系统中，地球自转等效于系统中存在一个固定偏航角。
其中，平台横滚角带来的影响主要是回波的接收增益发生变化，场景目标到多个通道天线相位中心的斜距变化是相同的，因此不会导致通道间的相位误差。天线偏航和俯仰不仅会导致波束在方位向指向发生改变，成像区域改变，而且会导致子孔径天线相位中心位置发生偏移[16]。天线相位中心偏移导致的相位差异在不同通道中是不同的，由此导致通道间的相位误差。
图2中，Y 轴指向平台前进方向，Z轴垂直地面向上，X轴形成右手直角坐标系，平台飞行高度H,
Ln 表示天线子孔径n到参考通道的顺轨间隔，场景目标T坐标为(x, y, h)。以方位向两通道SAR系统为例进行分析，方位向前端通道称为主通道，后端通道称为辅通道，偏移前相位中心表示为P ，偏移后相位中心表示为¯P 。这里以主通道为参考通道，分析平台偏航和俯仰给辅通道带来的影响，结论同样适用于任意通道数目的多通道SAR系统。窄波束条件下SAR系统符合波束中心近似假设，图3给出平台姿态变化在斜距方向导致相位中心变化示意图。假设
θyaw 表示偏航角，θpitch 表示俯仰角，如图3所示，则偏航和俯仰导致的相位中心在3维空间的变化量可以表示为Δx=LnsinθyawΔz=Lnsinθpitch} (1) 目标T和校正前后辅通道的天线相位中心位置
T:(x,h)P:(0,H)¯P:(Δx,H+Δz)} (2) 其中，
x 和h 分别表示目标T 的地距向和高度向的位置坐标，H 表示平台飞行高度。由成像几何关系，天线相位中心偏移导致的相位失配可以表示为φ=2πλ(√(x−Δx)2+(H+Δz−h)2−√x2+(H−h)2) (3) 其中，
λ 表示载波波长。在星载SAR和机载SAR系统中，条件Δx≪x 和Δz≪H−h 均有效成立，可以得到近似不等式如式(4)x2+(H−h)2≫2xΔx+2(H−h)Δz≫Δx2+Δz2 (4) 在上述假设条件下，将式(3)中的双曲形式泰勒级数展开至2次项可以得到
φ≈2πλ(−xΔx+(H−h)Δz√x2+(H−h)2) (5) 基于成像几何关系，可以得到下视角
θlook 的三角函数关系如式(6)cosθlook=(H−h)√x2+(H−h)2sinθlook=x√x2+(H−h)2} (6) 综上，将式(6)代入式(5)可以得到偏航角和俯仰角导致的通道间相位偏差
φ=2πLnλ(−sinθlooksinθyaw+cosθlooksinθpitch) (7) 在机载SAR系统工作过程中，偏航和俯仰不断发生变化，通道间相位失配具有方位时变特性。同时，从式(7)可以看出，相位失配随场景地物对应的下视角变化，呈现距离向空变特点，因此式(7)可以重写为
φ(t,h)=2πLnλ(−sin(θlook(h))sin(θyaw(t))+cos(θlook(h))sin(θpitch(t))) (8) 在地形起伏明显的区域，场景地物对应的下视角与平地假设下不同。如果采用简单的平地假设，针对存在高程起伏的地物，通道间相位失配补偿将出现错误，导致最终的重建图像中出现虚假目标。如图4所示，假设平台飞行高度为3000 m，场景中高程地物高出参考水平面300 m，建筑物顶端视角
θ1 为50°。如果不考虑场景地形起伏，建筑物顶端斜距对应的视角θ2 约为44.42°。在子孔径间隔0.5 m的C波段机载SAR中，假设机载系统存在5°偏航角和3°俯仰角，采用平地假设进行相位失配校正，造成的偏差约为6.5°，在背景环境较弱的条件下会出现干扰虚假目标。如果在校正相位失配时考虑地形起伏影响，可以准确校正姿态导致的通道间相位失配，有效抑制重建后图像中的虚假目标。基于辅助DEM的方位多通道SAR通道失配补偿流程如图5所示，具体处理步骤如下：
图 5 基于DEM辅助的方位多通道SAR通道失配补偿方法流程图Figure 5. The flowchart of the proposed channel phase mismatch calibration method based on the aided DEM(1) 根据惯性测量单元(IMU)记录的3维速度信息，针对多通道回波数据进行1阶运动补偿，补偿之后认为参考通道处于理想直线航迹上；
(2) 在距离频域和方位时域进行2维自适应校正幅度误差，校正表达式如式(9)所示，其中
n 表示对通道2进行校正的次数，fr 表示距离频率，t 表示方位时间；Sn+12(fr,t)=Sn2(fr,t)∫|S1(fr,t)|dt∫|Sn2(fr,t)|dtSn+22(fr,t)=Sn+12(fr,t)∫|S1(fr,t)|dfr∫|Sn+12(fr,t)|dfr} (9) (3) 进行距离压缩；
(4) 采用方位互相关方法[11]进行通道间延时误差校正；
(5) 在机载系统中，飞行姿态具有方位向时变特点，场景高程起伏也具有方位空变特点，采用方位向子孔径处理方式，假设子孔径内方位向高程不变，利用辅助DEM信息计算场景地物对应的下视角，并结合IMU记录的平台姿态数据校正距离空变、方位时变相位误差；
(6) 采用子空间投影方法[13]校正残余的非空变、非时变相位误差；
(7) 采用滤波器组方法[7]进行多通道信号重建，得到无模糊的单通道信号；
(8) 最后采用调频变标(CS)算法进行单通道数据成像处理，得到无模糊SAR图像。
3. 仿真与机载SAR数据处理结果
为了验证本文算法有效性，分别开展仿真数据处理和机载多通道SAR试验数据处理。首先，参照实际飞行试验中采用的方位多通道机载SAR系统设置仿真实验，实验参数由表1给出。
表 1 仿真机载实验参数Table 1. System parameters of the simulated airborne experiment系统参数 数值 通道数目 4 飞行高度(m) 3000 平台速度(m/s) 120 载频(GHz) 5.4 发射信号带宽(MHz) 210 脉冲重复频率(Hz) 150 多普勒带宽(Hz) 384 假设平台存在5°偏航角和3°俯仰角。在场景中设置5个点目标，等间距分布，位于中间位置的点目标高程为0，其他4个点目标分别设置不同的高度，如图6所示。
图7展示了仿真实验数据处理结果。图7(a)给出的是未进行通道失配校正的多通道信号重建结果。由于通道失配的影响，场景中5个点目标均存在明显的虚假目标，分别分布在真实目标方位向前后位置。由于虚假目标的位置与目标的最近斜距有关，对比A, B和C点不难发现位于距离向不同位置点目标的虚假目标与真实目标的间距不同。同时，对比B点和E点可以发现，由于高程的影响，位于相同地距位置的点目标在斜距图像中出现在不同距离门中。
图7(b)中给出平地假设条件下通道失配校正结果。可以发现，没有高程的B点虚假目标得到有效抑制。由于未考虑地形起伏影响，场景中A, C, D, E 4个点目标仍然存在可见的虚假目标。同时，高程较高的C点和E点，虚假目标强度明显高于高程较低的A点和D点。图7(c)中给出考虑地形起伏条件下通道失配校正结果。可以发现，场景中A, B, C, D, E 5个点目标对应的虚假目标均得到有效抑制。仿真实验中虚假目标抑制的定量评估结果在表2中给出。
表 2 仿真实验定量评估结果(dB)Table 2. Quantitative assessment result of the simulation (dB)目标 未校正 未考虑高程起伏 考虑高程起伏 A –5 –34 –53 B –7 –50 –50 C –5 –28 –53 D –6 –37 –51 E –5 –27 –52 中国科学院电子学研究所自主研制C波段方位4通道机载SAR系统，于2017年7月在舟山开展飞行试验，主要系统参数在表3中给出。系统采用1发4收的工作方式，整个天线阵面发射信号，方位向均匀分成4个通道接收回波。图8给出飞行过程中偏航和俯仰角度。
表 3 C波段方位向4通道机载SAR实验参数Table 3. Experimental parameters of the C-band azimuth four channel airborne SAR system系统参数 数值 通道数目 4 平台高度(m) 3000 平台速度(m/s) 129.64 载频(GHz) 5.4 发射信号带宽(MHz) 210 方位向天线尺寸(m) 0.624 脉冲重复频率(Hz) 137.19 图9展示了方位4通道机载SAR试验数据处理结果。图9(a)给出的是未进行通道失配校正的多通道信号重建结果。由于通道失配的影响，场景中存在明显的虚假目标，干扰图像的正常判读。特别是左岸煤炭码头停靠的干散货船，散射强度较大，对应的虚假目标非常明显。所选区域在方位向临海，虚假目标在平静的海面上尤其明显。图9(b)中给出平地假设条件下通道失配校正结果。可以发现，虚假目标的影响大大减弱。但是由于存在高程的山地影响，图像中强散射的目标仍然存在可见的虚假目标。图9(c)中给出考虑地形起伏条件下通道失配校正结果。可以发现，场景中虚假目标均得到有效抑制。
4. 结论
方位向多通道星载SAR是实现高分辨率宽幅成像的重要技术手段之一，机载方位多通道SAR是验证系统和算法有效性的必要手段。基于外部DEM辅助信息，本文提出一种适用于高程起伏条件下，方位多通道条带SAR系统的通道相位失配校正方法。仿真实验表明算法能够精确补偿平台姿态导致的通道相位失配。将本文算法应用于机载多通道SAR实验数据处理，在高程起伏区域获取了良好的通道一致性校正和重建处理结果，验证了本文算法的有效性。
-
图 1 美国Raytheon公司研制的SeaVue“海妖”雷达组成单元实物及工作效果图
Figure 1. Physical and operational results of SeaVue “Sea monster” radar component units developed by Raytheon company, USA
图 2 法国Thales公司研制的Ocean Master雷达组成单元实物图
Figure 2. Physical charts of Ocean Master Radar component units developed by Thales company of France
图 3 以色列埃尔塔公司研制的EL/M-2022A型雷达组成单元实物及工作效果图
Figure 3. EL/M-2022A radar component units developed by Elta company of Israel
图 4 SELEX GALILEO公司研制的Seaspray 5000E海面搜索雷达实物与工作效果图
Figure 4. Physical and operational results of Seaspray 5000E marine surface search radar developed by SELEX GALILEO company
图 5 美国Raytheon公司研制的MFAS雷达AN/ZPY-3实物与工作效果图
Figure 5. Material and working effect diagrams of MAFS radar AN/ZPY-3 developed by Raytheon company, USA
图 7 不同扫描角度范围对应的天线功率增益积
Figure 7. Antenna power-gain product corresponding to different scanning angle ranges
图 8 不同作用距离时波束掠射角和信杂噪比变化关系
Figure 8. Variation of beam grazing angle and SCNR at different ranges
图 9 机载多功能海上监视雷达系统组成示意图
Figure 9. Composition diagram of airborne multifunctional marine surveillance radar system
图 12 频率捷变非相参处理原理框图
Figure 12. Principle block diagram of frequency agility non-coherent processing
图 13 某机载海上监视雷达回波单重检测和双重检测结果
Figure 13. Single detection and double detection of echo of an airborne marine surveillance radar
图 18 某机载多功能海上监视雷达对海上某船ISAR成像结果
Figure 18. ISAR imaging results of an airborne multifunctional marine surveillance radar for a ship at sea
图 19 某机载对海监视雷达对散货船ISAR成像结果
Figure 19. ISAR imaging results of an airborne maritime surveillance radar on bulk carrier
-
[1] 陈锋. 国外机载海面监视雷达发展现状与趋势[J]. 直升机技术, 2011(1): 64–68. doi: 10.3969/j.issn.1673-1220.2011.01.013CHEN Feng. Development of the abroad airborne maritime surveillance radar[J]. Helicopter Technique, 2011(1): 64–68. doi: 10.3969/j.issn.1673-1220.2011.01.013 [2] 刘亮, 吉波. 无人机载雷达现状及发展趋势[J]. 现代导航, 2014(3): 227–231.LIU Liang and JI Bo. Status and development of radar on UAV[J]. Modern Navigation, 2014(3): 227–231. [3] Raytheon Company. SeaVue radar introduction datasheet[EB/OL]. www.raytheon.com. [4] Thales Company. Ocean master radar introduction datasheet[EB/OL]. www.thales.com. [5] IAI Elta System Company. EL/M-2022U radar introduction datasheet[EB/OL]. www.elta-ia.icom. [6] SELEX GALILEO Company. Seaspray radar introduction datasheet[EB/OL]. www.leonardocompany.com. [7] 张翼麟. 美国MQ-4C无人机发展特点及趋势分析[J]. 飞航导弹, 2014(1): 45–48.ZHANG Yilin. Analysis of the development characteristics and trend of american MQ-4C UAV[J]. Aerodynamic Missile Journal, 2014(1): 45–48. [8] 陈祖香. 美国MQ-4C无人机基本性能及作战应用[J]. 飞航导弹, 2016(12): 16–21.CHEN Zuxiang. Basic performance and operational application of american MQ-4C UAV[J]. Aerodynamic Missile Journal, 2016(12): 16–21. [9] IPPOLITO L J. Propagation Effects Handbook for Satellite Systems Design[M]. 4th ed. Baltimore: NASA Reference Publication, 1989. [10] 徐艳国, 李宗武. 高分辨率雷达的海杂波特性研究[J]. 现代雷达, 2008, 30(5): 17–20. doi: 10.3969/j.issn.1004-7859.2008.05.005XU Yanguo and LI Zongwu. A study on sea clutter characteristics of high resolution radar[J]. Modern Radar, 2008, 30(5): 17–20. doi: 10.3969/j.issn.1004-7859.2008.05.005 [11] 何友, 黄勇, 关键, 等. 海杂波中的雷达目标检测技术综述[J]. 现代雷达, 2014, 36(12): 1–9. doi: 10.3969/j.issn.1004-7859.2014.12.001HE You, HUANG Yong, GUAN Jian, et al. An overview on radar target detection in sea clutter[J]. Modern Radar, 2014, 36(12): 1–9. doi: 10.3969/j.issn.1004-7859.2014.12.001 [12] 王雪松. 雷达极化技术研究现状与展望[J]. 雷达学报, 2016, 5(2): 119–131. doi: 10.12000/JR16039WANG Xuesong. Status and prospects of radar polarimetry techniques[J]. Journal of Radars, 2016, 5(2): 119–131. doi: 10.12000/JR16039 [13] 赵春雷, 王亚梁, 阳云龙, 等. 雷达极化信息获取及极化信号处理技术研究综述[J]. 雷达学报, 2016, 5(6): 620–638. doi: 10.12000/JR16092ZHAO Chunlei, WANG Yaliang, YANG Yunlong, et al. Review of radar polarization information acquisition and polarimetric signal processing techniques[J]. Journal of Radars, 2016, 5(6): 620–638. doi: 10.12000/JR16092 [14] 王军东. 海杂波对机载雷达探测距离的影响[J]. 电子测量技术, 2018, 41(8): 21–24.WANG Jundong. Influence of sea clutter on airborne radar detection range[J]. Electronic Measurement Technology, 2018, 41(8): 21–24. [15] WARD K D, BAKER C J, and WATTS S. Maritime surveillance radar. I. Radar scattering from the ocean surface[J]. IEE Proceedings F - Radar and Signal Processing, 1990, 137(2): 51–62. doi: 10.1049/ip-f-2.1990.0009 [16] RYAN J and JOHNSON M. Radar performance prediction for target detection at sea[C]. Proceedings of 1992 International Conference on Radar, Brighton, UK, 1992: 13–17. [17] CHAN H C. Radar sea-clutter at low grazing angles[J]. IEE Proceedings F- Radar and Signal Processing, 1990, 137(2): 102–112. doi: 10.1049/ip-f-2.1990.0015 [18] 丁昊, 董云龙, 刘宁波, 等. 海杂波特性认知研究进展与展望[J]. 雷达学报, 2016, 5(5): 499–516. doi: 10.12000/JR16069DING Hao, DONG Yunlong, LIU Ningbo, et al. Overview and prospects of research on sea clutter property cognition[J]. Journal of Radars, 2016, 5(5): 499–516. doi: 10.12000/JR16069 [19] 刘宁波, 关键, 黄勇, 等. 海杂波的分段分数布朗运动模型[J]. 物理学报, 2012, 61(19): 190503. doi: 10.7498/aps.61.190503LIU Ningbo, GUAN Jian, HUANG Yong, et al. Piecewise fractional Brownian motion for modeling sea clutter[J]. Acta Physica Sinica, 2012, 61(19): 190503. doi: 10.7498/aps.61.190503 [20] 谢洪森, 邹鲲, 周鹏. 低掠射角海杂波的统计特性分析[J]. 雷达科学与技术, 2011, 9(2): 172–179. doi: 10.3969/j.issn.1672-2337.2011.02.015XIE Hongsen, ZOU Kun, and ZHOU Peng. Statistical analysis of sea clutter at low grazing angle[J]. Radar Science and Technology, 2011, 9(2): 172–179. doi: 10.3969/j.issn.1672-2337.2011.02.015 [21] 陈小龙, 关键, 黄勇, 等. 雷达低可观测动目标精细化处理及应用[J]. 科技导报, 2017, 35(20): 19–27. doi: 10.3981/j.issn.1000-7857.2017.20.002CHEN Xiaolong, GUAN Jian, HUANG Yong, et al. Radar refined processing and its applications for low-observable moving target[J]. Science &Technology Review, 2017, 35(20): 19–27. doi: 10.3981/j.issn.1000-7857.2017.20.002 [22] 陈小龙, 关键, 何友, 等. 高分辨稀疏表示及其在雷达动目标检测中的应用[J]. 雷达学报, 2017, 6(3): 239–251. doi: 10.12000/JR16110CHEN Xiaolong, GUAN Jian, HE You, et al. High-resolution sparse representation and its applications in radar moving target detection[J]. Journal of Radars, 2017, 6(3): 239–251. doi: 10.12000/JR16110 [23] 舒占军. 基于高分辨距离像的雷达目标识别算法研究[D]. [硕士论文], 电子科技大学, 2016.SHU Zhanjun. Study on radar target recognttion using high resolution range profiles[D]. [Master dissertation], University of Electronic Science and Technology of China, 2016. [24] 王燕宇, 党红杏, 张长耀. ISAR船只识别技术应用综述[C]. 第九届全国雷达学术年会论文集, 烟台, 2004: 640-643.WANG Yanyu, DANG Hongxing, and ZHANG Changyao. Overview of ISAR ship recognition technology application[C]. Proceedings of National Radar Academic Annual Conference, Yantai, China, 2004: 640–643. [25] 陈文婷. SAR图像舰船目标特征提取与分类识别方法研究[D]. [硕士论文], 国防科学技术大学, 2012.CHEN Wenting. Study on the methods of feature extraction and recognition of ships in SAR imagery[D]. [Master dissertation], National University of Defense Technology, 2012. [26] 邢相薇, 计科峰, 康利鸿, 等. HRWS SAR图像舰船目标监视技术研究综述[J]. 雷达学报, 2015, 4(1): 107–121. doi: 10.12000/JR14144XING Xiangwei, JI Kefeng, KANG Lihong, et al. Review of ship surveillance technologies based on high-resolution wide-swath synthetic aperture radar imaging[J]. Journal of Radars, 2015, 4(1): 107–121. doi: 10.12000/JR14144 [27] 陈文婷, 邢相薇, 计科峰. SAR图像舰船目标识别综述[J]. 现代雷达, 2012, 34(11): 53–58. doi: 10.3969/j.issn.1004-7859.2012.11.013CHEN Wenting, XING Xiangwei, and JI Kefeng. A survey of ship target recognition in SAR images[J]. Modern Radar, 2012, 34(11): 53–58. doi: 10.3969/j.issn.1004-7859.2012.11.013 [28] 王庆, 廖静娟, 田帮森. 基于特征值分解的全极化SAR遥感数据分类研究[J]. 遥感技术与应用, 2010, 25(1): 31–37. doi: 10.11873/j.issn.1004-0323.2010.1.31WANG Qing, LIAO Jingjuan, and TIAN Bangsen. Polarimetric SAR data classification with eigenvalue-based decompositions[J]. Remote Sensing Technology and Application, 2010, 25(1): 31–37. doi: 10.11873/j.issn.1004-0323.2010.1.31 [29] 刘眉洁, 戴永寿, 张杰, 等. 高分辨率全极化合成孔径雷达数据海冰二次分类方法研究[J]. 海洋学报, 2013, 35(4): 80–87. doi: 10.3969/j.issn.0253-4193.2013.04.010LIU Meijie, DAI Yongshou, ZHANG Jie, et al. The research on the object-based method of sea ice classification of high-resolution quad-polarization SAR data[J]. Acta Oceanologica Sinica, 2013, 35(4): 80–87. doi: 10.3969/j.issn.0253-4193.2013.04.010 [30] 安彧. 海战场舰船目标检测与识别研究[D]. [博士论文], 2015: 59–80.Anbiao. Research on ship target detection and recognition in sea battlefield [D]. [Ph.D. dissertation], Harbin Engineering University, 2015: 59–80. [31] 承德保, 胡风明, 杨汝良. 利用改进分形特征对SAR图像目标检测方法的研究[J]. 电子与信息学报, 2009, 31(1): 164–168. doi: 10.3724/SP.J.1146.2008.00416CHENG Debao, HU Fengming, and YANG Ruliang. Study on target detection of SAR image using improved fractal feature[J]. Journal of Electronics &Information Technology, 2009, 31(1): 164–168. doi: 10.3724/SP.J.1146.2008.00416 [32] 吴义兵, 宋建社, 王瑞花. 基于分形维数的SAR图像纹理特征的提取[J]. 四川兵工学报, 2011, 32(7): 74–77, 84.WU Yibing, SONG Jianshe, and WANG Ruihua. Extraction of texture features of SAR images based on fractal dimension[J]. Journal of Sichuan Ordnance, 2011, 32(7): 74–77, 84. [33] LEE W L and HSIEH K S. A robust algorithm for the fractal dimension of images and its applications to the classification of natural images and ultrasonic liver images[J]. Signal Processing, 2010, 90(6): 1894–1904. doi: 10.1016/j.sigpro.2009.12.010 [34] 蒋少峰, 王超, 吴樊, 等. 基于结构特征分析的COSMO-SkyMed图像商用船舶分类算法[J]. 遥感技术与应用, 2014, 29(4): 607–615. doi: 10.11873/j.issn.1004-0323.2014.4.0607JIANG Shaofeng, WANG Chao, WU Fan, et al. Algorithm for merchant ship classification in COSMO-SkyMed images based on structural feature analysis[J]. Remote Sensing Technology and Application, 2014, 29(4): 607–615. doi: 10.11873/j.issn.1004-0323.2014.4.0607 [35] 张华俊. 基于图像特征匹配技术的数字图像相关法研究[D]. [硕士论文], 安徽大学, 2014.ZHANG Huajun. Research of digital image correlation method based on image feature matching technology[D]. [Master dissertation], Anhui University, 2014. [36] CHEN Wenting, JI Kefeng, XING Xiangwei, et al. Ship recognition in high resolution SAR imagery based on feature selection[C]. Proceedings of International Conference on Computer Vision in Remote Sensing, Xiamen, China, 2013. [37] 蒋少峰. 高分辨率SAR图像船舶检测与分类方法研究[D]. [硕士论文], 中国科学院大学, 2013.JIANG Shaofeng. Study of ship detection and classification in high resolution SAR image[D]. [Master dissertation], University of Chinese Academy of Sciences, 2013. [38] 孙勋, 黄平平, 涂尚坦, 等. 利用多特征融合和集成学习的极化SAR图像分类[J]. 雷达学报, 2016, 5(6): 692–700. doi: 10.12000/JR15132SUN Xun, HUANG Pingping, TU Shangtan, et al. Polarimetric SAR image classification using multiple-feature fusion and ensemble learning[J]. Journal of Radars, 2016, 5(6): 692–700. doi: 10.12000/JR15132 [39] 王俊, 郑彤, 雷鹏, 等. 深度学习在雷达中的研究综述[J]. 雷达学报, 2018, 7(4): 395–411. doi: 10.12000/JR18040WANG Jun, ZHENG Tong, LEI Peng, et al. Study on deep learning in radar[J]. Journal of Radars, 2018, 7(4): 395–411. doi: 10.12000/JR18040 [40] 苏宁远, 陈小龙, 关键, 等. 基于卷积神经网络的海上微动目标检测与分类方法[J]. 雷达学报, 2018, 7(5): 565–574. doi: 10.12000/JR18077SU Ningyuan, CHEN Xiaolong, GUAN Jian, et al. Detection and classification of maritime target with micro-motion based on CNNs[J]. Journal of Radars, 2018, 7(5): 565–574. doi: 10.12000/JR18077 [41] 贺丰收, 张涛, 芦达. 机载对海探测雷达发展趋势[J]. 科技导报, 2017, 35(20): 28–35. doi: 10.3981/j.issn.1000-7857.2017.20.003HE Fengshou, ZHANG Tao, and LU da. Progress of airborne maritime detection radar[J]. Science &Technology Review, 2017, 35(20): 28–35. doi: 10.3981/j.issn.1000-7857.2017.20.003 期刊类型引用(1)
1. 孙宇，黄亮，赵俊三，常军，陈朋弟，成飞飞. 结合随机擦除和YOLOv4的高空间分辨率遥感影像桥梁自动检测. 自然资源遥感. 2022(02): 97-104 . 
百度学术其他类型引用(7)
-
下载:
下载:
百度学术
计量
- 文章访问数: 7555
- HTML全文浏览量: 2965
- PDF下载量: 557
- 被引次数: 8
