作者中心
专家审稿
责编办公
编辑办公
-
摘要: 在复杂场景(特别是城区场景)合成孔径雷达(SAR)遥感成像中，存在大量线、面目标，如城区中的道路和建筑物边缘等目标，这些线面目标微波散射信号方向性强。传统SAR从单一视角获取场景的散射信息，且传统成像算法均基于点目标模型，使得传统SAR图像中线面目标主要特征表现为一系列的强散射点，而非线散射特征和面散射特征，最终造成SAR图像中目标不连续，SAR图像解译困难。因此，该文通过建立典型线段、三角面元目标的参数化回波模型，对线面目标SAR成像机理进行了深入细致的研究；并基于提出的参数化模型对线面目标进行参数化成像，即首先基于贝叶斯理论和所提的参数化模型对典型的线面目标进行分类判决，随后采用再成像的方式获得有效表征线、面目标散射特征的SAR图像，为线、面目标SAR图像解译提供有效支撑。最后，数值仿真实验成功验证了所提算法的有效性和正确性。Abstract: In the Synthetic Aperture Radar (SAR) remote sensing imagery of complicated scenes (especially urban scenes), there are a large number of lines and surfaces, such as roads in urban areas and the surfaces of buildings. These microwave-signal-scattering features have strong directivity. Traditional SAR acquires the scattering information of a scene from a single observation, and traditional imaging algorithms are based on the point target model, which makes the main features of the lines and surfaces in traditional SAR images appear as a series of strong scattering points rather than line-scattering and surface-scattering features. This outcome ultimately causes the target to be discontinuous in the SAR image, thus making the SAR image difficult to interpret. Therefore, in this study, we conducted an in-depth and meticulous investigation of the SAR imaging mechanism for lines and surfaces by establishing a parametric echo model of typical lines and triangular surfaces. Based on the proposed parametric model, we performed parametric imaging of these lines and surfaces. Based on our results, we propose a parametric imaging method, in which the typical lines and surfaces are classified and determined based on Bayesian theory and the proposed parametric model. Then, an SAR image can be obtained that effectively characterizes the scattering features of the line and surface targets by visual imaging, which effectively facilitates SAR image interpretation. The results of our numerical simulation experiments verify the validity of the proposed method.
-
1. 引言
目标的振动、转动等微动产生的微多普勒效应包含了目标的结构和运动信息，常用于目标的分类和识别[1–3]。目前，基于外辐射源雷达微多普勒效应目标分类和识别的研究还处于起步状态。外辐射源雷达是一种利用非合作照射源进行目标探测和分类识别的新体制雷达系统，其自身不辐射电磁能量，具有节约频谱资源，隐蔽性好，设备规模小，易于部署和组网等特点[4–6]。在微多普勒效应目标分类和识别方面，外辐射源雷达表现出得天独厚的优势：(1)收发分置可实现空间分集，有效避免探测盲区。(2)第三方辐射源多为连续波，长时间相干积累可记录多个连续的回波闪烁，同时有利于提高对低雷达散射截面积(Radar Cross-Section, RCS)微动目标的探测与分类识别能力。(3)对微多普勒特征的提取不要求高距离分辨率，参数估计不受第三方辐射源带宽的限制[7,8]。
针对微多普勒效应参数估计问题。文献[9,10]中依据微动目标正弦特征曲线，利用 Hough变换，在参数域中进行多维搜索提取出微动曲线进行参数估计。文献[11,12]通过正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法进行稀疏逼近实现了微动目标参量的估计。上述方法均具有较好的鲁棒性，但由于估计参量维数较高导致计算量巨大。文献[13]利用微动目标在时频域的周期性，采用循环相关系数方法，实现了目标微动周期的估计，但信号周期较长时计算量急剧增加。文献[14]计算了信号的高阶矩函数，通过检测在不同时延下，高阶虚函数部分傅里叶变换累计结果的峰值位置，快速获得目标的旋转速率，相比于图像处理方法和OMP分解方法，计算复杂度较小，但抗噪性能差。而外辐射源雷达所利用的第三方辐射源多为连续波信号，其发射波形不可控，信号能量主要覆盖地面，杂波环境复杂且对空中目标增益低，利用长时间相干积累来提高处理增益会带来数据量巨大的挑战。上述因素决定了外辐射源雷达参数估计方法需要有良好的抗噪性能且计算量要小。
直升机旋翼旋转时对雷达信号产生周期性调制，当叶片发生镜面反射时，旋翼回波出现峰值，即回波闪烁。闪烁信号在时频图像中表现为一定宽度的频率带，且闪烁时间、闪烁间隔与直升机旋翼微动参数密切相关。针对外辐射源雷达参数估计问题，本文结合上述时频域中闪烁信号的特点，通过时频分析和正交匹配追踪算法实现了直升机旋翼微动参数的估计。本文首先给出了外辐射源雷达直升机旋翼微动信号模型，其次介绍了如何在时频图中提取出闪烁信号参数及正交匹配追踪算法对直升机旋翼微动参数的估计，最后仿真和实测证明了本文方法的有效性。
2. 外辐射源雷达直升机旋翼回波模型的建立
直升机旋转叶片与外辐射源雷达的位置关系如图1所示。以直升机旋转叶片的中心点为原点
o ，旋转叶片平面为xy 面，x 轴平行于发射站与接收站所在直线，建立空间坐标系(x,y,z) 。直升机相对于发射站和接收站距离为rT, rR ，方位角为γ, α ，仰角为βT, βR (cosβT≈cosβR=cosβ) 。叶片上某一散射点p 到原点o 距离为lP ，方位角为φt 。假设直升机平动得到补偿。在
t 时刻，从发射站经散射点p 到接收站的距离为：rP(t)=||RT −RP(t)||+||RR−RP(t)|| (1) 其中
RT, RR, RP(t) 分别为发射站、接收站、散射点p 在坐标系xyz 中的位置矢量。参考文献[1]中单基地直升机建模，将叶片看作线模型，外辐射源雷达直升机旋翼回波可表示为：
s(t)=Lexp{−j2πλ(rR+rT)}N∑k=1sinc{−ϕk(t)}⋅exp{jϕk(t)} (2) 其中，
ϕk(t)=−4πλL2cosβcos(α−γ2)cos(φk(t)) (3) φk(t)=2πfrt+φ0+(k−1)2π/N−α+γ2 (4) fr 为叶片转速，L 为叶片长度，N 为叶片数量，整数k (0<k≤N) 表示第k 个叶片，φ0 为叶片初相，λ 为照射源信号波长。由式(3)得第
k 个叶片引起的瞬时多普勒频移为：fk(t)=2πfrLλcosβcos(α−γ2)sin(φk(t)) (5) 由式(2)可知时域信号幅值受
sinc 函数调制，结合式(3)知当φk(t) 满足式(6)时，ϕk(t)=0 ，时域信号幅值最大，此刻即时域闪烁。φk(t)=±π2+2πn (6) 由式(2)知连续两个闪烁之间的时间间隔为：
Δt={12N⋅fr,N为奇数1N⋅fr, N为偶数 (7) 3. 直升机旋翼参数估计
3.1 时频分析提取闪烁信号参数
直升机旋翼回波的微多普勒呈非线性变化，通过对目标回波信号进行时频分析能够揭示信号频率的时变特性。短时傅里叶变化(Short-Time Fourier Transform, STFT)计算简单，且不产生交叉项。对直升机旋翼回波信号
s(t) 进行STFT到时频域TF(t,f)=∫s(τ)w(τ−t)e−j2πfτdτ (8) 其中，
w(t) 为窗函数。旋翼微多普勒效应特征曲线为正弦曲线，对应时域闪烁出现的时刻出现垂直于时间横轴的频率带，即时频域“闪烁”[15]。图2为直升机旋翼回波的时频图。当直升机旋翼的叶片数为奇数时(图2(a))，时频域中正负多普勒“闪烁”交替出现；若旋翼叶片数为偶数(图2(b))，则是同时出现。
设时频域中正频率“闪烁”发生的时间为
t0 ，由式(5)和式(6)知t0 满足：φk(t0)=π2+2πn(n为整数) (9) 由式(4)和式(9)得第
k 个叶片初相与叶片数量的关系：φ0={−πt0Δt1N−2π(k−1)1N+φ1, N为奇数−2πt0Δt1N−2π(k−1)1N+φ1,N为偶数 (10) 其中
φ1=α+γ2+2πn+π2(0≤φ0<2π) (11) 由于时频图像中闪烁信号频率带垂直于时间横轴，对正频率轴数据幅值进行累加计算，并判断累加后数据局部峰值点，可得到时频域中正频率“闪烁”发生的时间。同样，对负频率轴数据幅值进行累加计算得到时频域中负频率“闪烁”发生的时间。相应的也可得到闪烁间隔。
由式(7)知，闪烁间隔与旋翼转速、叶片数量密切相关。由式(10)知，闪烁发生的时间与叶片初相、叶片数量、整数
k 密切相关。因此，可根据得到的闪烁间隔，用叶片数量表示出旋翼转速。根据得到的闪烁时间，用叶片数量、整数k 表示出第k 个叶片初相。3.2 OMP估计直升机旋翼参数
由式(2)知时域回波信号可分解为：
s(t)=M∑m=1cmgm(t;Λ)=Dα (12) 其中，
gm 为第m 个原子，D 为以原子为列张成的字典矩阵D=[g1 g2 g3···gM] ∈CNt×M, M 为原子个数，Nt 为时间t 离散后的取值个数，Λ 为要估计的参量，cm 为原子系数，α∈CM 为系数矢量，是稀疏的。可转化最优l0 范数问题进行稀疏向量求解。OMP常用于求解此类问题，通过构建字典矩阵，不断选定与信号最匹配的原子进行稀疏逼近[16]。OMP将字典矩阵中原子正交化保证了迭代的最优性。由式(2)知直升机旋翼回波信号由参数
(fr,L,φ0,N,k) 确定。利用叶片数量N 、整数k (0<k≤N) 与旋翼转速和叶片初相的关系式(7)和式(10)，时域回波可转化为参数(L,N,k) 来表示。设时间采样点数Nt ，目标回波为Nt×1 的矩阵。确定待估参数的取值范围并离散化，叶片长度取值：L∈(L1,···,Lr,···,LNL) ，叶片数量N 的可能取值为：N∈(N1,···,Np,···,NNN) ，整数k 的取值为k∈(1,···,kq,···,kNq) (kNq≤NNN) 。由OMP算法原理可知，字典中的原子可按照待分解信号的内在特性来构造[16]。根据微动目标的时域回波表达式(2)，第
m 个原子可表示为：a(m)=sinc(ϕ(Lr,Np,kq))⋅exp{−jϕ(Lr,Np,kq)} (13) 其中
m=rpq (14) 并对原子集里的每个原子进行能量归一化：
a(m)←a(m)/‖a(m)‖F (15) 其中，
‖⋅‖F 表示矩阵的F范数。将5参量
(fr,L,φ0,N,k) 的估计转换为3参量(L,N,k) 估计，NL, NN, Nk 分别为L, N, k 的取值个数，由于常见直升机主旋翼叶片数量为：3片、5片、7片(奇数)，2片、4片、8片(偶数)，NN, Nk 较小，降低字典维数为：NL×Nk×NN ，可达到降低计算量的目的。3.3 直升机旋翼参数估计流程
直升机旋翼参数估计具体步骤如下：
步骤1 对直升机旋翼信号进行短时傅里叶变换，得到时频图像
TF(t,f) 。步骤2 对时频图中正频率轴数据幅值进行累加计算，并判断累加后数据局部峰值点，对应时频域正频率“闪烁”发生的时间。同样，对负频率轴数据幅值进行累加计算得到时频域中负频率“闪烁”发生的时间。
步骤3 根据步骤2中正负频率“闪烁”发生的时间，判别时频域中正负多普勒“闪烁”是否交替出现。若是，则旋翼叶片数为奇数，否则，旋翼叶片数为偶数。
步骤4 读取某一正频率闪烁发生的时间
t0 及闪烁间隔Δt 。依据式(7)用叶片数量N 表示出旋翼转速，依据式(10)和式(11)用叶片数量N 及整数k 表示出第k 个叶片初相。步骤5 确定
(L,N,k) 的取值范围并离散化：L∈(L1,···,Lr,···,LNL) ,N∈(N1,···,Np,···,NNN) ,k∈(1,···,kq,···,kNq) (kNq≤NNN) 。利用步骤4中表示出的旋翼转速及初相，依据式(13)和式(15)构建字典矩阵。步骤6 利用OMP算法寻找叶片数量，叶片长度的最优值，代入式(7)计算出旋翼转速，代入式(10)和式(11)计算出叶片初相。
4. 仿真验证
4.1 仿真结果分析
结合上述模型对直升机旋翼回波信号进行仿真，仿真参数设置如表1所示。
表 1 外辐射源雷达直升机旋翼回波模型仿真参数Table 1. Simulation parameters of helicopter rotor echo model for passive radar信号载频 叶片数 叶片长度 旋转速率 发射站方位角 接收站方位角 发射站仰角 接收站仰角 SNR 658 MHz 3 5 m 200 rpm 33° 76° 23° 23° –5 dB 图3(a)显示了信号的联合时频域特征，可看出闪烁信号及噪声严重影响直升机旋翼微多普勒特征曲线的检测，使微多普勒特征曲线提取困难。
分别对时频图像中正负频率轴数据幅值进行累加计算，得到时频域中正负多普勒“闪烁”时间，如图3(b)所示，图中正负多普勒“闪烁”等间隔交替出现，则旋翼叶片数为奇数。读取闪烁信号时间间隔为0.05 s，根据式(7)表示出旋翼转速为：
fr=10/N (16) 读取某一正频率闪烁信号对应时刻为0.066 s(此处选择了图3(b)中的第1个正频率闪烁信号)，根据式(10)和式(11)表示出第
k 个叶片初相为：φ0=−4.14/N−6.28×(k−1)/N+2.52 (17) 图3(c)为利用OMP方法对
(L,N,k) 的估计结果，得到叶片数为3片，图中给出了其对应的切面图，3叶片长度分别4.99 m, 5.00 m, 4.98 m，均值4.99 m，与理论基本一致，代入式(17)得3叶片初相分别为1.14 rad, 3.24 rad, 5.34 rad，代入式(16)得旋翼转速为200 rpm，与理论值一致，本文方法准确实现了直升机旋翼参数估计。图4为利用常规Hough变换，通过微多普勒曲线
f=fmax 检测对参数({f\!_r},{\varphi _0},L) 的估计结果。其中{f_{\max }} 为最大频移。{f_{\max }} = \frac{{4{{π}} {f\!_r}L}}{\lambda }\cos\beta \cos\left( \frac{{\alpha - \gamma }}{2}\right) (18) 图4中给出了参数空间中局部峰值点中心位置。可得到直升机旋翼转速为200 rpm。3叶片最大频移分别为385.6 Hz, 393.9 Hz, 389.8 Hz，平均值为390.0 Hz，由式(18)计算得叶片长度为4.96 m，与理论值基本一致。3叶片初相分别为0.91 rad, 3.16 rad, 5.24 rad，利用式(4)对初相进行修正，得到3叶片初相位为1.86 rad, 4.11 rad, 6.19 rad，存在较大的误差，是由于STFT受不确定原理的限制，时频图像中时频分辨率受限使参数空间中的局部峰值点扩展范围较大，只能大致估计局部峰值点的位置，估计结果精度较低。
4.2 计算复杂度分析
设待处理的时频图像大小为
{N_t} \times {N_f} 像素，{N_f} \approx {N_t} ，利用常规的Hough变换对微多普勒曲线f = {f_{\max }}\sin(2{{π}} {f\!_r}t{\rm{ + }}{\varphi _0}) 进行检测，参数({f\!_r},{\varphi _0},L) 分别量化为{N_{f_{r}}} ,{N_{{\varphi _0}}} ,{N_L} 份。乘法次数可近似表示为：2{N_{f_{r}}}{N_{{\varphi _0}}}{N_L}{N_t}^{\!2} 。直接使用OMP进行参数
({f\!_r},{\varphi _0},L) 估计时，设迭代次数为K，乘法次数近似表示为：K{N_{f\!_{r}}}{N_{{\varphi _0}}} {N_L}{N_t}^{\!2} 。本文方法计算量集中在OMP阶段，根据提取的时频域中的闪烁时间，依据式(7)和式(10)，最终转化为对参数
(L,N,k) 的估计，常见直升机的叶片数只有若干个取值，且由3.1节方法可判断出叶片数量的奇偶性，{N_N}{N_k} 远小于{N_{f_{r}}}{N_{{\varphi _0}}} 。本文方法乘法次数近似表示为：K{N_N}{N_k}{N_L}{N_t}^{\!2} 。在对直升机旋翼微动参数估计时，一般
{N_N}{N_k} 取值量级为101～102，迭代次数K的取值量级为{10^0} {\text ～} {10^1} ，当初相{\varphi _0} 的估计精度为7°时，2{N_{{\varphi _0}}} 取值量级为102，当转速{f_r} 的估计精度为10 rpm时，{N_{f_{r}}} 的取值量级为{10^1} ，在乘法次数上，常规 Hough变换参数估计方法为本文方法{10^0}{\text ～} {10^2} 倍，当进一步提高{f_r}, {\varphi _0} 的估计精度时，算法之间的计算量差距将进一步变大。本文在相同的配置环境下，利用Matlab仿真平台，常规Hough变换方法运行时长13006 s，而本文方法运行总时长只有145 s。5. 实验结果
5.1 实验场景
武汉大学电波传播实验室对EC_120B直升机进行了微多普勒效应探究外场实验，EC_120B直升机主旋翼3叶片，叶片长度5 m，额定转速406 rpm，实验中以武汉龟山电视塔数字电视信号为照射源，信号中心频率为658 MHz，带宽8 MHz，接收站位于武汉大学电波传播实验室楼顶，距离发射站7.56 km，实验场景如图5所示。本组实测数据相干积累时间0.8 s，可近似认为目标在这段时间位置不变，直升机旋翼转速为常量。
5.2 实验结果分析
图6(a)为去除目标主体影响后，对直升机旋翼回波信号进行短时傅里叶变换后的时频图像。可以观察到闪烁信号，但微多普勒特征曲线已观察不到。分别对时频图像中正负频率轴数据幅值进行累加计算，得到时频域中正负多普勒“闪烁”时间，如图6(b)所示，图中正负多普勒“闪烁”等间隔交替出现，则旋翼叶片数为奇数。
读取闪烁信号时间间隔为26.2 ms，根据式(7)用
N 表示出旋翼转速。读取某一正频率闪烁时间对应时间为0.25 s，利用式(10)和式(11)表示出第k 个叶片初相，图6(c)为利用OMP方法对(L,N,k) 的估计结果，得到叶片数量为3片，3叶片长度分别为4.93 m, 5.00 m, 4.66 m，均值4.86 m，存在较小的误差，与仰角，方位角估计不精确有关，由式(7)知旋翼转速均为382 rpm，符合实际情况。6. 结束语
本文根据外辐射源雷达直升机旋翼微动信号模型，充分利用时频域中闪烁信号特征和微动信号内在特性进行了参数估计。通过时频分析和正交匹配追踪算法，估计出了旋翼转速、叶片长度、叶片数量和初相。同时开展了外场实验。仿真数据和实测数据处理都表明本文方法对外辐射源雷达直升机旋翼参数估计的可行性。
-
图 4 三角面元连续与离散模型仿真对比
Figure 4. Comparison of continuous and discrete models of triangular surface
图 6 不同角度采样下连续目标SAR成像意图
Figure 6. SAR imaging results of continuous target under different angles of sampling
图 7 不同角度采样下三角面元SAR成像意图
Figure 7. SAR imaging results of triangular surface under different angle samplings
图 8 雷达系统与信号频谱关系示意图
Figure 8. Schematic relationship between radar system and signal spectrum
表 1 雷达部分参数
Table 1. Some radar parameters
雷达参数 数值 波长 0.05 m 带宽 300 MHz 距离向频点数 60 方位角 0.075 rad 方位向脉冲数 360 
下载: 导出CSV
表 2 目标参数分布
Table 2. Target parameter distribution
目标类型 参数 参数分布 线段 长度L 截断高斯分布L \in \left[ {0.5,8} \right], \mu = 6,\varSigma = 1 法线角度{\varphi _n} \left[ {0,2{\rm{\pi }}} \right]均匀分布 折线 边长{L_1}, {L_2} 截断高斯分布L \in \left[ {0.1,3} \right], \mu = 2,\varSigma = 0.5 倾斜角度{\phi _l} \left[ {0,2{\rm{\pi }}} \right]均匀分布 三角形，三角面元 边长{L_1},{L_2},{L_3} 截断高斯分布L \in \left[ {0.1,3} \right], \mu = 2,\varSigma = 0.5 倾斜角度{\phi _t} \left[ {0,2{\rm{\pi }}} \right]均匀分布
下载: 导出CSV
表 3 基于贝叶斯理论的模型判决分类统计结果
Table 3. Statistical results of model decision classification based on Bayesian theory
输入目标(数量) 直线 折线 三角形 三角面元 直线(N=100) 87% 12% 1% 折线(N=100) 28% 64% 1% 7% 三角形(N=200) 7% 66.5% 26.5% 0 三角面(N=100) 0 0 0 100%
下载: 导出CSV
表 4 直线段重构SAR参数
Table 4. Line: SAR parameters for reconstruction
雷达参数 具体数值 观测角度\tilde \theta 80:0.01:110 重构带宽 3 GHz
下载: 导出CSV
表 5 三角面元：重构SAR参数
Table 5. Triangular surface: SAR parameters for reconstruction
雷达参数 具体数值 观测角度\tilde \theta 0.1:0.1:360 频率\tilde f 25 MHz:20 MHz:6.125 GHz
下载: 导出CSV
-
[1] CURLANDER J C and MCDONOUGH R N. Synthetic Aperture Radar[M]. New York, USA: Wiley, 1991. [2] ZENG Tao, LIU Luosi, and DING Zegang. Improved stepped-frequency SAR imaging algorithm with the range spectral-length extension strategy[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(5): 1483–1494. doi: 10.1109/JSTARS.2012.2196681 [3] DING Zegang, LIU Luosi, ZENG Tao, et al. Improved motion compensation approach for squint airborne SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(8): 4378–4387. doi: 10.1109/TGRS.2013.2265327 [4] ZENG Tao, LI Yinghe, DING Zegang, et al. Subaperture approach based on azimuth-dependent range cell migration correction and azimuth focusing parameter equalization for maneuvering high-squint-mode SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(12): 6718–6734. doi: 10.1109/TGRS.2015.2447393 [5] XU Feng and JIN Yaqiu. Imaging simulation of polarimetric SAR for a comprehensive terrain scene using the mapping and projection algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(11): 3219–3234. doi: 10.1109/TGRS.2006.879544 [6] GORHAM L A and MOORE L J. SAR image formation toolbox for MATLAB[C]. The SPIE 7699, Algorithms for Synthetic Aperture Radar Imagery XVII. Orlando, USA, 2010. [7] CUMMING I G and WONG F H C. Digital Processing of Synthetic Aperture Radar Data[M]. Boston: Artech House, 2005: 3. [8] FREEMAN A and DURDEN S L. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963–973. doi: 10.1109/36.673687 [9] FARRELL T J, PATTERSON M S, and WILSON B. A diffusion theory model of spatially resolved, steady‐state diffuse reflectance for the noninvasive determination of tissue optical properties in vivo[J]. Medical Physics, 1992, 19(4): 879–888. doi: 10.1118/1.596777 [10] MILLER E K and LAGER D L. Inversion of one-dimensional scattering data using Prony’s method[J]. Radio Science, 1982, 17(1): 211–217. doi: 10.1029/RS017i001p00211 [11] POTTER L C, CHIANG D M, CARRIERE R, et al. A GTD-based parametric model for radar scattering[J]. IEEE Transactions on Antennas and Propagation, 1995, 43(10): 1058–1067. doi: 10.1109/8.467641 [12] GERRY M J, POTTER L C, GUPTA I J, et al. A parametric model for synthetic aperture radar measurements[J]. IEEE Transactions on Antennas and Propagation, 1999, 47(7): 1179–1188. doi: 10.1109/8.785750 [13] SOUMEKH M. Synthetic Aperture Radar Signal Processing with MATLAB Algorithms[M]. New York: Wiley, 1999. [14] ULANDER L M H, HELLSTEN H, and STENSTROM G. Synthetic-aperture radar processing using fast factorized back-projection[J]. IEEE Transactions on Aerospace and Electronic Systems, 2003, 39(3): 760–776. doi: 10.1109/TAES.2003.1238734 [15] Wei Y, Chen X, Fan Y, et al. Analysis and identification of continuous line target in SAR echo based on sidelobe features[J]. The Journal of Engineering, 2019, 2019(19): 5979–5981. doi: 10.1049/joe.2019.0327 [16] BISHOP C M. Pattern Recognition and Machine Learning[M]. New York: Springer, 2006, 161–171. [17] 张连文, 郭海鹏. 贝叶斯网引论[M]. 北京: 科学出版社, 2006, 172–180.ZHANG Lianwen and GUO Haipeng. Introduction to Bayesian Networks[M]. Beijing: Science Press, 2006, 172–180. 期刊类型引用(3)
1. 张佳辉，苗洪利，杨忠昊，刘昆池. 基于SAR子孔径分解的海表面二维流场反演. 海洋学报. 2023(08): 24-30 . 
百度学术2. 李志远，郭嘉逸，张月婷，黄丽佳，李洁，吴一戎. 基于自适应动量估计优化器与空变最小熵准则的SAR图像船舶目标自聚焦算法. 雷达学报. 2022(01): 83-94 . 
本站查看3. 雷禹，冷祥光，孙忠镇，计科峰. 宽幅SAR海上大型运动舰船目标数据集构建及识别性能分析. 雷达学报. 2022(03): 347-362 . 本站查看其他类型引用(2)
-
下载:
百度学术
计量
- 文章访问数: 3116
- HTML全文浏览量: 1438
- PDF下载量: 324
- 被引次数: 5
