一种新的星载高分辨宽测绘带SAR运动目标

本文针对星载多通道高分辨宽测绘带合成孔径雷达系统,提出了一种地面运动目标检测和参数估计方法,该方法首先利用空时自适应处理进行杂波抑制,然后采用传统SAR成像处理得到模糊的运动目标图像,接着利用恒虚警检测技术检测出所有运动目标,包括真实目标和由于多普勒模糊引起的虚假目标,再根据模糊图像的空间位置关系从所有成像目标中检测出运动目标的真实成像位置,最后根据运动目标的斜距历程得到因运动目标速度引起的图像位置偏移,由此估计得到运动目标速度。该方法具有运算量小、检测精度高等优点,星载仿真数据验证了本文方法有效性。     

应用局部约束二维稀疏表示识别SAR图像目标

在分析典型稀疏表示分类方法和局限性的基础上,提出了一种基于局部约束的二维稀疏表示方法,以有效解决SAR图像目标识别问题。该方法对SAR图像进行图像预处理,在兼顾图像相邻列(行)对应稀疏表示系数邻近性和样本间局部性的基础上,构建了局部约束目标函数,并通过解闭式解,实现稀疏表示系数的更新求解。利用美国实测MSTAR数据对算法进行了仿真验证,实验结果表明所提出的方法可实现SAR图像目标的有效识别,并对训练样本数目具有一定的鲁棒性。     

基于直达波补偿的星地双站SAR滑动聚束模式频域成像算法

星地双站合成孔径雷达以星载系统为机会照射源,地面接收机接收直达波和散射波信号进行同步和成像处理。本文介绍了星地双站SAR系统结构,对基于直达波进行距离向脉冲压缩后的信号调频率、距离徙动以及二维频谱的空变性进行了分析。在此基础上,基于方位向预处理过程、直达波补偿以及非线性Chirp Scaling算法,提出了适合该模型的频域成像算法,并通过点目标仿真验证了该成像算法的有效性和性能。星地双站SAR实测数据进一步验证了该成像算法的有效性。     

采用包络检波去除SISAR直达波干扰的新方法

为了去除直达波干扰,从强的直达波干扰背景中有效提取SISAR侧影成像的目标全息信号,提出了对接收的含有目标全息信号和强直达波的混合信号直接进行包络检波,然后通过对检波后的输出进行时域的正交分解,恢复目标的全息信号的新方法.仿真结果验证了理论分析的正确性.     

一种基于机载SAR原始回波的多普勒参数估计方法

多普勒参数的估计精度直接影响机载合成孔径雷达系统(SAR)成像质量。根据平均后的方位谱来估计多普勒中心频率,通过计算子图像之间的位移值来估计多普勒调频斜率。为了消除在实际应用中各种干扰的影响,采用了对原始回波数据加窗的方法来提高对估计的准确性。该算法的估计结果可以用于补偿载机运动误差引入的相位误差,从而实现高分辨率成像。通过使用实验数据进行分析,验证了该方法的有效性。     

方向矩异源图像匹配算法

全天候高精度导航与制导需要可靠的可见光与红外、可见光与合成孔径雷达(Synthetic Apeture Radar,SAR)的异源图像匹配算法。提出了一种基于方向矩的异源图像匹配算法:利用像素层次设计异源不变特征,描述像素点与其邻域各方向相似程度,通过统计比较各像素的相似性测度,实现不同传感器图像间的可靠匹配。进行了批量图像匹配实验,在可见光与红外、可见光与SAR异源图像间取得了超过90%的匹配正确率。较传统异源匹配算法,该算法大大提高了匹配正确率,在导航与制导领域有广阔的应用前景。     

合成孔径雷达的主要发展方向

首先简要介绍了合成孔径雷达(SAR)产生和发展的历程,其次对当前合成孔径雷达研究的一些主要的热点和发展方向:多参数SAR、干涉SAR、超宽带SAR、激光SAR,尤其是小型化SAR进行了适当的归纳和分析,并且相应地给出了部分具有代表性的SAR系统主要的参数,对合成孔径雷达的研究工作具有一定的理论参考价值。     

星载双站SAR采用距离-多普勒算法的保相成像

星载双站合成孔径雷达(SAR)的成像可以采用距离-多普勒(RD)算法.算法的距离模型可使用二次模型和直线模型,针对系统双站的特点,讨论了高精度距离模型参数的求取方法.传统RD算法采用二次模型,在斜视情况下,二次模型可能会有较大误差,主要是会影响方位向压缩,因此讨论采用直线模型对应的方位压缩因子进行成像,从而改善方位向旁瓣.成像中为了使算法能够保相,需采用合适的方位向压缩因子,使其不破坏所成像的相位信息.     

基于回波域的低频UWBSAR极化校准

多极化,低频超宽带(ultrawideband,UWB)合成孔径雷达(syntheticapertureradar,SAR)是雷达技术未来发展的一个重要方向。系统的低频特性,UWB特性和大处理角特性使得常规SAR极化校准不再适用。基于系统回波模型,同时考虑定标体的电磁散射特性,给出了适合该系统的极化校准方法。计算机仿真验证了该方法的有效性。     

基于PCA特征的快速SAR图像目标识别方法

目标识别是SAR图像解译的重要一环,受到广泛的关注,而实时性又是评估目标识别系统性能的主要指标之一.从实时的角度出发,提出了一种快速的SAR目标识别方法.该方法采用基于Hebb学习规则的主分量分析(PCA)进行特征提取,使用多层感知器神经网络(MLP NN)进行目标分类.实验结果表明,在维持较好识别性能的前提下,该方法具有内存需求少、运行速度快的特点,能用于实时处理.