基于Hough变换的叶簇环境下SAR/GMTI动目标检测算法

叶簇环境下,当动杂波比较复杂时,常规的目标检测算法CFAR和DPCA不能有效地滤除杂波。提出了一种基于Hough变换的叶簇环境下SAR/GMTI动目标检测算法(HD),该算法在叶簇杂波比较复杂的情况下能够有效滤除动杂波,提取出动目标。首先,介绍了叶簇扰动环境下的场景建模,并且给出了建模分析和建模场景仿真;其次,给出了HD算法推导过程;最后,在建模基础上对该算法和常规算法进行了对比仿真实验。实验结果表明,该算法在较低信噪比情况下也能保持较高的检测概率。     

对调频斜率极性捷变SAR欠采样转发干扰

针对传统欺骗干扰难以对调频斜率极性捷变SAR（chirp rate polarity jittered SAR, CRPJ-SAR）形成有效干扰,研究了对CRPJ-SAR欠采样转发干扰。通过建立CRPJ-SAR有限时长欠采样转发干扰信号模型,分析了欠采样转发干扰对CRPJ-SAR的干扰效果。给出假目标数目、位置以及幅度的理论计算公式。在此基础上讨论了欠采样周期对干扰效果的影响。利用数字仿真验证了理论分析的正确性。     

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.     

一种新的高分辨率SAR图像目标自动鉴别方法

目标鉴别是SAR图像目标识别系统的关键环节,用以消除预筛选阶段因异常检测产生的大量虚假的感兴趣区域切片。针对目标鉴别问题,提出了一种新的目标自动鉴别方法,首先对CFAR检测的结果做基于面积特征的预鉴别处理,而后对获得的ROI目标切片提取鉴别特征,并在特征分析的基础上设定特征判决阈值,实现序贯鉴别处理。利用X波段SAR图像数据检验了上述方法,给出了鉴别输出的ROI切片。     

基于SAR的远程精确打击应用

利用SAR(合成孔径雷达)探测识别并将目标定位,将目标的位置信息送给制导炸弹,通过制导炸弹精确打击目标,实现防区外精确打击或战略轰炸是远程轰炸的发展趋势。对联合直接攻击弹药(JDAM)的研发情况进行了描述,结合当前SAR的发展状况,对采用SAR图像进行目标识别定位,通过制导武器进行防区外武器投放精确打击地面固定目标探讨,提出了基于SAR进行制导武器投放控制的一种思路。     

方位多相位中心SAR信号重建误差分析

就方位多相位中心(Azimuth Multiple-Phase-Center,AMPC)合成孔径雷达(Synthetic Aperture Radar,SAR)系统的阵列误差对信号重建性能的影响进行分析。将阵列误差建模为随机过程,结合最小二乘(Least-Square,LS)算法,推导了AMPC SAR误差功率谱的解析表达式,进而得到了AMPC SAR的信噪比与方位模糊比的解析表达式。仿真实验验证了理论分析的正确性。分析指出,随着系统脉冲重复频率的升高,有必要通过减小重建系数以实现重建性能的提升。分析方法与结果对AMPC SAR系统设计以及图像质量预估提供有效支撑。     

SAR微动目标的稀疏贝叶斯成像方法

SAR微动信息能够反映出目标的属性信息,其微动图像可作为雷达目标识别的一种重要手段。基于SAR微动目标回波的稀疏特性,建立了在过完备词典下的稀疏表示模型,提出一种新的稀疏贝叶斯重构方法——方差成分扩张压缩,该方法仅赋予有重要意义的信号元素不同的方差分量,拥有更少的参数。仿真结果表明,方差成分扩张压缩方法能较精确地估计出SAR目标微动参数,同时能够获得低信噪比条件下较好的微动目标像。     

基于自适应小波阈值的SAR图像去噪算法

针对传统阈值去噪方法处理合成孔径雷达(Synthetic Aperture Radar,SAR)图像存在的失真,边缘模糊等问题,提出了一种自适应小波阈值算法。首先对经过对数变换后的SAR图像进行小波变换。然后利用自适应小波阈值对变换后的SAR图像高频部分进行去噪处理,去噪后再对其进行小波逆变换处理。最后再进行一次指数变换,达到去噪的目的。实验结果表明,该算法能够得到较好的去噪效果,并且还有效地解决了传统算法所带来的不足。     

基于GPU的SAR成像层次化并行处理研究

针对SAR成像处理具有的内在并行性,提出了一种基于GPU的SAR成像层次化并行处理方法。首先分析了SAR成像处理过程中信号的并行性,对任务进行了层次化分解与组合,设计了层次化并行的CS成像算法;然后通过CUDA编程将并行成像算法映射到CPU+GPUs系统平台上,实现了层次化并行成像处理;为了检验并行处理效果,采用原始数据进行了SAR成像处理实验。实验结果表明,在几乎没有损失图像质量的情况下,层次化并行处理获得了较高的加速比。     

SAR图像适配区选择方法

为选择具有高匹配概率和高匹配精度特点的SAR适配区,结合SAR成像特点,分析了惯导及成像参数误差对适配区的影响,设计了多种适配性评价参数,提出了一种由粗到细的适配区层次性选择方法.该方法充分考虑了适配区在总体和细节上的需求,层次性选择有效避开了构造预测函数的难题.试验结果表明该方法可在SAR图像匹配系统中选出高性能的适配区,且所选适配区匹配概率可达97％以上.