一种有效的二维MUSIC超分辨SAR成像算法

多重信号分类(MUSIC)方法是一种高分辨率到达角(DOA)估计方法,将MUSIC方法应用于合成孔径雷达(SAR)可以很好地提高图像质量。提出了一种简单有效的2D MUSIC超分辨成像算法,该方法对已聚焦的SAR图像进行处理,减小了处理过程的复杂性,并结合幅度估计完成超分辨率图像重建。实验结果验证了这种超分辨率方法的有效性。     

基于超分辨极化SAR图像的舰船检测算法

极化合成孔径雷达(synthetic aperture radar, SAR)图像超分辨处理具有聚集目标能量,提高图像分辨率,抑制相干斑噪声的能力。扩展了多通道幅度和相位估计(amplitude and phase estimation, APES)谱估计算法,并以此实现了极化SAR图像的超分辨处理。运用基于K分布的单极化检测器和基于SPAN、PWF的全极化检测器对实测SAR图像进行了舰船检测。通过分析超分辨极化SAR图像杂波统计分布、弱小目标检测性能、目标区域区分精度、目标轮廓及拓扑结构提取效果等,验证了基于多通道APES谱估计的超分辨极化SAR图像的舰船检测性能。     

一种基于估计理论的ISAR超分辨成像方法

针对逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像中给定合成孔径长度下方位向匹配滤波脉冲压缩输出的主瓣分辨率随雷达至等效阵列距离变化这一难题,基于线性系统理论,通过目标方位向回波信号的等效建模,提出了一种基于最小均方估计理论的超分辨成像方法。不同于传统基于谱估计的超分辨成像方法,该方法利用对目标系统方位向冲击响应的估计信号进行成像,因而能够完全消除雷达至等效阵列的距离对方位向分辨率的影响。仿真实验证实了该方法的有效性。     

双参数Beta过程联合字典遥感图像超分辨

为了改善遥感图像超分辨重建(super-resolution reconstruction,SRR)效果,针对以往仅适用于单特征空间的稀疏字典超分辨算法,提出同时适用于两个特征空间的双参数Beta过程联合字典(Beta process joint dictionary,BPJD)遥感图像SRR方法。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率图像进行分块和Gibbs采样,生成字典训练样本。然后,依据BPJD,建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:所提方法可自适应地缩小字典尺寸,能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像,重建结果图像的纹理细节信息更丰富,峰值信噪比和结构相似性度均有提高。     

弹载毫米波聚束SAR对地面目标成像研究

与机载合成孔径雷达 (SAR)对地面目标成像不同 ,弹载SAR具有平台运动速度快、非匀直运动和大斜视角 3大特点 ,对成像算法的实时性、运动补偿的精度和方位分辨率都提出了更高的要求。针对弹载毫米波聚束合成孔径雷达对地面目标成像的特点 ,讨论了成像的分辨率和雷达脉冲重复频率的选取等主要问题 ,提出了一种包络对齐、相位校准和非匀速运动补偿相结合的成像运动补偿方案 ,给出了基于线性谱外推技术的超分辨谱估计图像重建算法。仿真实验的结果证明了该算法的有效性     

一种基于运动目标ISAR像序列的三维重构方法

为解决运动信息未知的雷达目标三维重构问题,提出了一种基于目标逆合成孔径雷达(ISAR)图像序列的矩阵分解三维重构法.基于ISAR成像的基本原理,将ISAR成像过程公式化,推导出SAR成像投影矩阵方程式,给出了关联后的二维图像序列中散射点坐标与原目标散射点的三维位置的几何投影关系;利用矩阵因式分解的方法,从观测矩阵中分解出三维位置矩阵,实现重构;最后,以三维平底圆锥体为模拟目标,仿真验证了该算法的可行性,结果表明用于重构的图像帧数越多、图像信噪比越高,重构性能越好.     

低重频宽带雷达中小幅微动目标的周期估计

当空间微动目标仅发生小视角变化且雷达脉冲重复频率较低时,基于雷达散射截面序列、高分辨距离像(high-resolution range profile, HRRP)序列和微多普勒等特征提取算法的有效性面临了挑战。为此,基于宽带逆合成孔径雷达(inverse synthetic aperture radar,ISAR)像序列提出一种目标微动周期估计方法。基于微动目标ISAR成像的分析,利用ISAR图像序列之间的相似度进行微动周期估计。采用最小图像熵准则选取视线角线性变化区间的ISAR图像作为参考基准,利用图像动态范围压缩、基于全图像匹配的相似度估计等方法,强化算法稳定性并减小计算量。该方法对HRRP数据率要求低,对ISAR成像质量约束小,有利于工程实现。仿真实例从摆动和进动两种情况,分析了基准图像的选取和信噪比对算法性能的影响,证明了算法的有效性和高稳定性。     

慢起伏不可分辨目标的单脉冲角估计

不可分辨目标角估计方法大多是以SwerlingⅡ型目标进行信号建模,这通常需要雷达采用频率捷变来实现脉冲间目标幅度的不相关。考虑到非频率捷变雷达观测的目标回波为慢起伏的情况,深入研究了目标雷达散射截面积(radar cross section, RCS)起伏特性对单脉冲雷达测向的影响,提出了一种基于目标单脉冲角估计统计特征的两个慢起伏不可分辨目标的角度分辨方法。Monte Carlo仿真结果表明了该方法的有效性。     

ISAR成像中多径效应的消除

对于逆合成孔径雷达(ISAR)而言,多径效应会在ISAR的二维目标重建像上引入两个伪像,这将会影响雷达的目标识别与分类.为了消除ISAR像重建中的多径效应对于ISAR成像的影响,应用二维图像熵作为代价函数并通过模拟退火算法来搜寻对应于最优参数的最小图像熵,从而可以实现对目标参数的估计,进而消除多径效应的影响.仿真结果显示,这种方法可以有效地消除ISAR像的伪像,并为下一步的目标识别和分类奠定了基础.     

一种基于模型的雷达超分辨方法

基于多目标及其雷达回波信号的建模,本文提出了一种实现雷达超分辨的新方法。该方法的基本思想是将空间上相距很近的多个目标的分辨转化为目标冲激响应的辨识,然后利用最小二乘方法估计目标的冲激响应函数。仿真结果表明,新的超分辨方法是十分有效的,并且具有结构简单和分辨力高等特点。     

用于雷达方位超分辨的范数正则化方法

方位超分辨是国内外雷达界长期以来持续探索的一项技术难题,针对求解过程中所遇到的病态性,本文深入研究了范数正则化方法。利用L₂范数正则化方法对方位超分辨模型进行求解,针对L₂范数正则化方法的不足并考虑到目标信号的稀疏性质,建立了L₁范数正则化模型。为提高求解的计算效率,将其转化为半定规划模型,用预测校正原对偶路径跟踪法进行求解。针对不同信噪比情况进行了计算机仿真,初步结果表明,两种方法都能用于雷达方位超分辨,且在相同条件下L₁范数正则化方法分辨性能更好,具有较强的噪声适应能力,在信噪比低至0 dB时,分辨力提高1.7倍。     

基于调制谱超分辨重构的微多普勒参数估计

调制谱间隔是气动目标识别的重要特征，在雷达波形资源受限的情况下存在估计精度差且噪声鲁棒性弱的问题。针对此问题，利用稀疏迭代协方差谱估计方法进行调制谱超分辨，根据调制谱谱线等间隔的原理提出用基频组功率累积占比表征基频谱，进而实现基频的超分辨估计。基于甚高频波段雷达的仿真和实测数据分析证明了该方法抗噪能力强，且在相参积累时间大于1.5倍微动周期、调制谱折叠、重频参差等场景下均可有效提高调制谱间隔参数估计准确率。     

基于稀疏表示的图像超分辨率重建快速算法

基于图像在过完备字典下的稀疏表示,建立了稀疏性正则化的多帧图像超分辨凸变分模型。模型中的正则项刻画了理想图像的稀疏性先验约束,保真项度量其在退化模型下与观测图像的一致性。基于线性化Bregman方法,将正则项替换为其Bregman距离,对保真项进行线性化,从而可将原问题解耦,进而提出求解该模型的两步迭代算法:第一步为仅对正则项的阈值收缩操作,第二步为仅对保真项的梯度下降操作。此方法大幅度降低了计算复杂性,并能够对噪声保持鲁棒。实验结果表明,只需较少次数的迭代就可获得很好的超分辨重建结果,验证了本文模型与算法的有效性。     

基于超材料天线的超分辨关联成像的改进

近几年新型的超材料天线相比于传统的相控阵有着多方面的优势，但是由于超材料天线的正常工作必须要有变频信号的辅助，而目前的超分辨成像算法没有补偿由于频率变动产生的误差，导致成像质量严重下降甚至不能成像。此外，回波信号中频率的变动和不同的距离互相耦合，导致不能简单的直接补偿掉误差相位。因此，提出一种基于压缩感知的超分辨关联成像算法的改进方法，将基于压缩感知的超分辨关联成像算法和超材料天线结合在一起，实现了低系统复杂度、低成本、高分辨率的微波关联成像。通过设计仿真实验证实了所提方法的正确性，并且验证了此方法对于二维和三维成像均可以处理。     

超完备稀疏表示的图像超分辨率重构方法

为改善单帧退化图像的分辨率,提出一种基于超完备字典稀疏表示的图像超分辨率重构方法。该方法的核心是构建信号自适应的超完备字典对及计算图像关于对应字典的稀疏表示。为降低在训练过程中构建超完备字典对的复杂性,采用学习低分辨率字典而数值计算高分辨率字典的方法,待超分辨图像应用正则正交匹配追踪的稀疏表示算法求解关于字典的稀疏表示,并联合高分辨率字典实现超分辨率重构。实验表明,该方法与其他类似算法相比,字典训练和超分辨测试的速度都有显著提高,实验图像的峰值信噪比改善3.3 dB,框架相似性提高0.09。本方法可应用于单帧模糊图像的高倍率的超分辨率重构,有效地提高了图像的分辨率水平。     

基于参数估计精度的SAR图像分辨率评估方法

分辨率是SAR图像超分辨处理性能评估的一个重要指标。首先分析传统的3dB主瓣宽度计算方法用于超分辨性能评估的缺陷与不足,并利用三次样条方法证明了对传统方法而言,像元分辨率为最高测量分辨率。然后基于频域点散射模型,从最优参数估计精度角度提出了新的分辨率评估方法。该方法克服了传统方法的缺点,并建立了分辨率与目标参数、噪声水平之间的联系,可用于SAR图像超分辨及其它处理性能的预测与评估。利用仿真实验验证了该方法的有效性。     

基于稀疏性深度学习的航拍图像超分辨重构

为降低无人机硬件设备升级成本, 研究利用深度学习技术进行航拍图像超分辨(super-resolution, SR)。针对神经网络训练参数量大的特点, 提出了一种稀疏卷积神经网络SR(SR based on sparse convolutional neural network, SRSCNN)重构方法, 对神经网络连接权值进行选择性筛选达到压缩网络结构并减少训练时间的目的。实验结果表明, 该方法在缩短网络学习时间, 图像重构效果和计算时间上具有一定优越性。同时, 设计了一种基于显著性区域的图像质量评价方式, 更适应航拍图像后续处理工作。     

无源毫米波成像最大似然多重网格超分辨算法

针对在无源毫米波成像中,由于天线孔径大小的限制而使获得的图像分辨率低的问题,为增强图像的分辨率,提出了一种针对无源毫米波成像应用的最大似然多重网格超分辨算法。该算法以Lucy-Richardson算法为基础,通过逐步频域内插避免了频谱混叠,从而实现频谱外推和超分辨。实验结果表明,该算法改善了收敛速度,减少了计算量,有利于无源毫米波成像超分辨的实时实现。