SAR虚假图像干扰信号快速生成方法研究

欺骗干扰是对合成孔径雷达的一种有效干扰方式。如何准确、快速地生成虚假图像欺骗干扰信号是对合成孔径雷达（synthetic aperture radar,SAR）实施欺骗干扰的关键问题。从分析合成孔径雷达点目标回波信号的特性出发,发现只要将干扰机接收到的雷达信号进行延时和乘以方位向补偿相位处理,就可以产生任意位置的虚假干扰目标信号。并根据虚假目标与干扰机的坐标位置推算出所要的延时和补偿相位量的大小。充分利用在相同距离上的合成孔径雷达回波具有相同的时间延迟量,在相同方位向的回波具有相同的相位项这一重要结论,对算法进行了改进。提出一种产生虚假图像目标信号的快速算法,满足了产生虚假图像回波信号实时性的要求。最后,仿真结果证明了干扰算法的有效性。     

一种星载SAR图像欺骗式干扰技术

星载合成孔径雷达(SAR)干扰技术研究在国防、军事、现代化战争中有着特别重要的意义和应用,是当前电子对抗技术中的前沿和热门研究课题.目前,SAR欺骗式干扰是最受重视的研究,其中,虚假目标式干扰又是欺骗式干扰的研究主题.传统的虚假目标式干扰是采用修改目标后向散射特性的方法来实现欺骗式干扰.然而这种方法的运算量较大,耗时较多.为此,我们提出采用构造欺骗式干扰系统脉冲响应函数的技术来生成虚假目标实现欺骗式干扰.这种技术的优点是计算量较小,速度较快.     

一种基于扩展孔径的SAR欺骗干扰算法

鉴于传统算法存在的问题及成因,提出了一种基于扩展孔径的合成孔径雷达(SAR)欺骗干扰算法,论述了改进算法的原理和流程,解决了实际应用中传统SAR欺骗干扰算法在未知方位向参数的情况下,无法在方位向实现精确定位干扰和干扰图像完全聚焦的问题.仿真结果表明该方法原理正确,具有工程应用价值.     

一种补偿因子区域不变的CS成像算法

为提高星载合成孔径雷达（SAR）成像的实时性,减小补偿因子的运算量,提出了一种补偿因子区域不变的Chirp Scaling（CS）成像算法. 这种改进的CS算法根据补偿因子的相位误差确定一个更新步长,在每个步长内更新一次补偿因子,即相邻单元内的数据与相同的补偿因子相乘. 利用这种改进的CS算法对点阵目标和实测目标进行了仿真验证,得到的SAR图像质量与传统CS算法的结果相差很小. 这种补偿因子区域不变的CS成像算法在满足精度的前提下使得补偿因子的运算量成倍减小,大大减小了实时成像的压力,能够有效降低星上实时处理系统的规模,从而降低系统功耗.      

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

形态学算法在足球机器人视觉中的应用

针对传统视觉系统在机器人足球比赛中获取各实体位置不够准确的问题,提出一种基于形态学的腐蚀与膨胀算法对图像中的目标进行检测和识别,以提高了系统的实时性,减少了程序的运算量.     

FIR-RD快视算法方位向二维频谱匹配流程的改进

为了实现星载SAR快视处理的实时性,根据星载SAR数据FIR-RD快视成像算法的特点,分析了距离徙动校正对方位向匹配的影响.针对快视成像最耗时的方位向匹配流程,根据方位向匹配矩阵参考函数的特点,提出了方位向二维匹配处理的改进方法.实验结果表明,运算量降为优化前运算量的1/10,实现了快视系统的实时处理.     

基于Parzen窗函数的SAR图像人造目标检测算法

提出了一种基于Parzen窗函数的SAR图像人造目标检测算法.该方法首先以基于数据驱动的Parzen窗核函数逼近实际SAR图像的直方图,完成SAR图像的精确建模;在此基础上,理论推导了全局CFAR检测算法的阈值,设计了阈值求解的数值算法.典型目标的实际图像的实验结果证明,该方法是一种速度较快、精度较高的人造目标检测算法.     

嵌入特征预提取和注意力机制的SAR图像目标检测

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别技术广泛应用于道路、船舶等检测任务中,但合成孔径雷达图像易受散斑噪声干扰,直接将卷积神经网络(Convolutional Neural Network,CNN)应用在SAR数据集上难以高效准确地提取有效特征.针对以上问题,提出了一种嵌入特征预提取和注意力机制的SAR图像目标识别算法(Convolutional Automatic Encoder-Convolutional Neural Network-Channel and Spatial Atten-tion Mechanism,CAE-CNN-CSAM),即利用优化的Lee滤波算法降低SAR图像斑点噪声,通过编解码技术对SAR图像进行特征预提取,而后在卷积神经网络中引入注意力机制,提高算法对通道和空间特征的表达能力.在公开的Statoil/C-CORE数据集上,该算法对目标的识别准确率达到了94％,相比于目标识别准确率约为88％的CNN等基准模型具有更高的目标识别性能.     

融合目标轮廓和阴影轮廓的SAR图像目标识别

针对合成孔径雷达图像目标识别问题,在基于图像成像模型分析基础上,提出了一种融合SAR目标轮廓和阴影轮廓的目标识别算法.首先提出了一种基于去控制标记符的SAR图像分割算法,得到SAR图像目标轮廓和阴影轮廓,然后用这2种轮廓融合,用傅立叶描述子将二维数据转为一维数据,最后用基于串接准则的融合算法得到识别结果,进行SAR目标识别.基于MSTAR的实验结果验证了本算法的有效性.实验结果证明:目标轮廓和阴影轮廓的结合,除反映本身包含的局部空间结构信息外,还能反映SAR目标的高度信息,较单一轮廓特征,是一种更为稳健的特征.