基于数据融合的分布式综合孔径微波辐射高分辨率成像算法

为了解决大型综合孔径微波辐射计系统随着分辨率需求的提高, 天线规模和系统复杂度随之增加的难题, 提出了一种基于数据融合的分布式综合孔径微波辐射计成像算法。首先建立了数据融合模型, 其次详细地介绍了数据融合算法, 最后开展了地面验证实验, 并对实验结果进行处理。理论和实验结果均表明: 该数据融合算法是可行的, 能有效提高系统图像的分辨率; 同时为后续被动微波遥感从数据维角度提高空间分辨率提供了一种新的解决方法。     

基于图拉普拉斯嵌入的合成孔径雷达时变窄带干扰抑制算法

合成孔径雷达(synthetic aperture radar, SAR)作为一种宽带系统, 常与同频段内其他有源电磁系统发生冲突, 这些信号相较于宽带SAR系统而言, 大部分是窄带干扰(narrow-band interference, NBI), 会对高分辨SAR成像系统产生严重干扰。早期关于NBI抑制问题的研究中, 很少有人注意到NBIs在不同脉冲之间可能具有局部时变特性, 这削弱了某些经典方法在干扰抑制上的性能。因此, 本文提出了一种图拉普拉斯嵌入(graph Laplacian embedding, GLE)算法, 通过在不同脉冲信号之间构建拉普拉斯嵌入关系来抑制NBIs。这使得局部时变的干扰能够被嵌入到非线性低维流形中, 并被有效去除。对实测受NBI干扰的SAR数据进行处理, 处理后的结果证明了所提方法的有效性。     

复数兼容全变分SAR目标结构特征增强

针对合成孔径雷达(synthetic aperture radar, SAR)成像目标复杂结构特征难以精准提取的问题, 设计复数兼容的多通道结构张量全变分(structure tensor total variation, STV)正则先验表征函数, 进而提出面向SAR目标结构特征增强的复数兼容-STV(complex value compatible-STV, CV-STV)优化算法。所提算法的结构先验函数设计涵盖实部/虚部两个通道的结构张量, 能适应SAR复成像数据特征并解析推导得到其近端算子，进而简化求解问题的模型复杂度。同时, 将CV-STV正则优化算法引入稀疏驱动先验, 借助交替方向多乘子法(alternating direction method of multipliers, ADMM)多任务优化框架实现目标散射点多特征的联合表征与增强。实验部分分别应用SAR仿真与实测数据对所提CV-STV正则优化算法进行有效性验证; 同时利用相变分析实验对比传统特征增强算法, 验证了所提算法的优越性。     

基于YOLO框架的无锚框SAR图像舰船目标检测

面向合成孔径雷达(synthetic aperture radar, SAR)多目标检测应用, 提出了一种基于YOLO (you only look once) 框架的无锚框SAR图像舰船目标检测方法。该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端, 通过采用无锚框方法更好适应所检测目标的大小, 便于多尺度目标使用。在此基础上, 给CSPDarknet53网络增加了注意力机制作为特征提取网络, 然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network, FPN)后, 把特征图传给无锚框检测头, 有效提升了目标类别和位置的预测精度。实验证明, 所提算法在公开SAR舰船数据集上平均精度比YOLOv3提高3.8%，达到了94.8%, 虚警率降低4.8%。     

基于门控多尺度匹配网络的小样本SAR目标识别

为了解决传统合成孔径雷达(synthetic aperture radar, SAR)目标识别方法在小样本条件下泛化能力差、识别准确率低的问题, 通过在匹配网络的基础上引入权重门控单元和多尺度特征提取模块, 提出了基于门控多尺度匹配网络的小样本SAR目标识别方法。在该方法中, 多尺度特征提取模块能够提取匹配网络不同卷积层的多尺度特征, 权重门控单元能够根据不同的识别任务赋予特征不同的权重大小, 实现根据具体任务选择最具代表性的目标特征, 从而以该特征为主导完成目标识别任务。在运动和静止目标获取与识别(the moving and stationary target acquisition and recognition, MSTAR)数据集上对提出的方法进行了验证, 实验结果表明，所提方法较其他3种小样本学习方法和两种小样本SAR目标识别方法表现出了一定的优越性, 而且所提方法经实验验证在噪声环境下表现出了一定的鲁棒性。     

基于3D-OMP算法的SAR动目标成像方法

针对稀疏场景下的SAR动目标成像问题展开研究，提出一种基于三维正交匹配追踪(3D-OMP)算法的稀疏成像方法。首先对成像区域进行网格划分，然后以运动目标的二维速度作为动态参数构建三维稀疏字典矩阵，即参数化稀疏表征。在算法迭代过程中，通过计算回波数据矩阵与三维稀疏字典矩阵各层之间的相关度筛选出信号的支撑集。最后利用最小二乘准则，计算出支撑集下目标场景的稀疏表征系数。该3D-OMP算法是经典OMP算法的改进与拓展，因此继承了OMP算法计算复杂度低、信号稀疏特征增强明显的优势，同时具备了重构SAR动目标图像的能力。仿真实验结果验证了该SAR动目标成像方法的有效性。     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩, 为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中, 取得了良好的效果。对于数据集较小和数据相似度较高的问题, 提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化, 并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明, 所提方法对SAR图像具有更好的识别效果和更快的识别速度。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。