一种基于Gabor滤波器组和LBP的多特征联合SAR纹理图像分类方法

实现能够使先进飞行器根据获取的图像自动识别不同的地貌景物,是一种具有实际应用前景的技术需求.提出了联合Gabor滤波器组和局部二值模式来对SAR纹理图像进行分类的新方法SARICIT (SAR Image Classification using Inquiry Table).首先对第一套带类标的训练图像集提取两种特征,分别使用的基于非监督和监督模式相融合的混合神经网络分类器进行训练,然后使用第二套带类标的训练图像集制作二维分类信息查询表,记录两种分类器对每一幅图像的判断结果.在实际进行分类阶段,对新图像提取Gabor和LBP两种纹理特征,输入训练好的分类器.根据两种分类器给出的类型响应,结合查询表,使用一种投票的机制来确定待分类的图像的纹理属性.通过对真实SAR图像的实验结果表明,与流行的单独使用一种纹理特征进行分类相比,新方法能够对SAR图像纹理做到更准确的分类,对雷达图像更具有适用性.     

超宽带SAR成像的快速BP算法

在后向投影（BP）算法的基础上,提出了一种快速后向投影（FBP）算法。以点目标和多点目标为例,将该算法应用于超宽带合成孔径雷达成像并与原始（BP）成像算法进行比较,仿真结果证明了该算法的快速性和有效性。     

基于SAR仿真图像的地面车辆非同源目标识别

充分的合成孔径雷达(synthetic aperture radar, SAR)模板数据是目标识别算法(尤其是基于深度学习的智能目标识别算法)获得优异识别性能的关键, 基于实际测量获取充分SAR数据是不现实的, 基于电磁散射建模的SAR仿真成为当前获取充分样本的一种有效途径。SAR仿真图像与实测图像为非同源数据, 由于SAR仿真的目标几何模型与实物之间差异、SAR仿真过程中的传感器模型与实际传感器性能之间差异、实物所处的背景环境与SAR仿真的环境之间差异、电磁建模方法本身误差等因素导致SAR仿真图像与实测图像存在差异, 会影响识别性能。针对这一问题, 首先采用一种基于高频渐近技术和离散射线追踪技术的SAR仿真方法获取地面车辆目标的SAR仿真图像, 再利用卷积神经网络方法、线性/非线性特征变换方法实现对MSTAR实测数据的非同源SAR目标识别性能对比分析。实验结果表明, 直接使用SAR仿真数据无法实现对实测SAR数据有效识别, 而线性/非线性特征变换可以改善非同源SAR目标识别性能, 一定程度上缓解由于SAR仿真数据与实测数据存在差异导致的识别性能差的问题。     

可变先验贝叶斯学习稀疏SAR成像

针对合成孔径雷达(synthetic aperture radar, SAR)在稀疏成像中, 传统贝叶斯机器学习算法存在先验固化、成像结果容易过拟合等问题。提出一种可变成像先验贝叶斯(varying imaging prior Bayes, VIP-Bayes)学习稀疏SAR成像算法。首先, 引入可动态灵活表征目标散射特征的广义高斯分布先验。然后，在贝叶斯推理框架下进行分层建模, 后验分布推导。最后, 针对常规吉布斯采样算法无法采样复杂后验分布的问题, 引入哈密顿蒙特卡罗(Hamiltonian Monte Carlo, HMC)采样算法进行求解。另外, 考虑到HMC算法对非平滑后验分布无法采样，因此引入近端算子, 进行近端梯度近似, 提出近端-HMC(proximal-HMC, P-HMC)算法。P-HMC算法可有效解决非平滑后验采样问题。因而可实现VIP-Bayes稀疏成像。通过仿真数据进行算法有效性验证, 选取SAR实测数据与多种算法进行成像对比实验, 利用相变热力图对算法成像性能进行定量分析，验证了所提算法的实用性和优越性。     

基于乘积调制的SAR灵巧干扰方法

噪声乘积调制不仅能获得雷达处理增益, 还能自动瞄准信号频率, 被广泛应用于目标突防等重要作战场景。借鉴其基本原理, 提出了对合成孔径雷达(synthetic aperture radar, SAR)的乘积调制灵巧干扰方法, 在不改变截获信号调制流程的基础上, 仅通过线下模板设计, 即可灵活选择压制或欺骗的不同干扰效果。首先建立了干扰信号模型, 推导分析了其成像结果, 继而详细阐述了调制模板的生成方法; 最后, 从理论上分析了干扰的性能情况。仿真结果表明, 所提的干扰方法能仅通过设计不同的调制模板即可实现场景压制或虚假目标欺骗, 干扰效果对侦察精度的依赖性较小, 干扰调制流程简单高效, 便于工程实践。     

基于多尺度交互结构卷积神经网络的SAR图像相干斑抑制方法

结合深度学习思想, 提出了一种基于多尺度交互结构卷积神经网络(convolutional neural network, CNN)的合成孔径雷达(synthetic aperture radar, SAR)图像相干斑抑制方法。首先, 通过不同尺寸的卷积核及跳跃连接构成多尺度交互特征提取模块以获得不同感受野的特征并加快网络收敛速度。然后, 在多尺度交互特征提取模块之间利用简化的密集连接方式使网络能够充分利用浅层纹理特征。最后, 采用残差学习策略得到抑制后的图像。实验结果表明, 与已有方法相比, 所提方法不仅使用较少的计算参数量, 还能保证性能的提升。     

单站直达波欺骗干扰检测与抑制的DPCA方法

针对合成孔径雷达(synthetic aperture radar, SAR)单干扰机直达波欺骗干扰的检测和抑制问题, 提出一种基于双通道分置相位中心天线(displace phase-center antenna, DPCA)方法的欺骗干扰检测方法。在DPCA条件下建立了图像域干扰信号模型，分析表明干扰信号在主辅图像中近似仅存在空变的相位偏置和位置偏移。基于该特征引入图像退化模型, 在DPCA检测基础上完成主图像内欺骗干扰的估计与抑制。点阵和面目标仿真结果验证了本文信号模型的正确性和欺骗干扰抑制算法的有效性。所提算法几乎不损失被欺骗干扰遮盖区域的场景信息, 能够有效抑制经由天线主瓣或副瓣进入的单站理想直达波欺骗干扰。     

基于时频联合尺度变换的中轨SAR斜视成像方法

在中轨合成孔径雷达(synthetic aperture radar, SAR)成像中,大斜视角以及长合成孔径时间会导致信号产生严重的距离走动和二维空变。首先，针对信号的距离走动问题,采用了变脉冲重复频率(pulse repetition frequency, PRF)技术对回波进行录取,消除大距离走动带来的回波接收问题。然后，针对传统的波数域算法不能实现大斜视中轨SAR信号的聚焦问题,提出了一种结合改进的Stolt插值的时频联合尺度变换的成像方法,利用方位时间尺度变换来解决信号方位调频率的2次空变,再使用改进的Stolt插值完成距离徙动校正。最后,利用多普勒尺度变换来处理剩余的高次空变。通过仿真结果可以证明所提算法的有效性。     

机动平台俯冲大斜视SAR脉冲重复频率设计

在机动平台俯冲段大斜视合成孔径雷达(synthetic aperture radar, SAR)成像中,传统脉冲重复频率(pulse repetition frequency, PRF)设计方法存在下限值过高导致数据录取量增加,且PRF值无法根据高度变化实时调整的缺陷。针对上述问题,首先构建机动平台俯冲大斜视SAR成像模型;然后提出一种新的基于等距离环的方位带宽计算方法,得到考虑运动及系统误差情况下的PRF下限值;最后提出分高度段动态选取PRF的新方法,根据平台位置动态调整较少次数的PRF值即可实现波束覆盖区内回波数据录取,解决了PRF值无法随高度变化实时调整的难题。     

基于组稀疏的极化差分SAR层析成像方法

差分合成孔径雷达(synthetic aperture radar, SAR)层析成像通过多航过数据重建观测目标的后向散射系数和视线方向形变速率。将全极化与差分SAR层析相结合,针对城市建筑成像高程向稀疏的特点以及全极化数据反演中,信号稀疏支撑集相同的特点,提出将稀疏约束与组稀疏约束相结合的求解模型,用基于层次稀疏的阈值迭代方法进行求解。通过仿真实验和基于BioSAR 2007实测数据的半仿真实验验证,实验表明全极化差分SAR层析成像方法,重构结果相较于单极化,提高了高程向和形变速率精度,且有更好的鲁棒性,在信噪比为10 dB时,相较于单极化差分SAR层析成像方法,能更好恢复高程向信息和形变速率。