MIMO雷达反向投影成像算法

针对多输入多输出(multiple-input multiple-output, MIMO)雷达的多收发固定阵列结构,在标准反向投影(back projection, BP)成像算法基础上,提出了一种修正BP成像算法。该算法首先对MIMO雷达距离压缩回波数据进行时延曲线校正处理,而后沿方位向直接相干叠加各路回波处理数据,从而无需距离插值即可实现方位聚焦。与标准BP算法相比,修正BP算法大大降低了运算量,同时也克服了现有快速BP算法大都没有考虑距离插值运算的缺陷。MIMO雷达外场实测数据处理表明：与标准BP算法相比,修正BP算法有效节省了运算时间,并保持了雷达成像质量。     

稳健的多通道SAR特征投影杂波抑制算法

针对强干扰目标信号污染影响传统的特征投影方法杂波抑制性能的问题,提出了一种稳健的特征投影方法。该方法首先构造与回波数据矢量对应的模归一化矢量,对其协方差矩阵进行特征分解,构造新的噪声子空间,最后将回波数据矢量向新的噪声子空间投影进行杂波抑制。理论分析和实验结果验证了该方法的有效性和稳健性。     

圆周合成孔径雷达投影共焦三维成像算法

针对圆周合成孔径雷达成像模式下应用共焦三维成像算法成像效率低的问题,提出了投影共焦三维成像算法.该算法利用圆周合成孔径雷达成像模式下成像区域较小时高度向与水平面相对较弱的耦舍性,将共焦三维成像算法中的三维空变滤波转化为水平面内的二雏空变滤波和高度向时域平移,从而化三维成像的三雏处理为二维处理,以提高算法的成像效率.通过引进天线远场条件作为成像区域较小的判定标准,定量分析了算法的适用条件.仿真结果验证了该算法较高的成像效率及算法适用条件的有效性.     

高速旋转目标三维成像的新算法

针对高速旋转目标三维成像的问题,提出一种有效的GRT CLEAN方法。该方法首先进行平动补偿,将高速目标的回波信号转换为高速转台模型。然后利用基于旋转散射点各次距离像回波的变化曲线所具有的特征,采用广义Radon变换(generalized Radon transform, GRT)得到目标散射点空间位置的近似估计。最后把该目标参数估计方法与修正的CLEAN技术相结合得到每个散射点的特征估计,并进一步得到目标三维像。理论推导与仿真结果验证了该算法的有效性。     

基于方向性粗糙度特征的SAR目标检测算法

针对扩展分形(EF)特征检测SAR目标虚警率高的不足,提出了基于方向性粗糙度特征(Directional Roughness Feature,DRF)对SAR图像目标检测的算法。该算法用指数小波在一个尺度和任意一个方向θ(0 0<θ<900)上对SAR图像滤波,对滤波后图像应用能量关系函数求各像素点的DRF进行目标检测。针对X波段和Ka波段的SAR图像,确定了用该算法检测目标的最优参数。分别用该算法和EF特征方法对不同波段SAR图像进行目标检测,结果表明该算法具有检测虚警率低和目标空间可分辨性高的优点。     

基于目标轮廓特征的SAR图像目标识别

提出了一种基于目标轮廓特征的合成孔径雷达目标识别(SAR ATR)方法,该方法充分利用目标的局部空间结构信息进行识别。利用基于马尔可夫随机场(MRF)的图像分割及形态学处理提取SAR图像目标轮廓,在此基础上使用傅里叶描述子作为目标轮廓的特征量,选择最近邻准则下的模板匹配方法构造分类器,实现了基于轮廓特征的SAR图像目标识别。实验结果表明,本文方法具有优良的识别性能。     

基于贝叶斯准则水平投影优化的目标检测算法

为了进一步提高跟踪系统中目标检测的精准性,适应不同的环境变化,对检测阈值的选取和图像的去噪提出了新的算法。结合似然函数和贝叶斯判别准则理论,根据信号和噪声的统计分布规律,得到一个自适应的动态阈值。利用该阈值对二值化图像的水平投影进行优化处理,去除噪声,得到待检测的目标。实验结果表明,该方法克服了目标完整性和抑制噪声之间的矛盾,可以有效地改善光线变化带来的噪声影响,在不同的场景情况下都可以得到满意的检测结果。     

ISAR成像中具有游动部件目标的包络对齐

包络对齐是逆合成孔径雷达(ISAR)成像的基础和关键步骤.它通常基于目标的散射点的位置在小观测角范围内近似固定不变,很明显,目标本身必须为刚体;因此用常规的方法对具有游动部件的目标(如螺旋桨飞机)难以得到正确的包络对齐,从而无法做后续的初相校正和成像处理.通过对An-26飞机实测数据的处理,分析了螺旋桨子回波对包络对齐的影响,并针对这一特殊情况,提出了适宜于具有游动部件目标的自动包络对齐方法,该方法首先通过选择一组回波,以形成稳定参考回波,同时弱化回波中螺旋桨子回波的影响.实测数据处理结果表明了算法的有效性.     

地面多个运动目标成像及定位问题的研究

针对合成孔径雷达正侧视工作体制下多个独立运动目标成像以及定位问题进行了研究。对经提出的运用距离历程拟合方法估计单个目标运动参数的算法进行了修正,准确地估计了t=0时刻各个目标的坐标和两维速度。基于估计的运动参数,设计各个目标独立的匹配滤波器,同时对运动参数不同的多个独立目标进行成像,解决了以往多个独立运动目标成像中的一个目标清晰成像,其它目标则会模糊的问题。着重分析了目标运动参数估计的精度以及影响估计精度的因素。     

散射中心特征序贯匹配的SAR图像目标识别方法

在合成孔径雷达（synthetic aperture radar, SAR）图像目标识别领域,提取目标区分性强的识别特征一直是研究热点之一。设计了一种SAR图像目标识别的算法,利用目标散射中心点集特征和属性散射中心特征分量估计值序贯匹配识别车辆目标。实测数据的实验证实了算法在目标方位角变化情况下和俯仰角变化情况下,车辆目标的识别都有较好的表现。     

基于Gamma分布的优化SAR目标检测

在Gamma分布条件下,研究了SAR目标检测,得到了阈值系数与恒虚警关系,提出了阈值选择理论及其简单实现方法,优化了杂波均值估计并给出了其无偏鲁棒算法,这样在目标检测中不经过噪声抑制过程但具有抗噪能力,并且参数估计没有偏差。实际SAR数据测试结果表明该方法的检测效果优于双参数恒虚警算法。     

冲激脉冲合成孔径雷达(SAR)成像算法

本文研究了一种用于冲激ＳＡＲ成像处理的算法——反向投影法,该算法不同于满足“远场、窄带”约束条件下的常规ＳＡＲ的频域成像算法。本文阐述了后向投影法基本原理,并对在运用后向投影法成像过程中所遇的一些特殊问题作了分析并提出了解决办法。最后,本文给出了计算机仿真结果,验证了反向投影法的有效性、正确性。     

三孔径SAR-MTI系统的性能分析

具体分析了用于检测和定位运动目标的三端口SAR -MTI系统工作原理及性能。着重讨论了各种误差对检测和定位运动目标的影响 ,并对假设的雷达系统进行了计算机仿真。结果表明 ,在存在各种系统误差的条件下 ,系统仍具有良好的性能。由于是开环处理 ,这种系统具有较强的环境适应能力 ,同时处理所需的计算量和硬件设备量也不大 ,因此这种方法容易在工程上实现。     

SIAR在强干扰背景下目标的检测与跟踪(二)

本文在第一部分的基础上进一步介绍稀布阵综合脉冲孔径雷达（ＳＩＡＲ）在强干扰背景下对目标的距离、方位和仰角进行精确测量与跟踪的方法，通过计算机模拟证明了该方法的有效性。     

数学形态学在SAR图像目标识别中的应用

提出了一种能够从复杂背景的SAR图像中识别出圆状目标的方法。该方法首先对SAR图像进行双参数恒虚警(B-CFAR)预处理,排除明显的非目标区,增强下一步对目标的识别效果,然后着重分析了上下文相关加权的形态模板生成算法,在此基础上采用不同的数学形态学变换滤波方法对预处理后的SAR图像候选目标区进行识别,并与相关文献比较,对圆状目标得到了良好的识别效果。     

SAR成像信号的并行处理算法研究

对SAR并行成像处理进行了深入研究 ,在串行成像算法的基础上 ,提出了SAR并行成像处理的一种中粒度并行算法和一种混合FFT算法。中粒度并行算法针对SAR信号处理大数据量的特点 ,在系统内存有限的情况下 ,对任务划分进行优化 ,以提高系统处理性能。混合FFT算法将Cooley -TukeyFFT算法和WinogradFFT算法结合起来 ,使得FFT算法在通用平台上更高效地运行。在国产曙光系列并行机上的实验结果证明 :我们的研究工作是有成效的。     

高分辨率SAR图像中车辆群目标检测的研究

研究了对SAR图像中车辆群目标的检测问题。采用统计检测的方法进行了理论分析,得到了3种检测算法的参数估计及检测门限的计算公式,提出了一种改进的综合目标检测算法。检测结果表明,采用常规双参数CFAR检测算法和单视标准CFAR检测算法存在较多的虚警,而采用改进的综合目标检测算法,检出目标准确,目标细节清晰,虚警很少,具有优良的检测性能。同时给出了该算法的滤波算子构造方法、参数选取方法及最佳参数。     

用反卷积法获得雷达目标回波波形特征

本文探讨了高、低分辨力两类雷达视频回波与目标散射特性的关系,提出了适用于低分辨力雷达目标识别的回波卷积模型;利用微波暗室测量与数字仿真得到低分辨力雷达视频回波波形,并采用投影迭代反卷积算法,获得目标散射中心特征波形,这些波形在提取目标特征及识别方面优于原始视频回波,从而验证本文模型及算法的可行性。     

合成孔径雷达的并行成像算法研究及实现

随着合成孔径雷达 (SAR)成像技术的不断发展 ,对SAR图像的成像精度和实时率的要求也愈来愈高 ,尤其是军事领域 ,高实时率是SAR成像系统的一个关键指标。针对目前较流行的SAR成像算法———CS(ChirpScal ing)提出了适合于群集 (cluster)结构的并行机的中粒度并行算法及粗粒度并行算法 ,并对两种算法作了详细分析和比较