基于全波电磁仿真的ISAR超分辨成像模拟

采用FDTD方法对ISAR转台成像模型进行全波电磁建模和仿真.仿真中采用调制高斯脉冲信号源,选取目标宽频带回波数据低、高两段频数据进行成像处理.在成像处理中,分别采用传统FFT算法和MUSIC超分辨算法.成像结果表明,实际目标的成像机理比理想点目标模型复杂很多,而且低、高不同频段的成像结果有较大差别,这一差别在理想点目标模型中是观测不到的.MUSIC算法的计算量虽然比FFT大,但其极高的成像分辨率有助于改善对实际目标的细节成像,并且有助于研究实际目标的成像机理.     

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。     

ESPRIT超分辨ISAR成像

提高图像分辨率一直是ＩＳＡＲ研究的重要内容,常规的ＩＳＡＲ成像算法在这方面存在着不足。将普遍运用于方向估计中的旋转不变参数估计技术（ＥｓｔｉｍａｔｉｏｎｏｆＳｉｇｎａｌＰａｒａｍｅｔｅｒｖｉａＲｏｔａｔｉｏｎａｌＩｎｖａｒｉａｎｃｅＴｅｃｈｎｉａｑｕｅｓ,ＥＳＰＲＩＴ）与ＩＳＡＲ成像的基本原理相结合,提出了ＥＳＰＲＩＴ超分辨ＩＳＡＲ成像算法。从实验结果看,这种超分辨算法显著提高了图像分辨率。     

基于高度扫描的ISAR三维成像研究与仿真

研究了基于高度扫描的大转角逆合成孔径雷达(ISAR)三维成像,针对干涉逆合成孔径雷达技术不能将同一距离和方位单元但不同高度上的散射中心进行区分以及大转角转台转动带来的越距离单元徙动等问题,在传统大转角ISAR成像基础上,增加了高度扫描,建立了三维成像系统,提出了适用于大角度转动的ISAR三维成像算法,应用波谱理论对三维目标的高度信息进行去耦,将其转化为二维大转角ISAR成像的问题,然后利用聚焦卷积积分算法进行成像,并分析了高度扫描的ISAR系统具有高度分辨率的原因。最后通过仿真目标模型进行验证,结果表明该算法具有三维成像能力,且能够得到高质量高分辨率的目标像。     

空间目标ISAR成像与识别对抗研究

阐述了空间目标的雷达对抗措施,通过仿真研究了对抗条件下的空间中段目标ISAR成像与识别,分析了对抗手段对ISAR成像质量与识别性能的影响,指出对ISAR的二维压缩机理进行破坏是实施有效干扰的关键所在。仿真结果表明,通过对抗手段能有效降低ISAR的成像质量,破坏ISAR的识别性能。实验结果对于增强中段突防目标的突防能力有较重要的参考价值。     

运动目标的正交化超分辨测角误差分析

本文分析了在目标运动的条件下,利用Gram—Schmidt正交化算法进行角度超分辨测量时的测角精度,计算了两个运动目标在不同阵元数及不同阵元间距等情况下的测角误差,并给出了计算机模拟结果。     

基于APES的超分辨广域成像算法

多普勒波束锐化(Doppler beam sharpening, DBS)技术可以快速地对广阔地面场景进行成像,但存在成像分辨率不高的问题。简单介绍了DBS的成像原理,建立了方位向超分辨的信号模型,并在此基础上提出一种新的超分辨广域成像算法。该算法将脉压后的回波信号建模为一系列不同多普勒频率散射点的叠加,利用幅度相位估计(amplitude and phase estimation, APES)方法对脉压后的数据进行多普勒分析,进行方位向的成像。仿真结果与实测数据表明,所提算法可以获得清晰的广域超分辨图像。     

基于联合聚焦/超分辨贝叶斯模型的雷达目标超分辨重建

针对合成孔径雷达(synthetic aperture radar, SAR)、逆合成孔径雷达(inverse SAR, ISAR)等雷达目标图像,提出了一种基于联合聚焦/超分辨贝叶斯模型的超分辨重建方法。该方法基于联合聚焦/超分辨和点扩散函数参数模型,采用Metropolis-Hastings迭代更新算法,产生一系列描述目标散射截面和散焦参数概率分布特征的样本,从而估计出最佳目标散射截面元和散焦参数,实现低分辨率图像的超分辨重建。以合成与实测图像数据为例,对该超分辨方法进行了演示并给出了重建结果。实验表明,本文提出的方法对雷达目标图像重建效果良好,可用于SAR、ISAR及实波束成像等雷达图像目标信息的开发。     

无源毫米波实时成像PNL超分辨算法

投影Landweber (projected Landweber, PL)算法具有良好的频谱外推能力,能够应用于低信噪比降晰图像,是一种适合无源毫米波成像的超分辨算法。但其缺点是收敛速度缓慢,运算量不稳定,难以满足实时性要求。针对实时性问题,提出一种投影Newton Landweber (projected Newton Landweber, PNL)超分辨算法,首先使用Newton求逆法得到粗恢复图像,然后运用PL算法对图像做精细恢复。实验结果表明,该算法显著提高了收敛速度,图像恢复质量接近PL算法的性能。     

机动目标ISAR成像的相对运动补偿

非合作的机动多目标相对于雷达射线的姿态是时变的,而且目标间可能存在相对运动,给逆合成孔径雷达(ISAR)成像造成较大困难。针对此问题建立目标相对运动的模型,提出一种相对运动补偿的算法,在运动补偿的基础上对运动目标进行二次补偿,消除相对运动的影响。模拟和实测数据的处理结果说明,当相对运动目标和其它目标在距离上能分离时,该算法是可行的。     

基于几何散列法的ISAR像自动目标识别

逆合成孔径雷达（inverse synthetic aperture radar, ISAR）像不同于一般光学像,通常表现为随视角变化的稀疏散射中心分布,且存在干扰或遮挡现象,这使ISAR目标识别存在很多困难。针对上述问题,提出一种基于几何散列法的ISAR像识别方法。首先获取能反映目标结构信息的特征点;然后利用特征点之间的几何关系构造仿射坐标,获取目标的仿射不变量,以解决目标成像视角变化引起的图像平移、旋转和尺度变化等问题;最后针对姿态敏感性、干扰或遮挡导致的散射点位置和强度的变化问题,采用具有良好的抗干扰和局部识别性能的几何散列法来完成识别。仿真实验表明,该方法能够有效区分不同结构的目标,且对干扰或遮挡现象具有良好的局部识别性能。     

ISAR target recognition based on non-negative sparse coding

Aiming at technical difficulties in feature extraction for the inverse synthetic aperture radar (ISAR) target recognition, this paper imports the concept of visual perception and presents a novel method, which is based on the combination of non-negative sparse coding (NNSC) and linear discrimination optimization, to recognize targets in ISAR images. This method implements NNSC on the matrix constituted by the intensities of pixels in ISAR images for training, to obtain non-negative sparse bases which characterize sparse distribution of strong scattering centers. Then this paper chooses sparse bases via optimization criteria and calculates the corresponding non-negative sparse codes of both training and test images as the feature vectors, which are input into k neighbors classifier to realize recognition finally. The feasibility and robustness of the proposed method are proved by comparing with the template matching, principle component analysis (PCA) and non-negative matrix factorization (NMF) via simulations.     

ISAR像自动识别中的预处理算法

目标逆合成孔径雷达（inverse synthetic aperture radar, ISAR）像通常表现为随视角变化的稀疏散射中心分布,这严重影响了ISAR像特征提取和目标识别的性能。以获得清晰且稳定的ISAR像为目的,研究了一种新的预处理算法:首先根据斑点噪声和横条纹干扰特点,对图像使用全局迭代阈值抑制斑点噪声,局部散射点强度削减抑制横条纹干扰,然后分别利用形态学处理和邻域平均法填充和平滑图像,最后对图像做质心、尺度和视角的归一化。仿真结果表明,该算法有效地提高了ISAR像的稳定性,有利于后续的目标特征提取与识别。     

基于分形特征矢量的水下目标识别

讨论目标回波的分形特征和基于分形的识别方法,并用实际潜艇的回波数据进行了分形特征识别研究。在分析回波信号时间域波形的基础上,应用随机分形理论,给出基于分形布朗运动的回波信号分维特征矢量提取的理论和方法;提取了回波信号的分形维特征矢量。进而给出了基于BP网络的分类计算方法,计算结果表明,所提的提取水声回波信号目标特征矢量的方法与分类方法切实可行。     

基于局部围线积分双谱的空间目标识别算法

提出了基于局部围线积分双谱的空间目标识别算法,从空间目标距离像的双谱中提取出局部围线积分双谱特征。应用BP神经网络进行分类识别,为了避免网络权值陷入局部极值点,采用遗传算法来获取网络权值的初值。仿真实验表明,即使在较低的信噪比下,该算法仍然可以取得比较高的识别率。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后,通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后,对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验,结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

一种基于复杂地物背景图像的目标识别方法

为解决复杂地物背景目标识别问题,提出一种基于复杂自然场景图像的目标识别方法。首先,进行多视点多尺度目标动态特征描述和目标轮廓特性视图制备;然后,采用灰度级顶帽形态学重构运算对输入图像进行处理,对处理后的图像进行分割,获得感兴趣区;最后,通过感兴趣区轮廓提取和基于Hausdorff距离匹配识别目标。实验结果表明,提出的方法能有效地从复杂自然场景中识别出目标。