利用机载SAR图像仿真星载SAR图像

简要介绍了现有的SAR图像仿真方法,提出了一种利用机载SAR图像进行星载SAR图像仿真的方法,对仿真原理进行了阐述,着重研究了图像几何特性、空间分辨率、噪声特性、辐射特性仿真的数学模型及设计流程,最后进行了计算机仿真。结果分析表明得到的仿真图像具有较高的逼真度,该星载SAR图像仿真方法是有效的。     

基于SAR子孔径序列图像配准的海洋动态信息获取

合成孔径雷达(SAR)在海洋遥感中发挥着重要的作用。海洋的动态信息如洋流的运动和海浪的传播等是海洋信息中的重要组成部分。但是通常的SAR海洋图像信息处理是将SAR图像作为海面的瞬时状态进行处理,无法获取海洋的动态信息。该文采用子孔径分割的方法获取海面的具有连续时间间隔的序列图像,通过改进的相位相关法对序列图像间的对应部分进行亚像素级配准,获取了海面各个部分的海浪纹理信息运动的速度大小和方向。仿真实验表明改进的配准方法具有1/10像素精度和极强的噪声鲁棒性。对序列图像间相同的舰船目标,分别采用该文提出的配准法与较成熟的"尾迹法"计算的舰船速度基本一致,证明了该文方法的有效性。     

基于距离-多普勒算法的机载大斜视SAR成像

根据机载大斜视SAR距离走动较大的特点,通过在方位时域和频域分别校正部分距离走动,结合二次距离压缩和方位三次匹配,提出了基于RD算法的机载大斜视SAR成像算法,该算法能有效的克服聚焦深度和方位时间-带宽积的限制。成像实验的结果表明,该算法可应用于斜视角较大的机载SAR成像系统。     

基于MRF模型和形态学运算的SAR图像分割

针对目标监测分析中的SAR图像分割问题,构造了一种基于马尔可夫随机场(MRF)模型和形态学运算的处理方法.首先利用SAR图像邻域空间上的马尔可夫性以及像素灰度的高斯分布模型,以较少的迭代次数实现了SAR图像的初分割;然后通过形态学运算进行处理,抑制干扰性分割,同时填充目标区域内部空洞,改善分割效果.实验结果显示,该方法...     

一种Ku波段行波管发射机的设计

介绍了一种Ku波段行波管发射机的技术参数及其设计方法。主要叙述了系统中高压电源、监控电路和调制器的设计,并针对发射机在无人机载SAR方面的应用,就如何解决体积小、重量轻情况下的电磁兼容问题,低气压条件下的高压绝缘与散热矛盾作了较详细说明。     

基于ICA-SCS算法的极化SAR图像相干斑抑制

该文提出了采用基于独立分量分析的稀疏编码收缩(ICA-SCS)算法进行极化SAR图像相干斑抑制的新方法,结合软门限算子,有效抑制了图像中的相干斑噪声,保留了极化信息。实验结果表明,该算法具有较好的边缘保持和噪声抑制能力。     

基于Nonsubsampled Contourlet变换的SAR图像形状特征检索

Nonsubsampled Contourlet变换是一种非抽取得具有平移不变性的多尺度多方向的变换。将Canny算子和Nonsubsampled Contourlet变换(NSCT)[1]相结合,对图像运用Canny算子[2]提取边缘特征,再进行Nonsubsampled Contourlet变换,引入了三阶中心矩作为特征向量提取形状特征的算法。实现了基于Nonsubsampled Contourlet变换的图像形状特征检索,并将结果与基于2-D小波变换和基于Contourlet变换的图像形状特征检索作了比较,实验结果证明该方法的图像形状特征检索效率有较大的提高。     

极化SAR动目标定位中的残差图像干涉相干性分析

该文研究极化SAR动目标检测及定位中的频域残差图像干涉相干性优化问题.给出了多普勒频域杂波对消处理的基本流程,提出了一种利用频域残差图像进行最优极化干涉处理从而提高目标运动参数估计精度的方法.结合最优极化干涉理论,通过仿真分析研究了不同极化下频域残差图像的干涉相干性,验证了文中方法的有效性.     

基于非下采样Contourlet变换的SAR图像增强

该文基于非下采样Contourlet变换(NSCT)和SAR图像的统计特性,提出一种SAR图像增强方法,给出一种基于非下采样塔型分解的斑点噪声方差估计算法和一种基于方向邻域模型的弱边缘增强算法。该文在不同方向子代进行斑点方差估计,利用局部方向统计信息对NSCT系数并进行强边缘、弱边缘和噪声分类并进行弱边缘的增强和噪声的抑制。实验结果表明,该方法在方向信息保留和斑点抑制上优于非下采样小波变换(NSWT)相应方法。     

基于散射信息和元学习的SAR图像飞机目标识别

SAR图像由于数据获取难度大,样本标注难,目标覆盖率不足,导致包含地理空间目标的影像数量稀少。为了解决这些问题,该文开展了基于散射信息和元学习的SAR图像飞机目标识别方法研究。针对SAR图像中不同型号飞机空间结构离散分布差异较大的情况,设计散射关联分类器,对飞机目标的离散程度量化建模,通过不同目标离散分布的差异来动态调整样本对的权重,指导网络学习更具有区分性的类间特征表示。考虑到SAR目标成像易受背景噪声的影响,设计了自适应特征细化模块,促使网络更加关注飞机的关键部件区域,减少背景噪声干扰。该文方法有效地将目标散射分布特性与网络的自动学习过程相结合。实验结果表明,在5-way 1-shot的极少样本新类别识别任务上,该方法识别精度为59.90%,相比于基础方法提升了3.85%。减少一半训练数据量后,该方法在新类别的极少样本识别任务上仍然表现优异。