星载SAR系统灵敏度对舰船分类影响的研究

针对不同星载SAR系统灵敏度下的SAR图像舰船分类准确率不同的问题,文中提出了一种系统灵敏度对舰船分类影响的研究方法。采用所提出的基于背景像素填充的目标旋转数据扩充方法,并结合微调卷积神经网络模型对舰船进行分类。同时降低图像的信噪比以等效获得不同系统灵敏度的数据集,再分析其灵敏度对舰船分类的影响。仿真结果表明,随着系统灵敏度的降低,舰船分类准确率的下降趋势逐渐变缓,且当最差系统灵敏度降为-13.58 dB时,准确率可达到75%。因此,所提方法可应用于舰船分类对星载SAR系统灵敏度的需求分析,而仿真结果也为低系统灵敏度的星载SAR舰船分类提供了参考。     

CS算法结合COAA算法提高机载合成孔径雷达成像质量

该文将对比度最优自聚焦算法(COAA)与基本Chirp Scaling算法(CSA)相结合,对CS算法方位处理过程做适当变化,把COAA算法融入其中,一方面进行精确的无插值距离徙动校正,一方面进行准确的二次相位误差估计和校正,从而提高机载合成孔径雷达的成像质量。通过对COAA算法采用变步长迭代提高二次相位误差估计的精度和速度,增强算法的实用性。文中给出两种算法相结合进行雷达数据成像处理的流程图,并用条带正侧视SAR模式实际雷达数据验证研究结果的有效性。