共查询到17条相似文献,搜索用时 140 毫秒
1.
2.
针对马赛克模式边缘成像模块存在斜视成像以及不同成像块拼接存在像素间隔不一致的问题,提出了一种合成孔径雷达马赛克模式成像处理算法。该算法在方位向采用改进的去斜处理方法,去除了信号方位频谱混叠,在此基础上,利用距离多普勒算法进行距离向压缩,距离徙动校正,再使用基于Chirp Z变换(CZT)消除了不同成像块的像素间隔差。仿真实验表明,该算法对马赛克模式具有良好的成像效果。 相似文献
3.
4.
5.
根据干扰信号与雷达回波信号的相关性,利用合成孔径雷达(SAR)RD成像算法,分析了固定时延转发干扰和随机时延转发干扰对SAR成像系统的影响,以便找出干扰SAR的有效途径。 相似文献
6.
7.
针对弹载SINS/SAR组合导航系统中,导弹机动性会影响SAR成像质量的问题,提出了一种新的Burg-Chirp Scaling-Dechirp成像算法。文中构造改进的相位补偿因子,补偿距离徙动造成的影响,采用Dechirp技术对部分孔径数据进行方位聚焦处理,优化算法结构;同时,建立回波信号观测数据的自回归模型,对图像的二维频谱进行外推,弥补经典CS成像算法空间分辨率受限的不足。将新的算法与CS算法进行仿真比较,结果表明,新的成像算法能有效改善点目标成像质量,提高SAR的成像质量。 相似文献
8.
合成孔径成像算法是合成孔径雷达技术中的关键技术之一,距离一多普勒算法是成像算法中最经典最常用的算法。通过引入检测改进了距离-多普勒算法的执行结构,利用任务处理实现了距离向处理和方位向处理的分开,保证了方位向处理的实时性,保留了原有算法数据流程的串行结构。仿真实验表明,改进算法比传统算法在时间上得到了改善。最后指出了改进算法所具有的特点。 相似文献
9.
10.
11.
12.
基于深度学习的目标检测算法已成为合成孔径雷达(SAR)图像目标检测任务的主流。深层网络通常具有大量参数,运行速度不能满足实时要求,难以在资源受限的设备(如移动端)上部署。考虑到对模型实时性和可移植性的要求,对双阶段目标检测算法快速区域卷积神经网络进行轻量化改进,比较不同改进方法对算法速度与精度的影响。结合SAR图像的特点,优化轻量化模型,与单阶段目标检测算法的单脉冲多盒检测网络对比。仿真实验结果表明,改进轻量化模型在保持原有精度水平下,模型占用内存和算法运算量大大减少,可有效满足SAR图像目标检测的实时性要求。 相似文献
13.
传统合成孔径雷达(SAR)图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。 相似文献
14.
针对构建合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标数据集的过程中,某些舰船类型样本
不足的问题,提出一种基于多尺度生成对抗网络(IC-ConsinGAN)的SAR 舰船目标扩充方法。通过将注意力机制引
入并行多阶段多尺度GAN 网络中,提取SAR 舰船目标的关键特征,抑制背景特征,使得生成的SAR 图像舰船目标
不仅具有精细化结构,而且弥补了单幅图像生成过程中多样性不足的问题。实验结果表明:SIFID 指标比原始
ConsinGAN 网络模型下降了0.02,将扩充数据加入到SAR 舰船目标识别任务中,10 类舰船目标平均识别率提升了
8.4%,证实了IC-ConsinGAN 模型的有效性,具有一定的工程应用价值。 相似文献
15.
16.
17.
机载或车载超宽带合成孔径雷达(UWB SAR)可以大区域快速探测单个地雷和雷场,是探雷的发展趋势。虚警太多是UWB SAR探雷实用化的主要问题。本文提出了模糊超球面支持向量机( FHS-SVM)地雷检测器。FHS-SVM在高维核特征空间中构造封闭的超球面区分地雷和杂波,并在学习过程中利用隶属度定量表征地雷和杂波误判风险不同及地雷埋设环境变化等因素对检测器的影响。轨道地表穿透SAR(Rail-GPSAR)系统实测数据处理结果表明,FHS-SVM比传统超球面SVM(HS-SVM)和超平面SVM(HP-SVM)具有更好的检测性能。 相似文献