SAR成像阴影边缘散焦误差分析

SAR图像阴影散焦误差分析是研究阴影再聚焦和提取目标阴影信息的理论基础。从阴影形成机理出发,以距离多普勒算法以例,推导阴影边缘二次距离压缩和方位压缩的二次相位误差表达式,建立了散焦误差与成像参数的关系模型。研究表明,方位压缩和二次距离压缩分别是影响阴影边缘散焦的第一环节和第二环节,其散焦误差与雷达频率、分辨率、目标高度有关。当X波段、Ku波段雷达的分辨率劣于0.07m时,方位压缩的阴影边缘散焦误差将达到总误差的99.0%以上,只需进行方位向再聚焦;当Ku波段雷达的分辨率优于0.04m时,则需要同时优化方位压缩和二次距离压缩环节。     

H13钢激光淬火工艺优化及组织性能

采用激光淬火对H13钢表面进行强化处理,通过正交试验中的极差分析进行淬火工艺优化,研究了最佳工艺参数下试样的硬度和摩擦磨损性能,并对激光淬火表面进行物相组成分析和显微组织观察。结果表明,最佳激光淬火工艺参数为激光功率600 W,扫描速度6 mm/s,搭接率为20%,该工艺下H13钢淬硬层的平均硬度为774 HV0.1,约为基体的3倍,淬硬层深度为0.87 mm,摩擦因数和磨损量约为0.367和0.0015 g,分别较基体下降了50%和60.5%。淬硬层主要为板条状和针状的混合马氏体,还有残留奥氏体和少量渗碳体。     

遥感图像中油罐目标精确定位与参数提取

目的 浮动顶油罐是遥感图像中具有圆形特征的典型人造目标,其高精度定位与参数提取问题是一类代表性的应用问题,针对该问题,传统的基于圆形特征的变换域提取方法鲁棒性差,参数选择需要不断手动调整;基于深度学习的方法利用对已有标注图像的训练求解网络参数,提高了自动化程度,但对于圆形目标而言,覆盖圆周需要较大的感受野,这对应较大的网络结构,随之带来细节信息缺失或参数量、运算量增大的问题。本文针对油罐的定位与参数提取问题,将传统特征提取与深度学习结合,提出了一种计算量小、精度高的方法。方法 基于快速径向对称变换（fast radial symmetry transform,FRST）后的变换域数据及原始数据构建了卷积神经网络（convolutional neural networks,CNN）,给出了训练过程及参数选择,有效地将圆形特征的先验引入深度学习过程,计算复杂度低,用较少层的网络实现了高精度的定位。结果 基于SkySat数据的实验表明,该方法比单纯基于深度学习的方法在相同网络量级上精度得到了有效提高,预测误差平均降低了17.42%,且随着网络深度的增加,精度仍有明显提高,在较浅层次网络中,预测误差平均降低了19.19%,在较深层次网络中,预测误差平均降低了15.66%。结论 本文针对油罐遥感图像定位与参数提取问题,提出了一种基于变换域特征结合深度学习的方法,有效降低了计算量,提升了精度和稳定性。本文方法适用于油罐等圆形或类圆形目标的精确定位和参数提取。