一种合成孔径雷达图像特征提取与目标识别的新方法

第30卷第3期电子与信息学报Vol.30No.3 2008年3月 Journal of Electronics & Information Technology Mar.2008

一种合成孔径雷达图像特征提取与目标识别的新方法

宦若虹①②杨汝良①岳晋①②

①(中国科学院电子学研究所北京 100080)

②(中国科学院研究生院北京 100039)

摘 要：该文提出了一种利用小波域主成分分析和支持向量机进行的合成孔径雷达图像特征提取与目标识别的新方法。该方法对图像小波分解后提取低频子带图像的主成分分量作为目标的特征，利用支持向量机进行分类完成目标识别。实验结果表明，该方法可以明显提高目标的正确识别率，是一种有效的合成孔径雷达图像特征提取和目标识别方法。

关键词：合成孔径雷达；小波变换；主成分分析；支持向量机；识别

中图分类号：TN957.52 文献标识码：A 文章编号：1009-5896(2008)03-0554-05

A New Method for Synthetic Aperture Radar Images Feature

Extraction and Target Recognition

Huan Ruo-hong①②Yang Ru-liang①Yue-Jin①②

①(Institute of Electronics, Chinese Academy of Sciences, Beijing 100080, China)

②(Graduate University of the Chinese Academy of Sciences, Beijing 100039, China)

Abstract: This paper presents a new method for synthetic aperture radar images feature extraction and target recognition which based on principal component analysis in wavelet domain and support vector machine. After wavelet decomposition of a SAR image, feature extraction is implemented by picking up principal component of the low-frequency sub-band image. Then, support vector machine is used to perform target recognition. Results are presented to verify that, the correctness of recognition is enhanced obviously, and the method presented in this paper is a effective method for SAR images feature extraction and target recognition.

Key words: Synthetic Aperture Radar (SAR); Wavelet transform; Principal Component Analysis (PCA); Support Vector Machine (SVM); Recognition

1引言

合成孔径雷达(Synthetic Aperture Radar，SAR)图像目标识别是SAR图像解译和分析的重要组成部分，具有重要的商业和军事价值，是国内外SAR图像处理和模式识别领域的研究热点。特征提取是SAR图像目标识别过程中最重要的一步。为了得到可靠的目标识别结果，用于识别的特征必须在分类空间上具有良好的类内凝聚性和类间差异性[1]。目标识别过程的另一个关键步骤是分类方法的选择，分类方法性能的优劣，直接影响到最后的识别结果。

本文提出了一种利用小波域主成分分析(Principal Component Analysis，PCA)和支持向量机[2](Support Vector Machine，SVM)进行的SAR图像特征提取和目标识别方法。对小波分解得到的低频子带图像进行主成分分析[3]提取目标特征，得到的特征向量用支持向量机分类完成目标识别。用MSTAR数据对该方法进行验证，结果表明，该方法可以有效地提高目标的正确识别率。

2006-08-15收到，2007-01-05改回2目标识别步骤

本文的识别过程如图1所示由3个步骤组成：(1)图像预处理。对图像数据进行规则化调整。(2)特征提取。通过二维离散小波变换将图像变换到不同分辨率下的小波域；对低频子带图像进行主成分分析后提取主成分分量作为目标的特征向量。(3)利用支持向量机进行分类。在特征向量所形成的低维特征空间上完成目标识别并输出识别结果。

图1 识别过程框图

3图像预处理

3.1实验数据

本文使用的图像数据是MSTAR项目组公布的3类SAR 地面静止军用目标数据，包括装甲车BMP2，装甲车BTR70

第3期 宦若虹等：一种合成孔径雷达图像特征提取与目标识别的新方法 555 和主战坦克T72。每类目标的样本包含了大量不同方位的图像，范围在0°～360°之间，方位间隔为1°。图像尺寸均为128像素×128像素。训练样本和测试样本分别是SAR 在俯视角为17°和15°时对这3类目标的成像切片数据。表1是训练样本和测试样本的种类和数目。图2从左至右分别是BMP2，BTR70和T72在俯视角为17°，方位角为90°时的SAR 目标图像。

表1 训练样本、测试样本种类及样本数

训练样本

样本数

测试样本 样本数 BMP2_c21 BTR70_c71 T72_132

233 233 232

BMP2_c21 BMP2_9563

BMP2_9566 BTR70_c71 T72_132 T72_812 T72_s7

196 195 196 196 196 195

191

图2 BMP2，BTR70和T72的SAR 目标图像

3.2 图像预处理

目标位置的平移、旋转以及不均匀的散射都会对特征提取和分类算法的性能产生影响[1]

。做图像预处理的目的是调整每幅目标图像的位置、方位角和幅度值，以提高特征提取和分类算法的性能。预处理步骤包括：(1)根据每幅目标图像数据中的方位角信息，将每个目标调整到标准方位角，这里取90°作为标准方位角。(2)以每个目标的最高能量散射点作为中心点形成新目标图像，新目标图像尺寸为64像素×64像素。(3)对新目标图像的幅度值作对数变换，使图像中的乘性噪声转换为加性噪声。(4)按式(1)对对数变换后图像的幅度值作归一化，使归一化后图像中各像素的幅度值的均值为0，标准差为1。

1212(,)(,)X X n n X

f n n σ?=

，11n N ≤≤，21n M ≤≤ (1) 其中X 是非归一化图像，f 是归一化图像，X 是X 的平均幅度值，X σ是X 的标准差，N ，M 分别是图像的行数和列数。图3是目标T72在俯视角为15°，方位角为303°时预处理前后的SAR 图像，图3(a)是预处理前的图像，图3 (b)是预处理后的图像。对比图3 (a)、图3 (b)可见，图像的质量得到明显改善，细节信息得到增强，目标位置被调整到图像

的正中间。

图3 目标T72预处理前后SAR 图像

4 特征提取

分辨率不同，图像特征的表现也不同[4,5]。由于无法确定何种分辨率下提取的特征最能代表目标且最有利于目标的分类，因而需要将图像变换到不同分辨率下分别提取特征。本文用二维离散小波变换[1]将图像变换到不同分辨率下的小波域。

主成分分析是近年来在图像分析和模式识别领域研究较多的一种统计特征提取方法。 主成分分析技术通过求解样本自相关矩阵的一组正交矢量并将样本在这组矢量上的

投影作为样本特征(称为主成分分量)进行特征提取和降维。将主成分分析法用于SAR 目标图像特征提取，其目的是在较低维数的空间内通过选择合适的基函数将样本能量尽可能

地集中起来，同时去除杂波，更好地描述目标图像，使样本特征的鲁棒性能更好。

SAR 图像特征提取步骤如下：

第1步 对每一幅预处理后的SAR 图像作3层二维离散小波分解，提取每一层分解后得到的低频子带图像。

图像()f n 的二维离散小波分解由下式表示[1]： 0

2

2

0,,,,()()()LL b b j k j k j k j k b B j j k Z k Z f n a n d n φψ∈≥∈∈=

+∑∑∑∑ (2)

其中0,()LL j k n φ是二维尺度函数，,b j k ψ是二维小波函数，0j a 是尺度系数，,b j k d 是小波系数，{}LH,HL,HH b B ∈=， j 是尺度因子，0j 是固定尺度，k 是二维位移因子。图像的3层二维离散小波分解示意图见图4(a)所示。其中LL i 表示第i 层分解后得到的低频子带图像，LH i ，HL i 和HH i 表示第i 层分解后得到的包含细节信息的子带图像。图4(b)是对图

3(b) 的3层二维离散小波分解效果图。由图4(b)-2可见，每层小波分解得到3个细节子带图像和1个低频子带图像，其大小为上一层(高频域)低频子带图像或原图的1/4。经过多层小波分解，提取每一层分解后的低频子带图像见图5。图5从左至右依次是1层分解，2层分解和3层分解得到的

556 电 子 与 信 息 学 报 第30卷

图

4

图5 不同分辨率下的低频子带图像

低频子带图像。这里选用Haar 小波。由图5可见，低频子带图像包含了图像的概貌信息，随着分解层次的增多，分辨 率逐渐降低。

第2步 对不同分辨率下即不同尺度下的低频子带图像分别进行主成分分析，提取第一主成分分量作为目标的特征向量。

求图像矩阵n n ×X 的自相关矩阵T

[]n n n n

E ××=C X X ，对低频子带图像1LL ，n 的取值为32。将C 作特征值分解，得到特征值为i λ，1,2,,i n ="。对i λ进行归一化，即1

n

i i

i i λλλ==∑。

将i λ从大到小依次排序，表2列出了3类目标训练样本的前5个平均i λ值。由表中可见，1λ集中了图像的主要信息，选择

1λ对应的特征向量v 形成变换矩阵T []=W v 。提取图像的第一主成分分量n n ×=Y WX 为目标图像特征向量。

同理可求得每一幅目标图像在2尺度下和3尺度下的特征向量。

表2 3类目标训练样本的前5个平均i λ值

1λ 2λ 3λ 4λ 5λ

BMP2_c21 0.536 0.119 0.053 0.041 0.034 BTR70_c71 0.530 0.142 0.051 0.039 0.033 T72_132 0.604 0.098 0.050 0.037 0.030

5 利用支持向量机进行的目标分类方法

本文所用的训练样本数目较少(见表1)，为了获得更高的识别率和更好的推广性，选用支持向量机分类方法对目标进行分类。支持向量机是在统计学习理论的基础上发展起来的一种较新的模式识别方法，建立在统计学习理论的

VC(Vapnik-Chervonenkis)维理论和结构风险最小化原理基础之上，避免了局部最优解，巧妙克服了“维数灾难”，在

解决小样本、非线性及高维模式识别问题中表现出许多特有的优势[6]。

本文对MSTAR 数据库中的BMP2，BTR70和T72 3类目标实现分类，设训练样本集为(,)i i y x ，1,,i n ="，

d R ∈x 为上文提取的特征向量，{1,2,3}y ∈是类别标号，n 为3类目标训练样本数目总和，d 等于32(1尺度下)，16(2尺度下)或8(3尺度下)。

支持向量机的基本理论只考虑了二值分类这一最简单的情况，本文需要对3类目标分类，故选用“一对一”组合方式构造BMP2和BTR70，BMP2和T72，BTR70和T72

3个两类支持向量机对这3类目标进行分类识别。识别时，用投票法，得票最多的类即为测试样本所属的类别。

两类支持向量机的原理可用图6说明。图中H 为分类超

平面，1H ，2H 分别为过各类中离超平面最近的样本且平行于超平面的直线，它们之间的距离为分类间隔2w ，1H ，2H 上的训练样本为支持向量。最优分类函数为：

**1()sgn (,)n i i i i f x y K b α=??????=+????????

∑x x (3) *i α为与每个样本对应的Lagrange 乘子，i x 是支持向量，*b 是分类阈值。(,)i K x x 是核函数，本文选用高斯径向基(RBF)核函数(){

}

2

2,exp i i

K σ=??x x x x 。

图6 支持向量机原理示意图

第3期宦若虹等：一种合成孔径雷达图像特征提取与目标识别的新方法 557

6识别结果与分析

表3至表6分别是用本文方法在0尺度下，1尺度下，2

尺度下和3尺度下提取的特征用支持向量机分类得到的混淆

矩阵。本文中0尺度下提取的特征是指不经过小波变换直接

对预处理后的图像用主成分分析方法提取的特征。用=正确识别样本数

识别率

总样本数

分别计算每类测试样本的识别

率以及所有测试样本的平均识别率，得到结果见表7。表7

中各行依次对应于由表3至表6得到的识别率。

表3本文方法在0尺度下得到的混淆矩阵

BMP2

BTR70

T72 BMP2 531 23 33

BTR70 5 190 1

T72 21 6 555 表4本文方法在1尺度下得到的混淆矩阵

BMP2

BTR70

T72 BMP2 538 27 22

BTR70 2 193 1

T72 18 9 555 表5本文方法在2尺度下得到的混淆矩阵

BMP2

BTR70

T72 BMP21 535 26 26

BTR70 8 188 0

T72 16 8 558 表6本文方法在3尺度下得到的混淆矩阵

BMP2

BTR70

T72 BMP2 534 24 29

BTR70 6 187 3

T72 47 0 535 表7不同尺度下的识别率比较(%)

BMP2

BTR70

T72

平均识别率0尺度 90.46 96.94 95.36 93.48

1尺度 91.65 98.47 95.36 94.21

2尺度 91.14 95.92 95.88 93.85

3尺度 90.97 95.41 91.92 92.02 比较表7可见，不同分辨率下即不同尺度下提取的特征

用于目标识别得到的正确识别率是不同的。这是由于小波分解后提取的低频子带图像滤除了SAR图像中的高频噪声，减小了噪声对图像和特征的干扰，所以，1尺度下和2尺度下得到的识别率略高于0尺度下得到的识别率；低频子带图像与原图像相比在滤除高频噪声的同时使得图像的细节信息受到损失，影响了特征的准确性，所以，3尺度下得到的识别率略低于0尺度下、1尺度下和2尺度下得到的识别率。折中考虑滤除噪声和保留图像细节，在1尺度下提取的特征用于目标识别获得的目标正确识别率最高为94.21%。

文献[7]给出了一种模板匹配法，该方法以10°为方位单元，对每个方位单元内的训练图像样本取平均作为模板，用最小距离准则作匹配完成分类。文献[8]给出了一种支持向量机分类方法，该方法没有进行任何特征提取，以30°为方位单元，在每个方位单元内对图像样本用支持向量机完成分类。表8是文献[7]，文献[8]与本文的识别方法得到的识别率比较。由表8可见，本文方法得到的最高平均识别率明显高于其他两种识别方法得到的识别率。

表83种识别方法的识别率比较(%)

BMP2

BTR70

T72

平均识别率

文献[7]模板匹配法82.79 93.37 94.50 89.30 文献[8]SVM 90.97 99.49 88.14 90.99 本文方法(1尺度) 91.65 98.47 95.36 94.21 7结束语

本文提出了一种合成孔径雷达图像特征提取与目标识别的新方法。用二维离散小波变化对图像进行多分辨率分解，通过主成分分析法提取不同分辨率下低频子带图像的第一主成分分量作为目标的特征向量，对提取出的特征用支持向量机实现目标识别。实验结果证实，这种SAR图像特征提取和识别方法可有效识别目标，明显提高目标的正确识别率。

参考文献

[1] Sandirasegaram N and Englisth R. Comparative analysis of

feature extraction (2D FFT and wavelet) and classification

(Lp metric distances, MLP NN, and HNeT) algorithms for

SAR imagery. Proc. SPIE, 2005, Vol. 5808: 314-325.

[2] Vapnik V N. An overview of statistical learning theory. IEEE

Trans. on Neural Networks, 1999, 10(5): 988-999.

[3] Smith L I. A tutorial on principal components analysis.

Technique Report. Computer Vision, Department of Computer Science, University of Otago, 26 February 2002. [4] Puyati W, Walairacht S, and Walairacht A. PCA in wavelet

558 电子与信息学报第30卷

domain for face recognition. IEEE Conf. Advanced Communication Technology, Korea, 2006, Vol. 1: 450-455. [5] Safari M, Harandi M T, and Araabi B N. A SVM-based

method for face recognition using a wavelet PCA representation of faces. IEEE Conf. Image Processing, Singapore, 2004, Vol. 2: 853-856.

[6] Zhao Q, Principe J C, and Brennan V L, et al.. Synthetic

aperture radar automatic target recognition with three strategies of learning and representation. Opt. Eng. 2000,

39(5): 1230-1244.

[7] Ross T D, Worrell S W and Velten V J, et al.. Standard SAR

ATR evaluation experiments using the MSTAR public release

data set. Proc. SPIE, 1998, Vol. 3370: 566-573.

[8] Zhao Q and Principe J C. Support vector machines for SAR

automatic target recognition. IEEE Trans. on Aerospace and Electronic Systems, 2001, 37(2): 643-654.

宦若虹：女，1979年生，博士生，研究方向为合成孔径雷达图像处理、模式识别.

杨汝良：男，1943年生，研究员，博士生导师，研究方向为微波成像新体制新技术及信息处理.

岳晋：女，1980年生，博士生，研究方向为合成孔径雷达图像处理、多源遥感图像融合.

合成孔径雷达概述(SAR)

合成孔径雷达概述 1合成孔径雷达简介 (2) 1.1 合成孔径雷达的概念 (2) 1.2 合成孔径雷达的分类 (3) 1.3 合成孔径雷达(SAR)的特点 (4) 2合成孔径雷达的发展历史 (5) 2.1 国外合成孔径雷达的发展历程及现状 (5) 2.1.1 合成孔径雷达发展历程表 (6) 2.1.2 世界各国的SAR系统 (9) 2.2 我国的发展概况 (11) 2.2.1 我国SAR研究历程表 (11) 2.2.2 国内各单位的研究现状 (12) 2.2.2.1 电子科技大学 (12) 2.2.2.2 中科院电子所 (12) 2.2.2.3 国防科技大学 (13) 2.2.2.4 西安电子科技大学 (13) 3 合成孔径雷达的应用 (13) 4 合成孔径雷达的发展趋势 (14) 4.1 多参数SAR系统 (15) 4.2 聚束SAR (15) 4.3极化干涉SAR（POLINSAR） (16) 4.4合成孔径激光雷达（Synthetic Aperture Ladar） (16) 4.5 小型化成为星载合成孔径雷达发展的主要趋势 (17) 4.6 性能技术指标不断提高 (17) 4.7 多功能、多模式是未来星载SAR的主要特征 (18) 4.8 雷达与可见光卫星的多星组网是主要的使用模式 (18) 4.9 分布SAR成为一种很有发展潜力的星载合成孔径雷达 (18) 4.10 星载合成孔径雷达的干扰与反干扰成为电子战的重要内容 (19) 4.11 军用和民用卫星的界线越来越不明显 (19) 5 与SAR相关技术的研究动态 (20) 5.1 国内外SAR图像相干斑抑制的研究现状 (20) 5.2 合成孔径雷达干扰技术的现状和发展 (20) 5.3 SAR图像目标检测与识别 (22) 5.4 恒虚警技术的研究现状与发展动向 (25) 5.5 SAR图像变化检测方法 (27) 5.6 干涉合成孔径雷达 (31) 5.7 机载合成孔径雷达技术发展动态 (33) 5.8 SAR图像地理编码技术的发展状况 (35) 5.9 星载SAR天线方向图在轨测试的发展状况 (37) 5.10 逆合成孔径雷达的发展动态 (38) 5.11 干涉合成孔径雷达的发展简史与应用 (38)

sar合成孔径雷达图像点目标仿真报告附matlab代码

S A R 图像点目 标仿真报告 徐一凡 1 SAR 原理简介 合成孔径雷达(Synthetic Aperture Radar ，简称SAR)是一种高分辨率成像雷达技术。它利用脉冲压缩技术获得高的距离向分辨率，利用合成孔径原理获得高的方位向分辨率，从而获得大面积高分辨率雷达图像。 SAR 回波信号经距离向脉冲压缩后，雷达的距离分辨率由雷达发射信号带宽决定：2r r C B ρ=，式中r ρ表示雷达的距离分辨率，r B 表示雷达发射信号带宽，C 表示光速。同为 (PT x = ,0z =；）， (;)PT R s r = = (2) (;)R s r 就表示任意时刻s 时，目标与雷达的斜距。一般情况下，0v s s r -<<，于是通过傅里叶技术展开，可将(2)式可近似写为： 2 20(;)()2v R s r r s s r =≈+- (3) 可见，斜距是s r 和的函数，不同的目标，r 也不一样，但当目标距SAR 较远时，在观测带

内，可近似认为r 不变，即0r R =。 图2：空间几何关系 (a)正视图 (b)侧视图 图2(a)中，Lsar 表示合成孔径长度，它和合成孔径时间Tsar 的关系是Lsar vTsar =。(b)中，θ?为雷达天线半功率点波束角，θ为波束轴线与Z 轴的夹角，即波束视角，min R 为近距点距离，max R 为远距点距离，W 为测绘带宽度，它们的关系为： 2min (R H tg θθ?=?-） 式中，rect()表示矩形信号，r K 为距离向的chirp 信号调频率，c f 为载频。 雷达回波信号由发射信号波形，天线方向图，斜距，目标RCS ，环境等因素共同决定，若不考虑环境因素，则单点目标雷达回波信号可写成式(6)所示： ()()r n n s t wp t n PRT στ∞=-∞= -?-∑ (6) 其中，σ表示点目标的雷达散射截面，w 表示点目标天线方向图双向幅度加权，n τ表

雷达成像技术(保铮word版)第四章 合成孔径雷达

第四章 合成孔径雷达 合成孔径雷达（Synthetic Aperture Radar ，简称SAR ）是成像雷达中应用最 多，也是本书讨论的重点。在前几章对雷达如何获取高的距离分辨率和横向分辨 的基础上，从本章开始用三章的篇幅对合成孔径雷达作较详细的讨论。 首先，结合工程实际介绍合成孔径雷达的原理。在前面的讨论中已经提到， 根据不同的要求，成像算法（特别是横向成像算法）有许多种，本章只介绍最简 单的距离-多普勒算法的原理，目的是由此联系到对合成孔径雷达系统的要求以 及工程实现方面的问题。 合成孔径雷达通常以场景作为观测对象，它与一般雷达有较大不同，我们将 在本章讨论合成孔径雷达有别于一般雷达的一些技术性能和参数。 4.1 条带式合成孔径雷达成像算法的基本原理 4.1所示，设X 轴为场景的中心 线，Q 为线上的某一点目标，载机以 高度H 平行于中心线飞行，离中心线 的最近距离B R 为 B R = （4.1） 当载机位于A 点时，它与Q 点的斜距 为 R = （4.2） 式中t X 为点目标Q 的横坐标。 当分析中心线上各个点目标的回波状况及成像算法时，可以在包括场景中心 线（即X 轴）和载机航线的平面里进行。至于场景里中心线外的情况将在后面 说明，这里暂不讨论。 一般合成孔径雷达发射线性调频（LFM ）脉冲，由于载机运动使其到目标的 距离发生变化，任一点目标回波在慢时间域也近似为线性调频，而且包络时延也 几何示意图

随距离变化，即所谓距离徙动。合成孔径雷达成像算法的任务是从载机运动录取得到的快、慢时间域的回波数据，重建场景图像，它是二维匹配滤波问题。 严格考虑距离徙动的成像算法比较复杂，在实际应用中，一般均根据情况采用一些较简单的算法，这些将在第五章里系统介绍。在这里我们主要讨论分辨率较低，距离徙动影响可以忽略的最简单的情况，这时可采用简易的距离-多普勒基本算法。 所谓距离徙动的影响可以忽略不计是指雷达波束扫过某点目标的相干处理时间里，目标斜距变化引起的距离徙动值小于距离分辨单元长度的1/4~1/8，即场景中心线上所有点目标的回波（距离压缩后的）在慢时间域里均位于同一个距离单元。当然，因斜距改变引起的二次型相位变化还是需要考虑的，即系统的脉冲响应函数应考虑二次型相位。这种情况下的成像算法是比较简单的，可将回波信号先在快时间域作脉压匹配滤波，然后再对快时间域的每一个距离单元分别沿慢时间作方位压缩的匹配处理，于是得到场景的二维图像。在上面的图4.1中，我们提出只对中心线上的目标进行讨论，场景的二维图像当然包括场景里中心线以外的目标，这将在下一节里说明。 脉压匹配滤波可以在时域用回波数据与系统函数作卷积处理，也可以在频域作乘积处理，由于乘积的运算量小，同时时频域之间的傅里叶变换有FFT快速算法，频域计算用得更多。此外，由于场景有一定宽度，比发射脉冲宽度宽不少，而沿慢时间录取的数据长度一般也比波束扫过一个点目标的相干积累时间长得多，即时域信号长度比系统匹配函数长得多，这里应将信号分段处理后再加以拼接。 4.2合成孔径雷达回波的多普勒特性 信号有时域表示和频域表示，一般情况直接获取的是时域信号，通过傅里叶变换得到它的频谱。合成孔径雷达信号也是如此，快时间表示的发射信号是在时域生成，而慢时间回波则为载机运动过程中回波的变化序列。通过傅里叶变换，可以得到快时间频谱（距离谱）和慢时间频谱（多普勒谱或方位谱）。 合成孔径雷达信号有它的特殊性，它的回波为众多点目标回波的线性组合，而对一个点目标来说，其快、慢时间回波均为（或近似为）线性调频信号。对于

SAR合成孔径雷达图像点目标仿真报告(附matlab代码)

SAR 图像点目标仿真报告 徐一凡 1 SAR 原理简介 合成孔径雷达(Synthetic Aperture Radar ，简称SAR)是一种高分辨率成像雷达技术。它利用脉冲压缩技术获得高的距离向分辨率，利用合成孔径原理获得高的方位向分辨率，从而获得大面积高分辨率雷达图像。 SAR 回波信号经距离向脉冲压缩后，雷达的距离分辨率由雷达发射信号带宽决定： 2r r C B ρ= ，式中r ρ表示雷达的距离分辨率，r B 表示雷达发射信号带宽，C 表示光速。同样，SAR 回波信号经方位向合成孔径后，雷达的方位分辨率由雷达方位向的多谱勒带宽决定：a a a v B ρ= ，式中a ρ表示雷达的方位分辨率，a B 表示雷达方位向多谱勒带宽，a v 表示方位向SAR 平台速度。在小斜视角的情况下，方位分辨率近似表示为2 a D ρ=，其中D 为方位向合成孔径的长度。 2 SAR 的几何关系 雷达位置和波束在地面覆盖区域的简单几何模型如图1所示。此次仿真考虑的是正侧视的条带式仿真，也就是说倾斜角为零，SAR 波束中心和SAR 平台运动方向垂直的情况。 图1 雷达数据获取的几何关系 建立坐标系XYZ 如图2所示，其中XOY 平面为地平面；SAR 平台距地平面高H ，以速度V 沿X 轴正向匀速飞行；P 点为SAR 平台的位置矢量，设其坐标为(x,y,z)； T 点为目标的位置矢量，设其坐标为(,,)T T T x y z ；由几何关系，目标与SAR 平台的斜距为： R PT == 由图可知：0,,0T y z H z ===；令x vs =?， 其中v 为平台速度，s 为慢时间变量（slow time ） ，

(完整版)SAR合成孔径雷达图像点目标仿真报告(附matlab代码)

SAR 图像点目标仿真报告 徐一凡 1 SAR 原理简 介 合成孔径雷达 (Synthetic Aperture Radar . 简称 SAR)是一种高分辨率成像雷达技术。 它利用脉冲压缩技术获得高的距离向分辨率 . 利用合成孔径原理获得高的方位向分辨率 . 从 而获得大面积高分辨率雷达图像。 SAR 回波信号经距离向脉冲压缩后 . 雷达的距离分辨率由雷达发射信号带宽决定： r 2C B r . 式中 r 表示雷达的距离分辨率 . B r 表示雷达发射信号带宽 . C 表示光速。同 样.SAR 回波信号经方位向合成孔径后 . 雷达的方位分辨率由雷达方位向的多谱勒带宽决定： SAR 平台速度。在小斜视角的情况下 . 方位分辨率近似表示为 a D . 其中 D 为方位向合成 2 孔径的长度。 2 SAR 的几何关系 雷达位置和波束在地面覆盖区域的简单几何模型如图 1 所示。此次仿真考 虑的是正侧 视的条带式仿真 . 也就是说倾斜角为零 .SAR 波束中心和 SAR 平台运动方向垂直的情况。 图1 雷达数据获取的几何关系 建立坐标系 XYZ 如图 2 所示. 其中 XOY 平面为地平面； SAR 平台距地平面高 H.以速度 V 沿 X 轴正向匀速飞行； P 点为 SAR 平台的位置矢量 . 设其坐标为 (x,y,z) ； T 点为目标的位 置矢量 .设其坐标为 (x T , y T , z T ) ；由几何关系 .目标与 SAR 平台的斜距为： 由图可知： y 0, z H , z T 0 ；令 x v s . 其中 v 为平台速度 .s 为慢时间变量( slow v a a . 式中 B a a 表示雷达的方位分辨率 B a 表示雷达方位向多谱勒带宽 . v a 表示方位向 uuur R PT (x x T )2 (y y T )2 (z z T )2 (1)

真实和合成孔径雷达

Real and Synthetic Aperture Radar
Real Aperture Radar (RAR) flight direction
azimuth Synthetic Aperture Radar (SAR) flight direction
azimuth
1

Spatial Resolution (1)
2

距离分辨率 与真实孔径雷达距离向分辨率相同。但由于真实孔径 机载雷达一般用短脉冲来实现距离向分辨率，而合成孔 径雷达通常用带宽（脉冲频率的变化范围）为B的线性调 频脉冲来实现作用距离向的良好分辨率。
δr =
1 c cτ = 2 2B
Spatial Resolution (2)
For Real Aperture Radar (Side-looking Radar)
razimuth ?
λR
l cτ 2 sin θ
rground ? range =
For Synthetic Aperture Radar (SAR)
razimuth ?
l 2 c 2 B sin θ
rground ?range =
3

Rr =
τc
2 cos γ
=
ground Range resolution
pulse length × speed of light 2 cos ( depression angle )
Range Resolution (2)
4

双基地逆合成孔径雷达成像平面分析(精)

收稿日期 :2009-12-03修回日期 :2010-01-12*基金项目 :国家 “ 863” 高技术研究计划基金资助项目 (2008A A 8080503 作者简介 :董健 (1982- , 男 , 福建福州人 , 博士研究 生 , 研究方向为 :雷达信号处理 , SA R/ISA R 成文章编号 :1002-0640(2011 03-0062-05 双基地逆合成孔径雷达成像平面分析 * 董健 1, 2, 尚朝轩 1, 高梅国 2, 傅雄军 2 (1. 军械工程学院 , 石家庄 0500003, 2. 北京理工大学雷达技术研究所 , 北京100081 摘要 :主要分析了双基地逆合成孔径雷达的成像平面。基于双基地 SA R 成像平面分析 , 双基地目标旋转矢量分析两种方法 , 分别建立了两种不同的双基地ISA R 成像平面模型。为验证模型正确性 , 分别将两种模型应用于双基地转台成 像分析 , 并预测成像结果。基于 BP 算法的双基地转台点目标成像仿真表明 , 旋转矢量分析法建立模型的分析结果与仿真结果完全吻合。基于虚拟目标航迹的双基地逆合成孔径雷达 BP 算法成像仿真也验证了该模型的正确性。对基于双基地 SA R 的 I SAR 成像平面模型的缺陷也进行了初步探讨。 关键词 :双基地 , 逆合成孔径雷达 , 成像平面中图分类号 :T N 951文献标识码 :A The Imaging Plane Analysis of Bistatic ISAR DONG Jian 1, 2

, SHANG Chao-x uan 1 , GAO M ei-guo 2 , FU Xiong -jun 2 (1. Ord nance E ngineering College , Shij iaz huang 050003, China , 2. R adar T echnique I nstitute , Beij ing I ns titute of T echnology , Beij ing 100081, China Abstract :T his wo rk mainly discusses the imaging plane o f the Bistatic ISAR . T he im ag ing plane is modeled by two different metho ds separately . One is modeling the im aging plane according to the bistatic SAR image planing; the other is to model the plane by targ et ro tation v ector analy sis. The m odeling pr ocess is presented in detail. Bo th the m odels are seem to be reasonable, but are different to each other. They are then testified by applying them to inter pret the bistatic turntable imag ing , and to analy ze the po ssible r esult. T he results of BP alg orithm turntable im ag ing simulatio n perfectly match the predictions of the seco nd model, w hich is built by target r otation vector analysis. Further simulatio ns of m oving point-scatter bistatic imaging also indicate the validity of the second m odel . T he deficiency o f the first m odel is also discussed . Key words :bistatic, SAR, imaging plane 引言 双基地雷达是发射机与接收机分离很远的雷达系统 [1], 雷达的早期形式就是双基地雷达。由于双基地雷达在对抗雷达“ 四大威胁” 方面的突出优点 , 自

合成孔径雷达成像自聚焦算法的比较

合成孔径雷达成像自聚焦算法的比较 【摘要】本文简要地分析和比较两类合成孔径雷达自聚焦算法的特点，并通过多点目标自聚焦成像对其进行验证，表明结论可靠。 【关键词】自聚焦算法；多点目标；孔径雷达 0 引言 SAR自聚焦算法的任务是首先要对经过处理后的未补偿的SAR信号进行相位误差估计，然后消除其相位误差。SAR自聚焦算法就其本质而言是一个二维估计问题，在公式（2）中的相位误差既是空变的又是不可分离的乘性噪声的事实使问题变得极为棘手。影响成像的几何线性，分辨率、图像对比度和信噪比的主要因素取决于相位误差的性质和大小，基于处理孔径上相位误差形式，表1给出两大类相位误差及其每一类对SAR成像的一般影响。 表1 相位误差的分类 1 几种实用的自聚焦算法的比较 一般来说，自聚焦算法可以划分为两类：基于模式算法和非参数算法。基于模式的自聚焦算法估计相位误差的模式展开系数。低阶模自聚焦仅能估计二阶相位误差，而更复杂的方法还可以估计高阶多项式相位误差。子孔径相关法（MD）和多孔经相关法（MAM）是针对低频相位误差补偿提出的基模自聚焦算法的范例。基于模式算法虽然执行起来相对简单而且算法高效。不过只能相位误差被正确估计的情况下才能保证这样的优越性。 第二类自聚焦算法，即非参数自聚焦算法，典型的有相位梯度自聚焦算法，基于最小熵准则和最大对比度准则的自聚焦方法，这些方法都不需要相位误差的先验知识。特别地，相位梯度自聚焦算法几种改进的算法。其中特征向量法是在PGA框架下运用了极大似然算子取代了原始的相位差算子核，改进的相位梯度自聚焦算法的策略通过选择一组高质量的目标以提供非迭代的PGA解。另一种方法是运用加权最小二乘法以实现相位误差最小化的PGA。适用范围扩大，计算高效。 在一些SAR应用中，相位误差显著依赖位置，空变的自聚焦的常用的方法是将大场景分成更小的子图像，每个子图像的误差近似不变的，因此，传统的空间不变的自聚焦程序可以应用到每个子图像。当重新聚焦时，个别的子图像拼接或镶嵌在一起产生完整的场景图像聚焦图像。 2 性能评价标准 第一个测试是检查在方位域一维的点目标响应。聚焦质量质量指标包括3dB

国外合成孔径雷达侦察卫星发展现状与趋势分析

国外合成孔径雷达侦察卫星发展现状 与趋势分析 Email:beautyhappy521@https://www.docsj.com/doc/d4180066.html, 0 引言 未来战场状况瞬息万变，实时掌握正确的情报信息是取得战争主动权的重要因素，对敌照相侦察是进行情报收集的有效手段。然而利用各种天然环境与人为工事、配合黑夜与恶劣气候条件、隐蔽及掩护部队（武器）行踪可使得传统光学影像无能为力，这也给雷达影像以发展契机。 合成孔径雷达(Synthetic Aperture Radar,简称SAR)是一种全天候、全天时的现代高分辨率微波成像雷达。它是二十世纪高新科技的产物，是利用合成孔径原理、脉冲压缩技术和信号处理方法，以真实的小孔径天线获得距离向和方位向高分辨率遥感成像的雷达系统，在成像雷达中占有绝对重要的地位。近年来由于超大规模数字集成电路的发展、高速数字芯片的出现以及先进的数字信号处理算法的发展，使SAR具备全天候、全天时工作和实时处理信号的能力，并已经成为现代战争军事情报侦察的重要工具[1]。了解与研究国外SAR侦察卫星的发展现状及趋势，无论是对我国开发新的SAR卫星系统还是研究反SAR侦察技术都具有重要的现实意义。 1国外SAR侦察卫星的发展现状 1.1 美国的Lacrosse卫星 “长曲棍球”（Lacrosse）卫星是美国的军用雷达成像侦察卫星。它不仅适于跟踪舰船和装甲车辆的活动，监视机动或弹道导弹的动向，还能发现伪装的武器和识别假目标，甚至能穿透干燥的地表，发现藏在地下数米深处的设施。美国已经发射了Lacrosse-1（1988年12月）、Lacrosse-2（1991年3月）、Lacrosse-3（1997年10月）、Lacrosse-4（2000年8月）、Lacrosse-5（2005年4月），其中Lacrosse-1已经退役，并正在研制Lacrosse-6，分辨率从最初的1 m提高到0.3 m。“长曲棍球”卫星已成为美国卫星侦察情报的主要来源，美国军方计划再订购6台“长曲棍球”卫星上的SAR，每台SAR的价格约5亿美元[2]。 1.2 美国的Discover II卫星

合成孔径雷达概述

合成孔径雷达概述 蔡 Beautyhappy521@https://www.docsj.com/doc/d4180066.html, 二OO八年三月二十三

1合成孔径雷达简介 (3) 1.1 合成孔径雷达的概念 (3) 1.2 合成孔径雷达的分类 (4) 1.3 合成孔径雷达(SAR)的特点 (5) 2合成孔径雷达的发展历史 (6) 2.1 国外合成孔径雷达的发展历程及现状 (6) 2.1.1 合成孔径雷达发展历程表 (7) 2.1.2 世界各国的SAR系统 (10) 2.2 我国的发展概况 (12) 2.2.1 我国SAR研究历程表 (12) 2.2.2 国内各单位的研究现状 (13) 2.2.2.1 电子科技大学 (13) 2.2.2.2 中科院电子所 (13) 2.2.2.3 国防科技大学 (14) 2.2.2.4 西安电子科技大学 (14) 3 合成孔径雷达的应用 (14) 4 合成孔径雷达的发展趋势 (15) 4.1 多参数SAR系统 (16) 4.2 聚束SAR (16) 4.3极化干涉SAR（POLINSAR） (17) 4.4合成孔径激光雷达（Synthetic Aperture Ladar） (17) 4.5 小型化成为星载合成孔径雷达发展的主要趋势 (18) 4.6 性能技术指标不断提高 (18) 4.7 多功能、多模式是未来星载SAR的主要特征 (19) 4.8 雷达与可见光卫星的多星组网是主要的使用模式 (19) 4.9 分布SAR成为一种很有发展潜力的星载合成孔径雷达 (19) 4.10 星载合成孔径雷达的干扰与反干扰成为电子战的重要内容 (20) 4.11 军用和民用卫星的界线越来越不明显 (20) 5 与SAR相关技术的研究动态 (21) 5.1 国内外SAR图像相干斑抑制的研究现状 (21) 5.2 合成孔径雷达干扰技术的现状和发展 (21) 5.3 SAR图像目标检测与识别 (23) 5.4 恒虚警技术的研究现状与发展动向 (26) 5.5 SAR图像变化检测方法 (28) 5.6 干涉合成孔径雷达 (32) 5.7 机载合成孔径雷达技术发展动态 (34) 5.8 SAR图像地理编码技术的发展状况 (36) 5.9 星载SAR天线方向图在轨测试的发展状况 (38) 5.10 逆合成孔径雷达的发展动态 (39) 5.11 干涉合成孔径雷达的发展简史与应用 (39)

合成孔径雷达文献综述

合成孔径雷达文献综述 一、前言 合成孔径雷达(Synthetic Aperture Radar,简称SAR) )是一种高分辨力成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。由于其具有克服云、雾、雨、雪的限制对地面目标成像，可以全天时、全天候、高分辨力、大幅面对地观测的特点，引起了各国的高度重视。近年来，随着合成孔径雷达关键技术的不断发展，SAR 成像分辨力不断提高、信号处理能力不断增强、数据传输速率不断增加、设备体积不断减小、质量不断降低，SAR 在军事侦察，打击效果评估和国民经济等领域上尽显优势。 本文主要介绍合成孔径雷达的基本原理、发展历程、技术热点和发展趋势，并对合成孔径雷达在民用及军事方面的应用进行简述。 二、概述 1、基本原理 普通雷达的方位分辨力取决于天线的方位波束宽度，但由于方位波束宽度与天线口径成反比，与雷达工作频率成正比，而天线的尺寸和工作频按距离率均受实际工程实现的限制，因此常规雷达的方位分辨力较低，特别是远距离处的横向距离分辨力更低，远不能满足实际需要。合成孔径雷达就是为提高方位分辨力而产生的一种新的技术，即通过雷达平台的移动，把一段时间内收到的信号进行相干合成，从而获得高的方位分辨力。 1）实孔径成像 雷达在实孔径成像时，是利用实际天线口径产生的窄波束来直接得到方位分辨力的。 假设天线长为x L 的天线，接受来自满足远场条 件且偏离视轴α的点源的回波信号，如图1所示。 其中，3dB α?为单程半功率波束宽度，λ为雷达工 作波长。则在距离R 处的方位向距离（横向距离） 分辨力为 30.88/a dB x R R L ραλ≈?≈ 由上式可以看出此时方位向距离分辨力与实际孔径天线的长度成反比，与雷达工作波长、雷达斜距成正比，因此要获得高的分辨力，必须利用大口径天线和高的工作频率。但实际工程中，实孔径成像时的方位分辨力即横向距离分辨力是非常差的，需寻找改善方位分辨力的方法。 2）非聚焦合成孔径成像 利用雷达平台产生的虚拟天线则可解决实孔径天 线长度有限的问题。即将一段时间内雷达接收到的信号 按实孔径天线那样进行合成，产生大的合成孔径天线， 以改善雷达的方位分辨力。 假设雷达按直线飞行，速度为V ，累计时间为T ， 对应的合成孔径长度L=VT 。雷达在运动中不断发射并 接收来自纵向距离为R ，横向距离维0x 的点目标回波， 如图2所示。 经过数学分析可确定最大的合成孔径长度为

合成孔径雷达成像

合成孔径雷达第一次作业 姓名：xxx 学号：xxx 一题目： 1.LFM信号分析：（1）仿真LFM信号；（2）观察不同TBP的LFM信号的频谱。（3）观察不同过采样率下的DFT结果，注意频谱混叠情况。 2.脉冲压缩仿真：针对“基带LFM信号”:（1）实现无误差的脉冲压缩；（2）通过频域补0实现时域十倍以上的过采样率，得到光滑的时域波形，通过观察给出指标（IRW,PSLR）；（3）阅读资料，按照公式实现3阶（-20dB）,6阶（-40 dB）泰勒加权，观察加窗效果，分析指标（IRW,PSLR），并对比MATLAB TAYLORWIN 函数的一致性；（4）在3阶泰勒加权下实现15.30.45.60.90.135度QPE下的脉冲压缩，显示输出波形，观察记录QPE的影响。 3.一维距离向仿真:（1）输入参数：目标参数：RCS=1，分别位于10km,11km,11km+3m,11km+50m处。LFM信号参数：中心频率1.0GHz,脉冲宽度30us,带宽30MHz。 （2）输出：设计采样波门，仿真回波，完成脉冲压缩，检测各峰值位置，判断每个目标是否得以分辨，分析各出现在相应位置及幅度的原因。 二题目分析与解答： 1.问题分析：由基础知识知，决定LFM信号的主要参数有中心频率fc(此处仿真取fc=0)，带宽B，脉冲宽度Tp, 调频斜率K，其中K=B/Tp。对LFM信号进行傅里叶变换时，不同的时宽带宽积（TBP）会对频谱有不同的影响。 主要程序段(源程序见附件)： %参数设置 Tp=5e-6; B=10e6; K=B/Tp；Fs=2*B; Ts=1/Fs; N=Tp/Ts; TBP=Tp*B %波形产生 t=linspace(-Tp/2,Tp/2,N); St=exp(j*pi*K*t.^2); Phase=pi*K*t.^2; Fre=2*pi*K*t; f=linspace(-Fs/2,Fs/2,N); figure(2) plot(f*1e-6,fftshift(abs(fft(St))),'k'); xlabel('Frequency/MHz'); ylabel('Magnitude'); title('Frequence Response'); legend('TBP=50') fft_St=fftshift(abs(fft(St)));

合成孔径雷达成像几何机理分析及处理方法研究

合成孔径雷达成像几何机理分析及处理方法研究合成孔径雷达作为二十世纪出现的尖端对地观测技术,由于它具有全天时、全天候的成像能力并能穿透一些地物,在土地覆盖制图、生态和农业、固体地球科学、水文、海冰等众多领域有着广泛的应用。随着未来更高分辨率、多极化、多波段、更优化的干涉测量设计的SAR系统的出现,合成孔径雷达遥感技术将会在更多的领域扮演更重要的角色。 合成孔径雷达遥感技术在我国有着极大的潜在应用市场,对于某些特殊问题的解决,例如西部困难地区的地形图测绘及南方阴雨地区地形图的快速更新,它甚至是唯一可行的解决之道。由于有关几何处理、辐射定标等基础问题没有很好地解决,影响了这一技术在我国的大规模应用及产业化进程。 本文致力于解决SAR影像的几何问题及与地形有关的辐射问题,对合成孔径雷达图像的几何特性作了系统深入的研究,以对构像方程的分析及推导为中心,研究并解决了包括地理编码、目标定位、影像模拟、利用控制点进行空间轨道精确重建、地形辐射影响的消除等一系列问题。为了加强对合成孔径雷达图像的理解,首先对合成孔径雷达成像的技术本质从数学上进行了简明阐述。 从信号处理的角度,分析了脉冲压缩的工作原理,解释了匹配滤波器的构造。分析了多普勒频率的特征及其作用。 从理论上推导了SAR距离向和方位向分辨率所能达到的极限值,并且指出了他们在实际中的限制。从系统的角度,分析了SAR距离向和方位向模糊度的限制。 构像方程是所有几何处理的基础。为推导了SAR构像方程,在定量分析了地球摄动力对卫星轨道影响的基础上,提出了一套改进的SAR轨道参数模型,与国外已有的模型相比,该模型更加简洁而且具有极高的精度。

一种合成孔径雷达图像特征提取与目标识别的新方法

第30卷第3期电子与信息学报Vol.30No.3 2008年3月 Journal of Electronics & Information Technology Mar.2008 一种合成孔径雷达图像特征提取与目标识别的新方法 宦若虹①②杨汝良①岳晋①② ①(中国科学院电子学研究所北京 100080) ②(中国科学院研究生院北京 100039) 摘 要：该文提出了一种利用小波域主成分分析和支持向量机进行的合成孔径雷达图像特征提取与目标识别的新方法。该方法对图像小波分解后提取低频子带图像的主成分分量作为目标的特征，利用支持向量机进行分类完成目标识别。实验结果表明，该方法可以明显提高目标的正确识别率，是一种有效的合成孔径雷达图像特征提取和目标识别方法。 关键词：合成孔径雷达；小波变换；主成分分析；支持向量机；识别 中图分类号：TN957.52 文献标识码：A 文章编号：1009-5896(2008)03-0554-05 A New Method for Synthetic Aperture Radar Images Feature Extraction and Target Recognition Huan Ruo-hong①②Yang Ru-liang①Yue-Jin①② ①(Institute of Electronics, Chinese Academy of Sciences, Beijing 100080, China) ②(Graduate University of the Chinese Academy of Sciences, Beijing 100039, China) Abstract: This paper presents a new method for synthetic aperture radar images feature extraction and target recognition which based on principal component analysis in wavelet domain and support vector machine. After wavelet decomposition of a SAR image, feature extraction is implemented by picking up principal component of the low-frequency sub-band image. Then, support vector machine is used to perform target recognition. Results are presented to verify that, the correctness of recognition is enhanced obviously, and the method presented in this paper is a effective method for SAR images feature extraction and target recognition. Key words: Synthetic Aperture Radar (SAR); Wavelet transform; Principal Component Analysis (PCA); Support Vector Machine (SVM); Recognition 1引言 合成孔径雷达(Synthetic Aperture Radar，SAR)图像目标识别是SAR图像解译和分析的重要组成部分，具有重要的商业和军事价值，是国内外SAR图像处理和模式识别领域的研究热点。特征提取是SAR图像目标识别过程中最重要的一步。为了得到可靠的目标识别结果，用于识别的特征必须在分类空间上具有良好的类内凝聚性和类间差异性[1]。目标识别过程的另一个关键步骤是分类方法的选择，分类方法性能的优劣，直接影响到最后的识别结果。 本文提出了一种利用小波域主成分分析(Principal Component Analysis，PCA)和支持向量机[2](Support Vector Machine，SVM)进行的SAR图像特征提取和目标识别方法。对小波分解得到的低频子带图像进行主成分分析[3]提取目标特征，得到的特征向量用支持向量机分类完成目标识别。用MSTAR数据对该方法进行验证，结果表明，该方法可以有效地提高目标的正确识别率。 2006-08-15收到，2007-01-05改回2目标识别步骤 本文的识别过程如图1所示由3个步骤组成：(1)图像预处理。对图像数据进行规则化调整。(2)特征提取。通过二维离散小波变换将图像变换到不同分辨率下的小波域；对低频子带图像进行主成分分析后提取主成分分量作为目标的特征向量。(3)利用支持向量机进行分类。在特征向量所形成的低维特征空间上完成目标识别并输出识别结果。 图1 识别过程框图 3图像预处理 3.1实验数据 本文使用的图像数据是MSTAR项目组公布的3类SAR 地面静止军用目标数据，包括装甲车BMP2，装甲车BTR70

合成孔径雷达(SAR)的点目标仿真(附件带代码程序)

合成孔径雷达(SAR)的点目标仿真(附件带代码程序) 合成孔径雷达(SAR)的点目标仿真 一． SAR原理简介 合成孔径雷达(Synthetic Aperture Radar ，简称SAR)是一种高分辨率成像雷达技术。它利用脉冲压缩技术获得高的距离向分辨率，利用合成孔径原理获得高的方位向分辨率，从而获得大面积高分辨率雷达图像。SAR回波信号经距离向脉冲压缩后，雷达的距离分辨率由雷达发射信号带宽决定：，式中表示雷达的距离分辨率，表示雷达发射信号带宽，表示光速。同样，SAR回波信号经方位向合成孔径后，雷达的方位分辨率由雷达方位向的多谱勒带宽决定：，式中表示雷达的方位分辨率，表示雷达方位向多谱勒带宽，表示方位向SAR平台速度。 二． SAR的成像模式和空间几何关系 根据SAR波束照射的方式，SAR的典型成像模式有Stripmap(条带式)，Spotlight(聚束式)和Scan(扫描模式)，如图2.1。条带式成像是最早研究的成像模式，也是低分辨率成像最简单最有效的方式；聚束式成像是在一次飞行中，通过不同的视角对同一区域成像，因而能获得较高的分辨率；扫描模式成像较少使用，它的信号处理最复杂。 图2.1：SAR典型的成像模式 这里分析SAR点目标回波时，只讨论正侧式Stripmap SAR，正侧式表示SAR波束中心和SAR平台运动方向垂直，如图2.2，选取直角坐标系XYZ为参考坐标系，XOY平面为地平面；SAR平台距地平面高h，沿X轴正向以速度V匀速飞行；P点为SAR平台的位置矢量，设其坐标为(x,y,z)；T点为目标的位置矢量，设其坐标为；由几何关系，目标与SAR平台的斜距为： (2.1) 由图可知：；令，其中为平台速度，s为慢时间变量（slow time），假设，其中表示SAR平台的x 坐标为的时刻；再令，表示目标与SAR的垂直斜距，重写2.1式为： (2.2) 就表示任意时刻时，目标与雷达的斜距。一般情况下，，于是2.2式可近似写为： (2.3) 可见，斜距是的函数，不同的目标，也不一样，但当目标距SAR较远时，在观测带内，可近似认为不变，即。

合成孔径雷达

合成孔径雷达（SAR） 合成孔径雷达产生的过程 为了形成一幅真实的图像增加两个关键参数：分辨率、识别能力。 合成孔径打开了无限分辨能力的道路 相干成像特性：以幅度和相位的形式收集信号的能力 相干成像的特性可以用来进行孔径合成 民用卫星接收系统SEASA T、SIR-A、SIR-B 美国军用卫星(LACROSSE) 欧洲民用卫星（ERS系列） 合成孔径雷达(SAR)是利用雷达与目标的相对运动将较小的真实天线孔径用数据处理的方法合成一个较大孔径的等效天线孔径的雷达。 特点：全天候、全天时、远距离、和高分辨率成像并且可以在不同频段不同极化下得到目标的高分辨率图像 SAR高分辨率成像的距离高分辨率和方位高分辨率 距离分辨率取决于信号带宽 方位高分辨率取决于载机与固定目标相对运动时产生的具有线性调频性质的多普勒信号带宽 相干斑噪声 机载合成孔径雷达是合成孔径雷达的一种 极化：当一个平面将空间划分为各向同性和半无限的两个均匀介质，我们就可以定义一个电磁波的入射平面，用波矢量K来表征：该平面包含矢量K以及划分这两种介质的平面法线垂直极化（V）：无线电波的振动方向是垂直方向与水平极化（H）：无线电波的振动方向是水平方向 TE波：电场E与入射面垂直

TH波：电场E属于入射平面 合成孔径雷达的应用 军事上、地质和矿物资源勘探、地形测绘和制图学、海洋应用、水资源、农业和林业 合成孔径雷达在军事领域的应用：战略应用、战术应用、特种应用。 SAR系统的几个发展趋势：多波段、多极化、多视角、多模式、多平台、高分辨率成像、实时成像。 SAR图像相干斑抑制的研究现状 分类：成像时进行多视处理、成像后进行滤波 多视处理就是对同一目标生成多幅独立的像，然后进行平均。 这是最早提出的相干斑噪声去除的方法，这种技术以牺牲空间分辨率为代价来获取对斑点的抑制 成像后的滤波技术成为SAR图像相干噪声抑制技术发展的主流 均值滤波、中值滤波、维纳滤波用来滤去相干斑噪声，这种滤波方法能够在一定程度上减小相干斑噪声的方差 合成孔径雷达理论概述 合成孔径雷达是一种高分辨率成像雷达，高分辨率包含两个方面的含义：方位向的高分辨率和距离向高分辨率。它通过采用合成孔径原理提高雷达的方位分辨率，并依靠脉冲压缩技术提高距离分辨率 由于SAR雷达发射信号（距离向信号）和合成孔径信号（方位信号）均具有线性调频性质，SAR成像的实质就是通过匹配滤波器对距离向和方位向具有线性调频信号的信号进行二维脉冲压缩的过程，也就是依靠脉冲压缩技术提高距离分辨率，通过合成孔径原理提高雷达的方位分辨率的过程 SAR成像处理是先利用距离向匹配滤波器，进行距离脉压，实现距离向高分辨率后，再通过方位向德匹配滤波，最终得到原始目标的高分辨图像。

高分辨率合成孔径雷达图像舰船检测方法

2003年第17卷第1期 测试技术学报V ol.17　N o.1　2003(总第43期)JOURNAL OF TEST AND MEASUREMENT TECHNOLOGY (Sum N o .43)文章编号:1671-7449(2003)01-0015-04 高分辨率合成孔径雷达图像舰船检测方法 种劲松,朱敏慧 (中国科学院电子学研究所微波成像技术国家重点实验室,北京100080) 摘　要:　寻找针对高分辨率SA R 图像的舰船目标检测算法.利用K SW 双阈值分割技术,其效果比传统检 测方法好,有利于进一步的目标分类和识别.且必须根据SAR 图像分辨率来选择舰船检测算法. 关键词:　目标检测;图像分割;合成孔径雷达 中图分类号:　T N 957.51 文献标识码:A 利用合成孔径雷达(SAR )图像进行舰船检测在海洋遥感科学家中得到高度重视,已经成为SAR 数据重要的海洋应用之一. 在SAR 图像舰船检测方面的研究很多,大多数是使用恒虚警(CFAR)算法[1～4] 针对中低分辨率(25m 以上)的SAR 图像进行的.CFAR 算法是对于给定的虚警概率,根据背景杂波的分布来给出分割阈值.这种方法属于单阈值图像分割,对于中低分辨率图像较适用. 由于SAR 图像逐渐发展到高分辨率,对于舰船目标的研究除了目标检测外,还必须考虑到检测方法是否有利于目标参数提取,从而有利于后续的目标分类和识别.在实际应用中发现,如果将CFAR 算法运用到RADARSAT 精细模式高分辨率图像(分辨率约为8m ),舰船目标的参数提取将很难进行. 本文的研究目的是寻找针对高分辨率SAR 图像的舰船目标检测算法,为此需要先分析高分辨率SAR 图像上舰船目标的特点.1　舰船目标在高分辨率SA R 图像上的特点 在中低分辨率的SAR 图像中,舰船目标是一个、几个或几十个象素组成的强目标,此时对舰船目标的检测问题是典型的点目标检测问题.而在高分辨率的SAR 图像中,舰船目标是具有一定尺寸和一定细节的硬目标,其象素数可达到几百个左右. 真实舰船的首部、中部和尾部的结构是不同的,因此同一舰船的不同部位在高分辨率SA R 图像上必然呈现出不同的灰度,即整个舰船目标的亮度分布是不均匀的.图像中舰船目标由两类点组成.亮度图1　RADARSAT 精细模式舰船图像及其三维细节Fig .1　S hip image of RADARSAT fine m od e and the details 比较高的点是角反射或点 反射(由舰船的上层建筑、 舰桥、桅杆等引起)的结 果,亮度稍低的点是漫反 射的结果(由甲板等引 起).亮度高的点组成强 峰,亮度较低的点组成弱 峰.强峰和弱峰的分布可 以作为目标特征用于目标 分类识别. 图1示出Radarsat 精细模式图像中的舰船目 收稿日期:2002-07-01　作者简介:种劲松(1969-),女,副研究员,博士,主要从事合成孔径雷达图像处理与解译的研究.