微波视觉与SAR图像智能解译

高分辨率雷达成像技术和人工智能、大数据技术的快速发展,有力促进了雷达图像智能解译技术的进步。由于雷达传感器本身的特殊性和电磁散射成像物理的复杂性,雷达图像的解译缺乏光学图像的直观性,准确迅速识别分类的需求对雷达图像解译提出了迫切的挑战。在借鉴人脑光视觉感知机理和计算机视觉图像处理相关技术基础上,进一步融合电磁散射物理规律及其雷达成像机理,我们提出发展微波域雷达图像解译的“微波视觉”的新交叉领域研究。该文介绍微波视觉的概念与内涵,提出微波视觉认知模型,阐述其基础理论问题与技术路线,最后介绍了作者团队在相关问题上的初步研究进展。

方位向调制干扰对高分宽幅多通道SAR的影响

多通道合成孔径雷达(synthetic aperture radar,SAR)能够利用方位向多通道重构处理去除多普勒模糊,获得高分宽幅SAR图像。针对此特殊的多通道重构处理方式,研究了传统SAR方位向调制干扰对高分宽幅多通道SAR的影响,包括多普勒调制干扰和脉冲延迟转发干扰两种类型的方位向调制干扰方式,为高分宽幅多通道SAR干扰决策提供理论基础。理论分析指出,多普勒调制干扰信号经成像处理后将在方位向生成等间隔分布的虚假目标,并且幅度受与多普勒调制频率相关的正弦函数和匹配滤波损失联合调制;而脉冲延迟转发干扰信号在成像后将只有单个干扰目标出现,且目标的方位位置仅与延迟的脉冲数有关。仿真实验验证了理论分析的正确性。

基于噪声卷积调制的SAR多区域灵巧干扰方法

针对传统噪声卷积干扰存在的压制区域位置在方位向上不能灵活控制的缺陷,提出一种基于噪声卷积调制的SAR多区域灵巧干扰方法。该方法对截获信号进行距离向移频、方位向移相以及与噪声模板的卷积调制处理,以控制压制区域的位置;后对截获信号进行不同频率、相位的噪声卷积调制处理,以控制压制区域的数量。理论和仿真结果表明,所提方法实现了压制区域位置在方位向、距离向上的灵活控制,并实现了单一干扰机对多个待掩护区域的干扰,提高了干扰增益,干扰效果较好,对实际工程应用具有一定的参考价值。

多域特征引导的无监督SAR图像舰船检测方法

如何在合成孔径雷达(SAR)图像标注样本有限的条件下,提升舰船检测性能一直是SAR图像处理中的热点问题。本文提出一种多域特征引导的无监督域适应方法,将知识从有标注的源域(光学图像)转移到未标注的目标域(SAR图像),降低对标记SAR图像数据依赖。同时,设计了频域转换模块、注意力区域增强模块和自适应权重模块来缩小光学、SAR图像域之间的域差距,提高源域与目标域特征对齐效率,增强网络在挑战性样本下的特征迁移能力。在公开发布的数据集上进行了大量实验。结果表明:所提的模块较基础模型AP50提升10%,总体性能优于其他先进的方法。

机载SAR受空/地转发干扰识别特征研究

鉴于当前还未有关于合成孔径雷达(SAR)受到空中机动平台产生的间歇采样转发干扰问题的相关研究,针对机载SAR受到来自空中机动/地面固定两类平台的间歇采样转发干扰的识别特征进行研究.首先推导了两类转发干扰的信号模型,从理论上对两类转发干扰的识别特征进行多域联合分析;然后采用基于WVD分布的时频分析方法和基于ω-K的SAR成像算法,从受干扰信号的时域、频域、时频域和图像域等四个维度对两种干扰样式进行了仿真和分析.仿真结果验证了理论分析的正确性,从而为机载SAR遭遇转发干扰时的样式识别提供了可靠的分析思路和识别依据,并进一步给出针对两类转发干扰的反制策略.

人体组织液特性对SAR值的影响及修正模型

比吸收率(specific absorption ratio,SAR)值测量所使用的组织液特性与规范标准中给出的组织液目标值会有一定偏差。此时,需要对SAR值的测量结果进行修正。针对此问题,提出了一种修正模型,修正模型基于电磁仿真的方法建立。通过在835 MHz频点与IEC 62209\IEEE 1528标准中的数据进行比较,对建模方法进行了验证。基于此建模方法,给出了3.5 GHz及28 GHz这2个下一代移动通信备选频段下的SAR值修正模型。使用此修正模型将减小SAR值测量的不确定度,进而提升各测量实验室间SAR符合性评定结果的一致性。使用此修正模型的另一个好处在于,该修正模型允许更大的组织液特性偏差,这将有助于降低SAR值测量的成本。

基于U-NET的双分支海上SAR溢油检测模型

为提高海上溢油SAR(Synthetic Aperture Radar)检测的准确率,本文提出一种基于U-NET和注意力门的海上溢油SAR检测模型(AW-net),该模型将U-NET中传统的单输入编码器替换为双分支编码器,分别输入纹理特征和SAR灰度特征,并进一步采用注意力门融合纹理信息和灰度信息。实验利用1景海丝一号(HISEA-1)SAR数据构建样本训练集进行AW-net模型训练,分别应用1景HISEA-1 SAR数据和1景Radarsat-2SAR数据开展模型测试,溢油检测准确率均优于U-NET、AttentionU-NET和FCN等语义分割模型,说明该模型具有较强的强鲁棒性和应用潜力。

基于遗传算法的无人机载穿墙三维SAR航迹规划方法

传统手持或车载穿墙雷达由于架设高度受限,无法对城市高层建筑内部目标进行透视成像,无人机载穿墙雷达具有灵活机动、高效便捷、无高度限制等优势,可对城市高层楼宇进行大范围三维穿透探测。三维层析合成孔径雷达(SAR)成像广泛采用多基线扫描模式,以获得高度向高分辨能力,但存在高度向空域欠采样导致的栅瓣问题。对此,该文提出一种基于遗传算法的无人机载穿墙三维SAR航迹规划方法,通过非均匀化飞行航迹,削弱周期性的雷达回波能量叠加,从而抑制栅瓣、实现更优的成像质量。该算法结合飞行距离与无人机载穿墙雷达成像质量的内在关系,建立了无人机航迹规划代价函数;利用遗传算法对3种典型的无人机飞行轨迹关键控制点进行基因编码,并进行基因杂交、变异等以优化种群与个体;最终通过最小化代价函数,分别筛选出3种典型飞行模式下的最优飞行航迹。仿真和实测数据的三维成像结果表明:相较于传统等间距多基线飞行模式,所提方法显著抑制了成像目标的栅瓣效应;此外,无人机斜线飞行的航迹长度明显缩短,提高了无人机载穿墙SAR成像效率。

考虑速度聚束效应的SAR海浪成像仿真方法

针对合成孔径雷达(SAR)海浪成像仿真技术对于速度聚束效应的考虑不充分,仿真数据无法准确反映实际SAR数据的问题,建立一种充分考虑速度聚束效应的SAR海浪成像仿真方法并进行了实验验证。计算了SAR图像强度的概率密度分布的仿真结果与理论结果之间的均方误差(MSE),在风速分别为5、10和15 m/s时,考虑速度聚束效应前、后比对结果的MSE分别为0.1012、0.1576、0.0556与0.0179、0.0314、0.0088。仿真结果表明,所提SAR海浪成像仿真方法有效提高了仿真数据的准确性,对SAR海浪成像的应用具有一定实用价值。

基于逆Radon变换的圆迹SAR三维成像算法

随着合成孔径雷达(synthetic aperture radar,SAR)的应用需求不断提高,出现了圆迹SAR的成像模式,解决传统直线轨迹SAR只能获取二维斜距图像的问题,在地形测绘、建筑物提取、灾害评估等领域具有较高应用潜力。现有的圆迹SAR三维成像算法还存在计算量大、实现复杂等问题,通过对圆迹SAR模型的斜距几何分析,结合回波信号模型设计波数域补偿函数,将距离压缩曲线矫正为基线为零的正弦曲线;结合逆Radon变换,实现对目标的正弦曲线的二维聚焦;通过逐高度平面二维成像结果的堆叠,实现目标的三维成像。通过仿真分析了所提算法的成像质量,验证了所提算法三维成像的有效性。

利用海丝/巢湖SAR开展台风应急测绘实验

首次利用国产海丝/巢湖雷达卫星开展台风登陆、运移应急测绘实验研究。以2022年11月“尼格”台风为例,应急调度获取台风登陆3 h和12 h的3 m条带SAR影像,采用监督分类快速提取耕地淹没、道路水淹等变化。结果表明:①国产SAR影像成像清晰稳定,双星实现12 h同一区域覆盖;②24 h警戒线风暴潮预测模型增水范围是卫星应急调度的主要依据;③实验区耕地淹没面积从0.098 km^(2)缩小至0.064 km^(2),道路积水面积从5.032 km^(2)缩小至2.385 km^(2),未形成明显的城市内涝现象,说明利用高分辨率雷达卫星开展台风应急测绘是可行的。增加星座数量、优化轨道空间布局是保障应急数据快速响应的发展方向。

结合未知类特征生成与分类得分修正的SAR目标开集识别方法

现有合成孔径雷达(SAR)目标识别方法大多局限于闭集假定,即认为训练模板库内训练目标类别包含全部待测目标类别,不适用于库内已知类和库外未知新类目标共存的真实开放识别环境。针对训练模板库目标类别非完备情况下的SAR目标识别问题,该文提出一种结合未知类特征生成与分类得分修正的SAR目标开集识别方法。该方法在利用已知类学习原型网络保证已知类识别精度的基础上结合对潜在未知类特征分布的先验认知,生成未知类特征更新网络,进一步保证特征空间中已知类、未知类特征的鉴别性。原型网络更新完成后,所提方法挑选各已知类边界特征,并计算边界特征到各自类原型的距离(极大距离),通过极值理论对各已知类极大距离进行概率拟合确定了各已知类最大分布区域。测试阶段在度量待测样本特征与各已知类原型距离预测闭集分类得分的基础上,计算了各距离在对应已知类极大距离分布上的概率,并修正闭集分类得分,实现了拒判概率的自动确定。基于MSTAR实测数据集的实验结果表明,所提方法能够有效表征真实未知类特征分布并提升网络特征空间已知类与未知类特征的鉴别性,可同时实现对库内已知类目标的准确识别和对库外未知类新目标的准确拒判。

基于向量法近似的圆弧SAR成像方法

Arc SAR是一种能够在短时间内可重复扫描360°的雷达成像技术,具有重访周期短,观测范围广等优点,在边坡检测、山体滑坡等场景中有着广泛的应用前景。在Arc SAR模式下雷达随着机械臂进行圆周运动来形成合成孔径,因其运动轨迹不是直线,所以不能直接运用传统直线导轨的成像方法,需为Arc SAR设计新的成像算法,然而现有的成像方法不能很好地平衡精度和复杂度。在距离多普勒算法中,由于采用泰勒展开来近似斜距,导致成像质量不佳,或是需采取分割策略进行成像。因此,提出了一种新的距离多普勒算法,利用目标与雷达的向量关系进行近似,求得了近似斜距表达式,继而得到了距离多普勒域的信号表达式。基于这一表达式,提出了相应的相位误差补偿方法,完成了图像聚焦。最后通过点目标仿真验证了该算法的有效性。

嵌入注意力机制的深度可分离卷积SAR目标识别

深度可分离卷积(Depthwise Separable Convolution,DSC)的应用使得深度学习的网络模型轻量化。在此基础上,提出了嵌入注意力机制的DSC合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别方法。通过将DSC与注意力机制结合,提高网络对目标重要特征的学习能力;将多个DSC进行叠加和并联,设计多尺度网络模块,增强不同深度网络的特征提取能力;通过残差连接缓解深层网络的梯度弥散和梯度爆炸问题。使用公开数据集实验表明,所提方法在网络模型参数量较小的情况下,获得99.0%的平均识别率,具有较强的识别优势。

改进FCOS的SAR图像舰船检测算法

针对SAR图像中舰船检测的目标尺度变化大及背景复杂等影响因素,提出一种基于FCOS的一阶段舰船目标检测算法。采用基于拆分注意力和分组卷积的ResNeSt网络作为主干网络进行提取特征,同时在特征金字塔基础上增加聚合路径和注意力机制,提升特征融合能力,实现对网络结构的优化。结果表明,改进方法相对于基线网络平均精度提升了2.15%,精准率提升了2.4%,召回率提升了3.59%。该研究在处理SAR图像中舰船检测任务时具有较好的性能。

SAR图像飞机目标智能检测识别技术研究进展与展望

合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。

基于演化多目标聚类的SAR图像变化检测

基于合成孔径雷达(SAR)图像的变化检测是遥感领域中一项具有挑战性的任务,如何在噪声鲁棒性和有效保留细节之间取得平衡是一个迫切需要解决的问题。然而,大多数SAR图像变化检测方法为了更好地抑制斑点噪声,不可避免地会在一定程度上丢失图像细节。为了解决这一问题,提出了一种基于演化多目标聚类的SAR图像变化检测多目标聚类算法,将变化检测问题转化为一个多目标优化问题。该方法同时构建了两个相互冲突的目标,即分别基于原始差异图与噪声滤波后差异图的聚类能量函数,并用基于分解的演化多目标优化算法MOEA/D对以上目标函数进行优化,实现对差异图不变区域与变化区域的聚类。利用该技术可得到一组变化检测图,用户可以根据自己的需求选择合适的结果。最后,在两个SAR图像数据集上进行了充分的实验,结果表明了该方法的有效性。

SAR干扰技术综述

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种全天时全天候并具备高分辨率的成像设备,在军用民用领域均有重要的应用价值。SAR在军事上被广泛地应用于发现各类战略性目标,如坦克、部队、巡逻艇、敌方武器系统部署以及其他重要的战略物资。在民用领域,SAR被用于地形测绘、预防各种天气现象如冰雹、洪水、干旱、飓风等。SAR技术的不断进步为重要军事目标的防御工作带来了极大的挑战,如何对SAR进行有效干扰,降低SAR对军事目标的检测与识别性能,从而保障军事目标能安全、高效地进行军事任务,仍是一个亟待解决的难题。本文阐述了对SAR干扰技术的发展现状,分析了现阶段SAR干扰技术的挑战与难点,并对其发展趋势进行了展望,以期为相关领域的研究人员提供有益参考。

星载SAR在轨成像高效处理系统硬件实现设计

星载合成孔径雷达(Synthetic Aperture Radar,SAR)在轨成像技术是灾害检测、军事侦察等高时效遥感应用场景的关键手段,以现场可编程门阵列(Field-Programmable Gate Array,FPGA)+数字信号处理器(Digital Signal Processing/Processor,DSP)为处理核心是一种搭建星载SAR在轨成像系统的典型方案,在异构算力、能效比、灵活度等方面综合评价良好。但现有的FPGA+DSP系统在算法支持、大粒度处理、片上并行加速、复杂矩阵转置方面仍研究不足,成像性能仍然有较大提升空间。本文对支持大斜视、高分辨成像的非线性调频变标算法(Nonlinear Chirp Scaling Algorithm,NCS)算法进行分析,根据运算复杂度和类型将算法划分为主流程和辅助路程,以此为依据提出NCS算法在FPGA+DSP系统中的异构映射方案;针对多通道快速傅里叶变换(Fast Fourier Transform,FFT)处理后数据存储形式发生变换、难以流水处理的问题,提出基于时频抽取切换的多通道FFT协同处理方法,保证多通道FFT处理高效进行;针对不同粒度、不同并行度场景下转置需求复杂多变的问题,提出基于X-直接存储器访问(X-Direct Memory Access,XDMA)+片上分割转置的通用交叉转置方案。本文采用2片VX690T FPGA和2片FT6678 DSP为核心处理器研制了星载SAR成像板卡,实现了提出的系统设计方案。同时,本文搭建了基于模拟源+地检的验证环境,对条带/扫描/聚束/滑聚/TOPS模式的仿真点阵数据和条带/滑聚模式的实测数据进行处理。点阵数据的二维峰值旁瓣比约为-13.2 dB,二维积分旁瓣比约为-10.1 dB,成像质量良好;以条带模式为例,图像尺寸为32K×16K,基于NCS算法的平均成像时间为7.81 s,成像速度较现有方案大幅提升。

基于编解码网络的SAR影像建筑物提取

针对合成孔径雷达(synthetic aperture radar,SAR)遥感图像中出现的散斑噪声和几何畸变对建筑物提取过程造成干扰的问题,提出了一种多尺度特征注意力融合(multi-scale feature attention fusion,MSFAF)网络。首先,结合深度神经网络和SAR图像的优势,在深层处设计了一个空间注意力融合(spatial attention fusion,SAF)模块,来整合不同层次的特征以及关注重要的空间信息。然后,利用不同尺度的卷积核以及对通道信息的转换,提出了一个多尺度细节提取(multi-scale detail extraction,MSDE)模块用于提取不同尺度的特征信息和重新分配通道信息,有利于缓解散斑噪声的干扰问题。实验证明了所提方法在SAR图像建筑物提取中取得了比其他现存方法更加优秀的性能。