基于特征点的合成孔径雷达复图像自动配准算法

设计与应用

计算机测量与控制.2009.17(2) Com puter Measurement &C ontrol

399

收稿日期:2008-07-07; 修回日期:2008-08-13。基金项目:陕西省自然科学基础研究计划资助项目(2006F15)。作者简介:黄柏圣(1978-),男,湖北监利人,博士研究生,主要从事干涉S AR 数据处理、SAR 成像方向的研究。

许家栋(1948-),男。安徽人,博士生导师、教授,主要从事电磁场与微波通信方向的研究。

文章编号:1671-4598(2009)02-0399-03 中图分类号:TP391

文献标识码:A

基于特征点的合成孔径雷达复图像自动配准算法

黄柏圣,许家栋

(西北工业大学电子信息学院,陕西西安 710072)

摘要:提出了一种干涉合成孔径雷达复图像对的自动配准算法,利用H arris 特征点检测算子,完成了特征点检测;根据匹配点对之间最大相关和距离相近的结论设计了匹配算法,进行了特征点对的匹配;首先通过Harris 特征点检测算子提取特征点;其次根据提出的匹配算法建立点的对应关系;最后利用两步法完成复图像的亚像元级配准;实验结果表明,该算法具有较高的配准精度。

关键词:图像配准;特征点提取;特征点匹配;干涉合成孔径雷达;亚像元级

Image Automatic Registration Method for SAR Complex

Images Based on Feature Points

H uang Baisheng,Xu Jiado ng

(Schoo l o f Electronics and Info rmatio n,N o rthwester n P olytechnical U niver sity,Xi an 710072,China)

Abstract:An automatic feature-based registration algorithm is pres ented.Feature points ar e detected by H arris feature points detec -tion op erator.Th e proces s of feature matching is com pleted by u sing the matchin g algorithm p ropos ed according to the con clusion of the near distance an d maximu m cor relation.the feature points in tw o images are ex tracted by Harris featu re points detection operator.After th e cor -responding relations ar e established by the proposed matching algorithm,a tw o-step method is applied to r egistering w ith su b-pixel accura -cy.Ex perimental result sh ow s that the proposed method can achieve high accuracy and less compu tational complexity.

Key words :im age registration ;feature points ex traction;feature points matching;InSAR;su b-pixel accuracy

0 引言

图像配准是对2幅图像进行空间几何变换,使得图像对的

共有特征能够匹配对应起来的过程,它是影像处理和分析的一个重要步骤,常常应用于多源遥感数据的融合分析、多时相遥感图像的变化检测和高程重建等方面。现有图像配准的技术分为手动配准与自动配准[1-2]。为了获得精确的结果,手动配准必须在图像上选取较多的控制点,这是一个繁琐、重复、耗时的工作[3]。而自动配准[4]只需要极少或不需要人为的干预,在较短时间就能够完成,同时还可以达到较高的精度,所以一直是研究的热点。

随着合成孔径雷达干涉测量技术(InSAR )的进一步发展,人们获取了大量的适合进行干涉处理的SAR 数据,使得InSA R 的研究从纯理论跨入到实用阶段。在InSA R 数据处理中,2幅复图像的精确配准是提高地表高程测量精度的关键之一,要求干涉复图像对达到亚像元级的配准精度[5],而特征提取的精度和特征匹配的准确度直接决定了配准的效果。

本文提出了一种基于点特征检测与匹配的SA R 复图像对的自动配准方法。系统分析了配准的整个过程,重点描述了特征提取、特征匹配以及亚像素级配准。在特征提取过程,采用了一种H arr is 角点检测算子的方法提取特征点,取得了较好

的结果。在特征点匹配阶段,根据2幅图像对应匹配点间距离

相近和最大互相关的结论,提出了一种将特征点先进行最大互相关匹配,然后计算最大互相关匹配点与邻域特征点的距离,如果这个距离值在0 r T (T 为阈值)之间,则为匹配点,不仅提高了匹配准确度,而且有效地减少了计算量。实验和对比结果表明,基于此方法的干涉SA R 图像对的配准达到了较高的精度。

1 特征提取

1 1 边缘检测

在基于特征的干涉SA R 复图像的配准中,特征提取是重要的一步。特征是明显的、遍布在图像中、能够有效探测到的、在实验过程中保持着固定位置[1]。边缘检测算子是最常用的特征检测方法。本文采用了Canny 算子[6]检测边缘,由于Canny 算子是建立在加性噪声之上检测边缘的,而SA R 图像具有近似Gamma 分布的乘性噪声,所以在边缘检测前先进行去噪处理。

1 2 特征点对的提取

传统的做法是进行边缘的连接,形成一个连续的边界,然后在此基础上进行特征提取。这种做法虽然能够保证较高的精度,但边缘连接经常要借助人为的经验信息,不仅较为烦琐,而且效率较低。

基于这种考虑,通过进一步观察二值图像中的拐点和交叉点,得到了特征点具有高曲率的特殊结构。根据这些特殊结构,本文提出了一种用Harris 特征点检测算子检测特征点的算法。在详细描述这种算法之前,首先给出特征点提取应满足的准则。1 2 1 特征点提取应满足的准则

点特征的提取应该满足以下几点:

400 计算机测量与控制 第17卷

特征点的结构应该有别于普通像素点。因为只有具备不同于普通像素点的特征,才可能被有效检测出来,并被作为有用的信息。

遍历在整幅图像。由于像元级配准是计算2幅图像的整体偏移量,目的是达到像素级的精度,所以对应特征应该是遍布在整幅图像。假设特征点集中在某一局部区域,而这个区域如果处在局部扭曲中,那么根据这些特征点进行像元级配准会产生很大误差。

2幅图像上都有的特征点才是有效特征点;由于受到噪声的影响,边缘检测的结果可能在部分区域具有一定的误差,在此基础上提取出的部分特征将是假特征,进而无法匹配。1 2 2 H arr is 特征点检测算法[9]

Har ris 算法的步骤如下:

对图像上的每一个像素,计算矩阵M 。

M =A C

C B

(1)

这里:

A = I x 2 W

B = I y 2

W

C = I x I y 2

W I x

=I [-1,0,1]

I

y

=I [-1,0,1]T W 为高斯窗; 表示卷积运算。

采用下面公式计算每个像素的兴趣点测度。

C(x ,y )=det (M )-k (tr ace (M ))(2)

其中:det (M )= 1 2=A B -C 2

;tr ace(M )= 1+ 2=A +B

阈值化兴趣点测度,将所有测度高于阈值T 的点判为兴趣点候选点。

非最大化抑制,选取测度为局部最大的候选点为兴趣点。

2 特征点对的匹配

特征匹配是通过特征之间的空间关系或各种运算符发现其

对应关系的过程。现有的点特征匹配算法均不能较好解决计算复杂度的问题[7-8],寻找高效的匹配算法一直是研究的热点。

假设在主辅图像上通过特征点检测算法分别检测出m 和n 个特征点,它们共有k 对匹配点(m >k n >k),匹配的目的就是寻找这k 对点,同时还要提高计算效率。对于1对给定的干涉SA R 图像,由于成像的过程一致、只是在入射角度和作用距离略有差异的情况下,2幅SA R 图像的尺度变化很小,主要考虑仿射变换带来的平移和旋转的变化。根据上述要求,基于2幅图像对应匹配点间距离相近和最大相关的结论,提出了一种匹配算法:

(1)首先在主图像的特征点集m 中选择一特征点m 1,以m 1

点的坐标为中心点坐标,选择一5 5的窗口作为参考窗口。

(2)在辅图像上选一点n 1,n 1点的坐标与m 1点的坐标相同,以n 1点为中心,选择一k l 的窗口作为搜索窗口,搜索窗口不要取的太大,一般为15 15,这样能够减小计算量。

(3)将参考窗口在搜索窗口中移动,寻找最大互相关时参考窗口中心点n 2所在的位置,将n 2作为拟匹配点。

(4)在辅图像特征点集n 中寻找与n 2相同和相近的点。如果有相同的点,则无需进行相近距离判断,否则,就要进行相近距离判断,距离计算按下式进行:

d =(x j -x i )2+(y j -y i )2(3)

(5)如果d 在0 r T (T 为阈值)之间,则为匹配点,与m 1构成匹配点对,否则,为伪匹配点对并放弃,重新回到第一步。

3 复图像精配准

完成特征匹配后,根据匹配点的坐标建立对应关系,目的是将2幅图像的点对应地面的同一点,进一步计算干涉相位。由于地形对相位的影响非常敏感,如果配准误差大于1个像元,则2幅图像完全不相干,干涉图为纯噪声,因此配准精度一定要达到亚像元级。应该说明的是,传输函数是建立在二值图像的匹配点基础上的,而配准是根据其建立的对应关系修正辅图像,最终达到2幅图像同一位置点对应地面同一点的过程。3 1 像元级配准

根据第3节得到的匹配点对,利用最小二乘法计算主辅图像的整体偏移量,并根据结果修正辅图像[3]。仿射变换的线性关系为:

X =[1 X Y] 0

1

2(4)

Y =[1 X Y ] 0

1

2

(5) 式中,(X ,Y )和(X ,Y )分别为主辅图像的坐标;

{ 0, 1, 2}和{ 0, 1, 2}为传输参数。根据主辅图像的坐标计算传输参数,最小二乘法计算公式如下:

=(B T B )-1(B T R x ), =(B T B )-1(B T R y )

(6)式中,

B =

1X 1Y 1L L L 1X n

Y n

,R x =

X 1 X n

R y =

Y 1

Y n

, =

1 n , =

0 1

2

根据以上公式计算出 和 ,代入式(4)、(5),X 和Y 即为辅图像各像素点相对于主图像的定位情况。完成这一步骤后,2幅复图像的配准精度大约为1个像元。3 2 亚像元级的配准[5]

亚像元级的精配准过程为:

(1)对主、辅图像做过采样处理。采用合适的插值方法对图像对进行插值,插值间隔为0 1个像元。

(2)进行最大相干估计。采用基于窗口的搜索方法,寻找可靠的相对偏移量估算值。

(3)偏移量拟合与辅图像的重采样。同样采用上述的最小二乘法利用二阶多项式对匹配的数据对进行拟合,计算复图像对的坐标转换关系,接着对辅图像进行重采样。一般地,最小二乘法在高斯噪声情况下是最优估计。但在非高斯噪声情况下最小二乘法是次最优估计,这里采用加权最小二乘法进行估计,对其进行改进,权值为对应每个搜索窗口的归一化信噪比。一般来说,亚像元级的配准精度可达到1/8像元,此时造成的去相干很小,符合SAR 干涉处理的精度要求。

第2期黄柏圣,等:基于特征点的合成孔径雷达复图像自动配准算法 401

4 试验结果

下面通过数据对以上所述的算法进行试验和分析,数据为

意大利Etna火山口数据。

4 1 特征提取与匹配

(1)边缘检测:由于是SAR图像,所以必须先去噪,这

里采用了Lee算法去噪。边缘检测使用Canny算子[6],它是根

据局部梯度最大值并用2个门限检测边缘。Canny算子在弱边

缘检测方面更有效。

(2)特征点对的提取与匹配:利用H arr is特征点检测算

法,分别在边缘检测后2个图像内进行特征点检测,寻找符合

条件的特征点。在此基础上,利用前面所述的方法,进行特征

匹配。其结果如图1所示。

图1 Etna火山口图像对特征点

4 2 复图像精配准

干涉复图像对的配准可分为:像元级配准;亚像元级

配准。

(1)像元级配准:根据得到的匹配点对,见表1,利用式

(6),计算2幅图像的偏移参数 和 ,并将参数带入式(4)

和(5),修正辅图像。传输函数公式如下:

X =0 2106+0 9986X-0 0012Y

Y =-0 0011-0 0016X+0 9995Y

完成这一步骤后,2幅复图像的配准精度大约为1个像

元。图2是Etna数据像元级配准后的干涉相位图。

图2 E tn a火山口像元级配准

(2)亚像元级配准:经过过采样、相干搜索、偏移量拟

合与辅图像的重采样,得到2幅偏差为亚像元级的复图像。利

用最小二乘法进一步得到的传输函数为:

X =0 2990+0 9958X-0 0037Y

Y =-0 3098+0 0019X+1 0028Y

表1 匹配点对的坐标

控制点X Y X Y

#181349135

#21411613115

#33215533155

#461686067

#567466846

#6116164117164

#71483714937

#81545015450

#9168110167110

#10185164185163

图3 Etna火山口亚像元级配准

图3为Etna数据亚像元级配准后的干涉相位图。应该说

明的是:干涉纹图在去平地效应前后没有经过多视和滤波处理

来提高视觉效果。

4 3 性能分析与比较

结束配准过程后,采用ro ot mean square er ro rs对配准精

度进行了分析,计算公式见式(7)。

RM SE=sqr t( N i=1(( 0+ 1X i+ 2Y i-X i)2+

( 0+ 1X i+ 2Y i-Y i)2))(7)

为了进一步说明算法的高精度,与文献[3]进行了比较,

总均方根误差与文献[3]基本一致,见表2所示,这表明这

个基于点特征全自动配准算法具有较高精度。

表2 本文算法与经典算法[3]的性能比较

算法X方向总体误差Y方向总体误差均方根误差

文献[3]0 18830 26400 3242

本文0 17520 26830 3204

5 结论

提出了一种基于特征点的复图像配准方法。该方法是在边缘

检测基础上,根据特征点的特殊结构进行特征点检测;在特征点

匹配问题上,利用了匹配点间距离相近和最大相关的结论,进行

特征点匹配。实验和对比结果表明,本算法具有较高的精度。

参考文献:

[1]Zitova B,Fluss er J.Image registration meth od s:a s urvey[J].

Image and Vision C om puting,2003,21(2):977-1000.

(下转第409页)

第2期莫 莉,等:基于TMS320F2812的液晶显示模块接口设计 409

GpioDataRegs.GPBDA T.bi t.GPIOB4=1;//E=1,置使能为高电平

delay_loop();//一定时间的延时

GpioDataRegs.GPBDA T.bi t.GPIOB4=0;//E=0,清使能为低电平

delay_loop();

E ALLOW;

GpioMuxRegs.GPADIR.all=0xFFFF;//设置GPIOA口为输出状态

E DIS;

GpioDataRegs.GPADAT.b it.GPIOA4=0;//设置RESET位为正常状态

GpioDataRegs.GPADAT.bit.GPIOA5=0;//设置ON/OFF位为显示打开状态

GpioDataRegs.GPADA T.bit.GPIOA7=0;//设置BUSY位为空闲状态GpioDataRegs.GPADAT.all=0x003F;//将需要写入的命令字3FH写入GPIOA口

GpioDataRegs.GPBDAT.bit.GPIOB3=0;//清R/W=0

GpioDataRegs.GPBDA T.bi t.GPIOB4=1;//E=1,置使能为高电平

delay_loop();

GpioDataRegs.GPBDAT.bit.GPIOB4=0;//E=0,清使能为低电平,完成打开显示

2 3 LC D写显示数据程序

对液晶显示模块进行初始化的控制指令代码设置完成后,就要进行写显示数据的程序设置了,包括写显示符号、写显示数字、写显示汉字和清屏这4个子程序。

写显示数据和写指令代码程序的流程和编程思路大致相同,唯一不同的地方在于进行写指令代码设置时,需要将R/ W和D/I的值都置为低电平,才能进行有效的写指令代码设置。而进行写显示数据的设置时,需要将R/W置为低电平,将D/I置为高电平,才能进行有效的写显示数据的设置。

以写显示符号为例,主要程序段如下:

GpioDataRegs.GPADAT.all=0x FE;//将需要写入的数据FEH写入GPIOA口

GpioDataRegs.GPBDAT.bit.GPIOB2=1;置D/I=1

GpioDataRegs.GPBDAT.bit.GPIOB3=0;//清R/W=0

GpioDataRegs.GPBDA T.bi t.GPIOB4=1;//E=1,置使能为高电平

delay_loop();

GpioDataRegs.GPBDAT.bit.GPIOB4=0;//E=0,清使能为低电平,完成写显示符号设置

2 4 软件延时

本设计中,T M S320F2812DSP是高速设备,其CPU主频可达150M H z(即时钟周期6 67ns),而Q H2001液晶显示模块是慢速设备,为了在使用中使LCD与DSP速度匹配,需要在命令语句之间加入必要的延时子程序:

void delay_loop(void)

{

long i;

for(i=0;i<1000;i++){}

}

3 系统调试

本系统的调试需要一套完整的软硬件开发工具:软件使用Co de Composer Studio2 21集成编译环境;硬件使用Q H2001液晶显示模块和自己设计的T M S320F2812电路板(包括CPU 模块、电源转换模块、模拟输入模块:为下一步做短距离数据采集,处理,输出显示做准备);仿真器使用本设计选择的T M S320F2812DSP处理器的专用仿真器5100U SBV2 0。

系统调试步骤:

(1)T M S320F2812电路板的JT A G仿真接口与P C机的U SB接口通过专用仿真器5100U SBV2 0相连;

(2)硬件电路板上电,通过相应发光二极管的亮灭检查板上各模块是否工作正常;

(3)CCS编译环境下调试正确的程序通过仿真器下载到DSP处理器运行,控制显示相关符号、数字、汉字并实现滚屏显示功能。

4 结论

本文提出了一种使用高速T M S320F2812DSP来控制低速Q H2001液晶显示模块的设计方法,并对该方法的硬件接口电路以及软件编程进行了设计,通过调试,取得了良好的显示效果。该设计方法成本低、软硬件设计简单、运行稳定可靠、开发周期短,特别适用于短距离数据采集、显示领域以及一些便携式智能仪器仪表的前端显示。

参考文献:

[1]Texas Instruments Incorporated.TM S320C28x系列DSP的CPU与外

设(上)[M].张卫宁,编译.北京:清华大学出版社,2004. [2]T M S320x281x Sy stem Control and Interru pts Reference Guide

(Rev.B)[Z].T exas In struments,5Nov2004.

[3]刘 欣,王至龙,方加宝.基于CAN总线的车辆液晶显示处理系

统[J].计算机测量与控制,2005,13(6):553-554.

[4]北京精电蓬远显示技术有限公司.内藏KS0108B/H D61202控制器

图形液晶显示模块使用手册[Z].

[5]莫 莉.机车制动系统流量计研究[D].西南交通大学硕士研究

生学位论文,2007-5:1-77.

(上接第401页)

[2]Brown L G.A su rvey of im age registration tech niques[J].ACM

Computing Surveys,1992,24(4):326-376.

[3]Dai X,Khorram S.A feature-bas ed image r egistration algorith m

using im proved chain code r epresen tation combin ed w ith in variant moments[J].IE EE Transactions on Geoscience and Rem ote Sen s-ing,1999,37(5):2351-2362.

[4]Li H,M an junath B,M itra S K.A contour-based approach to

multis ens or image registration[J].IEEE T ransactions on Image Proces sing,1995,4(3):320-334.

[5]王 超,张 红,刘 智.星载合成孔径雷达干涉测量[M].北

京:科学出版社,2002:72-75.

[6]Canny J.A com putational approach to edge detection[J].IE EE

Trans actions on Pattern Analysis and M achin e Intelligence,1986, 8(2):679-698.

[7]T on J,Jain A K.Registering lands at images by point m atch ing

[J].IEEE T ran s Geos ci Remote Sen sing,1989,27(5):642 -651.

[8]韦燕凤,赵忠明,闫冬梅,等.基于特征的遥感图像自动配准算

法[J].电子学报,2005,33(1)161-165.

[9]Chris H arris,M ike Stephen s.A combin ed corner and edge detector

[A].Proceedings of the4th Alvey Vision Con feren ce[C].1988.

189-192.

地的总结图像配准算法

图像配准定义为：对从不同传感器、不同时相、不同角度所获得的两幅或多幅图像进行最佳匹配的处理过程[2]。图像配准需要分析各分量图像上的几何畸变，然后采用一种几何变换将图像归化到统一的坐标系统中。在配准过程中，通常取其中的一幅图像作为配准的标准，称之为参考图像；另一幅图像作为配准图像。 图1-1 图像配准的基本流程 图1-2 图像配准方法分类

根据配准使用的特征，图像配准的方法大致可分为三类： (1)基于图像灰度的配准算法。首先从参考图像中提取目标区作为配准的模板，然后用该模板在待配准图像中滑动，通过相似性度量(如相关系数法、差的平方和法、差的绝对值法、协方差法)来寻找最佳匹配点。 (2)基于图像特征的配准算法。该算法是以图像中某些显著特征(点、线、区域)为配准基元，算法过程分为两步：特征提取和特征匹配。首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集。然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。对于非特征像素点利用插值等方法作处理推算出对应匹配关系，从而实现两幅图像之间逐像素的配准。 (3)基于对图像的理解和解释的配准算法。这种配准算法不仅能自动识别相应像点，而且还可以由计算机自动识别各种目标的性质和相互关系，具有极高的可靠性和精度。这种基于理解和解释的图像配准涉及到诸如计算机视觉、模式识别、人工智能等许多领域。不仅依赖于这些领域中理论上的突破，而且有待于高速度并行处理计算机的研制。 从自动化角度来看，可以将配准过程分为自动、半自动和手动配准。 存在问题：如何提高图像的配准速度将是大范围遥感图像自动配准问题的要点；选取何种自动配准方案以保证图像的配准精度将是大范围遥感图像自动配准问题的另一要点。 2(,)[1((, f x y g f h x y 其中，h表示二维空间坐标变换。g表示灰度或辐射变换，描述因传感器类型的不同以及成像时气候等环境的影响所带来的图像灰度的变换。配准问题的实质就是要找到最优的空域变换h和灰度变换g，使得上述的等式成立，从而找到配准变换的参数 特征空间的选择通常要考虑以下几个因素：相似性；空间分布；唯一性。 在自动图像配准中对特征的理解可以分为两类。(1)基于灰度的方法：基于灰度的方法将重点放在特征匹配上，在其过程中并没有真正提取特征。一般所说的模板匹配法就是这种方法的代表。这种方法实际上将图像的灰度分布直接作为特征而构成匹配的基础。(2)基于特征的方法：基于特征的方法需要在图像中提取显著的特征：区域(森林、湖泊、农田等)、线(区域的边界、道路等)和点(区域的角

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

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)

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 ） ，

基于压缩感知的雷达成像

H a r b i n I n s t i t u t e o f T e c h n o l o g y 课程报告 课程名称：现代信号处理专题论文题目：基于压缩感知的雷达成像院系：电信学院 班级：电子一班 设计者：刘玉鑫 学号：13S005061 指导教师：张云 时间：2014.06 哈尔滨工业大学

第一章压缩感知理论基本原理 1.1 压缩感知的基本知识 压缩感知理论的核心思想主要包括两点。第一个是信号的稀疏结构。传统的香农信号表示方法只开发利用了最少的被采样信号的先验信息，即信号的带宽。但是，现实生活中很多广受关注的信号本身具有一些结构特点。相对于带宽信息的自由度，这些结构特点是由信号的更小的一部分自由度所决定。换句话说，在很少的信息损失情况下，这种信号可以用很少的数字编码表示。所以，在这种意义上，这种信号是稀疏信号（或者近似稀疏信号、可压缩信号）。另外一点是不相关特性。稀疏信号的有用信息的获取可以通过一个非自适应的采样方法将信号压缩成较小的样本数据来完成。理论证明压缩感知的采样方法只是一个简单的将信号与一组确定的波形进行相关的操作。这些波形要求是与信号所在的稀疏空间不相关的。 压缩感知方法抛弃了当前信号采样中的冗余信息。它直接从连续时间信号变换得到压缩样本，然后在数字信号处理中采用优化方法处理压缩样本。这里恢复信号所需的优化算法常常是一个已知信号稀疏的欠定线性逆问题。 1.2 压缩感知的主要原理内容 总的说来，压缩感知方法的处理流程可简要描述为：基于待处理信号在某个基上的稀疏性或可压缩性，设计合理的测量矩阵，获得远小于信号维数但包含足够信号特征信息的采样，通过非线性优化算法重构信号。 在传统理论的指导下，信号X的编解码过程如图1-1所示。编码端首先获得X的N店采样值经变换后只保留其中K个最大的投影系数并对它们的幅度和位置编码，最后将编得的码值进行存储或者传输。 解压缩仅仅是编码过程的逆变换。实际上，采样得到的大部分数据都是不重要的，即K值很小，但由于奈奎斯特采样定理的限制，采样点数N可能会非常大，采样后的压缩是造成资源浪费的根本所在。

图像配准的方法

图像配准的方法 迄今为止，在国内外的图像处理研究领域，已经报道了相当多的图像配准 研究工作，产生了不少图像配准方法。总的来说，各种方法都是面向一定范围 的应用领域，也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位 系统中的地图匹配，依据其完成的主要功能而被称为目标检测与定位，根据其 所采用的算法称之为图像相关等等。 图像配准的方式可以概括为相对配准和绝对配准两种：相对配准是指选择 多图像中的一张图像作为参考图像，将其它的相关图像与之配准，其坐标系统 是任意的。绝对配准是指先定义一个控制网格，所有的图像相对于这个网格来 进行配准，也就是分别完成各分量图像的几何校正来实现坐标系的统一。本文 主要研究大幅面多图像的相对配准，因此如何确定多图像之间的配准函数映射 关系是图像配准的关键。通常通过一个适当的多项式来拟合两图像之间的平移、旋转和仿射变换，由此将图像配准函数映射关系转化为如何确定多项式的系数，最终转化为如何确定配准控制点(RCP)。目前，根据如何确定RCP的方法和图像配准中利用的图像信息区别可将图像配准方法分为三个主要类别：基于灰度信 息法、变换域法和基于特征法[25]，其中基于特征法又可以根据所用的特征属 性的不同而细分为若干类别。以下将根据这一分类原则来讨论目前已经报道的 各种图像配准方法和原理。 1基于灰度信息的图像配准方法 基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而 是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点是 实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变 换的搜索过程中往往需要巨大的运算量。经过几十年的发展，人们提出了许多 基于灰度信息的图像配准方法，大致可以分为三类：互相关法(也称模板匹配法)、序贯相似度检测匹配法、交互信息法。 (1)互相关法

(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

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

探地雷达成像算法研究

探地雷达成像算法研究 摘要 探地雷达(Ground Penetrating Radar,简称GPR)集无损检测、穿透能力强、分辨率高等众多优点而成为检测和识别地下目标的一种有效技术手段。性能优良的探地雷达成像方法有助于精确定位地下目标，同时提高对目标的检测和识别能力，从而推动探地雷达在城市质量监控、地质灾害、考古挖掘、高速公路无损检测、地雷探测等各个方面得到更广泛的应用。 本文以中国电波传播研究所的探地雷达LD-2000为实验设备，从中读取探测数据。以MATLAB为软件平台，实现了探地雷达数据的显示、处理、成像几个部分。其中数据显示方式包括数据的波形堆积图，剖面面色阶图以及带数据波形图；数据处理部分包括直达波的去除、背景噪声的去除、振幅增益等；雷达成像算法部分主要采用波前成像算法和投影层析成像算法。

Imaging Algorithm of Ground Penetrating Radar ABSTRACT GPR (Ground Penetrating Radar, referred GPR) set of non-destructive testing, penetration ability, many advantages of high resolution detection and identification of underground and become the target of an effective technical means. Excellent performance GPR imaging approach helps pinpoint underground targets, while increasing the target detection and identification capabilities, thereby promoting the quality of ground penetrating radar surveillance in the city, geological disasters, archaeological excavation, highway nondestructive testing, mine detection, etc. aspects to be more widely used. In this paper, China Institute of Radiowave Propagation GPR LD-2000 for the experimental apparatus, reads probe data. MATLAB as the software platform to achieve a ground-penetrating radar data display, processing, imaging several parts. Wherein the data includes a data waveform display stacked, with a cross-sectional side view and a gradation data waveform; data processing section includes the removal of the direct wave, the background noise removal, the amplitude gain, etc.; radar imaging algorithm some of the major imaging algorithm and the wavefront projection tomography algorithms.

基于ICP算法的图像配准的MATLAB实现

function [TR, TT] = icp(model,data,max_iter,min_iter,fitting,thres,init_flag,tes_flag,refpn t) % ICP Iterative Closest Point Algorithm. Takes use of % Delaunay tesselation of points in model. % % Ordinary usage: % % [R, T] = icp(model,data) % % ICP fit points in data to the points in model. % Fit with respect to minimize the sum of square % errors with the closest model points and data points. % % INPUT: % % model - matrix with model points, [Pm_1 Pm_2 ... Pm_nmod] % data - matrix with data points, [Pd_1 Pd_2 ... Pd_ndat] % % OUTPUT: % % R - rotation matrix and % T - translation vector accordingly so % % newdata = R*data + T . % % newdata are transformed data points to fit model % % % Special usage: % % icp(model) or icp(model,tes_flag) % % ICP creates a Delaunay tessellation of points in % model and save it as global variable Tes. ICP also % saves two global variables ir and jc for tes_flag=1 (default) or % Tesind and Tesver for tes_flag=2, which % makes it easy to find in the tesselation. To use the global variables % in icp, put tes_flag to 0. % % % Other usage: % % [R, T] = icp(model,data,max_iter,min_iter,... % fitting,thres,init_flag,tes_flag) % % INPUT: % % max_iter - maximum number of iterations. Default=104 % % min_iter - minimum number of iterations. Default=4 % % fitting - =2 Fit with respect to minimize the sum of square errors. (default) % alt. =[2,w], where w is a weight vector corresponding to data. % w is a vector of same length as data.

图像配准算法综述

杭州电子科技大学 毕业设计（论文）文献综述 毕业设计题目SIFT特征研究及应用 文献综述题目图像配准算法综述学院生命信息及仪器工程学院 专业电子信息技术及仪器 姓名 班级 学号 指导教师

图像配准算法综述 一．前言 图像配准是指找出场景中同一物体表面的结构点在不同图像上的投影像素点之间的对应关系，是图像信息处理领域中一项非常重要的技术，同时也是其它一些图像分析技术，如立体视觉、运动分析、数据融合等的基础。 目前图像配准广泛应用于虚拟现实、视频压缩、图像复原、图像数据库检索等技术中。图像配准的研究是计算机视觉中最困难也是最重要的任务之一。不同的图像配准方法总是对应于某种适用的图像变换模型，其核心问题是提高配准的速度、精度和算法的稳健度。 随着科学技术的发展现在约40%的机器视觉应用中都会使用图像匹配技术，所涉及的领域有：工业检测，导弹的地形匹配，光学和雷达的图像跟踪，交通管理，工业流水线的自动监控、工业仪表的自动监控，医疗诊断，资源分析，气象预报，文字识别以及图像检索等。 图像匹配研究按其处理步骤可以分为样本采集、样本预处理、样本分割、样本的特征提取等，并且与计算机视觉、多维信号处理和数值计算方法等紧密结合。它也是其它一些图像分析技术，如立休视觉、运动分析、数据融合等的基础。正因为其应用的广泛性，新的应用和新的要求逐步产生，使得匹配算法的研究逐步走向深入，出现了快速、稳定、鲁棒性好的匹配算法。因此，研究图像的匹配算法对于如何提高实际工程中的图像处理质量和识别精度具有非常重要的意义。 本文主要分析图像匹配常用方法的优点和不足之处，讨论了图像匹配中需要进一步研究和解决的问题。 二．图像配准算法的研究现状 图像配准是立体视觉、运动分析、数掘融合等实用技术的基础，在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域有重要的应用价值。国内外学者针对不同的图像配准应用问题进行了大量的研究工作，早在1992年英国剑桥大学的Lisa Gottesfeld Brown在文献[1]习中就总结了图像配准的主要理论及图像配准在各个领域的应用。当时他讨论的图像配准技术主要还是著眼于医学图像处理、遥感图像处理等传统应用领域。图像配准是图像镶嵌技术的核心问题。 微软研究院的Richard Szeliski在1996年SIGGRAPH上提出了基于运动模型的全景图拼接算法[7]。Szeliski采用了非线性优化的方法来最小化像素两幅图像的亮度差以确定变换参数。该方法使用了全部像素进行优化处理，所以配准精度较高，但是计算速度较慢，且稳健性不佳。 国内的赵向阳。杜立民在2004年提出了一种基于特征点匹配的图像自动拼接算法[2]，其中使用了Harris算法[3]提取角点并进行匹配。赵的算法采用了鲁棒变换估计技术，在一定程度上提高配准算法的稳健性，但是计算速度依然较慢，且无法配准重

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。

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。

基于Demons算法的图像配准研究 5.10_修改

基于Demons算法的图像配准研究 摘要 图像配准实质上是评价两幅图或多幅图像的相似性以确定同名点的过程，其作为图像处理中的一个基本问题，同时也是众多图像分析和处理任务的关键步骤，被广泛应用于医学、军事、遥感、计算机视觉等众多领域，严格地说, 图像配准问题就是将位于不同坐标系下同一场景的二幅或多幅图像,寻找一种特定的最优几何变换,将两幅或多幅图像变换到同一坐标系的过程。图像配准算法则是设法建立两幅或多幅图像之间的对应关系，确定相应几何变换参数，对两幅图像中的一幅进行几何变换的方法，是图像配准最关键的技术，直接决定图像配准的准确性。本文在学习了解了现有的图像配准算法后，主要针对重要的图像配准算法—Demons算法，通过研究原始Demons算法、Active Demons算法和Symmetric Demons算法的基本原理和各自在图像配准中的应用，对三种算法的性能进行对比分析，确定三种算法的优缺点，进而找到影响图像配准结果的根本原因。 关键词：图像配准原始的Demons算法Active Demons算法Symmetric Demons算法 Abstract Image registration is to determine corresponding point evaluation two pictures or images virtually, as a basic problem of image processing, meanwhile, it is also the key steps of many image analysis and processing tasks. It is widely used in medical, military, remote sensing, computer machine vision fields. Strictly speaking, the problem of image registration is finding a certain optimal geometric transformation to make two or more images in different coordinate systems transform into the same coordinate system. Image registration algorithm is trying to establish the correspondence between two or more images, determining the corresponding geometric parameters. It is the key of image registration It also directly determines the accuracy of image registration. On the base of understanding of the existing image registration algorithms .The

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.