摘要：飞机检测是遥感图像分析领域的研究热点,现有检测方法的检测流程分为多步,难以进行整体优化,并且对于飞机密集区域或背景复杂区域的检测精度较低。针对以上问题,该文提出一种端到端的检测方法MDSSD来提高检测精度。该方法基于单一网络目标多尺度检测框架(SSD),以一个密集连接卷积网络(DenseNet)作为基础网络提取特征,后面连接一个由多个卷积层构成的子网络对目标进行检测和定位。该方法融合了多层次特征信息,同时设计了一系列不同长宽比的候选框,以实现不同尺度飞机的检测。该文的检测方法完全摒弃了候选框提取阶段,将所有检测流程整合在一个网络中,更加简洁有效。实验结果表明,在多种复杂场景的遥感图像中,该方法能够达到较高的检测精度。

摘要：分辨率是SAR的重要指标之一,研究移变模式双基地SAR的分辨特性,旨在为该模式系统性能指标的设计提供依据。首先采用梯度方法给出了移变模式下地面距离分辨率的计算公式,并考察了其随位置的变化。然后从成像处理的角度推导出移变模式下方位分辨率的计算公式,并给出了求解方法。最后以"星空"配置为例,仿真了不同空载平台速度下,共同照射范围、合成孔径时间以及方位分辨率的变化情况,为该模式下速度的选择提供了参考。

摘要：干涉SAR运动补偿是实现高精度机载干涉SAR测量的关键。该文针对运动补偿误差对机载双天线干涉SAR测量的影响进行了详细的分析。首先在参考高程无误差和有误差两种情况下对运动补偿残余误差进行建模;随后分析了无测量误差条件下运动补偿残余误差对干涉相位和平面定位精度的影响;接着分析了存在航迹测量误差和基线测量误差条件下运动补偿残余误差的影响;最后,通过仿真和实测数据实验验证了理论推导的正确性。该文的分析结果为机载双天线干涉SAR系统设计和数据处理提供了理论基础。

摘要：基于模板的SAR目标识别需要存储海量的目标模板,给识别系统的设计和算法效率的提高都造成了严重的困难,而基于模型的方法克服了上述问题,并已成为下一代目标识别算法研究的热点。该文提出的基于圆周SAR(CSAR)回波模型的识别算法,从目标的3维CAD模型出发,利用弹射线原理构建目标的CSAR回波,并通过在线实时预测目标聚束SAR图像来完成识别。同传统的基于散射中心模型的算法相比,利用CSAR回波的算法不仅预测结果准确,而且算法简单高效。仿真实验验证了算法的有效性,并比较了相关算法的优缺点。

摘要：地形校正可以减小地形起伏对地物光谱的影响,提高计算机分类在山区的精度。设计了针对全球土地覆盖分类的Landsat TM/ETM+数据地形校正方法 SCOS(Smoothed COS余弦),首先对地形的坡度角进行抹平处理,很大程度上削弱了地表非朗伯性对地形校正的影响,然后利用简单有效的余弦校正去除地形效应。该方法与其他常用地形校正算法的对比分析是通过对全球不同区域、不同地表覆盖的有代表性的6景Landsat TM/ETM+数据的试验,采用统计分析与目视判读的方式,从过度校正和类内均一性两个方面进行的。结果表明,该方法在目视效果和统计结果上优于常规方法,并且更加简单有效,无需复杂的大气参数及传感器参数,满足全球地表覆盖分类对地形校正的需求。

摘要：雷达探测是一种有效的对地观测手段,雷达图像目标识别是其重要研究方向.深度学习已在众多领域取得成功,然而训练深层神经网络需要大量数据,样本量不足已成为制约深度学习方法在雷达图像目标识别中应用的主要因素.本文对基于深度学习的雷达图像目标识别研究进展进行了综述,梳理和总结了具有代表性的方法.首先,介绍针对雷达图像目标识别的数据扩充和网络模型设计方法.然后,详细阐述本课题组针对小样本条件提出的基于迁移学习、度量学习和半监督学习的雷达图像目标识别方法.最后,讨论了目前仍然存在的问题,并给出了对未来发展趋势的展望.

摘要：提出一种基于梯度方向直方图(HOG)的飞机目标方向估计方法,通过改进主动形状模型(ASM)对不同类型目标之间的形变进行建模,利用核密度估计方法(KDE)得到目标的全局统计形状约束以实现目标识别,并设计了一种针对飞机目标的半自动图像特征点标定策略,提高了对训练样本特征点的标定效率。对遥感图像中飞机目标的识别实验表明,与现有方法相比,研究提出的方法对飞机目标具有更好的识别性能。

摘要：针对当前震颤影像内部误差难以补偿的问题,提出一种基于高频角位移的稳态重成像模型实现高分辨率(HR)卫星颤振检测和内部几何精度补偿,并进一步采用几何定标场的数字正射影像/数字高程模型参考数据进行精度验证。以2015年发射的某型号HR光学卫星为例,分别进行了以下三个实验:平台震颤检测、姿态数据处理滤波器收敛性分析以及震颤补偿效果验证。结果表明,所设计的平台震颤地面补偿模型可以有效改善成像质量,且补偿后的震颤影像内部几何精度可以达到1.5pixel。

摘要：该文针对周期性变PRF采样高分辨率聚束模式合成孔径雷达(SAR)提出了一种改进的两步成像算法。变脉冲重复频率(PRF)设计可解决固定盲区等问题,是解决星载SAR高分宽幅矛盾的一种有效手段,但变PRF采样会引起频谱混叠和虚假目标等问题。该文从离散非均匀傅里叶变换原理出发,推导改进sinc插值核函数并建立了时域-时域的回波重建方法,将变PRF采样回波重构为均匀采样回波。此外将改进sinc插值与两步式成像算法结合,据此发展出针对非均匀采样回波的改进两步式聚束SAR成像算法,拓展了传统两步式成像算法的使用范围。仿真数据和实际数据处理结果验证了成像算法的有效性和精确性,并且改进sinc插值具备更高的计算效率。

摘要：合成孔径雷达(Synthetic Aperture Radar,SAR)在对地面目标进行观测时,可以在多个不同的方位角获取到目标的SAR图像,但这些图像中目标的形态各不相同。考虑到SAR图像对观测方位角极其敏感和SAR图像数据规模小这两个因素,本文设计了一个利用多方位角SAR图像进行目标识别的卷积神经网络(Convolutional Neural Network,CNN),同一目标的3幅SAR图像被当作一幅伪彩色图像输入到网络中,充分利用了SAR图像数据的获取特点,同时用池化层替代了展平操作,降低了网络参数数量。实验结果表明,即便在小规模SAR数据集上,该卷积网络具有识别精度高的特点,对同类别不同型号的目标也具有出色的识别表现。