后向投影算法(续)-SAR成像算法系列(八)

news2024/9/23 21:19:36

系列文章目录

 《后向投影算法(BPA)-SAR成像算法系列(二)》


文章目录

前言

 一、成像场景设置

1.1 扫描模式

条带模式

聚束模式

1.2 几何构型

正侧视

斜视

1.3 成像坐标选择

 固定场景直角坐标系

沿视线直角坐标系

数据获取面直角坐标系

数据获取面极坐标系

二、 BP算法

三、仿真结果

3.1.条带+正侧视+固定场景直角坐标系

3.2 聚束+斜视+固定场景直角坐标系

3.3 聚束+斜视+沿视线直角坐标系

3.4 聚束+斜视+数据获取面直角坐标系

3.5 聚束+斜视+数据获取面极坐标系

总结


前言

       在CSDN写的第一篇文章是关于SAR的,到目前已有512天,粉丝朋友对我写的SAR相关文章的认可是我坚持写下去的动力。看评论区有部分粉丝说我写SAR方面的内容看得很过瘾,但是不够看,我很是高兴。今后我会在保证文章质量的前提下持续更新SAR相关的知识,但是博主本身有自身研究要开展,更新速度可能会比较慢,望各位理解。现在进入正题:

        本文属于SAR成像算法系列文章,且为后向投影算法的续集。前面介绍了各种SAR成像算法,并没有分析不同扫描模式、几何构型以及成像坐标系下的成像规律。本文基于后向投影算法(BP),分析不同扫描模式、不同几何构型以及不同成像坐标系下的成像规律。下面具体介绍:


 一、成像场景设置

1.1 扫描模式

        SAR雷达工作模式主要由天线的扫描模式决定,按天线扫描模式,SAR工作模式可分为:条带模式、聚束模式、滑聚模式等,其中滑聚模式介于条带模式与聚束模式之间。本文主要介绍条带模式与聚束模式。

  • 条带模式

       雷达天线波束指向相对于飞行平台方向保持固定,并随平台的移动在地面照射出一个与航迹平行的带状区域,此时同距离处目标的多普勒历程基本一致,只是时延不同,对应的信号模型为:

r\left (\tau , t|x,y \right )=rect\left ( \frac{\tau -\frac{2R\left ( t|x,y \right )}{c}}{T_{w}}\right )rect\left ( \frac{t-t_{p}}{T_{syn}} \right )e^{j\pi K\left ( \tau -\frac{2R\left ( t|x,y \right )}{c} \right )^{2}}e^{-\frac{4\pi }{\lambda }R\left ( t |x,y\right )}

距离维脉冲压缩后信号为:

r\left (\tau , t|x,y \right )=sinc\left (B_{r}\left ( \tau -\frac{2R\left ( t|x,y \right )}{c} \right )\right )rect\left ( \frac{t-t_{p}}{T_{syn}} \right )e^{-\frac{4\pi }{\lambda }R\left ( t |x,y\right )}

        从上述表达式可以看出,距离脉压后不同方位时刻t信号能量沿着R\left ( t |x,y\right )集中分布,该曲线也为距离徙动曲线,沿着这条曲线,信号可以表示为:

r\left ( t|x,y \right )=r\left ( \tau =\frac{2R\left ( t|x,y \right )}{c} ,t|x,y \right )=rect\left ( \frac{t-t_{p}}{T_{syn}} \right )e^{-\frac{4\pi }{\lambda }R\left ( t |x,y\right )}

沿着这条曲线做相干累加,即可得到坐标\left ( x,y \right )下的SAR值:

I\left ( x,y \right )=\int_{t_{p}-\frac{T_{syn}}{2}}^{t_{p}+\frac{T_{syn}}{2}}r\left ( t|x_{0},y_{0} \right )e^{-\frac{4\pi }{\lambda }R\left ( t |x,y\right )}dt

  • 聚束模式

       雷达天线始终指向固定的成像区域,通过雷达视角的移动使得目标的合成孔径时间极大增加,且不受限于天线波束宽度,由于整个信号采样时间,天线波束始终照射目标区域,同距离处目标的多普勒历程并不一致,对应的信号模型如下:

 r\left (\tau , t|x,y \right )=rect\left ( \frac{\tau -\frac{2R\left ( t|x,y \right )}{c}}{T_{w}}\right )e^{j\pi K\left ( \tau -\frac{2R\left ( t|x,y \right )}{c} \right )^{2}}e^{-\frac{4\pi }{\lambda }R\left ( t |x,y\right )}

       与条带模式相比,聚束模式的方位合成时间覆盖整个采样时段,所以最后做相干累加的时间范围为整个采样时间范围,其他步骤一致,就不赘续。

1.2 几何构型

  • 正侧视

      上图是正侧视的几何构型, 正侧视包含正视与侧视两个含义:正视表明天线波束中心指向位于零多普勒面(垂直于航迹的平面);侧视表明天线波束中心指向不位于平台轨迹垂直面上(即下面介绍的\alpha不为90°)。

 

       上图是零多普勒面视图,\alpha为雷达视线与地面的夹角,一般雷达所测距离为雷达视线距离,雷达测距分辨率\rho _{r}与雷达发射脉冲带宽有关,一般是一个固定值,当 \alpha变化时,投影到地面的距离分辨率\rho _{rg}也变化,其与实际距离分辨率关系如下:

\rho _{rg}=\frac{\rho _{r}}{\cos \alpha }

       从上述表达式可以看出,当\alpha为90°时,对应的地距分辨率将为无穷大,此时成像所成像地距维度将会模糊,这也是SAR成像中需要雷达视线与地面需要一些夹角的原因,也是正侧视场景的设计依据。

  • 斜视

       上图是斜视的几何构型,与正侧视相比,斜视情况下,天线波束中心/雷达视线方向与飞行平台航迹并不垂直,存在一定的夹角,该角的余角称为斜视角(有的也认为该角为斜视角)。当夹角小于90°时,则认为是前视模式,当大于90°时,则认为是后视模式。

1.3 成像坐标选择

       在进行BP成像过程中,进行网格剖分时,有几种坐标系的选择。 如上图所示, SAR成像中有三类常见的成像直角坐标系,以成像场景中心为坐标原点,下面结合上述场景图具体介绍:

  •  固定场景直角坐标系

        如上图黑色坐标系所示,SAR成像面位于地面,以平行于平台的飞行方向为方位向A_{z},垂直于飞行方向且位于地面的方向为地距方向R_{g}

  • 沿视线直角坐标系

        如上图绿色坐标系所示,SAR成像面位于地面,以雷达视线沿地面的投影为X轴,垂直于X​​​​​​​轴且与飞行方向夹角小于90°的方向为Y。 

  • 数据获取面直角坐标系

      如上图红色坐标系所示,SAR成像面位于地面,以雷达视线方向为距离向R_{c},垂直于距离向,且与飞行方向夹角小于90°的方向为距离横向A_{h}。 

 ​​​​​​​

  • 数据获取面极坐标系

        如上图所示,以合成孔径中心为原点,垂直于孔径方向为0方位角方向,成像平面位于数据获取面内。

二、 BP算法

        不同模式下的BP算法原理:首先在选定的成像坐标系(四类坐标系)下对特定的成像平面进行网格剖分,然后针对不同的网格剖分点,结合成像场景的几何构型,计算对应的距离徙动曲线,最后沿着距离徙动曲线进行相干累加,累加的模值作为SAR图像值。

        下面简单介绍成像场景不同因素对BP算法的影响。首先正侧视以及斜视的几何构型对成像算法并不产生影响。其次雷达的工作模式决定了方位向信号的范围,即影响距离徙动曲线方位向范围。最后,在斜视模式下,不同成像平面以及坐标系下,得到的SAR图像为不同视角下的“所见”图像,因此具有不同的特征。下面结合仿真具体介绍:

三、仿真结果

  

       上图分别是SAR成像场景图以及真实点目标分布图。下面具体分析不同坐标系下的BP算法成像结果。

3.1.条带+正侧视+固定场景直角坐标系

       坐标系为固定场景坐标系,与第一节介绍的略有不同,场景中心没有甚至为坐标原点,而是将平台某时刻的地面投影位置甚至为原点,此时成像场景中心位置为,距离10km,方位10km,搜索范围100m*100m,搜索间隔0.2m*0.1m。目标为3*3分布的矩形点列,距离方位间距皆为20m,下图为BP算法成像结果:

 ​​​​​​​

          从结果可以看出,该坐标系下的SAR图像与实际布置的目标分布图一致。

3.2 聚束+斜视+固定场景直角坐标系

        斜视角为-30°,负号表示前视,下面为BP算法成像结果:

 ​​​​​​​

        与正视相比,斜视情况该坐标系下所成图像的目标点分布与实际布置的目标分布图一致,只是距离分辨轴向与地距方向发生斜视角度的旋转。

3.3 聚束+斜视+沿视线直角坐标系

 ​​​​​​​

        上图是该坐标系下的成像结果,其成像结果可由下图得到解释。以前视为例,当飞行平台移动时,雷达波束中心首先经过最近方位最远地距的目标点,所以针对同方位不同距离的目标,雷达首先探测到最远距离的目标,最后探测到最近距离的目标,这与上述成像结果是相符的。

 

3.4 聚束+斜视+数据获取面直角坐标系

 

       上图是在数据获取面直角坐标系得到成像结果,其形成图像的原因与3.3节的基本一致,这里不再重复。

3.5 聚束+斜视+数据获取面极坐标系

       目标方向在参考方向(垂直航向方向)的右侧,方位角为正,因此对应前视情况,目标的方位角为正值,下面为BP算法成像结果:

 

代码:《SAR+BPA算法+根据回波信号生成SAR图像(斜视)》


总结

       上述SAR的内容主要依赖自身理解,可能存在一些争议的地方,有任何问题都可以评论区留言。另外觉得博主写的内容不错,希望各位支持一下,你们的反馈真的很重要。

        本文主要介绍了不同成像场景下BP算法所成SAR图像特点。结合BP算法,讲述了SAR成像中扫面模式、几何构型以及成像坐标的概念以及对算法的影响。转载请附上链接:【杨(_> <_)】的博客_CSDN博客-信号处理,SAR,代码实现领域博主

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/464686.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

深度学习GPU选购指南

【导读】最近&#xff0c;曾拿到斯坦福、UCL、CMU、NYU博士offer、目前在华盛顿大学读博的知名测评博主Tim Dettmers在自己的网站又上线了深度学习领域的GPU深度测评&#xff0c;到底谁才是性能和性价比之王&#xff1f; 众所周知&#xff0c;在处理深度学习和神经网络任务时&a…

马云的创业故事及他人生中的摆渡人-创建阿里巴巴(六)

著名的“18罗汉大会” 以及“马云成功背后的男人” 1999年大年初五&#xff0c;杭州湖畔花园小区&#xff0c;18个人坐满了一屋子&#xff0c; 这是阿里巴巴的第一次全员大会&#xff0c;马云激情澎湃地讲了2个小时&#xff0c;并且专门请了摄影师全程录像。 这就是传说中的…

边界点射箭问题

问题 题目 问题: 给定一个有目标位置和边界单元格为空的 n n 方格表&#xff0c;找出哪个位于边界单 元格的箭头会击中最多连续的目标而不经过目标之间的任何空单元格。箭头方向为&#xff1a; (A)←、(B) ↑、 © →、(D) ↓、(E) ↖、 (F) ↗、 (G) ↘ 和 (H) ↙。 将…

Nginx反向代理+Keepalived实现Nginx高可用

Keepalived概述&#xff1a; keepalived 是一个类似于 layer3, 4 & 5 交换机制的软件&#xff0c;也就是我们平时说的第 3 层、第 4 层和第 5层交换。 Keepalived 的作用是检测 web 服务器的状态&#xff0c;如果有一台 web 服务器死机&#xff0c;或工作出现故障&#xff…

[极客大挑战 2019]Havefun、[ACTF2020 新生赛]Include、[SUCTF 2019]EasySQL

[极客大挑战 2019]Havefun 进入环境就如下图啥都没给我查看了一下源码 直接给出了flag???尝试了一下结果是一个假的flag&#xff0c;然后我们分析源代码很容易看出我们通过GET方式给cat传一个值&#xff0c;如果cat的值为dog就输出flag&#xff0c;这很简单了我们通过get方…

京东2023年Q1财报预测:短期增速承压,收入和净利润预测被下调

来源&#xff1a;猛兽财经 作者&#xff1a;猛兽财经 猛兽财经获悉&#xff0c;中信证券近期发布研报维持京东&#xff08;JD&#xff09;买入评级&#xff0c;中信证券在研报中预计京东2023年第一季度的营收将达到2,383亿元/同比减少-0.6%&#xff0c;Non-GAAP净利润50.6亿元/…

AI剧本拆解,教你利用AI快速拆解剧本

AI剧本拆解是一项将影视、戏剧等剧本进行分析和优化的技术&#xff0c;可以帮助制作团队更好地规划角色、情节、场景等元素&#xff0c;并提升作品的艺术水平和观赏体验。 1、为什么要拆解剧本&#xff1f; 剧本拆解是制片人和导演的第一项工作&#xff0c;把剧本中各项要素分…

【Python入门第五十四天】Python丨NumPy ufuncs

什么是 ufuncs&#xff1f; ufuncs 指的是“通用函数”&#xff08;Universal Functions&#xff09;&#xff0c;它们是对 ndarray 对象进行操作的 NumPy 函数。 为什么要使用 ufuncs&#xff1f; ufunc 用于在 NumPy 中实现矢量化&#xff0c;这比迭代元素要快得多。 它们…

win系统jenkins搭建+tomcat启动

简介 Jenkins是一个开源软件项目&#xff0c;是基于Java开发的一种持续集成工具&#xff0c;用于监控持续重复的工作&#xff0c;旨在提供一个开放易用的软件平台&#xff0c;使软件项目可以进行持续集成 下载war包 下载地址 (镜像安装 docker pull jenkins/jenkins:lts) …

面板数据进行熵值法

面板数据熵值法分析流程如下&#xff1a; 一、案例背景 当前有9家公司连续5年&#xff08;2018-2022年&#xff09;的财务指标数据&#xff0c;想要通过这份数据&#xff0c;确定各个财务指标的权重。熵值法根据指标离散程度确定赋权大小&#xff0c;客观公正准确度高。本次收…

python安装三方库教程:关于pip命令的一切,到底怎么用?

python安装三方库教程&#xff1a;关于pip命令的一切&#xff0c;到底怎么用&#xff1f; 一、pip设置国内源&#xff1a;1.1如何本地配置源&#xff1a;1.1.1 方法1&#xff1a;下载的时候指定地址1.1.2 方法2&#xff1a;使用pip命令生成配置文件1.1.3 方法3&#xff1a;自定…

vue---组件通信

目录 1、组件跨层级访问 &#xff08;1&#xff09;$emit &#xff08;2&#xff09;$root 、 $parent、$refs 2、依赖注入 3、透传及组件二次封装 组件间通信的三种方案&#xff1a; 1、组件跨层级访问&#xff0c;2、依赖注入,3、透传&#xff08;用于组件二次封装&…

React Hooks 钩子函数错误用法,你还在犯这些错误吗

React Hooks 常见错误 前言 本片文章主要是在写react hooks的时候&#xff0c;遇到的常见错误的写法&#xff0c;和错误。也是一个对只是的巩固和总结。 错误一 上代码&#xff1a;正确写法 function TestReactHooksError() {const [test, setTest] useState(test);useEff…

论文阅读:PVO: Panoptic Visual Odometry

全景视觉里程计、同时做全景分割和视觉里程计 连接&#xff1a;PVO: Panoptic Visual Odometry 0.Abstract 我们提出了一种新的全景视觉里程计框架PVO&#xff0c;以实现对场景运动、几何和全景分割信息的更全面的建模。我们将视觉里程计(VO)和视频全景分割(VPS)在一个统一的…

【hello Linux】进程间通信——匿名管道

目录 前言&#xff1a; 总结下上述的内容&#xff1a; 1. 进程间通信目的 2. 进程间通信的分类 1. 匿名管道 2. 匿名管道的使用 1. 匿名管道的创建 2. 使用匿名管道进行父子间通信 Linux&#x1f337; 前言&#xff1a; 进程具有独立性&#xff0c;拥有独立的数据、代码及其他…

人工智能时代来临,殊不知低代码早已出手

科普一下人工智能的等级划分&#xff0c;按照实力&#xff0c;人工智能可以分为弱人工智能(Artificial Narrow Intelligence&#xff0c;简称ANI)、强人工智能(Artificial General Intelligence简称AGI)、超人工智能(Artificial Superintelligence简称ASI)三个等级。 弱人工智能…

Windows下 批量重命名文件【bat实现】

目录 前言 一、Windows简单实现重命名 二、使用命令行和Excel实现重命名 前言 在实际应用中&#xff0c;我们经常会遇到将指定文件夹下的文件重命名&#xff0c;以便程序读写。 本文介绍了两种方式&#xff0c;都是在Windows系统中自带的重命名方式。 一、Windows简单实现…

面试题目 002

分享一位读者面试美团 java 岗位的面经。主要在考察 javamysql 算法题目 最长回文串 根据前序中序恢复二叉树 说一说 MySQL 的索引 MySQL 的索引是一种存储数据结构&#xff0c; 按照数据结构划分&#xff0c;MySQL 可以分为 B 树索引、Hash 索引、全文索引 按照 B 树的叶子…

Windows云主机崩溃了怎么办?

​  无法避免服务器崩溃已不是什么秘密&#xff0c;无论选择Windows 云主机还是 Linux 云主机。但不可否认的是&#xff0c;任何错误都可能给企业带来灾难性的后果。该怎么办?持续监控服务器是可能的解决方案之一。即便如此&#xff0c;如果服务器已经处于关闭阶段&#xff…

机器学习实战教程(十):逻辑回归

概述 逻辑回归&#xff08;Logistic Regression&#xff09;是一种用于解决二分类或多分类问题的统计学习方法。它以自变量线性组合的形式进行建模&#xff0c;并使用Sigmoid函数将结果映射到[0, 1]的值域内&#xff0c;表示样本属于某个类别的概率。 Logistic Regression是最…