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)
2. Matlab程序 2.1 一次聚类法 X=[11978 12.5 93.5 31908;…;57500 67.6 238.0 15900]; T=clusterdata(X,0.9) 2.2 分步聚类 Step1 寻找变量之间的相似性 用pdist函数计算相似矩阵，有多种方法可以计算距离，进行计算之前最好先将数据用zscore 函数进行标准化。 X2=zscore(X); %标准化数据 Y2=pdist(X2); %计算距离 Step2 定义变量之间的连接 Z2=linkage(Y2); Step3 评价聚类信息 C2=cophenet(Z2,Y2); //0.94698 Step4 创建聚类，并作出谱系图 T=cluster(Z2,6); H=dendrogram(Z2); Matlab提供了两种方法进行聚类分析。 一种是利用 clusterdata函数对样本数据进行一次聚类，其缺点为可供用户选择的面较窄，不能更改距离的计算方法； 另一种是分步聚类：（1）找到数据集合中变量两两之间的相似性和非相似性，用pdist函数计算变量之间的距离；（2）用 linkage函数定义变量之间的连接；（3）用 cophenetic函数评价聚类信息；（4）用cluster函数创建聚类。 1．Matlab中相关函数介绍 1.1 pdist函数 调用格式：Y=pdist(X,’metric’) 说明：用‘metric’指定的方法计算 X 数据矩阵中对象之间的距离。’ X：一个m×n的矩阵，它是由m个对象组成的数据集，每个对象的大小为n。 metric’取值如下： ‘euclidean’：欧氏距离（默认）；‘seuclidean’：标准化欧氏距离； ‘mahalanobis’：马氏距离；‘cityblock’：布洛克距离； ‘minkowski’：明可夫斯基距离；‘cosine’： ‘correlation’：‘hamming’： ‘jaccard’：‘chebychev’：Chebychev距离。 1.2 squareform函数 调用格式：Z=squareform(Y,..) 说明：强制将距离矩阵从上三角形式转化为方阵形式，或从方阵形式转化为上三角形式。 1.3 linkage函数 调用格式：Z=linkage(Y,’method’) 说明：用‘method’参数指定的算法计算系统聚类树。 Y：pdist函数返回的距离向量；
合成孔径雷达（SAR） 合成孔径雷达（SAR）数据拥有独特的技术魅力和优势，渐成为国际上的研究热点之一，其应用领域越来越广泛。SAR数据可以全天候对研究区域进行量测、分析以及获取目标信息。高级雷达图像处理工具SARscape，能让您轻松将原始SAR数据进行处理和分析，输出SAR 图像产品、数字高程模型（DEM）和地表形变图等信息，应用永久散射体PS、短基线处理SBAS等方法快速准确地获取大范围形变信息，并可以将提取的信息与光学遥感数据、地理信息集成在一起，全面提升SAR数据应用价值。 基本概念 合成孔径雷达就是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达，也称综合孔径雷达。合成孔径雷达的特点是分辨率高，能全天候工作，能有效地识别伪装和穿透掩盖物。所得到的高方位分辨力相当于一个大孔径天线所能提供的方位分辨力。 分类 合成孔径雷达可分为聚焦型和非聚焦型两类。用在飞机上或空间飞行器上可有几种不同的工作模式,最常见的是正侧视模式,称为合成孔径侧视雷达；此外还有斜视模式、多普勒波束锐化模式和定点照射模式等。如果雷达保持相对静止，使目标运动成像,则成为逆合成孔径雷达，也称距离-多普勒成像系统。合成孔径雷达在军事侦察、测
绘、火控、制导，以及环境遥感和资源勘探等方面有广泛用途。 发展概况 合成孔径的概念始于50年代初期。当时，美国有些科学家想突破经典分辨力的限制，提出了一些新的设想：利用目标与雷达的相对运动所产生的多普勒频移现象来提高分辨力；用线阵天线概念证明运动着的小天线可获得高分辨力。50年代末，美国研制成第一批可供军事侦察用的机载高分辨力合成孔径雷达。60年代中期，随着遥感技术的发展，军用合成孔径雷达技术推广到民用方面，成为环境遥感的有力工具。70年代后期，卫星载合成孔径雷达和数字成像技术取得进展。美国于1978年发射的“海洋卫星”A号和80年代初发射的航天飞机都试验了合成孔径雷达的效果，证明了雷达图像的优越性。空中SAR概况 1. 1951年, Carl Wiley 首次提出利用频率分析方法改善雷达的角分辨率. 2. 1953年, 伊利诺依大学采用非聚焦方法使角度分辨率由4.13度提高到0.4度,并获得第一张SAR图像. 3. 1957年, 密西根大学采用光学处理方式, 获得了第一张全聚焦SAR图像. 4. 1978年, 美国发射了第一颗星载Seasat-1. 5. 1991年, 欧洲空间局发射了ERS-1. 6. 1995年, 加拿大发射了Radarsat-1.
本文在阐述聚类分析方法的基础上重点研究FCM 聚类算法。FCM 算法是一种基于划分的聚类算法，它的思想是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。最后基于MATLAB实现了对图像信息的聚类。 第 1 章概述 聚类分析是数据挖掘的一项重要功能，而聚类算法是目前研究的核心，聚类分析就是使用聚类算法来发现有意义的聚类，即“物以类聚” 。虽然聚类也可起到分类的作用，但和大多数分类或预测不同。大多数分类方法都是演绎的，即人们事先确定某种事物分类的准则或各类别的标准，分类的过程就是比较分类的要素与各类别标准，然后将各要素划归于各类别中。确定事物的分类准则或各类别的标准或多或少带有主观色彩。 为获得基于划分聚类分析的全局最优结果，则需要穷举所有可能的对象划分，为此大多数应用采用的常用启发方法包括：k-均值算法，算法中的每一个聚类均用相应聚类中对象的均值来表示；k-medoid 算法，算法中的每一个聚类均用相应聚类中离聚类中心最近的对象来表示。这些启发聚类方法在分析中小规模数据集以发现圆形或球状聚类时工作得很好，但当分析处理大规模数据集或复杂数据类型时效果较差，需要对其进行扩展。 而模糊C均值(Fuzzy C-means, FCM)聚类方法，属于基于目标函数的模糊聚类算法的范畴。模糊C均值聚类方法是基于目标函数的模糊聚类算法理论中最为完善、应用最为广泛的一种算法。模糊c均值算法最早从硬聚类目标函数的优化中导出的。为了借助目标函数法求解聚类问题，人们利用均方逼近理论构造了带约束的非线性规划函数，以此来求解聚类问题，从此类内平方误差和WGSS(Within-Groups Sum of Squared Error)成为聚类目标函数的普遍形式。随着模糊划分概念的提出，Dunn [10] 首先将其推广到加权WGSS 函数，后来由Bezdek 扩展到加权WGSS 的无限族，形成了FCM 聚类算法的通用聚类准则。从此这类模糊聚类蓬勃发展起来，目前已经形成庞大的体系。 第 2 章聚类分析方法 2-1 聚类分析 聚类分析就是根据对象的相似性将其分群，聚类是一种无监督学习方法，它不需要先验的分类知识就能发现数据下的隐藏结构。它的目标是要对一个给定的数据集进行划分，这种划分应满足以下两个特性：①类内相似性：属于同一类的数据应尽可能相似。②类间相异性：属于不同类的数据应尽可能相异。图2.1是一个简单聚类分析的例子。
Matlab中有15种基本数据类型，主要是整型、浮点、逻辑、字符、日期和时间、结构数组、单元格数组以及函数句柄等。 1、整型：（int8；uint8；int16；uint16；int32；uint32；int64；uint64）通过intmax(class)和intmin(class) 函数返回该类整型的最大值和最小值，例如intmax(‘int8’)=127； 2、浮点：（single；double） 浮点数：REALMAX('double')和REALMAX('single')分别返回双精度浮点和单精度浮点的最大值，REALMIN('double')和REALMIN ('single')分别返回双精度浮点和单精度浮点的最小值。 3、逻辑:(logical) Logical：下例是逻辑索引在矩阵操作中的应用，将5*5矩阵中大于0.5的元素设定为0： A = rand(5); A(A>0.5)=0； 4、字符:(char) Matlab中的输入字符需使用单引号。字符串存储为字符数组，每个元素占用一个ASCII字符。如日期字符：DateString=’9/16/2001’ 实际上是一个1行9列向量。构成矩阵或向量的行字符串长度必须相同。可以使用char函数构建字符数组，使用strcat函数连接字符。 例如，命令name = ['abc' ; 'abcd'] 将触发错误警告，因为两个字符串的长度不等，此时可以通过空字符凑齐如：name = ['abc ' ; 'abcd']，更简单的办法是使用char函数：char(‘abc’,’abcd’)，Matlab自动填充空字符以使长度相等，因此字符串矩阵的列纬总是等于最长字符串的字符数. 例如size(char(‘abc’,’abcd’))返回结果[2,4]，即字符串’abc’实际存在的是’abc ’，此时如需提取矩阵中的某一字符元素，需要使用deblank函数移除空格如name =char(‘abc’,’abcd’); deblank(name(1,:))。 此外，Matlab同时提供一种更灵活的单元格数组方法，使用函数cellstr可以将字符串数组转换为单元格数组： data= char(‘abc’,’abcd’) length(data(1,:)) ->? 4 cdata=cellstr(data) length(cdata{1}) ->?3 常用的字符操作函数 blanks(n) 返回n个空字符 deblank(s) 移除字符串尾部包含的空字符 (string) 将字符串作为命令执行 findstr(s1,s2) 搜索字符串 ischar(s) 判断是否字符串 isletter(s) 判断是否字母 lower(s) 转换小写 upper(s) 转换大写 strcmp(s1,s2) 比较字符串是否相同 strncmp(s1,s2,n) 比较字符串中的前n个字符是否相同 strrep(s1,s2,s3) 将s1中的字符s2替换为s3 5、日期和时间 Matlab提供三种日期格式：日期字符串如’1996-10-02’，日期序列数如729300（0000年1月1日为1）以及日期向量如1996 10 2 0 0 0，依次为年月日时分秒。 常用的日期操作函数
用matlab做聚类分析 Matlab提供了两种方法进行聚类分析。 一种是利用clusterdata函数对样本数据进行一次聚类，其缺点为可供用户选择的面较窄，不能更改距离的计算方法； 另一种是分步聚类：（1）找到数据集合中变量两两之间的相似性和非相似性，用pdist函数计算变量之间的距离；（2）用linkage函数定义变量之间的连接；（3）用cophenetic函数评价聚类信息；（4）用cluster函数创建聚类。1．Matlab中相关函数介绍 1.1pdist函数 调用格式：Y=pdist(X,’metric’) 说明：用‘metric’指定的方法计算X数据矩阵中对象之间的距离。’X：一个m×n的矩阵，它是由m个对象组成的数据集，每个对象的大小为n。 metric’取值如下： ‘euclidean’：欧氏距离（默认）；‘seuclidean’：标准化欧氏距离； ‘mahalanobis’：马氏距离；‘cityblock’：布洛克距离； ‘minkowski’：明可夫斯基距离；‘cosine’： ‘correlation’：‘hamming’： ‘jaccard’：‘chebychev’：Chebychev距离。 1.2squareform函数 调用格式：Z=squareform(Y,..)
说明：强制将距离矩阵从上三角形式转化为方阵形式，或从方阵形式转化为上三角形式。 1.3linkage函数 调用格式：Z=linkage(Y,’method’) 说明：用‘method’参数指定的算法计算系统聚类树。 Y：pdist函数返回的距离向量； method：可取值如下： ‘single’：最短距离法（默认）；‘complete’：最长距离法； ‘average’：未加权平均距离法；‘weighted’：加权平均法； ‘centroid’：质心距离法；‘median’：加权质心距离法； ‘ward’：内平方距离法（最小方差算法） 返回：Z为一个包含聚类树信息的（m-1）×3的矩阵。 1.4dendrogram函数 调用格式：[H，T，…]=dendrogram(Z,p，…) 说明：生成只有顶部p个节点的冰柱图（谱系图）。 1.5cophenet函数 调用格式：c=cophenetic(Z,Y) 说明：利用pdist函数生成的Y和linkage函数生成的Z计算cophenet相关系数。 1.6cluster函数 调用格式：T=cluster(Z,…) 说明：根据linkage函数的输出Z创建分类。
uint 8:无符号的8位（8bit）整型数据（unit 都是存储型） int ：整型数据 1、在MATLAB中，数值一般都采用double型（64位）存储和运算. 2、为了节省存储空间，MATLAB为图像提供了特殊的数据类型uint8（8位无符号整数），以此方式存储的图像称为8位型像。 3、函数image能够直接显示8位图像，但8位型数据和double型数据在image中意义不一样， 4、对于索引图像，数据矩阵中的值指定该像素的颜色种类在色图矩阵中的行数。当数据矩阵中的值为0时，表示用色图矩阵中第一行表示的颜色绘制；当数据矩阵中的值为1时，表示用色图矩阵中的第二行表示的颜色绘制该像素，数据与色图矩阵中的行数总是相差1。所以，索引图像double型和uint8型在显示方法上没有什么不同，只是8位数据矩阵的值和颜色种类之间有一个偏差1。调用格式均为image(x); colormap(map); 5、对于灰度图像，uint8表示范围[0，255]，double型表示范围[0，1]。可见，double型和uint8型灰度图像不一样，二者转换格式为： I8=uint8 (round (I64*255)); ！！double转换成uint 8 I64=double (I8)/255; ！！！uint转换成double 反之，imread根据文件中的图像种类作不同的处理。当文件中的图像为灰度图像时，imread 把图像存入一个8位矩阵中，把色图矩阵转换为双精度矩阵，矩阵中每个元素值在[0，1]内；当为RGB图像时，imread把数据存入到一个8位RGB矩阵中。！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！ MATLAB中读入图像的数据类型是uint8，而在矩阵中使用的数据类型是double 因此 I2=im2double(I1) :把图像数组I1转换成double精度类型； 如果不转换，在对uint8进行加减时会产生溢出 图像数据类型转换函数 默认情况下，matlab将图象中的数据存储为double型，即64位浮点数；matlab还支持无符号整型（uint8和uint16）；uint型的优势在于节省空间，涉及运算时要转换成double型。 im2double():将图象数组转换成double精度类型 im2uint8():将图象数组转换成unit8类型 im2uint16():将图象数组转换成unit16类型 ！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！ 默认情况下，matlab将图像中的数据存储为double型，即64位浮点数；matlab还支持无符号整型（uint8和uint16）；uint型的优势在于节省空间，涉及运算时要转换成double型。 但是，问题的真正的解释其实应该是这样的。首先是在数据类型转换时候uint8和im2uint8的区别，uint的操作仅仅是将一个double类型的小数点后面的部分去掉；但是im2uint8是将输入中所有小于0的数设置为0，而将输入中所有大于1的数值设置为255，再将所有其他值乘以255。 图像数据在进行计算前要转化为double类型的，这样可以保证图像数据运算的精
合成孔径雷达成像系统点目标仿真 源程序： clc close all C=3e8; %光速 Fc=1e9; %载波频率 lambda=C/Fc; %波长 %成像区域 Xmin=0; Xmax=50; Yc=10000; Y0=500; %SAR基本参数 V=100; %雷达平台速度 H=0; %雷达平台高度 R0=sqrt(Yc^2+H^2); D=4; %天线孔径长度 Lsar=lambda*R0/D; %合成孔径长度 Tsar=Lsar/V; %合成孔径时间 Ka=-2*V^2/lambda/R0;%线性调频率 Ba=abs(Ka*Tsar); PRF=2*Ba; %脉冲重复频率 PRT=1/PRF; ds=PRT; %脉冲重复周期 Nslow=ceil((Xmax-Xmin+Lsar)/V/ds);%脉冲数 Nslow=2^nextpow2(Nslow); %量化为2的指数 sn=linspace((Xmin-Lsar/2)/V,(Xmax+Lsar/2)/V,Nslow); %创建时间向量PRT=(Xmax-Xmin+Lsar)/V/Nslow; %更新 PRF=1/PRT; % 更新脉冲重复频率 fa=linspace(-0.5*PRF,0.5*PRF,Nslow); Tr=5e-6; %脉冲宽度 Br=30e6; %调频信号带宽 Kr=Br/Tr; %调频率 Fsr=2*Br; %快时间域取样频率 dt=1/Fsr; %快时间域取样间隔
Rmin=sqrt((Yc-Y0)^2+H^2); Rmax=sqrt((Yc+Y0)^2+H^2+(Lsar/2)^2); Nfast=ceil(2*(Rmax-Rmin)/C/dt+Tr/dt); Nfast=2^nextpow2(Nfast); tm=linspace(2*Rmin/C,2*Rmax/C+Tr,Nfast); dt=(2*Rmax/C+Tr-2*Rmin/C)/Nfast; %更新 Fsr=1/dt; fr=linspace(-0.5*Fsr,0.5*Fsr,Nfast); DY=C/2/Br; %距离分辨率 DX=D/2; %方位分辨率 Ntarget=3; %目标数目 Ptarget=[Xmin,Yc,1 %目标位置 Xmin,Yc+10*DY,1 Xmin+20*DX,Yc+50*DY,1]; K=Ntarget; %目标数目 N=Nslow; %慢时间采样数 M=Nfast; %快时间采样数 T=Ptarget; %目标位置 %合成孔径回波仿真 Srnm=zeros(N,M); for k=1:1:K sigma=T(k,3); Dslow=sn*V-T(k,1); R=sqrt(Dslow.^2+T(k,2)^2+H^2); tau=2*R/C; Dfast=ones(N,1)*tm-tau'*ones(1,M); phase=pi*Kr*Dfast.^2-(4*pi/lambda)*(R'*ones(1,M)); Srnm=Srnm+sigma*exp(j*phase).*(0 matlab实现Kmeans聚类算法 1.简介： Kmeans和应用于混合高斯模型的受限EM算法是一致的。高斯混合模型广泛用于数据挖掘、模式识别、机器学习、统计分析。Kmeans 的迭代步骤可以看成E步和M步，E：固定参数类别中心向量重新标记样本，M：固定均值只考虑（估计）了均值，而没有估计类别的方差，所以聚类的结构比较适合于特征协方差相等的类别。 Kmeans在某种程度也可以看成Meanshitf的特殊版本，Meanshift 是所以Meanshift可以用于寻找数据的多个模态（类别），利用的是梯度上升法。在06年的一篇CVPR文章上，证明了Meanshift方法是牛顿拉夫逊算法的变种。Kmeans和EM算法相似是指混合密度的形式已知（参数形式已知）情况下，利用迭代方法，在参数空间中搜索解。而Kmeans和Meanshift相似是指都是一种概率密度梯度估计的方法，不过是Kmean选用的是特殊的核函数（uniform kernel），而与混合概率密度形式是否已知无关，是一种梯度求解方式。 k-means是一种聚类算法，这种算法是依赖于点的邻域来决定哪些点应该分在点，也可以对高维的空间（3维，4维，等等）的点进行聚类，任意高维的空间都可以。 上图中的彩色部分是一些二维空间点。上图中已经把这些点分组了，并使用了不同的颜色对各组进行了标记。这就是聚类算法要做的事情。 这个算法的输入是： 1：点的数据（这里并不一定指的是坐标，其实可以说是向量） 2：K，聚类中心的个数（即要把这一堆数据分成几组） 所以，在处理之前，你先要决定将要把这一堆数据分成几组，即聚成几类。但并不是在所有情况下，你都事先就能知道需要把数据聚成几类的。意味着使用k-means就不能处理这种情况，下文中会有讲解。 把相应的输入数据，传入k-means算法后，当k-means算法运行完后，该算法的输出是： 1：标签（每一个点都有一个标签，因为最终任何一个点，总会被分到某个类，类的id号就是标签） 2：每个类的中心点。 标签，是表示某个点是被分到哪个类了。例如，在上图中，实际上有4中“标签”，每个“标签”使用不同的颜色来表示。所有黄色点我们可以用标签以看出，有3个类离的比较远，有两个类离得比较近，几乎要混合在一起了。 当然，数据集不一定是坐标，假如你要对彩色图像进行聚类，那么你的向量就可以是(b,g,r)，如果使用的是hsv颜色空间，那还可以使用(h,s,v),当然肯定可以有不同的组合例如(b*b,g*r,r*b) ，(h*b,s*g,v*v)等等。 在本文中，初始的类的中心点是随机产生的。如上图的红色点所示，是本文随机产生的初始点。注意观察那两个离得比较近的类，它们几乎要混合在一起，看看算法是如何将它们分开的。 类的初始中心点是随机产生的。算法会不断迭代来矫正这些中心点，并最终得到比较靠5个中心点的距离,选出一个距离最小的(例如该点与第2个中心点的距离是5个距离中最小的),那么该点就归属于该类.上图是点的归类结果示意图. 经过步骤3后,每一个中心center(i)点都有它的”管辖范围”,由于这个中心点不一定是这个管辖范围的真正中心点,所以要重新计算中心点,计算的方法有很多种,最简单的一种是,直接计算该管辖范围内所有点的均值,做为心的中心点new_center(i). 如果重新计算的中心点new_center(i)与原来的中心点center(i)的距离大于一定的阈值（该阈值可以设定），那么认为算法尚未收敛，使用new_center(i)代替center(i)（如图，中心点从红色点 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。 §8.利用Matlab和SPSS软件实现聚类分析 1. 用Matlab编程实现 运用Matlab中的一些基本矩阵计算方法，通过自己编程实现聚类算法，在此只讨论根据最短距离规则聚类的方法。 调用函数： min1.m——求矩阵最小值，返回最小值所在行和列以及值的大小 min2.m——比较两数大小，返回较小值 std1.m——用极差标准化法标准化矩阵 ds1.m——用绝对值距离法求距离矩阵 cluster.m——应用最短距离聚类法进行聚类分析 print1.m——调用各子函数，显示聚类结果 聚类分析算法 假设距离矩阵为vector， a阶，矩阵中最大值为max，令矩阵上三角元素等于max 聚类次数=a-1,以下步骤作a-1次循环: 求改变后矩阵的阶数,计作c 求矩阵最小值，返回最小值所在行e和列f以及值的大小g for l=1:c,为vector(c+1,l)赋值，产生新类 令第c+1列元素，第e行和第f行所有元素为，第e列和第f列所有元素为max 源程序如下： %std1.m,用极差标准化法标准化矩阵 function std=std1(vector) max=max(vector); %对列求最大值 min=min(vector); [a,b]=size(vector); %矩阵大小,a为行数,b为列数 for i=1:a for j=1:b std(i,j)= (vector(i,j)-min(j))/(max(j)-min(j)); end end %ds1.m,用绝对值法求距离 function d=ds1(vector); [a,b]=size(vector); d=zeros(a); for i=1:a for j=1:a for k=1:b d(i,j)=d(i,j)+abs(vector(i,k)-vector(j,k)); end end end fprintf('绝对值距离矩阵如下：\n'); disp(d) %min1.m,求矩阵中最小值，并返回行列数及其值 function [v1,v2,v3]=min1(vector);%v1为行数，v2为列数，v3为其值 [v,v2]=min(min(vector')); [v,v1]=min(min(vector)); v3=min(min(vector)); 现役全球InSAR卫星简介 1、德国TanDEM-X卫星 德国TanDEM-X任务是利用两颗TerraSAR-X卫星进行编队飞行的一个高精度的雷达干涉测量系统，第一颗TerraSAR-X卫星于2007年发射升空，计划使用寿命为5年，第二颗TerraSAR-X卫星于2009年发射升空，计划使用寿命为5年，两颗卫星有三年的工作交叠期，德国预计在这三年中生成全球的高精度DEM数字高程模型，高程定位精度优于2m，DEM网格间距为12m。 表2给出了以上几种星载干涉系统在不同基线的情况下高程模糊度的具体数值 不同波段下系统干涉的性能比较 L、X、C波段所生成的SAR图像有其各自的特点，高程信息的精度主要取决于雷达波长和相干系数。对于同一区域的SAR图像干涉处理，L波段的图像相干性高于X、C波段的图像，但是就高程信息的敏感度，X、C波段优于L波段。 2、加拿大Radarsat-2雷达系统 Radarsat-2是加拿大第二代地球观测卫星，于2006年12月发射升空，它几乎保留了Radarsat-1的所有优点，雷达采用C波段，HH极化，数据分辨率3—100m，幅宽10—500km,设计使用寿命为7年，采用多极化工作模式，轨道定位精度15m。能够大大增加可识别地物或目标的类别，能够左视和右视，并且可以实现相互转换，主要用于测绘以及环境和自然资源的检测等方面。 3、日本ALOS观测卫星 2006年1月日本发射了先进陆地观测卫星(ALOS),它携带有L波段相控阵合成孔径雷达(PALSAR)，该卫星主要用于对全球陆地资源和环境实施全天候监测，在高分辨率模式下距离向分辨率优于2m，轨道定位精度10m。PALSAR有较高的距离向分辨率和较高的信噪比，并且在交轨方向对轨道有较好的控制。 function varargout = lljuleifenxi(varargin) % LLJULEIFENXI MATLAB code for lljuleifenxi.fig % LLJULEIFENXI, by itself, creates a new LLJULEIFENXI or raises the existing % singleton*. % % H = LLJULEIFENXI returns the handle to a new LLJULEIFENXI or the handle to % the existing singleton*. % % LLJULEIFENXI('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in LLJULEIFENXI.M with the given input arguments. % % LLJULEIFENXI('Property','Value',...) creates a new LLJULEIFENXI or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before lljuleifenxi_OpeningFcn gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to lljuleifenxi_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help lljuleifenxi % Last Modified by GUIDE v2.5 07-Jan-2015 18:18:25 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @lljuleifenxi_OpeningFcn, ... 'gui_OutputFcn', @lljuleifenxi_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT % --- Executes just before lljuleifenxi is made visible. function lljuleifenxi_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB 合成孔径雷达概述 蔡 Beautyhappy521@https://www.doczj.com/doc/dd9846377.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) 本期特约 本文2009208213收到,田锦昌系中国航天科工集团三院三部高级工程师 合成孔径雷达在军事上的应用分析 田锦昌 摘 要 合成孔径雷达(S AR )研制关键技术已取得重大突破,由于S AR 优点突出,各军事强国已在争先研制、装备S AR 。以平台划分,详细分析了机载S AR 、星载S AR 、弹载S AR 在军事上的具体应用情况。 关键词 合成孔径雷达 军事应用 分析引 言 伊拉克战争中,美国利用6颗高分辨率成像侦察卫星,对伊拉克国土进行密切监视,几乎每一个小时就有一颗成像侦察卫星光顾伊拉克的领空。在这6颗成像侦察卫星中,有3颗合成孔径雷达卫星(又称雷达成像卫星),分别是长曲棍球22(La 2cr osse 22)、长曲棍球23(Lacr osse 23)和长曲棍球24(Lacr osse 24)。这3颗S AR 卫星分时、分区域对伊 拉克重点地区进行侦察,为美英联军提供伊拉克军事活动的三维图像。 长曲棍球系列卫星是世界上最早的军用雷达成像侦察卫星,它是美国21世纪初空间雷达成像侦察的主要工具,不仅特别适于跟踪舰船的活动,监视机动式弹道导弹的动向,而且还能发现经伪装的武器装备,甚至能发现藏在地下数米深处的设施。长曲棍球卫星具有多频段、多极化工作能力,空间分辨率优于1m 。 自从1951年美国Good Year 公司的Carl W iley 提出合成孔径概念以后,S AR 技术得到了迅速发展。这主要是合成孔径雷达能克服云、雾、雨、雪和夜暗条件的限制对地面目标成像,可以全天时、全天候、高分辨率、大幅面对地观测,能够在军事 侦察、军事测绘及诸多民用领域发挥重要作用,因 此,自20世纪末以来,S AR 技术的军事应用受到世界各国高度重视,并得到迅速发展。1 S AR 的性能 S AR 是利用雷达对地辐射的后向散射微波来 分辨不同物体的。不同的物体一般具有不同的导电系数,导致不同物体对微波的后向散射系数不同。因此,雷达接收不同物体反射的微波辐射强度不 同。S AR 将孔径合成技术、脉冲压缩技术和信号处理技术相结合,使用孔径较小的天线,在距离向和方位向获得较高的图像分辨率。 S AR 具有很高的距离向和方位向分辨率,方位向分辨率的信号处理技术是S AR 与传统雷达的根本区别之一。利用一个小孔径雷达,采用合成孔径技术,可以在空间合成一个等效的大雷达孔径,从而可以获得高方位向分辨率。S AR 在距离向采用了脉冲压缩技术,同样提高了距离向分辨率。目前,S AR 的空间分辨率可以达到1m 。 S AR 具有很好的目标分辨能力,辐射分辨力达 到2d B ,可以把集结在一块的坦克和运兵车区分 开。S AR 的动态范围很大,达到80dB ,可以区分同一地域中后向散射系数差别很大的物体,且保证成像清晰。 S AR 针对不同物体对微波的极化响应特性不同,采用多极化工作方式(HH,HV,VH,HH ),增强了S AR 的成像性能。此外,S AR 还采用多频段工作方式(L 频段,C 频段,X 频段),可以保证不同 以下是本人编程中总结的一些思路，拿出来与大家共享。不对之处，请留言说明。 版本：Matlab R2007b，Visual Studio2005 C++/C#数据类型到M类型 此方向转换十分简单。 如果C++/C#数据不是数组， ?直接将值传递给已经初始化的MWArray数组中的成员 ?直接将数据类型赋值给已经初始化的MWNumericArray变量。 ?直接将字符串类赋值给已经初始化的MWCharArray变量。 如果是数组类型： ?直接赋值给MWNumericArray变量； ?赋值给MWArray变量，则在前面加上类型转换如：（MWNumericArray）进行强制转换。 总之，MWArray是总类型，其它的以MW开头，以Array结尾的变量类型都可以直接对它进行赋值或取值。 M类型到C++/C#数据类型 MWArray M类型，它是M文件的编译后内部的标准类型，一切C++/C#类型都要最终转换成此类型，方可作为参数调用M语言函数。 MWCharArray M的字符串类型，使用它可以将M中的字符类型转换成C++/C#的字符串类型。 MWNumericArray MWNumericArray是MWArray与C#等语言的转换中间类型。 常用的转换函数： ①public Array ToArray(MWArrayComponent component); 将M类型转换成C#的Array类型，然后可以直接转换成其它类型的数组。 ②public byte ToScalarByte(); 将M类型转换成C#的字节类型； ③public double ToScalarDouble(); 将M类型转换成C#的双精度类型； double temp=((MWNumericArray)(mwArgout[0])).ToScalarDouble(); ④public float ToScalarFloat(); 将M类型转换成C#的单精度类型； ⑤public int ToScalarInteger(); 将M类型转换成C#的整型类型； ⑥public long ToScalarLong(); 将M类型转换成C#的长整C/C++/C#数据型类型； ⑦public short ToScalarShort(); 将M类型转换成C#的短整型类型； ⑧public override string ToString(); 将M类型转换成C#的字符串类型；string arror=mwArgout[2].ToString(); ⑨public Array ToVector(MWArrayComponent component); 将M类型转换成C#的Array类型，然后可以直接转换成其它类型的数组。 下面使用调试过的代码示例表述①⑨两个函数的区别： ① double[,]Temp1=new double[1,3]; Temp1=(double[,])((MWNumericArray)mwArgout[1]).ToArray(MWArrayComponent.Real);⑨ double[]s1=new double[2]; s1=(double[])((MWNumericArray)mwArgout[1]).ToVector(MWArrayComponent.Real);matlab实现Kmeans聚类算法
合成孔径雷达
利用Matlab软件实现聚类分析范文
现役合成孔径雷达2014.11
聚类分析matlab程序设计代码
合成孔径雷达概述
合成孔径雷达在军事上的应用分析
MATLAB与C#数据类型转换
相关主题
文本预览