下载文档原格式
高分辨率SAR图像机场关键信息提取方法研究的开题报告一、研究背景合成孔径雷达（SAR）成像技术具有独特的优势，能够实现对地面目标进行高分辨率成像，广泛应用于国防、民用等领域。
机场是重要的交通运输枢纽，其安全运行和管理对于保障民航、国防和经济发展具有重要意义。
因此，利用SAR成像技术进行机场的监测和管理，对提高机场运行效率和保障机场安全具有重要意义。
本研究旨在探索一种高效的机场关键信息提取方法，以实现对机场的全面认知和管理。
二、研究内容1. SAR成像原理及特点分析。
阐述SAR成像技术基本原理及其在机场信息提取中的应用，分析高分辨率SAR图像的特点和难点。
2. 机场关键信息提取方法研究。
研究机场关键信息提取方法，包括机场跑道、停机位、跑道标记等信息的提取方法，以及利用SAR图像进行机场建筑物识别和分类的方法。
3. 机场关键信息提取算法实现。
根据SAR图像特点，设计并实现机场关键信息提取算法，包括跑道检测算法、停机位判定算法和建筑物识别算法。
4. 机场关键信息提取系统开发。
将上述算法整合，设计并开发一个机场关键信息提取系统，完成对机场的自动化识别和为机场管理提供数据支持的功能。
三、研究意义1. 实现机场关键信息自动化提取与识别，提高机场信息管理的效率和稳定性。
2. 构建机场安全监管系统，提高机场运行的安全性和可靠性。
3. 为未来机场智能化建设提供技术支持和应用示范。
四、研究方法1. 对SAR图像进行图像预处理和分割。
2. 基于SAR图像特点设计机场关键信息提取算法。
3. 实现算法并进行算法评估和优化。
4. 开发机场关键信息提取系统。
五、预期成果1. SAR图像机场关键信息提取算法。
2. 机场关键信息提取系统及其测试结果。
3. 一篇对该研究内容进行系统总结和阐述的学术论文。
高分辨率雷达信号处理与目标识别算法研究随着科技的不断发展，高分辨率雷达信号处理与目标识别算法的研究成为一个备受关注的领域。
高分辨率雷达信号处理和目标识别是雷达技术的重要应用方向，可以广泛应用于军事、航空航天、遥感、交通、地质勘查等领域。
本文将深入探讨高分辨率雷达信号处理和目标识别算法的相关问题，包括概念、原理、方法等方面的内容。
首先，我们来了解一下高分辨率雷达信号处理的概念。
高分辨率雷达信号处理是指通过对雷达接收到的信号进行分析和处理，获取目标的高精度定位、速度、方位角等信息的过程。
它是一门交叉学科，涉及到雷达信号处理、数字信号处理、图像处理、机器学习等多个领域的知识。
高分辨率雷达信号处理的目标是提高雷达系统的性能，准确地探测和识别目标。
高分辨率雷达信号处理算法的核心是对信号进行处理和分析。
传统的高分辨率雷达信号处理算法主要包括多普勒频率估计、距离调制和时域处理等方法。
多普勒频率估计是用于估计目标的速度信息，通过对雷达接收到的信号进行频谱分析，可以得到目标的多普勒频率，从而了解目标的运动状态。
距离调制方法是利用雷达发射的脉冲时宽进行调制，通过对接收到的信号进行解调，可以得到目标的距离信息。
时域处理方法是通过对雷达接收到的信号进行时域分析，提取目标的特征，从而实现目标的识别。
近年来，随着深度学习技术的兴起，高分辨率雷达信号处理和目标识别算法也得到了新的发展。
深度学习技术可以通过对大量的数据进行训练，自动学习目标的特征，从而实现更准确的目标识别。
深度学习算法的核心是神经网络模型，其结构包括输入层、隐藏层和输出层。
通过对训练数据进行前向传播和反向传播的过程，可以优化模型的参数，提高识别准确率。
除了深度学习算法，其他一些常用的高分辨率雷达信号处理和目标识别算法还包括小波变换、傅里叶变换、卡尔曼滤波等。
小波变换可以将信号分解成不同频率的子波，通过对子波进行分析和处理，可以提取目标的特征，实现目标识别。
傅里叶变换是一种将信号从时域转换为频域的方法，可以将信号分解成不同频率的成分，从而实现目标的频率信息提取。
- 27 -高 新 技 术合成孔径雷达（ SAR ） 是一种高分辨率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。
利用雷达与目标的相对运动将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，也称为综合孔径雷达。
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。
合成孔径雷达的首次使用是在20世纪50年代后期，装载在RB-47A 和RB-57D 飞机上。
合成孔径雷达技术已经比较成熟，各国都有自己的合成孔径雷达发展计划，各种新型体制合成孔径雷达应运而生，在多领域发挥了重要的作用。
因此，该文总体的研究思路如下：基于某无人机的载荷装载空间和供电功率，以条带SAR 成像模式进行性能指标设计，为进一步应用现代 SAR 图像侦察无人机产品打下良好的基础。
1 系统组成国外中高空长航时在无人机雷达装备方面以美国“捕食者”无人机雷达为典型代表。
“捕食者”雷达经历了系列化发展，从RQ-1“捕食者”无人机TESAR 雷达发展为MQ-9“捕食者B ”无人机lynx “山猫”系列雷达。
Lynx II SAR/GMTI 雷达由电子组合和天线组合两个LRU 组成，用于对地面固定目标和运动目标进行侦察监视，具备高分辨率SAR 成像和地面动目标指示GMTI 两种主要模式。
后来，通用原子公司为“山猫”系列雷达发展能探测海面目标的对海模式，即海面广域搜索（Maritime Widea Area Search ，MWAS ）模式。
随着我国中大无人机的快速发展，利用无人机高空拍照优势，地形、地貌和海洋拍照的应用越来越广泛。
其中，较为常见的应用配置方式就是无人机配装合成孔径雷达，用于对地面固定目标和运动目标进行侦察监视，具备高分辨率SAR 成像和地面动目标指示GMTI 等主要模式。
同时，利用ISAR 模式探测中小海面型船只，快速实现目标的识别和定位，实现海域的广域监测。
战场监视雷达广域GMTI模式关键信号处理方法研究战场监视雷达广域GMTI模式关键信号处理方法研究1. 引言战场监视是军事行动中的重要环节之一，有效的战场监视能够提供关键信息帮助军事指挥官做出正确决策。
雷达技术在战场监视中发挥着重要作用，其中广域地面动目标指示（GMTI）模式被广泛应用。
GMTI模式可以区分地表上的移动目标并实时更新它们的位置和速度，从而提供更准确的情报。
2. GMTI模式的核心原理GMTI模式主要基于地面杂波信号和动目标信号之间的差异来实现目标的探测与定位。
在雷达回波的处理中，首先通过距离判别器将回波信号分为地杂波和目标回波两部分；然后，在多个脉冲重复内通过多通道可变延迟线（channelizeddelay lines）将目标和地杂波分开；最后，通过合并多个脉冲的信息来获得目标的位置和速度等参数。
3. GMTI模式关键信号处理方法GMTI模式的关键信号处理方法主要包括以下几个方面。
3.1 杂波抑制杂波抑制是关键信号处理的第一步，因为地表杂波波形和目标波形非常相似，需要通过合适的算法将两者区分开来。
常用的方法包括卷积滤波、非相关处理和自适应探测等。
这些方法通过对回波信号进行处理，去除地杂波的影响，提高目标的可探测性。
3.2 多通道处理多通道处理是GMTI模式的核心步骤之一，通过多通道可变延迟线将地表杂波和目标回波分离。
这样可以通过多个通道的组合，提高目标回波的信噪比，使得目标更容易被探测和定位。
同时，多通道处理也可以减少地杂波的波形变化对目标回波的影响。
3.3 目标检测与跟踪目标检测与跟踪是GMTI模式的最终目标，主要通过跟踪每个时间步长的目标位置和速度，从而获得目标的运动轨迹以及其他参数。
这一步骤通常采用卡尔曼滤波、粒子滤波或扩展卡尔曼滤波等算法来实现。
这些算法可以通过目标的历史信息和测量结果来估计目标的状态。
4. 实验与结果分析为了验证上述关键信号处理方法的有效性，我们进行了一系列实验，并分析了实验结果。
超分辨率成像技术在军事情报收集中的应用研究第一章：引言随着现代传感器和数据处理技术的发展，图像信号处理已经成为现代军事情报收集中一个重要的技术领域。
超分辨率成像技术是近年来迅速发展的一种信号处理的技术，它可以将低分辨率图像转化为高分辨率图像，已经被广泛应用在各个领域，尤其是在军事情报收集中的应用越来越受到关注。
在本文中，我们将探讨超分辨率成像技术在军事情报收集中的应用研究。
第二章：超分辨率成像技术原理与分类超分辨率成像技术的原理是利用低分辨率图像作为输入，通过对其进行采样、插值、滤波、重建等处理，生成高分辨率图像的过程。
超分辨率成像技术可以根据处理方法的不同分为三类：插值算法、基于过程估计的方法和基于学习的方法。
插值算法是采用基本插值方法通过对低分辨率图像进行插值操作来提高其分辨率的方法。
基于过程估计的方法是通过对低分辨率图像的建模以及对其进行细节的学习和推断来重建高分辨率图像。
基于学习的方法是采用监督或无监督的学习方法对低分辨率图像和高分辨率图像进行训练，然后通过学习得到一个映射关系来对新的低分辨率图像进行超分辨率处理。
第三章：超分辨率成像技术在军事情报收集中的应用军事情报收集中，对目标的图像获取和处理是非常重要的，因为它能够提供丰富的情报信息，这对于军事作战决策具有关键性作用。
超分辨率成像技术可以在舰船和飞机等军用设备上提供高分辨率图像，对于远距离观察的目标进行清晰的拍摄和观察，从而得到更精准的情报信息。
此外，超分辨率成像技术还可以辅助高分辨率卫星图像的获取，提高信息获取的效率和准确性。
对于在遥远的地区进行军事情报收集和侦察的军队来说，这是非常宝贵的。
第四章：超分辨率成像技术的优势和局限性超分辨率成像技术的优势在于它可以将低分辨率图像转化为高分辨率图像，从而增加图像的细节和清晰度。
此外，超分辨率成像技术对于各种图像格式和质量损失的处理也具有良好的适应性。
然而，超分辨率成像技术的局限性在于它在图像处理过程中需要消耗大量的计算资源，这对于处理复杂场景的情况来说会影响其实际应用。
高分辨率成像技术在遥感测绘中的应用引言遥感测绘技术是用于获取地球表面信息的一种方法，通过各种传感器获取地面的图像和数据，并进行分析和处理。
高分辨率成像技术是遥感测绘中一种重要的手段，它能够提供更清晰、更精确的图像信息，为地理信息系统的建设和资源管理提供了强有力的支持。
本文将介绍高分辨率成像技术在遥感测绘中的应用，并着重概述其在城市规划、农业监测和环境保护等领域的具体应用。
第一章高分辨率成像技术概述高分辨率成像技术是指在遥感图像中所能分辨的最小物理细节。
它通过增加传感器的像元数量和减小像元尺寸，提高图像的空间分辨率。
高分辨率成像技术包括光学成像技术和雷达成像技术两种主要类型，其中光学成像技术又分为空间光学和航空光学两种。
第二章高分辨率成像技术在城市规划中的应用城市规划是指对城市发展进行系统性的规划与设计，以实现城市的合理、高效和可持续发展。
高分辨率成像技术在城市规划中可以提供精确的地形和地貌信息，帮助规划师更好地了解城市的现状和发展趋势。
通过高分辨率卫星图像，可以测量城市的用地类型、道路网络、建筑分布等重要信息，为城市规划和管理部门提供数据支撑。
第三章高分辨率成像技术在农业监测中的应用农业是国民经济的重要组成部分，而高分辨率成像技术在农业监测中发挥着关键作用。
通过获取农田的高分辨率图像，可以实时监测农作物的生长情况和病虫害的发生情况，提高农业生产的精度和效率。
此外，高分辨率成像技术还可以帮助农业专业人员进行土地资源调查和水资源管理，为农业发展提供有力支持。
第四章高分辨率成像技术在环境保护中的应用环境保护是维护生态平衡、保护环境资源的一项重要活动。
高分辨率成像技术在环境保护中能够提供精确的空间和时序信息，为环境监测和评估提供数据支持。
通过获取高分辨率的地表图像，可以监测土地利用变化、森林覆盖变化和水质污染等环境问题，为环境保护决策提供科学依据。
结论高分辨率成像技术作为一种重要的遥感测绘手段，具有广泛的应用前景。
步进频率雷达高分辨成像处理算法的开题报告【摘要】步进频率雷达（SAR）成像技术是一种成熟的高分辨雷达成像技术，已广泛应用于军事、民用等领域。
本文将探讨步进频率雷达成像技术的原理、步进频率雷达成像处理算法的研究进展以及针对高分辨率SAR成像的图像先验知识辅助图像重建算法。
【关键词】步进频率雷达，高分辨成像，成像处理算法，先验知识，图像重建。
【引言】步进频率雷达（SAR）成像技术由于其高空间分辨率、强干扰抑制能力、成像距离远等优点，已广泛应用于军事、民用等领域 [1]。
SAR成像技术的核心是利用雷达信号与地面目标相互作用的特性，通过对反射信号进行处理，生成高精度的地面目标图像。
步进频率雷达成像技术在采集信号的过程中，发射一系列相同的波形，每个波形的频率随时间步进变化，接收到的信号与之前的信号相关，从而得到目标反射率的二维图像。
SAR成像处理算法是SAR成像技术的关键技术之一。
SAR成像处理算法的主要任务是对接收到的信号进行滤波、解调和重建，从而得到高质量的目标图像 [2]。
本文将首先介绍步进频率雷达成像技术的原理，接着探讨步进频率雷达成像处理算法的研究进展以及针对高分辨率SAR成像的图像先验知识辅助图像重建算法。
【步进频率雷达成像技术原理】步进频率雷达成像技术根据调频连续波雷达（FMCW）工作原理，使用持续波载频信号调制线性调频信号，并对接收到的信号进行自相关处理，得到反射率的二维图像 [3]。
具体的工作流程如下：1. 发射信号。
步进频率雷达发射一个带有持续波载频信号的线性调频信号，同时记录其带宽和中心频率。
2. 接收信号。
目标反射信号经过多次反射、衰减后返回到雷达接收器，接收器采样并记录接收到的信号。
3. 自相关处理。
对接收到的信号进行自相关处理，得到目标的反射率二维图像。
自相关处理时需要考虑信号的幅度和相位信息。
4. 图像生成。
从自相关处理得到的信号中提取目标反射率特征，对目标进行图像重建，得到反射率二维图像。
超分辨率成像技术发展综述第一章引言超分辨率成像技术是指利用图像处理算法和数学模型，在不增加光学分辨率的前提下，提高图像的空间分辨率。
它已经成为了计算机视觉、图像处理、医学成像和遥感影像处理等领域的热门话题。
本文就超分辨率成像技术的发展历程、应用领域以及研究现状进行了综述。
第二章超分辨率成像技术的发展历程超分辨率成像技术的研究可以追溯到上世纪90年代。
当时，People、Baker等学者提出了基于光流的超分辨率重构算法，并取得了较好的效果。
之后，在实际应用中，由于噪声、运动模糊等问题的存在，这种算法的效果有所限制。
2003年，Hinton等人提出了深度置信网络（Deep Belief Network, DBN），可以实现对图像的降噪和重构。
之后，Krizhevsky等人在DBN的基础上，提出了卷积神经网络（Convolutional Neural Networks，CNN），并在ImageNet数据集上取得了突破性成果。
2015年，Dong等人提出了SRGAN算法，通过生成对抗网络（Generative Adversarial Network，GAN）提高超分辨率成像的效果。
该方法在复杂场景下可以避免模糊、失真等问题，获得更好的图像质量。
第三章超分辨率成像技术的应用3.1 计算机视觉超分辨率成像技术在计算机视觉中有着广泛的应用，可以实现对图像的增强、细节提取等功能。
例如，在人脸识别、行车记录仪成像、监控视频等场景中，可以通过超分辨率成像技术提高图像质量，进一步提升图像分析的准确性。
3.2 医学成像医学成像是超分辨率成像技术的重要应用领域之一。
在医学领域，影像质量对诊断和治疗的效果有着重要的影响。
通过超分辨率成像技术可以在不增加辐射剂量的情况下获得更高分辨率的医学影像，提高医生对疾病的诊断能力。
3.3 遥感影像处理遥感影像处理是指利用遥感数据进行自然资源调查、环境监测、信息提取、建立地理信息系统等工作。
高分辨率卫星遥感立体影像处理模型与算法一、本文概述随着空间技术和遥感科学的迅猛发展，高分辨率卫星遥感已成为地球观测与资源管理的重要手段。
高分辨率卫星遥感立体影像，以其高空间分辨率、高光谱分辨率和高时间分辨率的优势，为地表特征提取、环境监测、城市规划等领域提供了丰富而准确的信息源。
如何高效、精确地处理这些立体影像，以充分发挥其应用潜力，是当前遥感领域面临的重要挑战。
本文旨在探讨高分辨率卫星遥感立体影像处理模型与算法。
本文将回顾高分辨率卫星遥感立体影像处理技术的发展历程，分析现有技术的优缺点。
接着，本文将重点介绍几种先进的处理模型与算法，包括基于深度学习的立体匹配算法、多源数据融合算法以及变化检测算法等。
这些算法不仅提高了影像处理的精度和效率，还拓宽了高分辨率卫星遥感的应用范围。
本文还将探讨高分辨率卫星遥感立体影像处理技术在实践中的应用案例，如城市规划、灾害监测、环境评估等，以展示这些技术的实际应用价值和潜力。
本文将对未来高分辨率卫星遥感立体影像处理技术的发展趋势进行展望，指出可能的研究方向和挑战，以期为相关领域的研究和实践提供参考。
本文将对高分辨率卫星遥感立体影像处理模型与算法进行全面而深入的探讨，旨在推动遥感科学技术的发展，为地球观测与资源管理提供更有效的技术支持。
二、高分辨率卫星遥感技术概述高分辨率卫星遥感技术是指利用卫星搭载的遥感设备获取地球表面的高清晰度图像和数据的技术。
这种技术在地理信息系统、城市规划、农业监测、环境保护、灾害评估和军事侦察等领域具有广泛的应用。
高分辨率卫星遥感技术的关键在于其搭载的传感器和数据处理算法。
传感器必须具备高空间分辨率、高光谱分辨率和高时间分辨率，以确保获取到的图像清晰、详细。
同时，数据处理算法需要能够从这些高分辨率图像中提取有用的信息，进行分类、识别和分析。
立体影像处理是高分辨率卫星遥感技术中的一个重要方面，它涉及到从不同角度获取的两幅或多幅图像中重建地面的三维模型。
机载广域监视雷达高分辨成像方法研究
合成孔径雷达(SAR)可以获得高分辨的地面场景,但其合成孔径
时间较长,天线波束指向通常固定,严重限制了其快速“多视角”大范围监视以及对感兴趣目标的“高重访率”跟踪能力。
近几年来,机载广域监视雷达由于其“多视角”广域监视能力及对运动目标的快速回访和跟踪能力,越来越受到世界各国的关注。
通常情况下,广域监视雷达通过采用一个很窄的天线波束在方位向进行不间断的连续扫描,对各个方位向的回波信号分别成像形成子图像,然后将子图像合成拼接在一起,形成一幅广域图像。
为了实现“多视角”广域监视,雷达天线波束必须扫描360°的空域范围;同时为了保证“高重访率”,雷达天线波束在每个方位向的波束驻留时间有限,致使每个方位向用于成像的相干积累时间很短。
这与获得高分辨率图像所需要的长时间波束照射相矛盾,因此“高重访率”前提下的高分辨成像是一个挑战性难题。
另外,当雷达天线波束方向转到与载机航迹方向一致时,即对载机正
前方(或正后方)进行照射时,由于此时的多普勒带宽很小甚至为零,
载机的正前方(或正后方)出现前视探测盲区,使得前视成像(由于载
机正前方成像与载机正后方成像原理一致,本文统一称之为前视成像)质量严重下降。
同时由于载机平台(特别是对小型的无人飞行器)易受气流等非理想条件的影响,各个方位向的子图像在“合成拼接”到一起时也容易出现拼接痕迹。
本文主要对广域监视模式下的高分辨成像算法及关键技术进行了研究,主要内容概括如下:一、针对广域监视雷达在多普勒波束锐化(Doppler Beam Sharpening,DBS)成像过程中方
位分辨率不高的问题,提出了两种基于频谱估计的APES-DBS和
AE-CSR-DBS超分辨成像方法。
传统的DBS成像方法都是从傅里叶分析的角度出发,其成像结果为真实的信号谱与窗函数卷积的结果,当
数据长度有限时,傅里叶谱的分辨率将受到限制,因此DBS成像的质
量下降。
本章从频谱估计的角度出发重新建立了 DBS成像的方位超分辨数学模型,并推导出了方位超分辨能力的理论上限。
由于频谱估计可以获得更加精细的频谱特性与更低的旁瓣水平,因此基于频谱估计的超分辨方法可以提高广域监视雷达的方位分辨率。
理论条件下,所提的方法可以将方位分辨率提高2倍。
仿真分析和实测数据结果验证了所提方法的有效性。
二、在上章工作的基础上,从DBS回波信号的时域相关特性和频域稀疏特性出发,分别提出了基于稀疏表示的DBS超分辨成像方法(SR-DBS)和基于孔径外推的稀疏超分辨成像方法(AESR-DBS)。
由于DBS回波信号的频谱主要是由载机的运动所引起的,对于一般的广域监视雷达,回波的最大多普勒带宽往往小于雷达发射信号的重频,因此,DBS在频域具有一种固有的稀疏特性。
同时雷达天线在扫描时是逐个波位逐个扫描的,加之雷达的天线波束具有一定的宽度,地物散射场景可能被多个天线波束照射,因此相邻的雷达回波
脉冲之间具有一定的相关性。
我们充分利用DBS回波信号的频域稀疏特性及相邻回波信号之间的相关特性,将DBS方位超分辨成像问题转化为冗余字典下的稀疏重构问题,通过稀疏恢复,所提方法可以将DBS 图像的方位分辨率提高2～4倍。
实测数据处理结果验证了所提方法的有效性。
三、针对机载单通道的前视成像分辨率模糊的问题,提出
了一种基于多帧数据空间联合处理的贝叶斯前视超分辨成像算法。
通过将单帧(单帧指单个相干处理间隔(Coherent Processing Interval,CPI))散射场景的稀疏性假设进行扩展,构建多帧数据联合处理空间,将散射场景的处理空间由单帧波束域的低维度空间扩展到多帧波束域联合而成的高维空间。
对于有限个散射点情况,在这个高维空间中,散射场景是近似满足空域稀疏性的。
然后,结合实际的回波信号特性,在高斯白噪声情况下对前视成像模型进行建模,将前视条
件下的雷达成像转化为贝叶斯准则下的优化问题。
所提方法在进行前视成像时,迭代参数完全由实测数据实时驱动更新,并采用共轭梯度
算法进行求解。
仿真结果和实测数据表明本文方法不仅可以对前视场景进行高分辨成像,还可以抑制虚假散射点。
四、由于前视模式下的多普勒相位历史变换缓慢,使得前视成像的分辨率很低。
为了提高前视方位分辨率,我们首次提出了一种合成带宽方位调制成像雷达(SBAMIR)。
在我们所提出的SBAMIR前视雷达框架中,接收到的回波信号合成带宽主要由两部分构成:由多普勒相位变化引起的多普勒带宽和由发射信号本身调制所带来的调制带宽。
传统前视雷达的多普勒带宽很小甚至接近于零,因此分辨率很低。
然而,我们的SBAMIR彻底摆脱了前视成像对多普勒带宽的依赖,通过发射信号的方位向波形调制,及接收回波信号的方位向匹配滤波处理实现方位超分辨成像。
即使在多普勒历史变化缓慢的前视情况下,SBAMIR依旧可以通过提高调制带宽进行前视成像。
仿真实验验证了该算法的有效性。
五、针对载机在非理想条件下广域监视图像拼接时出现的“不连贯”问题,提出了一
种基于仿射变换的广域监视雷达运动误差校正与图像拼接算法。
在多普勒中心估计准确并完全补偿的前提下,影响成像拼接精度的主要因素是由气流扰动而引起的载机非理想运动。
我们将载机的非理想运动建模为载机位置与载机姿态的变化,通过对这两个因素进行系统分析,建立了一种针对载机非理想运动进行补偿的仿射校正模型,提出了一种针对广域监视模式下的实时成像校正算法。
该算法可以对载机位置变化引起的平动误差与载机姿态翻转引起的转动误差同时进行校正,消除载机非理想运动引起的子图之间的错位与间断,保证了机载雷达系统的大范围实时准确成像。
仿真结果及实测数据处理结果验证本文方法的有效性。
