-
公开(公告)号：CN114442092A
公开(公告)日：2022-05-06
申请号：CN202111669699.7
申请日：2021-12-31
Applicant: 北京理工大学
Abstract: 本发明涉及一种分布式无人机SAR深度学习三维成像方法，用于解决传统SAR高精度成像方法超参数选择难，算法复杂性高的问题。首先基于分布式无人机集群建立二维成像模型，利用快速分解后向投影算法获取二维SAR图像，并进行二维SAR图像配准，完成数据预处理。然后通过建立三维成像高度向模型，仿真生成训练数据，训练整个级联式智能三维成像网络，完成网络模型的预训练。最后将数据预处理后的数据输入智能三维成像网络中，获取整个成像场景的三维SAR图像。所提方法旨在提供一种高智能、高精度、高效率的分布式无人机SAR三维成像解决方案，可应用于分布式无人机三维高效高分辨成像等领域。
-
公开(公告)号：CN113205564B
公开(公告)日：2023-05-05
申请号：CN202110374200.3
申请日：2021-04-07
Applicant: 北京理工大学
IPC: G06T11/00 , G06N3/08 , G06N3/0455 , G06N3/0464 , G01S13/90
Abstract: 本发明公开了一种SAR智能目标边缘重构方法，一、建立目标线性边缘的参数化散射模型，解析表达出雷达观测角度、雷达发射频率和目标线性边缘几何参数间的关系；二、利用参数化散射模型生成设定观测角度、发射频率下的训练数据；三、将传统U‑Net网络复数化得到改进型U‑Net网络；四、将步骤二中生成的训练数据输入改进型U‑Net网络中进行训练，将需要重构的SAR复图像输入改进型U‑Net网络训练模型即可重构出SAR目标的边缘散射信息；本发明能够解决传统SAR成像算法中的目标线性边缘不连续、计算复杂度高和参数难自适应等问题。
-
公开(公告)号：CN113191538A
公开(公告)日：2021-07-30
申请号：CN202110405753.0
申请日：2021-04-15
Applicant: 北京理工大学
Abstract: 本发明提出一种基于深度学习的多频SAR图像解模糊方法，能够消除SAR图像中目标模糊，大幅增强SAR图像质量，有助于提升SAR图像的可理解性。本发明的基于深度学习的多频SAR图像解模糊方法，可以高效设计最优频率，为SAR成像解模糊提供数据；可以高效的对SAR成像中因采样率低而产生的模糊图进行解模糊。是高智能、高精度、高效率的SAR稀疏成像解模糊方案，预期可应用于星载SAR成像、天文雷达成像等领域，可消除SAR图像中目标模糊，大幅增强SAR图像质量，有助于提升SAR图像的可理解性。
-
公开(公告)号：CN116953699A
公开(公告)日：2023-10-27
申请号：CN202310605121.8
申请日：2023-05-25
Applicant: 北京理工大学
IPC: G01S13/90
Abstract: 本发明公开了一种高精度、高效率的基于阶数降维和模型选择的深度学习层析SAR三维成像方法，用在层析SAR三维成像领域，解决模型选择惩罚项选择难、参数调优难、遍历寻优慢的问题，提升层析SAR高精度三维成像效率。该方法是一种信号处理与深度学习网络联合驱动下的一种混合成像处理框架，提出基于阶数降维、范数重建、基于特征选择网络的模型选择、最小二乘重建四个部分的层析SAR三维成像方案。
-
公开(公告)号：CN113205564A
公开(公告)日：2021-08-03
申请号：CN202110374200.3
申请日：2021-04-07
Applicant: 北京理工大学
Abstract: 本发明公开了一种SAR智能目标边缘重构方法，一、建立目标线性边缘的参数化散射模型，解析表达出雷达观测角度、雷达发射频率和目标线性边缘几何参数间的关系；二、利用参数化散射模型生成设定观测角度、发射频率下的训练数据；三、将传统U‑Net网络复数化得到改进型U‑Net网络；四、将步骤二中生成的训练数据输入改进型U‑Net网络中进行训练，将需要重构的SAR复图像输入改进型U‑Net网络训练模型即可重构出SAR目标的边缘散射信息；本发明能够解决传统SAR成像算法中的目标线性边缘不连续、计算复杂度高和参数难自适应等问题。
-
Patent Agency Ranking
公开(公告)号：CN118710802A
公开(公告)日：2024-09-27
申请号：CN202410695033.6
申请日：2024-05-31
Applicant: 北京理工大学
Abstract: 本发明公开了非均匀基线采样下无网格压缩感知深度学习层析SAR三维成像方法,本发明是一种应用于层析SAR三维成像领域的高效率无网格压缩感知成像方法,旨在解决传统无网格压缩感知方法计算复杂度高、参数调优困难、成像效率与精度难以兼顾的问题。具体来说，本发明由基线数据重采样、原子范数深层网络、基于范德蒙德分解的高程估计和模型选择共四个步骤组成。与传统无网格压缩感知高精度成像算法相比，所提方法避免了传统方法复杂的手动调参过程，能够极大地提升层析SAR三维成像效率。
-
公开(公告)号：CN114442092B
公开(公告)日：2024-04-12
申请号：CN202111669699.7
申请日：2021-12-31
Applicant: 北京理工大学
Abstract: 本发明涉及一种分布式无人机SAR深度学习三维成像方法，用于解决传统SAR高精度成像方法超参数选择难，算法复杂性高的问题。首先基于分布式无人机集群建立二维成像模型，利用快速分解后向投影算法获取二维SAR图像，并进行二维SAR图像配准，完成数据预处理。然后通过建立三维成像高度向模型，仿真生成训练数据，训练整个级联式智能三维成像网络，完成网络模型的预训练。最后将数据预处理后的数据输入智能三维成像网络中，获取整个成像场景的三维SAR图像。所提方法旨在提供一种高智能、高精度、高效率的分布式无人机SAR三维成像解决方案，可应用于分布式无人机三维高效高分辨成像等领域。
-
公开(公告)号：CN114879188A
公开(公告)日：2022-08-09
申请号：CN202210413328.0
申请日：2022-04-20
Applicant: 北京理工大学
IPC: G01S13/90
Abstract: 本发明涉及一种模型自适应的深度学习SAR三维成像方法，属于层析SAR三维成像技术领域。本发明所提方法在层析SAR三维网络中提出了引入观测矩阵权重因子，以适应三维成像中目标位置空变导致的观测矩阵空变特性，提升空变特性自适应能力；引入自适应阈值参量，以适应空变的目标散射模型，提高散射特性自适应能力。与传统深度学习稀疏重建方法相比，本方法能够解决模型空变问题，提高聚焦深度一个数量级；与传统的高分辨成像算法SL1MMER算法相比，可以提高成像处理效率一个数量级。
-
公开(公告)号：CN114879188B
公开(公告)日：2024-06-18
申请号：CN202210413328.0
申请日：2022-04-20
Applicant: 北京理工大学
IPC: G01S13/90
Abstract: 本发明涉及一种模型自适应的深度学习SAR三维成像方法，属于层析SAR三维成像技术领域。本发明所提方法在层析SAR三维网络中提出了引入观测矩阵权重因子，以适应三维成像中目标位置空变导致的观测矩阵空变特性，提升空变特性自适应能力；引入自适应阈值参量，以适应空变的目标散射模型，提高散射特性自适应能力。与传统深度学习稀疏重建方法相比，本方法能够解决模型空变问题，提高聚焦深度一个数量级；与传统的高分辨成像算法SL1MMER算法相比，可以提高成像处理效率一个数量级。
-
公开(公告)号：CN113191538B
公开(公告)日：2022-11-04
申请号：CN202110405753.0
申请日：2021-04-15
Applicant: 北京理工大学
Abstract: 本发明提出一种基于深度学习的多频SAR图像解模糊方法，能够消除SAR图像中目标模糊，大幅增强SAR图像质量，有助于提升SAR图像的可理解性。本发明的基于深度学习的多频SAR图像解模糊方法，可以高效设计最优频率，为SAR成像解模糊提供数据；可以高效的对SAR成像中因采样率低而产生的模糊图进行解模糊。是高智能、高精度、高效率的SAR稀疏成像解模糊方案，预期可应用于星载SAR成像、天文雷达成像等领域，可消除SAR图像中目标模糊，大幅增强SAR图像质量，有助于提升SAR图像的可理解性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
