【技术实现步骤摘要】
本专利技术涉及雷达图像、检测识别以及人工智能算法领域，具体涉及多维雷达数据集成与弱散射体图像的融合方法及系统。
技术介绍
1、公布号为cn117348094a的现有专利技术专利申请文献《一种基于有限域的探地雷达正演方法》，该现有方法包括：s1.构建探地雷达有限域正演模型；s2.设置探地雷达发射天线与接收天线的位置，和发射天线的中心频率，同时设置有限域边界衰减比例；s3.采用步骤s2设置的天线位置、中心频率，以及步骤s1构建的正演模型的物性参数，计算发射天线对应的有限域范围；s4.采用步骤s3计算得到的有限域范围，通过添加完美匹配层，计算探地雷达有限域正演参数；s5.针对步骤s2设置的发射天线位置进行加载脉冲源处理，同时更新模拟区域电磁场场值；s6.在完美匹配层区域更新电磁场辅助场；s7.增加时间步，重复上述步骤s5-s6，直至完成整个时间的数值模拟；s8.采用步骤s2设置的接收天线的位置，获取接收天线的波场数据；s9.重复上述步骤s3-s8，直至所有发射天线完成激发处理，进而完成探地雷达有限域正演计算，获取雷达剖面。由该现有方案的具体实施内容可知，步骤s1的构建探地雷达有限域正演模型，具体包括：根据应用需求建立探地雷达有限域正演模型；正演模型的物性参数包括相对介电常数、电导率。然而，前述现有技术存在多属性信息融合不足的缺陷：现有雷达技术处理的强度、介电常数、电导率图像分别只能提供单一的物理属性信息，缺乏综合视角。
2、同时，现有技术还存在微观结构和复杂特征的丢失：每种单独的物理属性图像在揭示物体的细微结构和复杂内部特
3、例如公布号为cn112686935a的现有专利技术专利申请文献《基于特征融合的机载测深雷达与多光谱卫星影像配准方法》，在该现有方法中，需要计算机载测深雷达(alb)点云数据的地形梯度和强度梯度，将三维点云数据转化成二维，同时计算影像数据红、绿、蓝三种波段的梯度图，使用基于卷积神经网络构建图像融合模型分别对两种数据进行特征图融合，利用聚类分析剔除融合图像的干扰特征，然后基于sift-ransac方法进行粗配准，然后利用一种改进的demons算法进行精配准；利用粗配准和精配准的结果对卫星影像进行纠正，最终纠正后的卫星影像即为与alb数据相配准的卫星影像。前述现有技术中的现有融合方法存在局限性：传统的图像融合方法未能有效地结合雷达数据中的多个物理属性，影响了融合图像的综合性和准确性。
4、分辨率和清晰度的限制：单一物理属性图像常受限于其分辨率和清晰度，难以提供足够的细节，影响对目标物体的准确识别和深入分析。
5、综上，现有技术在单独处理强度、介电常数和电导率图像时存在局限性，同时存在图像的细节和对比度不明显、目标视图特征不全面以及图像清晰度较低的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有技术在单独处理强度、介电常数和电导率图像时存在局限性，同时存在图像的细节和对比度不明显、目标视图特征不全面以及图像清晰度较低的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：多维雷达数据集成与弱散射体图像的融合方法包括：
3、s1、采集毫米波雷达回波数据；
4、s2、使用距离偏移算法rma处理毫米波雷达回波数据，通过预处理操作、距离压缩操作、距离单元迁移校正以及方位压缩操作，生成目标的位置结构高分辨率图像；
5、s3、利用衍射层析技术dt分析毫米波雷达回波数据的衍射特性，据以从散射数据中重构目标的介电常数、电导率分布；
6、s4、归一化处理位置结构高分辨率图像，并进行高斯滤波及逐层降采样，以得到多层次图像表示，据以构建高斯金字塔；
7、s5、对高斯金字塔进行连续层次差分，据以构建拉普拉斯金字塔，利用每层拉普拉斯金字塔，捕获位置结构高分辨率图像的细节信息、高频信息；
8、s6、在拉普拉斯金字塔的每个拉普拉斯层级上，对不同数据源的图像层进行平均融合，以保留数据源关键信息、数据源细节信息，得到融合拉普拉斯金字塔；
9、s7、利用融合拉普拉斯金字塔进行图像重构，并进行逐层合并、上采样操作，以形成完整高分辨率融合图像。
10、本专利技术针对现有雷达反演技术在单独处理强度、介电常数和电导率图像时的局限性，采用图像融合的方式，使用高斯金字塔和拉普拉斯金字塔技术，有效融合了从雷达数据反演得到的不同物理属性图像，通过前述融合操作，本专利技术不仅增强了图像的细节和对比度，而且提供了一个更全面的视图，允许从多个物理维度获得一个综合且清晰的图像，从而提升了对目标物体特性的整体理解，有利于提高雷达图像清晰度和综合表现。
11、本专利技术利用高斯金字塔处理大尺度特征，拉普拉斯金字塔处理高频细节，实现了综合图像的多尺度特征融合，能够更有效地利用多尺度特征。
12、在更具体的技术方案中，步骤s2包括：
13、s21、利用窗函数预处理位置结构高分辨率图像中的原始信号，以得到预处理信号；
14、s22、通过傅里叶变换，进行距离压缩操作，以得到距离压缩信号；
15、s23、获取雷达平台运动、信号时间延迟，据以对距离压缩信号进行距离单元迁移校正rcmc，以得的校正信号；
16、s24、通过逆傅里叶变换，对校正信号进行方位压缩操作，以得到方位压缩信号；
17、s25、根据方位压缩信号进行逆变换操作，以合成位置结构高分辨率图像；
18、在更具体的技术方案中，步骤s21中，利用下述逻辑，对原始信号s(t)应用窗函数w(t)，得到预处理信号spre(t)：
19、spre(t)＝s(t)·w(t)
20、式中，w(t)是窗函数。
21、在更具体的技术方案中，步骤s22中，利用下述逻辑进行距离压缩操作：
22、srange(fr)＝fft{spre(t)}·hr(fr)
23、式中，fft{}表示傅里叶变换，hr(fr)是距离压缩滤波器。
24、在更具体的技术方案中，步骤s24中，利用下述逻辑进行方位压缩操作：
25、sfinal(fr，fa)＝ifft{srange(fr)·ha(fa)}
26、式中，ifft{}表示逆傅里叶变换，ha(fa)是方位压缩滤波器。
27、在更具体的技术方案中，步骤s25中，利用下述逻辑进行逆变换操作，得到最终图像强度i(x，y)，据以合成位置结构高分辨率图像：
28、i(x，y)＝ifft{sfinal(fr，fa)}
29、式中，i(x，y)表示图像中每个像素的强度，sfinal(fr，fa)是经过所有处理步骤的信号。
30、在更具体的技术方案中，步骤s3包括：
31、s31、对目标的毫米波雷达回波数据，利用下述逻辑积分得到散射场us：
32、
<本文档来自技高网...【技术保护点】
1.多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述方法包括：
2.根据权利要求1所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤S2包括：
3.根据权利要求2所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤S21中，利用下述逻辑，对所述原始信号S(t)应用所述窗函数W(t)，得到所述预处理信号Spre(t)：
4.根据权利要求2所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤S22中，利用下述逻辑进行所述距离压缩操作：
5.根据权利要求2所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤S24中，利用下述逻辑进行所述方位压缩操作：
6.根据权利要求2所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤S25中，利用下述逻辑进行所述逆变换操作，得到最终图像强度I(x，y)，据以合成所述位置结构高分辨率图像：
7.根据权利要求1所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤S3包括：p>
8.根据权利要求1所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤S4包括：
9.根据权利要求1所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤S5中，采用下述逻辑构建所述拉普拉斯金字塔：
10.多维雷达数据集成与弱散射体图像的融合系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述方法包括：
2.根据权利要求1所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤s2包括：
3.根据权利要求2所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤s21中，利用下述逻辑，对所述原始信号s(t)应用所述窗函数w(t)，得到所述预处理信号spre(t)：
4.根据权利要求2所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤s22中，利用下述逻辑进行所述距离压缩操作：
5.根据权利要求2所述的多维雷达数据集成与弱散射体图像的融合方法，其特征在于，所述步骤s24中，利用下述逻辑进行所述方位压...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。