Professional Documents
Culture Documents
5
2019年10月 Journal of Radars Oct. 2019
基于幅相分离的属性散射中心参数估计新方法
蒋 文 李王哲*
(微波成像技术国家级重点实验室 北京 100190)
(中国科学院电子学研究所 北京 100190)
(中国科学院大学 北京 100049)
摘 要:利用属性散射中心(ASC)参数估计来识别目标上的散射结构是实现合成孔径雷达(SAR)自动目标体识别
(ATR)的重要步骤。为提高属性散射中心参数估计的速度并抑制杂散影响,该文首先从图像中提取多个属性散射
中心,然后分别估计各个属性散射中心的参数。为提高单个属性散射中心的参数估计速率,考虑到其幅度和相位
相关参数可分离,该文提出幅度相位分离的属性散射中心参数估计思想,与传统方法相比,该思想使参数估计算
法复杂度和参数估计时间降低了1个数量级。引入迭代半阈值(IHT)算法提高参数估计精度。根据各个属性散射中
心的参数估计结果可识别目标上各种散射结构并确定其在目标上的位置分布。仿真数据、实测数据以及
MSTAR数据集得到的参数估计的高效性和高准确性,验证了该文所提方法的有效性。
关键词:属性散射中心模型;SAR自动目标体识别;幅度相位分离;L1/2正则化
中图分类号:TN957.52 文献标识码:A 文章编号:2095-283X(2019)05-0606-10
DOI: 10.12000/JR18097
收稿日期:2018-11-15;改回日期:2019-04-09;网络出版:2019-06-28
*通信作者: 李王哲 wzli@mail.ie.ac.cn *Corresponding Author: LI Wangzhe, wzli@mail.ie.ac.cn
基金项目:国家自然科学基金(61701476, 61690191)
Foundation Items: The National Natural Science Foundation of China (61701476, 61690191)
第5期 蒋 文等:基于幅相分离的属性散射中心参数估计新方法 607
Key words: Attributed scattering center model; Synthetic Aperture Radar (SAR) Automatic Target
Recognition (ATR); Amplitude-phase separation; L1/2 regularization
© ª
光 速 。 i = Ai;®i;L i;Á¹i;°i;x i;yi (i = 1;2; ¢¢¢ ;N) 表 2 不同L和a对应典型散射结构
Tab. 2 Discrimination of canonical scattering geometries
是参数集 中第i个参数矢量,N是ASC的个数,
© ª from L and a
¹
A表示ASC的复幅度, L;Á;° 为方位属性参数,
表示了ASC和方位角的依赖关系,x和y分别表示散 ®
L
射中心在距离维和方位维的坐标。ASC分为2类: 1.0 0.5 0
射中心通常占有多个像素点。对于局部式散射中
心,其方位属性参数为L = 0 , Á¹ = 0, ° 表示方位依 ®i
) =c ¢ L i
其 中 , f = jAi j ¢ ( =f c) ¢ sinc ((2
赖性;对于分布式散射中心,其方位属性参数为 ¡ ¢¢
¹
¢ sin ¡ Á i ¢exp (¡2 °i sin ), p = exp (¡j4 =c
L 表示散射中心长度,Á¹表示其倾斜角,° = 0。®描
¢ (x i cos + yi sin ) + j =2 ¢ ®i + j ¢ phase (Ai)), |Ai|
述散射强度的频率依赖性,一般 ® 2 f¡1:0; ¡ 0:5;
表示A的幅度,phase(A i )表示A的相位。利用
0;0:5;1:0g ,可用® 区分几种简单散射结构,见表1。
ASC中幅度相关项组成E f ,与之相关的参数有
参数L和 ® 可以准确详细地区分不同类型的典 © ª
jAij ;®i;L i;Á¹i;°i , 简 写 为 f ; 相 位 相 关 项 组 成
型散射结构[8],表2给出了几种典型散射结构的L和
Ep,与之相关的参数fphase (Ai) ;®i;x i;yig ,简写为
® 取值,只要准确得到ASC的L和® ,就可反演出其
p 。因此由Ef可估计 f ,由Ep可估计 p 。
对应的散射结构。
2.2 幅度相位分离的属性散射中心模型 3 基于幅度相位分离的属性散射中心参数
分析式(2)可知单个ASC的幅度与相位相关参 估计方法
数不相关,根据该思想对式(2)进行改造 3.1 迭代半阈值算法引入
µ ¶ ®i
如式(1)所示,在高频电磁区,雷达目标的回
i ( ; ; i ) = Ai ¢ j
fc 波信号是少数几个ASC的叠加[16],ASC参数估计实
µ ¶
4 际上是一个多维参数优化问题[8],为保证参数估计
¢ exp ¡j (x i cos + yi sin )
c 的准确性,引入IHT算法[21,22]
µ ¶
2 ¡ ¢
¢sinc L i sin ¹
¡ Ái ^ = arg min k ( )¢ ¡ k22 + ¸ k k1=2
1=2
c ±
(4)
¢ exp (¡2 °i sin )
µ ¶ ®i 其中, = vecf ( ; ; )g , vec{·}为列向量化操
= jAij ¢ 作,||·|| p 表示l p 范数,p≥0, ( ) 是由ASC参数集
fc
µ ¶ µ 构造的高维联合字典,其中每列都对应一组参
2 ¡ ¢
¢sinc L i sin ¡ Á¹i 数, ¸ 是求解过程中产生的系数, 为稀疏系数向
c
量, ^ 是 的估计值,所求ASC参数在 ( ) 中的位
¢ exp (¡2 °i sin )
µ 置与 ^ 中非零元素的位置相对应。
4
¢ exp ¡j (x i cos + yi sin ) 3.2 基于幅度相位分离属性散射中心模型的字典构
c
¶ 造方法
+j ®i + j ¢ phase (Ai) 由2.2节和3.1节可知,使用E f (E p )的值与IHT
2
= f¢ p (3) 算法可估计 f( p) 。即
^ f = arg min k 2 1=2
f ( f) ¢ f ¡ fk2 + f k fk1=2 (5)
表 1 简单散射结构a取值表 ±
Tab. 1 Discrimination of canonical scattering geometries from a 2 1=2
^ p = arg min k p ( p) ¢ p ¡ pk2 + p k pk1=2 (6)
±
® 的值 对应的散射结构
¡ ¢ n T T
f ; ; ;¹ = L 1;®1;°1;Á¹1 ¢¢¢ L nL ;®1;°1;Á¹1 ¢¢¢ 雷达回波数据
abs(Et) Df
IHT
¾
T
L nL ;®na;°n°;Á¹n ¹ (7) IFFT/BP成像 {|At|, at, Lt,f-t, gt}
Á 估计x, y 初始值
at
½µ ¶®1 图像分割
Et/abs(Et) Dp
获取N个ASC
L 1;®1;°1;Á¹1 = vec IHT
fc
µ µ ¶¶ FFT
2 ¡ ¢ 获取N个ASC雷达回波 {xt, yt, phase(At)}
¢abs sinc L 1 sin ¡ Á¹1
c
¾ 构造Df和Dp, 令t=1
{|At|, at, Lt,ft, gt, xt, yt, phase(At)}
-
¢ exp (¡2 °1 sin ) (8)
各ASC对应散射结构识别 t=t+1
p( ; ; ( )) 否 是
8 9 N个ASC参数集 t ≤N
> T T >
< +x 1;y1;phase(A1) ¢¢¢ +x nx ;yny;phase(A)n =
phase(A)
= T T
(9) 图 1 本文所提ASC参数估计流程图
>
: ¡x 1;y1;phase(A1) ¢¢¢ ¡x nx ;yny;phase(A)n
>
;
phase(A) Fig. 1 Flow chart of the method for estimation of ASC
parameters proposed in this paper
+x 1;y1;phase(A1)
½ µ
4 步骤4 使用3.2节介绍的方法构造字典D f 和
= vec exp ¡j (x 1 cos + y1 sin )
c Dp;
³ ´¶¾
+j ®1 + phase (A1) (10) 步骤5 将各ASC对应的回波数据向量化构成
2 向量Yi, i=1:N,令t=1;
¡x 1;y1;phase(A1)
步骤6 分别估计各ASC幅度相关参数和相位
½ µ 相关参数:
4
= vec exp ¡j (x 1 cos + y1 sin ) (1) 利用IHT算法基于Df和Ef的值;
c
³ ´¶¾ (2) 将参数®t 的估计值代入到字典Dp中;
+j ®1 + phase (A1) + (11)
2 (3) 利用IHT算法基于D p 和E p 估计{x t , y t ,
phase(At)}的值。
其中,abs(·)表示取幅度操作,phase(·)表示取相位
步骤7 判断t ≤N是否成立,若成立则转到步
操 作 。 从 式 ( 7 ) —式 ( 1 1 ) 可 知 D f 和 D p 的 维 度 为
¡ ¢¡ 骤6继续执行,否则进行下一步;
length ¢length ¢ length ¢length ¢lengthphase( ) +
¢ 步骤8 根据各ASC估计参数识别其对应散射
length ¢length ¢length ¹ ¢length 令lengthf ¢length 结构类型。
=M;length ¢length ¢length ¢length ¹ = N 1;length
4 实验结果与分析
¢length = N 2 , lengthphase(A)=N3,则Df和Dp的维
数为M(N1+N2+N3), N3<<N1,若不使用幅度相位 4.1 仿真实验
分离思想,则D的维度为MN1N2[15],前者比后者低 仿真实验分为3部分:比较D和D f 与D p 的维
1个数量级,因此幅度相位分离思想可节约参数估 度;在IHT算法的条件下分别基于2种字典求解单
计的系统资源和时间复杂度。 个ASC参数,并根据运算速率和准确性来证明幅度
3.3 基于幅度相位分离思想的属性散射中心参数估 相位分离思想的优越性;最后分别使用传统方
计流程 法[15]和本文所提方法估计多个ASC参数并比较2种
对于回波中包含的多个ASC,本文提出的参数 方法的速率和有效性,各个ASC对应的典型散射结
估计方法如图1所示,具体步骤如下: 构的识别可根据L与 ® 实现。仿真参数为:中心频
步骤1 小转角时利用傅里叶变换(FT)算法成 率9 GHz,带宽2 GHz,成像积累角3°,采样点数
像,大转角时采用复数后向投影(Back Projection, 50×120。
BP)变换成像,从图像中获取参数x和y的大致范围; 4.1.1 高维联合字典与幅度相位分离字典维度对比
步骤2 采用分水岭算法[9]从图像中分割出N个 在上述仿真参数条件下取各参数范围如表3所
ASC; 示,由此可得D的维度为2.8754e+12,D f 和D p 的
步骤3 FFT得到各ASC的回波数据; 维度为1.9223e+09,后者比前者低3个数量级,节
610 雷 达 学 报 第8卷
N
表 3 仿真参数取值
1 X ³^ ´2
Tab. 3 Values of the simulation parameters E MSE = n¡ (12)
N n=1
参数 分辨率 范围 取值个数
其中, ^ n 为第n次估计值,N为估计总次数, 为参
|A| 0.1 [1, 6] 51
数原始值。
L 0.1 m [0, 2] m 21
基于两种字典的单个ASC参数估计对比如表4。
® 0.5 [–1, 1] 5
从表4中可以看出,在估计单个ASC参数时,使
Á¹ 0.5° [–10.5°, 10.5°] 43
用幅度相位分离思想可以大大降低参数估计时间,
x 0.2 m [–2, 2] m 41
且估计精度基本不变,证明了幅度相位分离思想的
y 0.2 m [–2, 2] m 41
优越性。
phase(A) 0.314 [ ; ] 21
4.1.3 基于幅度相位分离思想的属性散射中心参数
估计方法性能验证
省了系统资源,其对参数估计速率的影响见4.1.2节。
对目标上存在多种散射结构的情况,分别使用传
4.1.2 字典维度对参数估计性能的影响对比
统方法和图1中所提方法进行参数估计。仿真3个ASC
首先根据表3中各参数取值分别构造D, D f 与
的情况,估计结果如表5和表6所示,其中S1, S2,
D p ,然后在表3所示参数范围中随机选取100组单
S3表示3个ASC,运算速率和准确性如表7所示,根
个ASC参数构造100组雷达回波,基于IHT在两种
据表2对S1, S2, S3对应散射结构的识别结果见表8。
字典条件下分别估计各ASC的参数,两种条件下的
从表7可以看出本文所提方法在运算速率和估
估计速率和准确性见表4。准确性由均方误差
计精度上都优于传统方法,为了更直观地展示算法准
(Mean Square Error, MSE)评估,MSE的定义为
确度,将分别由原始参数重构的SAR图像(图2(b))
和由2组估计参数重构的SAR图像(图2(a),图2(c))
表 4 两种字典构造方法性能对比
进行对比,可以看出由本文ASC参数估计方法得到
Tab. 4 Performance comparison of the two dictionary
的参数结果重构的SAR和原始设置参数重构的SAR
construction methods
图像更加接近(绿色方框),进一步说明了本文所提
对比内容 高维联合字典 幅度相位分离字典
方法的高估计精度。对比观察表8和图2,圆柱及帽
运行时间(s) 1029 492 顶型散射结构清晰可见,证实了由ASC参数识别其
MSE 0.06 0.05
对应散射结构的有效性。
表 5 基于传统方法的多个ASC参数估计结果
Tab. 5 Estimation results of ASCs parameters using traditional method
表 6 基于本文方法的多个ASC参数估计结果
Tab. 6 Estimation results of ASCs parameters using the method this paper proposed
1 1 1
距离向 (m)
距离向 (m)
距离向 (m)
2 2 2
3 3 3
10 20 30 40 10 20 30 40 10 20 30 40
方位向 (m) 方位向 (m) 方位向 (m)
(a) 传统方法估计参数重构 SAR 图像 (b) 原始参数重构 SAR 图像 (c) 本文方法估计参数重构 SAR 图像
(a) Reconstructed SAR image from (b) Reconstructed SAR image (c) Reconstructed SAR image from
parameters estimated by from initial parameters parametersestimated by method this
traditional method paper proposed
图 2 原始算法与本文算法性能比较图
Fig. 2 Performance comparison of the traditional method and the method this paper proposed
120.1 120.1
120.0 120.0
距离向 (m)
距离向 (m)
50 cm
119.9 119.9
119.8 119.8
119.6 119.6
-0.35 -0.25 -0.15 -0.05 0.05 0.15 0.22 -0.35 -0.25 -0.15 -0.05 0.05 0.15 0.22
方位向 (m) 方位向 (m)
(a) 实验场景 (b) 成像结果 (c) 由估计参数重构的图像
(a) Experimental filed (b) ISAR image (c) Reconstructed SAR image from
estimated parameters
图 3 实验场景及成像结果
Fig. 3 Experimental filed and ISAR images
612 雷 达 学 报 第8卷
® 0.5 0
x (m) 119.6248 120.1499
y (m) –0.29845 0.2863
表 10 ASC对应散射结构判定结果
Tab. 10 Recognition results of the scattering geometries
corresponding to the 2 ASCs
1 2
图 4 T72光学图像
圆柱 点
Fig. 4 T72 optical image
10 10
距离向 (m)
距离向 (m)
12 12
14 14
5 10 15 5 10 15
方位向 (m) 方位向 (m)
(a) 原始 T72 SAR 图像 (b) 去零去窗后的 T72 SAR 图像
(a) Original T72 SAR image (b) T72 SAR image after removing
window function and eliminating zeros
10 10
距离向 (m)
距离向 (m)
12 12
14 14
5 10 15 5 10 15
方位向 (m) 方位向 (m)
(c) 分割后的 T72 SAR 图像 (d) ASC 估计参数重构 T72 SAR 图像
(c) T72 SAR image after segmenting (d) Reconstructed T72 SAR image from
estimated parameters
图 5 多幅T72 SAR图像
Fig. 5 Various T72 SAR images
第5期 蒋 文等:基于幅相分离的属性散射中心参数估计新方法 613
根据表11第4行和第8行将各ASC对应的散射结 分割图像,左下角是图例,右侧是图5(c)中16个ASC
构类型标记如图6所示,其中左上角是图5(c)中的 对应的不同散射结构在目标上的位置分布示意图。
表 11 ASC参数估计结果及对应散射结构判定结果
Tab. 11 Estimation results of the ASCs parameters and the recognitionresults of the scattering geometries corresponding to these ASCs
第几个散射中心 1 2 3 4 5 6 7 8
L(m) 2.67 4 0 0 0 0 0 0
® 0 0 0 0 1 0 1 0.5
散射结构类型 直边 直边 直边 双曲面 三角面 双曲面 三角面 帽顶
统资源并提高了参数估计速率,引入的IHT算法提
1
高了参数估计的精度。根据各个ASC的参数估计结
2 果可识别目标上散射结构并分析其分布位置。从仿
34
5 真数据、实测数据以及MSTAR数据集得到的参数
6 7
8
估计的高效性和高准确性方面,验证了本文所提方
9
1011
12
法的有效性。
圆柱型散射结构 13
帽顶型散射结构 14 参 考 文 献
边缘绕射型散射结构
三面角型散射结构 [1] 钟金荣. 目标三维电磁散射参数化模型反演方法研究[D]. [博
双曲面型散射结构 15
直边型散射结构 16 士论文], 国防科学技术大学, 2016: 1–7.
ZHONG Jinrong. Inverse methods for three dimensional
图 6 各个ASC对应散射结构位置分布图 parametric scattering model of target[D]. [Ph.D.
Fig. 6 Estimated position distribution map of scattering dissertation], National University of Defense Technology,
geometries corresponding to the ASCs 2016: 1–7.
[2] FRIEDLANDER R D, LEVY M, SUDKAMP E, et al. Deep
由图6可知,圆柱类型散射结构主要为坦克炮 learning model-based algorithm for SAR ATR[C].
Sensing, 2018, 56(7): 3772–3785. doi: 10.1109/TGRS. HAI Hongzhang. Study on feature extraction of ships based
2018.2810181. on ISAR images[D]. [Master dissertation], Xidian
[7] 文贡坚, 朱国强, 殷红成, 等. 基于三维电磁散射参数化模型的 University, 2014: 44–49.
SAR目标识别方法[J]. 雷达学报, 2017, 6(2): 115–135. doi: [16] 李飞, 纠博, 刘宏伟, 等. 基于稀疏表示的SAR图像属性散射中
10.12000/JR17034. 心参数估计算法[J]. 电子与信息学报, 2014, 36(4): 931–937.
WEN Gongjian, ZHU Guoqiang, YIN Hongcheng, et al. doi: 10.3724/SP.J.1146.2013.00576.
SAR ATR based on 3D parametric electromagnetic LI Fei, JIU Bo, LIU Hongwei, et al. Sparse representation
scattering model[J]. Journal of Radars, 2017, 6(2): 115–135. based algorithm for estimation of attributed scattering
doi: 10.12000/JR17034. center parameter on SAR imagery[J]. Journal of Electronics &
[8] 张亚军. 基于属性散射中心模型的SAR自动目标识别[D]. [硕 Information Technology, 2014, 36(4): 931–937. doi:
士论文], 西安电子科技大学, 2014: 5–23. 10.3724/SP.J.1146.2013.00576.
ZHANG Yajun. SAR automatic target recognition based on [17] 李飞. 雷达图像目标特征提取方法研究[D]. [博士论文], 西安
attributed scattering center models[D]. [Master dissertation], 电子科技大学, 2014: 50–66.
Xidian University, 2014: 5–23. LI Fei. Study on target feature extraction based on radar
[9] AKYILDIZ Y and MOSES R L. Scattering center model for image[D]. [Ph.D. dissertation], Xidian University, 2014:
SAR imagery[C]. Proceedings of SPIE 3869, SAR Image 50–66.
Analysis, Modeling, and Techniques II, Florence, Italy, [18] LIU Hongwei, JIU Bo, LI Fei, et al. Attributed scattering
1999: 76–85. doi: 10.1117/12.373151. center extraction algorithm based on sparse representation
[10] CHIANG H C, MOSES R L, and POTTER L C. Model- with dictionary refinement[J]. IEEE Transactions on
based classification of radar images[J]. IEEE Transactions Antennas and Propagation, 2017, 65(5): 2604–2614. doi:
on Information Theory, 2000, 46(5): 1842–1854. doi: 10.1109/TAP.2017.2673764.
10.1109/18.857795. [19] 苏伍各. 基于稀疏贝叶斯重构方法的雷达成像技术研究[D].
[11] DING Baiyuan, WEN Gongjian, HUANG Xiaohong, et al. [博士论文], 国防科学技术大学, 2015: 3–14.
Target recognition in synthetic aperture radar images via SU Wuge. Radar imaging techiniques based on sparse
matching of attributed scattering centers[J]. IEEE Journal Bayesian reconstruction methods[D]. [Ph.D. dissertation],
of Selected Topics in Applied Earth Observations and National University of Defense Technology, 2015: 3–14.
Remote Sensing, 2017, 10(7): 3334–3347. doi: 10.1109/ [20] LI Zenghui, JIN Kan, XU Bin, et al. An improved
JSTARS.2017.2671919. attributed scattering model optimized by incremental sparse
[12] DING Baiyuan, WEN Gongjian, ZHONG Jinrong, et al. A Bayesian learning[J]. IEEE Transactions on Geoscience and
robust similarity measure for attributed scattering center Remote Sensing, 2016, 54(5): 2973–2987. doi: 10.1109/
sets with application to SAR ATR[J]. Neurocomputing, TGRS.2015.2509539.
2017, 219: 130–143. doi: 10.1016/j.neucom.2016.09.007. [21] XU Zongben. Data Modeling: Visual Psychology Approach
[13] 段佳, 张磊, 盛佳恋, 等. 独立属性散射中心参数降耦合估计方 and L1/2 Regularization Theory[M]. BHATIA R, PAL A,
法[J]. 电子与信息学报, 2012, 34(8): 1853–1859. doi: 10.3724/ RANGARAJAN G, et al. Proceedings of the International
SP.J.1146.2011.01302. Congress of Mathematicians. Hyderabad, India: World
DUAN Jia, ZHANG Lei, SHENG Jialian, et al. Parameters Scientific, 2010: 3151–3184. doi: 10.1142/9789814
decouple and estimation of independent attributed 324359_0184.
scattering centers[J]. Journal of Electronics & Information [22] 徐宗本, 吴一戎, 张冰尘, 等. 基于L1/2正则化理论的稀疏雷达
Technology, 2012, 34(8): 1853–1859. doi: 10.3724/SP.J.1146. 成像[J]. 科学通报, 2018, 63(14): 1307–1319. doi: 10.1360/
2011.01302. N972018-00372.
[14] 段佳, 张磊, 邢孟道, 等. 合成孔径雷达目标特征提取新方法[J]. XU Zongben, WU Yirong, ZHANG Bingchen, et al. Sparse
西安电子科技大学学报: 自然科学版, 2014, 41(4): 13–19. doi: radar imaging based on L 1/2 regularization theory[J].
10.3969/j.issn.1001-2400.2014.04.003. Chinese Science Bulletin, 2018, 63(14): 1307–1319. doi:
DUAN Jia, ZHANG Lei, XING Mengdao, et al. Novel 10.1360/N972018-00372.
feature extraction method for synthetic aperture radar [23] GERRY M J, POTTER L C, GUPTA I J, et al. A
targets[J]. Journal of Xidian University, 2014, 41(4): 13–19. parametric model for synthetic aperture radar
doi: 10.3969/j.issn.1001-2400.2014.04.003. measurements[J]. IEEE Transactions on Antennas and
[15] 海鸿璋. 基于ISAR图像的舰船目标特征提取方法研究[D]. [硕 Propagation, 1999, 47(7): 1179–1188. doi: 10.1109/8.785750.
士论文], 西安电子科技大学, 2014: 44–49. [24] POTTER L C and MOSES R L. Attributed scattering
第5期 蒋 文等:基于幅相分离的属性散射中心参数估计新方法 615
centers for SAR ATR[J]. IEEE Transactions on Image imaging[D]. [Ph.D. dissertation], Boston University, 2001.
Processing, 1997, 6(1): 79–91. doi: 10.1109/83.552098. [27] 清风亦客. T-72主战坦克[EB/OL]. https://baike.baidu.com/
[25] KELLER J B. Geometrical theory of diffraction[J]. Journal item/T-72主战坦克/2031530?fr=aladdin, 2019.
of the Optical Society of America, 1962, 52(2): 116–130. doi: Qing Fengyike. T-72 main battle tank[EB/OL].
10.1364/JOSA.52.000116. https://baike.baidu.com/item/T-72主战坦克/2031530?
[26] ÇETİN M. Feature-enhanced synthetic aperture radar fr=aladdin, 2019.
作 者 简 介
蒋 文(1994–),女,2016年获得西安电 李王哲(1983–),男,青年千人,现为中
子科技大学学士学位,现于中国科学院 国科学院电子学研究所研究员,微波成
大学攻读硕士学位。研究方向是微波成 像技术国家级重点实验室主任。研究方
像技术。 向有基于光子技术的合成孔径雷达
E-mail: jiangwen16@mails.ucas.ac.cn (SAR),基于微波成像的微波光子传感
器,微波光子模块芯片集成。
E-mail: wzli@mail.ie.ac.cn