SAR 图像数据库建立与目标建模 留言
SAR Image Database Options
进行目标分类需要建立一个大型包含所有感兴趣目标的模板数据库。但是，由于雷达成像随各种因素变化，建立这样一个模板数据库是巨大的挑战。例如，为了获得足够描述目标特征的几何变化成像，可能要安排好几条卫星轨迹，而这非常昂贵。
美国国防高级研究计划局(DARPA) 在1990年代进行了第一次大型数据收集，得到了大量移动和静止目标获取与识别(the moving and stationary target acquisition and recognition，MSTAR)数据。
图8显示的军用车辆和相应的SAR图像就来源于此次工作所得到的数据库。数据库采集了海量的信息，包括各种军用或民用车辆、各方位角和多个不同高度角下的雷达成像。
尽管MSTAR数据库极其庞大，显而易见，不可能对世界上所有的目标所有的角度都进行采样。因此，必须通过其它方式对数据库进行完善。
一种方法是通过是将车辆放置在转盘上。转盘可控，雷达固定安置，通过控置转盘旋转来调整成像角度，然后使用逆SAR技术进行成像。要注意，这些图像可能与真实环境下的目标雷达成像图不完全一致。还需考虑背景杂波影响，尤其是陆地环境下。
还有一种方法是改变雷达频率利用缩比模型来研究雷达与目标的交互作用。这种方法通常用在空中目标上，因为空中目标（较少突起）散射点不多，而且型号数量也没有那么庞大，建模时需要考虑到的影响因素不多。
地面目标则不太适合这种方式，从雷达成像角度来讲地面车辆结构相对复杂，而且改装(例如，安装不同类型的炮塔)衍生型号众多，这样会导致建模费用高昂。
SAR 成像仿真
SAR Image Simulation
使用仿真技术计算目标CAD (计算机辅助设计)模型的雷达信号，并进一步模拟SAR成像。推导雷达信号的传播及其与目标交互的数据，需要解一系列麦克斯韦方程组,很有难度。
目标分类通常会使用高频雷达：即波长比目标散射结构相对较短的雷达。这种情况下, 基于几何光学(geometric optics,GO)和物理光学(physical optics,PO)的射线追踪方法来推导麦克斯韦方程组的近似解是比较有效的。
图9演示了射线跟踪算法。首先将射向的CAD目标的一束光划分为很多条光线单元，每条光线都利用基于GO算法计算其反射路径，直到反射终止或反射次数达到最大值。
图9，射向的CAD目标的一束光线。 利用基于GO的算法计算光线的反射路径，直到反射终止或反射次数达到最大值。
如图10所示。最后一次反射，使用PO法而不是GO法进行仿真计算，此时雷达回波为散射，反射线向四面八方传播。特别是，必须考虑返回雷达的反射线。所有射线逐一计算，最后合成为完成雷达回波信号。
某些局部位置情况可能更为复杂，比如模型边缘发生的衍射，图10。图11显示了一个CAD模型的SAR模拟成像图。炮管因为多路径效应产生的多重影像已经在图中显示。
CAD模型的准确性对模拟结果的准确性和分类性能的影响是考量分类系统的关键因素。如果必须要非常精确的CAD模型才能正确对目标分类，那么显然这个系统还不够强壮，因为真实目标和CAD模型必然还有着相当的不同。
还有一个问题是如何获得目标的CAD模型。如果有目标实物，可以通过激光扫描技术得到准确模型。否则，就要通过已有的照片来制作CAD模。此时则必须了解从照片推导出CAD模型的保真度，以及CAD模型保真度对分类性能的影响。
地面目标型号庞杂，因此尽管有这么多注意事项，用CAD模型进行模拟仍然是建立数据库的一个重要补充手段。当然,同时也必须采集真实的雷达数据来填补仿真模拟与真实数据之间的差别。
