买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉武汉工程大学申请的专利一种基于SVD-DCS的稀疏阵列层析SAR三维重建方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119667674B 。

龙图腾网通过国家知识产权局官网在2025-09-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411678266.1，技术领域涉及：G01S13/90；该发明授权一种基于SVD-DCS的稀疏阵列层析SAR三维重建方法和系统是由杨波;江利明;洪汉玉;叶亮设计研发完成，并于2024-11-22向国家知识产权局提交的专利申请。

本一种基于SVD-DCS的稀疏阵列层析SAR三维重建方法和系统在说明书摘要公布了：本发明提供了一种基于SVD‑DCS的稀疏阵列层析SAR三维重建方法和系统，针对不规则、稀疏采样情形下层析SAR难以精确重建、虚假目标多的问题，通过对稀疏阵列SAR图像数据进行包括复图像配准、相位去斜处理、幅相误差校正处理的预处理；通过包括识别相邻等高像元、SVD分解降低DCS数据处理维度，通过噪声能量估计和SVD‑DCS频谱估计，重建参考像元散射强度轮廓；通过选择模型阶数、估计目标参数，并对数据进行地理编码，输出层析SAR点云空间位置及散射强度数据，实现了提高稀疏阵列SAR三维重建的密度与可靠度的功能。本发明点云重建密度高，抑制旁瓣噪声更好，提高了层析SAR点云重建的可靠度。

本发明授权一种基于SVD-DCS的稀疏阵列层析SAR三维重建方法和系统在权利要求书中公布了：1.一种基于SVD-DCS的稀疏阵列层析SAR三维重建方法，其特征在于：包括以下步骤： S1：获取稀疏阵列SAR图像并进行预处理，得到预处理好的层析SAR堆栈数据； S2：以参考像元为中心，在划定的窗口范围内，采取平均对数相干阈值及平均幅度约束准则的方法，在预处理好的层析SAR堆栈数据中逐像素搜索识别相邻等高像元； S3：根据相干系数指数权重进行自适应权重设计，对相邻等高像元构成的层析SAR数据堆栈作SVD分解以降低DCS数据处理维度； S4：通过MMV观测SVD投影，估计降维后的层析SAR数据堆栈的参考像元处的噪声能量作为SVD-DCS频谱估计模型的参数；具体步骤为： S41：设表示奇异值构成的对角矩阵，、表示奇异值向量构成的矩阵；对压缩传感矩阵进行奇异值分解如下： （5）； S42：设为稀疏阵列SAR图像的图幅数，表示第个奇异值向量，表示降维后的层析SAR数据堆栈的第列向量，计算参考像元处的噪声能量： （6）； S5：代入降维后的层析SAR数据堆栈，利用SVD-DCS频谱估计模型估计频谱矩阵，并重建参考像元散射强度轮廓；具体步骤为： S51：设、分别表示矩阵的L1-L2混合范数、F范数；代入降维后的层析SAR数据堆栈，构建SVD-DCS频谱估计模型： ,s.t.（7）； S52：采用谱梯度投影方法估计频谱矩阵； S53：设表示估计出的频谱矩阵的第行向量；给出最终参考像元处散射强度结果； S6：通过频谱矩阵构建信息论约束的模型阶数求解模型，确定层析SAR点云模型阶数；具体步骤为： S61：设为参考像元处有效目标的个数，为前个最大频谱峰值的位置，表示前个最大频谱峰值位置对应的三维散射系数；构建信息论约束的模型阶数求解模型： （8）； 信息约束项采用BIC、MDL模型： （9）； S62：根据频谱峰值从大到小组合，通过穷举法代入并计算代价函数，将代价函数最小的目标分布情形对应的有效散射目标个数以及高程位置作为参考像元处有效的目标个数及高程位置信息； S7：通过频谱矩阵构建目标三维复散射系数优化求解模型，估计层析SAR点云散射强度值；具体步骤为： S71：构建目标三维复散射系数优化求解模型： （10）； S72：设表示的第列向量；通过最小二乘方法求解公式（10），并估计层析SAR点云散射强度值为： （11）； S8：对距离-多谱勒-高程坐标系下的层析SAR点云数据进行地理编码，输出层析SAR点云空间位置及散射强度数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉工程大学，其通讯地址为：430074 湖北省武汉市洪山区雄楚大街693号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。