星上SAR实时处理调研1

SAR实时信号处理国内外发展现状

        在早期，SAR是利用透镜和激光波束来聚焦获得图像。这种利用光学成像的原理来得到 SAR图像的方法灵活性不高，且操作复杂。随着计算机技术的发展，计算机的存储能力和运算能力获得了提高，研究者们开始研究用计算机来实现SAR 成像。由于SAR数据量大、成像算法复杂且计算量大、以及计算机处理能力不足以满足实时成像的要求，在SAR数字成像的初期，研究者们大多都是在实验时将回波数据单独存在存储器中，然后再对回波进行处理。而在最近20-30年，随着集成电路发展迅速，计算机和专用运算处理芯片的计算能力也有了质的提高，研究者们逐步研发出了SAR实时处理系统。

        1988年，美国 ERIM研发出的 P-3SAR系统，分辨率可达2.2m *8.4m。1989年，德国宇航局研发出了分辨率3m *3m的E-SAR系统。

        1993年，丹麦技术大学研发出了分辨率可达2m* 2m的EMI-SAR实时处理系统。

        2013 年，波兰的学者利用CUDA实现了分辨率达 0.15m*0.15m的实时成像。

        我国 SAR 研究起步相对较晚，1994 年，中科院研发出了分辨率10m *10m的X波段实时成像系统。

        2000年研发出了分辨率可达2.5m*2.5m 的机载SAR实时处理系统。

        2005 年，中电38所研发出了多DSP的SAR实时信号处理机，采用RD成像算法，成出了 X 波段的分辨率达1m*1m的图像。

        2009 年，中科院研发出基于DSP+FPGA的实时信号处理系统，使用RD成像算法对距离向8192采样点、方位向8192采样点、PRF为600的数据进行实时成像的处理时间为2.3s 。

        2010 年，上海交通大学电子系利用GPU CUDA，对真实的机载 SAR 回波数据进行了实时成像。

SAR信号实时处理

        由于SAR成像涉及到复杂的算法设计和巨大的数据量，要想实现信号的实时处理，需要在现有工作的基础上做出大量改进和创新，主要包括以下几部分。

系统构架

        并行处理（Parallel Processing）是计算机系统中能同时执行两个或更多个处理的一种计算方法。并行处理可同时工作于同一程序的不同方面。并行处理的主要目的是节省大型和复杂问题的解决时间。为使用并行处理，首先需要对程序进行并行化处理，也就是说将工作各部分分配到不同处理进程（线程）中。并行处理由于存在相互关联的问题，因此不能自动实现。另外，并行也不能保证加速。从理论上讲，在 n 个并行处理的执行速度可能会是在单一处理机上执行的速度的 n 倍。为了提高程序运行效率，可以设计一套并行处理的系统构架。

        并行处理的拓扑结构主要为各个处理单元内部的数据传输以及各个处理单元之间的数据和信息的交互提供条件。处理单元之间的拓扑结构主要分为两种：第一种是共享存储器结构或共享总线并行结构，多个处理单元共享一套总线进行数据传输；另一种是分布式并行结构，各个处理单元有各自独立的存储单元与数据传输接口，通过独立的传输接口进行数据传输。

处理器

        目前在SAR领域比较流行的处理器有CPU、DSP、FPGA、GPU和ASIC，它们各有优缺点。

        中央处理单元（CPU）主要负责大规模的数据运算和控制整机的信号输入输出任务，广泛应用于计算机系统中，并且它的具有丰富的操作系统、应用软件和开发平台。但是由于芯片架构的因素，在CPU芯片内部只有一小部分是算数逻辑单元（Arithmetic Logic Unit, ALU），绝大部分都是缓存和控制单元。所以CPU比较适合应用于具有复杂数据依赖和复杂计算步骤等对运算能力要求不高的通用环境，如分布式计算、人工智能、物理模拟等。

        随着高速实时信号处理任务的需求逐渐提高，DSP随之发展起来，它主要是用来完成某种信号处理任务的一种处理器。随着超大规模集成电路的发展和处理算法不断改进，对数字信号处理器提出了更高的要求，不仅要求它的实现方法多样化，处理功能也要不断地提高和改进。目前DSP在实时信号处理方面具有明显的优势，它具有超强的处理能力、丰富的接口资源、高速的传输速率、体型小以及相对较低的功耗，但是逻辑任务管理能力却不足。

       FPGA 内部有大量的触发器和逻辑门，逻辑处理能力强，开发周期相对较短，如不搭载 DSP 核，浮点运算能力相比专用运算器弱，主要用于时序控制的应用环境。但近年来随着FPGA技术的发展，它已成为比DSP更优越的压缩处理方式，在体积、速度、灵活性等方面超出DSP。

        随着技术的发展，GPU已经从早期的图像渲染和图形处理的领域逐渐演化成了一种高并行度、多线程、高存储器带宽的众核处理器。由于GPU强大的浮点计算能力以及基于GPU的编程逐渐趋于通用化，移动端低功耗GPU的快速发展，使得用GPU处理大数据和复杂运算的效率越来越高，将GPU用于高分辨率的机载ＳＡＲ成像，不仅能够更好地实现实时性的成像效果，而且能够降低成本和功耗，具有很好的工程应用前景。

        相比于 CPU，GPU不仅内部核心数多，而且核心中大部分都是算数逻辑单元，这些算数逻辑单元都是可以并行运行的，这样极大的提高了 GPU的浮点运算能力。另外一方面，由于 CUDA 的出现，开发人员可以使用 C、 C++、Fortran 等语言来编写程序，并且 CUDA 提供了很多计算专用函数，极大地降低了开发的复杂度。

        专用ASIC芯片，即专用集成电路芯片，是指应特定用户要求或特定电子系统的需要而设计、制造的集成电路。它的一个显著优势就是性能优势：为了获得较高的处理能力，它的芯片里固化了计算机逻辑与指令。因此，受到各个安全产品生产商的欢迎。但ASIC的缺点是它缺乏灵活性、扩展性能差、开发时间长以及开发费用高，这些缺点使得它的应用得到了限制。

       今年来，随着芯片技术的不断发展，SAR信号处理器呈现出一种“CPU →  DSP →  FPGA →  GPU”的发展趋势，在后面的文献综述章节会提到使用不同处理器的案例。

成像算法

        自SAR出现以来，人们发现了大量的成像算法，目前比较成熟的方法有：距离-多普勒（Range Doppler，RD）算法、Chirp Scaling（CS）算法、波数域算法ω-k 算法和SPECAN算法等，这些算法之间的不同之处在于如何定义 SAR 天线与目标之间的距离模型以及如何解决距离－方位耦合的问题，解决方法的不同导致了各种算法在成像质量和运算量方面有很大的差异。

        RD 算法是几种常用SAR成像处理算法中最直观、最基本的方法。RD算法的基本思想是将数据的二维处理分解为两个一维处理级联的形式。利用驻留相位定理，RD 算法将距离压缩后的信号变换到距离多普勒域（即距离向时域，方位向频域）。在距离多普勒域，斜距相同的目标回波的距离徙动曲线会相互重合，斜距不同的目标回波的距离徙动曲线相互平行，因此，在距离多普勒域可以方便地进行距离徙动校正。相比其它SAR成像算法，RD 算法具有原理简单、运算量小的优势。但是由于RD 算法在进行方位向处理时，依然采用二维参考函数进行匹配滤波，当距离徙动较大时，方位向匹配滤波会使距离分辨率大大下降。1984年

        CHIALIN WU 及其合作者提出了采用二次距离压缩算法来解决大距离徙动下的方位压缩，该算法也有较大的计算量[21]。

       CS算法直接精确推导回波信号在距离多普勒域的表达式，通过在距离多普勒域与CS因子相乘，将不同斜距上目标的距离徙动曲线校正到相同形状，然后依次在二维频域和距离多普勒域完成距离处理和方位处理。CS算法通过频域相位补偿完成成像处理，没有太多的近似推导，这种成像处理方法具有良好的相位保持特性。CS算法结构清晰、简洁，仅通过复乘、FFT和IFFT就可以完成整个SAR成像处理过程。但信号处理过程复杂，运算处理量较大。

       SAR的工作模式是天线发射电磁波，电磁波被地面目标反射后，再由天线接收，此过程中电磁波为双程传播。如果将电磁波发射和接收过程中的雷达运动忽略，则可以建立另一种模型：把目标看做发射源，电磁波从目标到接收天线单程传播，传播速度为光速的二分之一。这种模型可以近似代替SAR的真实工作模式，基于这种散射模式，Cafforio 等人提出了波数域算法[22]。波数域算法，也称为ω-k 算法，其主要思路是基于波动方程分析距离处理后信号的二维频谱。波数域算法成像可以对距离徙动较大的情况进行成像处理，处理过程较为精确。但是在变量置换时需要运用插值处理，引起计算量增加和成像精度下降，这也是该算法的主要制约因素。

        SPECAN算法是把SAR的合成孔径长度分为几个子孔径长度，通过去斜率处理，把不同方位上的目标处理为不同的速率，再通过频率分析的方往，获得方位向高分辨率，算法处理量最小，但由于采用多视处理，方位向的分辨率会成比例下降，不适合高分辨力成像。

       在这些算法的基础上，对它们进行改进以实现实时成像的要求，如[10]提出了一系列高效算法，实现了FMCW波的实时成像；[11]对CS做出了改进实现了星上SAR实时成像；[13]对RD做出改进，实现无人机SAR的实时成像。

        针对星载 SAR 成像算法中多种超越运算的 FPGA 实现占用资源过大的问题，对实现正余弦、反正切函数的传统 CORDIC 算法进行了角度覆盖范围、硬件资源、运算精度等方面的优化和改进，同时对实现反正余弦函数的双迭代结构的 CORDIC 算法进行了改进

误差补偿

        运动误差是由搭载平台的不平稳运动引入的误差，为了精确成像，必须在信号处理过程中对误差进行补偿。目前运动补偿主要包括两种：根据GPS和IMU数据补偿、根据回波数据估计运动误差并进行补偿。前者可以直接利用搭载平台（如飞机、卫星）上的传感器获得，这种方法简单，对算法要求低，但获得的数据精度往往不能满足数据处理精度的要求；后者可以得到比较精确的数字，但是需要比较复杂的算法，进而导致较长的时间损耗。

        在设计实施信号处理系统时，要充分考虑算法的时间复杂度，根据实际情况作出选择。

矩阵转置

        由于SAR成像算法需要多次交替进行距离向处理和方位向处理，两种方向的处理之间需要对存储器内缓存的数据矩阵进行转置，因此这里的存储器又叫转置存储器（Corner Turning Memory，CTM）。如果转置处理不好，存储器数据访问带宽会成为整个成像处理的最大瓶颈，因此有必要研究大规模数据的高效矩阵转置方法。

       [8]直接使用一个单独的FPGA板卡实现矩阵转置，[11] 提出了矩阵分块三维映射法和矩阵分块交叉映射法实现快速矩阵转置， [15]提出了一种新的矩阵转置方法——矩阵分割拼接法，也可以实现快速矩阵转置。

其它方面

        在SAR成像算法中会有相当数目的超越函数（如正余弦、反正切函数），为了达到要求的精度，这些函数会占用较多的硬件资源和运算时间，因此有必要针对这些函数设计一些算法，以较快的速度收敛到需要的精度。文献[11]介绍了一些具体方法。

文献综述

文献[8]

        介绍了一种基于FPGA的SAR实时处理系统，该系统使用3块FPGA芯片（EP1S25F672C7），它们的作用分别为：距离向压缩、矩阵装置和方位向压缩。FPGA通过PIC与电脑通信，FPGA之间通过并行数据线进行通信。该系统实现实时处理的基础是：FPGA运算速度快，存储容量大。

文献[9]

        介绍了结合子孔径NCS（Nonlinear Chirp Scaling,非线性调频变标）算法和运动补偿的机载UWB SAR实时处理。文中引入并行流水结构进行实时处理。算法上首先研究了降低数据量和提高处理精度的NCS算法改进措施；其次给出了子孔径NCS算法进行实时处理的并行流水结构。

        实时运动补偿包括两个方面：利用高精度运动传感器的测速数据实时调整PRI和在实时成像算法中嵌入视线方向运动误差补偿流程。

        NCS算法及其改进：通过在距离压缩后的时域加窗的方法降低原始回波数据量，从而有效降低硬件的存储和传输压力。为了降低实时成像的数据量，对原始回波进行距离向预处理，通过去除距离压缩后时域数据的脉冲持续时间点数来降低数据量。

        并行流水结构：通过方位向划分子孔径，将成像处理和存储压力分散到m个处理单元，大大降低了对硬件平台的要求。子孔径回波满足驻定相位原理，可以按照正常的NCS处理流程完成距离向处理，然后在时域将子孔径回波进行整合，再进行方位压缩。由于整合后的数据量仍然很大，因此将数据沿距离向分块，引入并行结构完成方位压缩，即“子带方位向处理”。

        数据预处理模块主要完成距离压缩功能，以此降低回波数据的存储压力，然后将距离压缩数据沿方位向划分子孔径，并分配到多个处理节点并行处理，完成“一阶补偿”、子孔径距离向处理和“二阶补偿”；最后在时域整合方位子孔径回波数据并转置，划分距离向子带并分配到多处理节点并行处理，完成方位空变运动误差补偿和方位压缩。

文献[10]

        介绍了一种基于小型无人机平台的连续调频波SAR实时算法。

        与常规的脉冲SAR相比，小型飞行平台应用背景下的调频连续波SAR实时成像主要面临四个问题：一是天线的连续运动不能忽略；二是系统采用去斜率的混频方式，采样频率很低；三是发射信号扫频非线性的影响必须考虑；四是要便于集成运动补偿处理。

        针对天线的连续运动问题，提出了一种改进的频率尺度变换(Modified Frequency Scaling，MFS)算法，实现正侧视和小斜视角情况下快速的距离向处理。在非常适合去斜率信号实时成像的FS算法的基础上，结合调频连续波SAR特殊的信号模型，给出了严格的距离-多普勒域的信号解析式。分析了天线的连续运动导致的相位变化与方位向频率之间的关系。MFS算法通过在距离．多普勒域引入了一个新的相位因子校正了天线的连续运动。所引入的新的相位因子可以与原始FS算法中的块平移因子同时实现，因而该算法相对原始FS算法并不增加运算量。

        针对系统采样频率低的问题，提出了两种算法实现斜视角情况下的距离向处理。一种是MFS算法的扩展(Extension to MFS，EMFS)算法，这种方法从调频连续波SAR残余视频相位(Residual Video Phase,RVP)可以忽略的特点出发，在MFS算法的基础上通过增加斜置处理并修正相关相位因子来降低处理斜视角数据过程中引入的信号带宽。另一种是调频变换成像(Chirp Transform Imaging, CTI)算法，该算法同样从RVP可以忽略的特点出发，将距离徙动校正问题转化为一个非标准的Fourier变换问题。利用调频变换方法快速实现了这个非标准的Fourier变换。克服了MFS算法处理斜视角回波数据时存在的距离向频谱混叠问题。CTI算法效果与EMFS算法相当，但运算效率优于EMFS算法。

        针对扫频非线性的问题，提出了一种随多普勒中心变化的FS(Doppler CentroidDependent Frequency Scaling，DCDFS)算法实现存在扫频非线性时的斜视角情况下的快速距离向处理。分析了扫频非线性对距离向压缩性能的影响，给出了不同类型的扫频非线性情况下SAR成像对线性度的约束条件。在同时完成扫频非线性校正与距离徙动校正的过程中引入了一个与多普勒中心有关的因子，减小了斜视角的影响，从而降低了处理过程中引入信号的带宽，消除了距离向的频谱混叠。该算法可以直接推广到脉冲SAR的成像处理中。

        针对运动补偿对成像的制约问题，提出了一种随距离变化的步进变换(Range Varing Step Transform , RVST)算法实现方位向数据的高效压缩。该算法利用典型的机载运动补偿通常在时域完成的特点，从时域出发，利用去斜率的方法实现方位向的压缩。由小型平台飞行高度较低的特点，考虑了斜视角随距离的变化关系，并在处理中补偿了这种变化。该算法同时分析了斜视角情况下调频斜率的非线性问题。

文献[11]

        从算法和硬件两个角度介绍了星上SAR实时成像处理的关键技术。选择了以FPGA为核心处理器实现CS算法成像的系统构架，提出了一种补偿因子区域不变的CS 成像算法。该方法在保证星载 SAR 算法成像质量的前提下，能够有效减小补偿因子的计算量，提高 SAR 成像算法处理效率。

       针对 SAR 成像处理过程中转置存储器的数据访问效率过低的问题，对 SAR 成像处理矩阵转置存储方法进行研究，提出了矩阵分块三维映射法和矩阵分块交叉映射法。这两种转置存储方法充分利用了转置存储器的数据访问时序特性，能够有效提高SAR 成像处理过程中转置存储器的数据访问效率，提高 SAR 成像处理实时性。

        针对星载 SAR 成像算法中多种超越运算的 FPGA 实现占用资源过大的问题，对实现正余弦、反正切函数的传统 CORDIC 算法进行了角度覆盖范围、硬件资源、运算精度等方面的优化和改进，同时对实现反正余弦函数的双迭代结构的 CORDIC 算法进行了改进。

文献[12]

        介绍了一种基于GPU的适用于多种模式的SAR实时成像算法。

        GPU 的频域SAR成像算法需将一景SAR回波数据从内存转存到显存中进行处理 ，但支持CUDA编程模型的GPU产品显存容量一般不超过６GB，足以容纳一景SAR回波数据。 后向投影（BP）算法是常见的时域 SAR成像算法，逐方位时刻读取SAR回波数据的特点大大降低了该算法对GPU显存容量的要求；逐像素地对成像区域重建的特点使得该算法具有良好的成像质量，适用于多种SAR 工作模式。本文提出了基于GPU的BP成像算法，针对 CUDA编程模型与BP成像算法特点提出了优化加速方案。该方案利用 BP 成像算法数据的不同特征，与CUDA内存访问机制相结合，提高数据访问速度；然后针对方案中数据和任务的并行度，提出了多 GPU 并行处理技术和异步执行流处理技术，最大限度地利用计算资源；最后利用GPU硬件特点，使用SFU提供的特殊函数减少运算时钟周期，提高运算速度。使用本文方案，与传统CPU实现方式相比，拥有更高的成像效率。但是要实现该方案的实时成像，需对成像区域大小有所限制或使用拥有更强计算能力的GPU计算设备，辅以多GPU进行实现。

文献[13]

        介绍一种基于无人机的SAR实时处理机系统，该系统完成于2006年。硬件上，为了满足处理速度的要求，采用了并行DSP；为了满足大内存的要求，采用了硬件拓展内存和地址复用技术，实现了2GB SDRAM内存拓展，直接连接在簇总线上多片DSP共享。算法上采用GPS、IMU和回波参数估计相结合的方法实现运动补偿；采用改进的RD算法实现成像。

文献[14]

        介绍了双机前视SAR成像方法与实时信号处理机（2016年）。该系统根据 CUDA 平台、 OpenVPX 总线标准以及机载双基前视 SAR 成像方法，提出了一种基于 CPU+GPU 异构模式的机载双基 SAR 实时处理方案，使用以太网接口作为通信接口，使用基于因式分解的快速后向投影（Fast Factorized Back-Projection, FFBP）算法实现SAR实时成像。

文献[15]

        转置在实时SAR成像系统中起着重要作用，其效率高低直接决定整个SAR成像系统的处理性能。文献[15]提出了一种新的矩阵转置方法——矩阵分割拼接法，该方法在传统转置算法的基础上利用EDMA3灵活的搬移方式，有效地提高了转置处理的速度。在此基础上，基于TMS320C6678平台，对该方法的性能进行了测试。测试结果表明，该方法在处理速率上具有较大提升，相较于传统矩阵方法在数据量为512 MB的情况下处理速度提升了255倍，更好地满足了SAR成像的实时性要求。

文献[16]

        实现了一种基于多核DSP的FMCW SAR实时处理设计。

        调频连续波（FMCW）合成孔径雷达（SAR）具有体积小、质量轻、成本低的特点，适用于低功耗的应用场合，易实现系统的微型化。针对其运算量大和集成度要求高的问题，采用新型多核 DSP 芯片 TMS320C6678 实现了 FMCW SAR 实时处理。在同样的电路面积和功耗下，提升了实时处理性能。合理的多核任务分配可以充分利用硬件资源并提升算法运算效率。

        该系统选择新型多核 DSP 芯片作为主处理器，充分发挥其强大的浮点处理能力，利用多核并行处理算法，提高了系统综合性，避免了多片处理器的分散设计与调试，不仅节省了硬件资源，而且方便了软件设计，提高了成像效率。

文献[17]

        介绍了一种基于多核DSP的大前斜视SAR并行实时处理技术。本文主要内容包括：

        1.  针对大前斜成像中大走动、强耦合等特点，分析了前斜SAR的几何构型，建立了斜距模型与点目标回波模型，分析了斜距模型误差、距离徙动校正误差和二维耦合误差，给出了聚焦算法的选择方法；其次，介绍了运动误差的种类及影响因素，给出了参数估计及补偿方法；最后分析研究了几何校正原理及投影方法，并结合工程应用给出了改进的大前斜SAR成像算法全流程。

      2.  针对大前斜SAR成像复杂的算法流程和强实时的特点，研究了高效的并行处理理论，介绍了加速比、并行效率等并行处理性能评价指标及影响因素，并从雷达并行信号处理的角度，着重对并行处理单元的选取、并行处理的拓扑结构、任务的分配方法等要素进行了分析，提出了能适应实际应用的并行处理结构。

      3.  研究了基于TMS320C6678的并行实时信号处理技术。首先，对 TMS320C6678芯片进行了介绍，讨论了该芯片的数据存储与直接数据访问技术(DMA)；其次，重点研究了前斜SAR并行实时信号处理系统的拓扑结构、多核同步与通信机制、算法映射与任务分配等；最后，结合前斜SAR系统的挂飞实验结果进行了分析，验证了本文并行成像设计的正确性以及有效性。

        TMS320C6678具有高主频、多核处理、浮点运算、低功耗等优势，选择C6678作为并行处理单元，适合前斜SAR成像等复杂的雷达信号处理；其次，针对大前斜SAR成像算法，采用基于4片C6678的并行处理架构，对其通信及同步机制、拓扑结构、算法映射展开了分析；最后，基于4片C6678的并行处理架构进行成像，得到成像结果，验证了并行系统的有效性。

        SAR成像算法采用改进的SPECAN算法，成像算法模块包括：杂波锁定、走动校正、方位FFT、距离弯曲校正、自聚焦、方位压缩、斜地校正：

（1）距离向处理：针对原始的二维回波数据矩阵，构造匹配滤波参考函数和去走动校正因子，对每条距离线进行匹配滤波和走动补偿。

（2）杂波锁定：在距离-方位时域采用时域相关方法估计每条方位线的多普勒中心频率，为了减少计算量，可以根据聚焦深度先估计若干方位线的多普勒中心，然后拟合获取全方位线的多普勒中心。

（3）距离徙动校正：根据多普勒中心频率构造距离徙动校正因子，在距离频域-方位时域补偿距离走动，在距离多普勒域补偿弯曲量，消除距离-方位的二维耦合。

 （4）自聚焦：针对距离压缩后的结果数据，采用对比度最大的方法估计每条方位线的多普勒调频率，为了减少计算量，可以根据聚焦深度先估计若干方位线的多普勒调频率，然后拟合获取全方位线的多普勒调频率。

（5）方位向处理：根据多普勒中心频率和多普勒调频率构造方位向调制因子，在距离-方位时域先进行去斜处理，然后方位向 FFT 进行多普勒频谱分析，获取斜距聚焦图像。

（6）几何校正：根据距离-多普勒定位原理，采用地距平面向斜距平面投影的方式，计算地面二维网格中每个像素对应的斜距单元位置，为减少计算量，可以采用基于数据分块与二维插值外推的投影方法获取地距图像。

文献[19]

        介绍了一种基于GPU的高分辨率无人机载SAR的软件实现方法。该系统使用GPU作为处理器，采用并行系统结构，实现了SAR图像的实时处理。

文献[20]

        是一篇关于星载SAR在轨实时成像技术的概论。文中简单介绍了该技术的国内外发展现状，并提出该技术的三个主要突破点：算法、系统构架和处理芯片。

参考文献

[1]   郑贵文. 调频连续波SAR概述及其发展趋势[J]. 现代导航, 2012(6):445-449.

[2]   Griffiths H D. Conceptual design of an ultra high-resolution MM-wave synthetic aperture radar[M]. 1996.

[3]   Yamaguchi Y, Mitsumoto M, Sengoku M, et al. Synthetic aperture FM-CW radar applied to the detection of objects buried in snowpack[J]. Geoscience & Remote Sensing IEEE Transactions on, 1994, 32(1):11-18.

[4]   Meta A, Wit J J M D, Hoogeboom P. Development of a high resolution airborne millimeter wave FM-CW SAR[C]// Radar Conference, 2004. EURAD. First European. IEEE, 2004:209-212.

[5]   Edrich M. Ultra-lightweight synthetic aperture radar based on a 35 GHz FMCW sensor concept and online raw data transmission[J]. 2006, 153(2):129-134.

[6] Zaugg E C, Hudson D L, Long D G. The BYU SAR: A Small, Student-Built SAR for UAV Operation[C]// IEEE International Conference on Geoscience and Remote Sensing Symposium. IEEE Xplore, 2006:411-414.

[7]   Acevo-Herrera R, Aguasca A, Mallorqui J J, et al. High-compacted FM-CW SAR for boarding on small UAVs[C]// IEEE International Geoscience & Remote Sensing Symposium, IGARSS 2009, July 12-17, 2009, University of Cape Town, Cape Town, South Africa, Proceedings. DBLP, 2009:543-546.

[8]   肖欣. SAR实时处理机的FPGA实现[D]. 电子科技大学, 2004.

[9]   严少石, 周智敏, 李悦丽. 结合子孔径NCS算法和运动补偿的机载UWB SAR实时处理[J]. 信号处理, 2011, 27(11):1680-1686.

[10]  江志红. 调频连续波SAR实时成像算法研究[D]. 国防科学技术大学, 2008.

[11]  刘小宁. 星上SAR实时成像处理关键技术研究[D]. 北京理工大学, 2016.

[12]  翟新刚, 韦立登, 汪丙南,等. 基于GPU的多模式SAR实时成像算法研究[J]. 电子测量技术, 2016, 39(10):81-86.

[13]  唐月生, 张长耀. 无人机SAR实时处理机系统[C]// 中国雷达技术论坛. 2006.

[14]  王超. 双机前视SAR成像方法与实时信号处理机实现[D]. 电子科技大学, 2016.

[15]  张兰, 秦斯奇, 唐瑞. SAR成像系统快速矩阵转置算法的设计[J]. 科学技术与工程, 2016, 16(21):266-271.

[16]  孔石, 张义飞. 基于多核DSP的FMCW SAR实时处理设计[J]. 四川兵工学报, 2015(5):119-122.

[17]  李聪欣. 基于多核DSP的大前斜SAR并行实时处理技术研究[D]. 北京理工大学, 2016.

[18]  王崇磊, 陈亮, 龙腾,等. 星载SAR船舶目标实时监测技术[C]// 全国信号和智能信息处理与应用学术会议专刊. 2016.

[19]  贾夕阳, 蒋冬临, 金烨,等. 基于GPU的高分辨率无人机载SAR的软件实现[C]// 全国信号和智能信息处理与应用学术会议专刊. 2016.

[20] 谢愚, 陈亮, 龙腾,等. 星载SAR在轨实时成像处理技术研究[C]// 全国信号和智能信息处理与应用学术会议专刊. 2016.

[21]  Jin M Y, Wu C. A SAR correlation algorithm which accommodates large-range migration[J]. IEEE Transactions on Geoscience & Remote Sensing, 1984, GE-22(6):592-597.

[22]  Cafforio C, Prati C, Rocca F. SAR data focusing using seismic migration techniques[J]. IEEE Transactions on Aerospace & Electronic Systems, 1991, 27(2):194-207.

本博客上传的所有原创类资料，仅可用于个人学习、交流等非商业性用途。未经作者同意，不可用于任何商业用途。
如在文献、报告等文字材料中引用本博客发布的原创类资料，请注明出处。