Modified multilook cross correlation technique for doppler centroid estimation in SAR image signal processing
Notice bibliographique
Résumé
Synthetic Aperture Radar (SAR) is one of the widely used remote sensing sensors which produces high resolution image by using advance signal processing technique. SAR managed to operate in all sorts of weather and cover wide range of area. To produce a high-quality image, accurate parameters such as Doppler centroid are required for precise SAR signal processing. In the azimuth matched filtering of SAR signal processing, Doppler centroid is an important azimuth parameter that helps to focus the image pixels. Doppler centroid has always been overlooked during SAR signal processing. It is due to the fact that estimation of Doppler centroid involved complicated calculation and increased computational load. Therefore, researcher used to apply only the approximate Doppler value which is not precise and cause defocus effort in the generated SAR image. In this study, several conventional Doppler centroid estimation algorithms are reviewed and developed using Matlab software program to extract the Doppler parameter from received SAR data, namely Spectrum Fit Algorithm, Wavelength Diversity Algorithm (WDA), Multilook Cross Correlation Algorithm (MLCC), and Multilook Beat Frequency Algorithm (MLBF). Two sets of SAR data are employed to evaluate the performance of each estimator, i.e. simulated point target data and RADARSAT-1 Vancouver scene raw data. These experiments gave a sense of accuracy for the estimated results together with computational time consumption. Point target is simulated to generate ideal case SAR data with pre-defined SAR system parameters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».