SAR Image Formation Via semi-parametric spectral estimation翻譯復習進程

1、Good is good, but better carries it.精益求精，善益求善。SAR Image Formation Via semi-parametric spectral estimation翻譯-基于半?yún)?shù)譜估計的SAR成像算法SARImageformationviasemi-parametricspectralestimation摘要本文提出了一種用于合成孔徑雷達（SAR）的目標特征提取和復成像的新算法，稱為SPAR（半?yún)?shù)）算法。該算法基于一個靈活的數(shù)據(jù)模型，該模型設(shè)定目標散射體為一個隨機的，在方位向為幅度未知、相位恒定，距離向為幅度、相位均恒定的二維（2-D）復正弦信

2、號。通過處理一個角反射器，例如對一個二面角或者三面角，在一個處理時間，該算法靈活的數(shù)據(jù)模型可以有效的減弱SAR成像中的偽影問題。同時，SPAR還可以為其他參數(shù)特征提取方法提供初始值，以減小總的計算量。仿真數(shù)據(jù)和實采數(shù)據(jù)的實驗結(jié)果均證明了該算法的有效性。引言合成孔徑雷達（SAR）成像和目標特征提取技術(shù)在戰(zhàn)場信息感知等方面發(fā)揮著很重要的作用。傳統(tǒng)的基于傅里葉變換的方法具有一定的有效性和穩(wěn)健性，但是存在低分辨率、低精度、高副瓣的問題。很多現(xiàn)代信號譜估計方法用于目標特征提取和SAR成像技術(shù)來提高分辨率和精度，同時降低副瓣。在文獻2,3中，對比了多種參數(shù)化和非參數(shù)化的譜估計方法，并論述了它們在SAR成像

3、技術(shù)中的優(yōu)缺點。非參數(shù)化方法和參數(shù)化方法均已應(yīng)用于SAR成像技術(shù)和目標特征提取。其中，非參數(shù)化方法中有改進的降秩Capon法4-6、自適應(yīng)低副瓣法、以及基于復信號譜估計的匹配濾波器組法8，包括Capon9和APES（幅度和相位估計）方法。參數(shù)化方法中有基于文獻11,12的自回歸（AR）模型法，基于文獻4-6,13的特征分解法，包括多重信號分類法（MUSIC）14和旋轉(zhuǎn)不變技術(shù)信號參數(shù)估計法（ESPRIT）15。此外還有基于文獻16,17的非線性最小二乘法（NLS）。通常參數(shù)化方法在分辨率和精度方面性能優(yōu)于非參數(shù)化方法，但是它對數(shù)據(jù)模型誤差更為敏感。常用的參數(shù)化SAR目標特征提取算法是基于二維復

4、正弦信號模型，并假設(shè)目標由多個三面角反射器組成（理想點散射），其在方位向和距離向的幅度和相位均恒定。但是該假設(shè)條件在實際情況中并不總是成立的。例如：對于車輛和建筑群等很多人造目標，除了目標的三面角反射造成能量反射以外，還有大部分的能量反射是由二面角反射引起的。一般情況下，幅度和相位恒定的復正弦信號模型在距離向基本是有效的。但是，在方位向確定一個適用的參數(shù)化模型是很困難的。一個三面角反射器可以建模為一個在方位向幅度和相位均恒定的復正弦信號。一個理想的二面角反射器在方位向可以近似建模為一個幅度為滿足sinc函數(shù)（）、相位恒定的復正弦信號。文獻17中提出了RELAX-NLS參數(shù)化方法（基于NLS的R

5、ELAX方法），建立了在方位向同時使用恒定和sinc函數(shù)的混合數(shù)據(jù)模型，用于由二面角和三面角反射器組成的目標進行特征提取。由于RELAX-NLS算法使用了復雜的數(shù)據(jù)模型，需要較大的計算量。此外，和其它的參數(shù)化方法一樣，RELAX-NLS算法的穩(wěn)健性較非參數(shù)化方法差。相較于上述在方位向的近似建模的算法，本文中提出了一種更靈活的數(shù)據(jù)模型，該模型是對每一個目標散射體建模為一個在方位向為任意幅度和相位、在距離向為幅度和相位恒定的二維復正弦信號。因為在方位向假設(shè)為任意幅度，所以該數(shù)據(jù)模型在本質(zhì)上為半?yún)?shù)模型，靈活的建模使該算法較其它的參數(shù)化方法在數(shù)據(jù)模型誤差方面的穩(wěn)健性更強。新算法稱為SPAR（半?yún)?shù)）

6、算法，用于SAR目標特征提取和高分辨率成像。通過結(jié)合參數(shù)化和非參數(shù)化譜估計方法的優(yōu)點，SPAR譜估計的準確度和分辨率均優(yōu)于非參數(shù)化方法，且穩(wěn)健性優(yōu)于參數(shù)化方法。通過對一個處理時間內(nèi)單個角反射器的處理，SPAR算法可以有效的減弱在高分辨率SAR成像中的偽影問題。此外，SPAR算法還可以為其他參數(shù)化方法獲得初始值，例如RELAX-NLS算法，以減小目標特征提取所需的計算量。本文的其余部分組成如下：第二節(jié)描述問題原理；第三節(jié)討論了靈活數(shù)據(jù)模型可能出現(xiàn)的模糊問題及其對SAR目標特征提取和高分辨成像的影響；第四節(jié)提出了SPAR算法；第五節(jié)提出了改進的RELAX-NLS算法；第六節(jié)分別使用仿真數(shù)據(jù)和實采數(shù)

7、據(jù)仿真驗證了算法性能；最后，第七節(jié)對本文進行了總結(jié)。問題描述為了對感興趣的目標得到高分辨率的SAR成像，需要對目標散射體建立適合的數(shù)據(jù)模型。但是，如引言所述，在目標散射體方位向很難建立好的參數(shù)化模型。對從單個目標散射體接收到的反射信號建模，表示為（1）其中，和分別表示在方位向和距離向的有效樣本長度；為意未知的實函數(shù)，由散射體的雷達目標有效截面（RCS）決定；為恒定的相位；為散射體二維定位（方位向和距離向）的頻率對比值。由于在方位向的小參數(shù)化，該數(shù)據(jù)模型基本上是半?yún)?shù)化的。假設(shè)目標由個散射體組成，則帶噪聲的目標數(shù)據(jù)模型可以表示為（2）其中，為第個散射體的實函數(shù)幅度；和分別表示恒定的相位和第個散射

8、體的頻率對；表示未知的二維噪聲和雜波矢量。SAR成像技術(shù)經(jīng)常被用于SAR應(yīng)用中，其關(guān)注的問題在于從二維數(shù)據(jù)中估計目標參數(shù)，然后用估計到的目標參數(shù)得到高分辨率的SAR成像。半?yún)?shù)數(shù)據(jù)模型在SAR成像中的作用基于公式（2）數(shù)據(jù)模型的目標特征提取方法由于模型的靈活性，使其對數(shù)據(jù)模型誤差的穩(wěn)健性較好，但是存在半?yún)?shù)數(shù)據(jù)模型引起的模糊問題。在本節(jié)中，首先分析了數(shù)據(jù)的模糊度，然后說明了其對SAR目標特征提取和成像的影響。以下討論的部分是第四節(jié)中SPAR算法的前期知識。模型的模糊度由于公式（2）數(shù)據(jù)模型的靈活性，有多種類型的模糊度可能會影響每個散射體的特征提取。以下列出了數(shù)據(jù)模型中幾種不同類型的模糊度。類型

9、一：單個散射體式（1）中，模糊問題存在于和之間（3）其中，；。模糊問題也可能存在于和之間（4）其中，；。以上兩種模糊問題是不能解決的。類型二：兩個相同的散射體位于相同的距離向令和分別表示兩個相同散射體的方位向，和分別表示它們的相位，則（5）上式表明兩個相同的角反射器（二面角或者三面角）的距離向相同、方位向不同，分別為和，根據(jù)式（1）可以建模為方位向為的單個散射體，用調(diào)制。在這種情況下，式（1）中的數(shù)據(jù)模型不能用來同時描述兩個角反射器。類型三：兩個不同的散射體位于相同的距離向假設(shè)兩個參數(shù)為的不同的角反射器位于相同的距離向。則帶噪聲的數(shù)據(jù)模型可以表示為（6）對式（6）進行簡單變形后，整理為（7）其

10、中，為任意相位；，為任意方位向。（8）（9）從式（7）中可得是的模糊特征。類型四：多散射體位于相同距離向當有兩個以上散射體位于相同的距離向時，帶噪聲的數(shù)據(jù)模型仍然可以用式（7）表示，此外（10）（11）其中，表示在相同距離向內(nèi)的散射體數(shù)目。所以具有相同距離向的個散射體可以看做是使用公式（2）數(shù)據(jù)模型時有兩個散射體。在討論模型模糊度對SAR成像的影響之前，先對確定參數(shù)估計模型后的成像方法進行描述。圖像形成假設(shè)已經(jīng)基于某種具有模糊性的數(shù)據(jù)模型提取了目標參數(shù)。為了便于表示，使用公式（2）中的符號。由于數(shù)據(jù)模型中在距離向是幾個幅度和相位恒定的復正弦信號之和，可以用估計得到的正弦信號的參數(shù)構(gòu)成一個在距離

11、向的大維數(shù)據(jù)矩陣，然后通過快速傅里葉變化（FFT）來證明所提出的特征提取算法的超分辨率性能。然而，因為假設(shè)為任意未知實值函數(shù)，所以不能推斷得到的估計，則FFT不適合用于提升方位向分辨率的SAR成像所以在方位向的SAR成像采用一維APES8,10,22方法。APES是一種利用自適應(yīng)有限脈沖響應(yīng)（FIR）濾波器組來抑制干擾和噪聲的非參數(shù)復信號譜估計器。APES屬于匹配濾波器組譜估計器，具有低旁瓣、窄主瓣性能，且譜估計準確性優(yōu)于FFT。令表示具有大維度距離向的仿真信號，基于特征提取得到的估計值，其中表示散射體數(shù)目的估值。則（12）其中，表示推斷因子（），是可以選擇的經(jīng)驗值。需要注意的是，已建模的SA

12、R成像超分辨率性能是由特征提取算法決定的，而只是用于證明特征提取算法的超分辨率性能。估計得到的噪聲和雜波矩陣為（13）它在很多SAR的應(yīng)用中也很重要。例如：像目標陰影等重要的目標信息都包含在中。由于沒有參數(shù)模型適用于，所以不能推斷在距離向或者方位向。為了得到在距離向基于一維FFT的低旁瓣SAR成像，應(yīng)用一維窗函數(shù)對和在距離向加窗，得到了一個新的維矩陣，如下所示：其中，表示的第個元素，和分別表示長度為和的一維窗函數(shù)，且滿足：（15）和（16）窗函數(shù)和的選擇是根據(jù)旁瓣大小來確定的。需要注意的是，由于的維數(shù)是的倍，所以用控制中的大小是必須的。綜上所述，SAR成像所需的步驟分別為：第一步：通過式（12

13、）、式（13）和式（14）從得到；第二步：對的每一列進行一維FFT，得到中間矩陣，然后對中間矩陣的每一行進行一維APES（詳見文獻22中APES的應(yīng)用實例）。標準的一維FFT表示為（17）模型模糊度對SAR成像的影響如果用任一可能的模糊數(shù)據(jù)模型準確估計了散射體，即不存在參數(shù)估計誤差，則上述所有類型的模糊對SAR成像沒有影響。例如：當在同一距離向上存在兩個相同的散射體，由于公式（5）中當時仍滿足公式（2），可以將兩個散射體描述等價為一個散射體，則公式（2）仍然可以用于SAR成像。所以可以通過公式（5）中單個散射體的描述得到參數(shù)，估計出原始的SAR圖像。噪聲和雜波的存在導致了參數(shù)估計誤差，然而，在

14、第三節(jié)中討論的第一類和第二類的模糊問題對SAR成像的影響較小，第三類和第四類的模糊會對高分辨率的SAR成像造成偽影。通常來講，信噪比（SNR）越高，參數(shù)估計越準確，帶來的偽影問題越小。在有參數(shù)估計誤差的條件下，對比圖1和圖2可以說明第三類的模糊對SAR成像的影響（和第四類的模糊對其影響類似）。圖1中包括了無參數(shù)估計誤差的情況。圖1（a）為由相同距離向、不同長度的兩個二面角構(gòu)成的目標的FFT成像結(jié)果。用式（18）估計二面角（18）其中，、分別表示RCS的最大值和第個二面角反射器長度的比值；表示由第個二面角方向決定的數(shù)據(jù)峰值。仿真數(shù)據(jù)矩陣的維數(shù)為（即：）。表一列出了兩個二面角的參數(shù)。目標特征模糊度

15、的設(shè)置通過公式（8）和公式（9）中選擇來得到。圖1（b）和圖1（c）分別為與圖1（a）中的二面角散射體不同的兩個散射體的加窗FFT變換SAR圖像。圖1（d）為兩個散射體合并的SAR圖像，和圖1（a）真實圖像的效果一致。圖1存在距離向估計誤差的條件下SAR成像模糊特性的影響但是，由于噪聲和雜波的存在，參數(shù)估計誤差是不可避免的。高分辨率SAR成像中的偽影主要是由距離向誤差引起的。圖（2）中，假設(shè)，其余參數(shù)均準確。圖2（a）和圖2（b）分別給出了存在估計誤差的條件下兩個散射體的加窗FFT圖像，圖2（c）為合并的SAR圖像。圖2存在距離向估計誤差的條件下SAR成像模糊特性的影響通過對比圖1（a）和圖2

16、（c），可以發(fā)現(xiàn)在短二面角的附近有一條額外的線（偽影）。這種現(xiàn)象是由估計誤差導致的。所以圖2（a）和圖2（b）中的兩個散射體不是準確在同一距離向，進而不能很好的合并得到圖1（a）中的兩條二面線。這個問題在距離向為基于數(shù)據(jù)推導的SAR圖像中更嚴重。由于和的差別被放大了倍，所以推導因子越大，偽影現(xiàn)象越嚴重。圖2（d）給出了時的SAR圖像，通過對比圖2（d）和（c）（此時，數(shù)據(jù)沒有經(jīng)過放大），可以看到在短二面角附近的偽影變的更加嚴重。參數(shù)估計的準確性降低會導致低信噪比時存在多個偽影。接下來介紹的SPAR算法通過對同一距離向的散射體加窗隔離來避免上述問題。SPAR算法圖3給出了SPAR算法的流程圖，可

17、以總結(jié)為一下兩個步驟。圖3SPAR算法流程圖步驟1a：基于目標特征提取的散射體隔離。詳見第四節(jié)A部分。步驟2b：SAR成像。詳見第三節(jié)B部分，其中通過步驟1a得到目標特征估計。表一圖1和圖2中兩個二面角的實際參數(shù)目標特征提取SPAR算法的基本思想是單獨的提取每一個散射體的特征。在介紹目標提取算法之前，先總結(jié)一下單個散射體目標提取所需的步驟。在本小節(jié)的最后也會介紹估計散射體的數(shù)量的方法。單散射體的特征提?。簬в性肼暤膯蝹€散射體數(shù)據(jù)模型為（19）其中，由式（1）中給出；表示未知的二維噪聲和雜波。令（20）（21）其中，表示矩陣轉(zhuǎn)置。令表示下面的對角陣，為（22）定義（23）令為維矩陣，其第個元素為

18、，則式（19）可以整理為：（24）其中（25）為維矩陣，其第個元素為。令表示矩陣的第列元素，定義為（26）其中，表示復共軛矩陣。則的最小二乘估計為（詳見附錄A）（27）其中，表示的實部；表示矩陣的Hadamard積，即兩個矩陣元素的乘積（28）其中，表示復數(shù)變量的幅角，得到（29）其中（30）單個散射體的最小二乘估計步驟總結(jié)如下：步驟1：由式（26）計算得到，根據(jù)式（30）得到代價函數(shù)。通過附錄A中介紹的方法最大化選擇適合的。步驟2：根據(jù)式（28），用代替步驟1中的計算得到。步驟3：根據(jù)式（27），用分別代替步驟1和步驟2中的計算得到。多散射體的特征提取當目標由多個散射體組成時，可以根據(jù)式（2

19、）利用松弛優(yōu)化算法得到目標特征的最小二乘估計。令（31）同時，令矩陣和為維矩陣，其第個元素分別為和。則式（2）可以改寫為（32）其中，是式（25）中的分別用替代。令為矩陣的第n列，則通過最小化最小二乘的代價函數(shù)可以得到的估計值，為（33）其中，表示酉不變范數(shù)23。式（33）中最小化是一個非常復雜的優(yōu)化問題。本文提出的SAPR算法利用估計得到的散射體參數(shù)，通過控制在單位時間只有單個散射體參數(shù)變化，其它散射體參數(shù)不變的方法實現(xiàn)復信號的松弛搜索。令（34）假設(shè)已知，則可以通過最小化得到的最小二乘估計，為（35）然后利用之前描述的單個散射體特征提取的方法。但是，當多個散射體位于同一距離向時，最小化會引

20、起嚴重的模糊問題導致高分辨率成像產(chǎn)生偽影。SPAR算法通過二維矩形窗隔離的中心散射體來解決模糊問題，矩形窗由的二維FFT決定并用于。隔離的過程分為兩步：步驟A：計算的二維FFT（不補零），得到；步驟B：通過得到二維窗函數(shù)。首先找到的峰值位置，然后用代替，以間隔為進行搜索，然后得到在和內(nèi)為單位值、其余部分為0的維矩形窗。仿真和實測數(shù)據(jù)的門限值是峰值的10%。步驟C：通過的二維逆FFT（IFFT）得到，其中的第n個元素為。用最小化帶代替最小化，有（36）其中，通過本文第四節(jié)A1中的方法得到代替中的。綜上所述，可以得到SPAR算法的第一步，即散射體隔離和松弛優(yōu)化算法的步驟。步驟Ia：假設(shè)，由通過隔離

21、計算得到，由得到估計值。步驟IIa：假設(shè)，利用步驟Ia得到的通過式（34）計算，由得到，進而得到。然后利用通過式（34）計算，由得到，再由重新估計。重復迭代前兩個步驟直至算法收斂（稍后討論）。步驟IIIa：假設(shè)，利用步驟IIa得到的通過式（34）計算，由得到，進而得到。然后利用通過式（34）計算，由得到，再由重新估計。再利用通過式（34）計算，由得到，再由重新估計。重復迭代前兩個步驟直至算法收斂。步驟IVa：執(zhí)行算法直至等于設(shè)計或者估計到的散射體數(shù)量。上述松弛優(yōu)化算法的迭代收斂主要是判斷式（33）中的代價函數(shù)在兩次迭代運算中的相對變化。仿真數(shù)據(jù)和實采數(shù)據(jù)測試結(jié)果均顯示該算法可以在有限次迭代中快

22、速收斂。通過擴展廣義赤遲信息準則可以決定式（2）中的散射體數(shù)量（詳見文獻24）。假設(shè)噪聲為白噪聲，通過最小化下面的代價函數(shù)來計算的估計值（37）其中，為經(jīng)驗值，根據(jù)實際情況進行選擇。（38）為未知實值參數(shù)總數(shù)（誒散射體參數(shù)，1為噪聲方差）。在式（34）中基于上述松弛優(yōu)化算法可以由得到的最小二乘估計，把這種方法稱為混合法。當散射體位于相同距離向時，優(yōu)于混合法不對散射體進行隔離，使多個散射體位于同一距離向，其估計性能會優(yōu)于SPAR算法中最多兩個散射體的情況。但是混合SAR圖像較SPAR方法的偽影問題更嚴重，特別是在低SNR時。當同一個人距離向不存在兩個以上的散射體時，SPAR算法和混合法性能相當。

23、改進的RELAX-NLS算法RELAX-NLS是一種適用于對由二面角和三面角組成的目標進行特征提取的參數(shù)化方法。它是基于一種混合數(shù)據(jù)模型，其中的三面角為實值恒定、二面角為的sinc函數(shù)。和SPAR方法一樣，RELAX-NLS通過最小化基于一個松弛準則的NLS代價函數(shù)對目標進行特征提取。但是，由于二面角反射器的需要，RELAX-NLS算法得在參數(shù)空間進行4維搜索，計算量非常大。SPAR算法的穩(wěn)健性和有效性優(yōu)于RELAX-NLS，所以SPAR可以為RELAX-NLS提供初始值。令表示根據(jù)式（2）得到的SPAR參數(shù)估計，其中，為前述中赤遲信息準則估計得到的散射體數(shù)量。SPAR的參數(shù)估計值不能直接設(shè)置

24、為RELAX-NLS的初始值。其初始值是由將RELAX-NLS的第一步應(yīng)用于每一個，其中（39）確定初始值后，可以按照RELAX-NLS17的剩余步驟得到SAR成像所需的二面角和三面角參數(shù)估計，即為改進的RELAX-NLS算法。仿真數(shù)據(jù)及實采數(shù)據(jù)實驗結(jié)果用仿真數(shù)據(jù)和實測數(shù)據(jù)分別對SPAR和改進的RELAX-NLS，混合算法和RELAX-NLS的SAR成像性能進行了對比。實驗中，原始SAR相位數(shù)據(jù)矩陣維數(shù)為，常用赤遲信息準則參數(shù)，用于確定SPAR和混合方法中基于松弛算法特征提取所需的值。SPAR中隔離門限為峰值的10%，式（30）中用兩步完成最大化。首先，通過在距離向補零做128點FFT，在方位

25、向做64點FFT，得到初始頻率和。然后用Matlab中的FMIN函數(shù)交替迭代初始估計值逐步得到精確的估值，即通過修正來更新，反過來再用修正，由代價函數(shù)的相對變化判斷算法收斂。實驗中，判斷該算法和松弛算法收斂的門限均設(shè)為。推斷因子，用于SPAR和混合算法的距離向估計，以及RELAX-NLS和改進的RELAX-NLS的距離向和方位向的估計。實驗中的窗函數(shù)使用參數(shù)為的Kaiser窗。首先，對于高信噪比的仿真數(shù)據(jù)進行實驗。SAR初始相位數(shù)據(jù)矩陣假設(shè)為在方差為的復高斯白噪聲下有四個三面角和三個二面角。三面角的振幅表達式為：（40）（41）三個二面角的振幅表達式為：（42）（43）其中，。圖4高信噪比條件

26、下不同算法的SAR成像結(jié)果對比圖4(a)為真實SAR圖像的模值。其中，有兩個二面角位于相同的方位向且距離向很近，有兩個是位于相同的距離向。四個三面角中，有兩個具有相同的距離向，其余兩個的距離向很近。在本次實驗中，混合法和SPAR方法散射體數(shù)量估計相同，為。圖4(b)中，給出了對數(shù)據(jù)矩陣加窗后二維FFT的SAR成像結(jié)果。圖4(c)-4(f)分別給出了混合算法、SPAR、RELAX-NLS以及改進的RELAX-NLS算法的SAR成像結(jié)果。實驗結(jié)果中，在高信噪比條件下，混合成像和SPAR成像效果近似相同?；跍蚀_數(shù)據(jù)模型的參數(shù)化RELAX-NLS和改進的RELAX-NLS算法成像效果優(yōu)于半?yún)?shù)SPA

27、R和混合算法。實驗中，混合法、SPAR算法、改進的RELAX-NLS算法和RELAX-NLS算法Matlab每秒的運算量分別為：27.4、28.4、50.1和70.8?？梢钥闯?，混合法和SPAR方法的有效性高于RELAX-NLS和改進的RELAX-NLS算法，改進的RELAX-NLS的有效性高于RELAX-NLS算法。圖5低信噪比條件下不同算法的SAR成像結(jié)果對比在低信噪比環(huán)境下，實驗中采用的噪聲方差變?yōu)椋溆鄬嶒灄l件不變。圖5(a)-5(e)分別給出了加窗二維FFT、混合算法、SPAR、REALX和改進的RELAX-NLS算法成像結(jié)果。圖5(b)中，混合算法的SAR成像由于參數(shù)估計誤差導致了

28、偽影。通過對比圖5(b)和圖5(c)可以看出，SPAR算法可以有效減輕偽影問題。最后，利用移動和靜止目標獲取與識別（MSTAR）公共數(shù)據(jù)庫數(shù)據(jù)采集生成如圖6所示由二面角和三面角組成的目標圖像。實驗數(shù)據(jù)是由桑迪亞國家實驗室用STARLOS傳感器采集得到。通過載波頻率為9.559GHz，帶寬為0.591GHz的數(shù)據(jù)聚束模式SAR采集到室外數(shù)據(jù)。雷達距離地面目標約5km。數(shù)據(jù)采集時雷達從方位角約為0，俯仰角約為30照射目標。為了驗證仿真實驗結(jié)果，采用了一種用于復雜三維目標的高頻電磁散射預測碼，即XPATCH26為圖6中的目標生成高分辨率相位數(shù)據(jù)。XPATCH中使用的計算機輔助設(shè)計（CAD）模型會與用于收集Slicy數(shù)據(jù)的目標大小略有不同。XPATCH生成的數(shù)據(jù)在距離向和方位向的分辨率均為0.038m，圖7(a)中顯示了對應(yīng)