楊祥立　徐德偉　黃平平　楊　文*

①（武漢大學(xué)電子信息學(xué)院　武漢　430072）

②（內(nèi)蒙古工業(yè)大學(xué)雷達技術(shù)研究所　呼和浩特　010051）

融合相干/非相干信息的高分辨率SAR圖像變化檢測

楊祥立①徐德偉①黃平平②楊文*①

①（武漢大學(xué)電子信息學(xué)院武漢430072）

②（內(nèi)蒙古工業(yè)大學(xué)雷達技術(shù)研究所呼和浩特010051）

該文運用Dempster-Shafer（D-S）證據(jù)理論融合高分辨率SAR影像的相干/非相干差異特征進行變化檢測。首先使用簡單線性迭代聚類（SLIC）分割算法完成多時相SAR影像聯(lián)合多尺度分割。然后在各個分割尺度上提取適宜的強度差異特征及相干差異特征，通過Mean算子融合多尺度差異特征并得到多特征差異圖。最后運用D-S證據(jù)理論完成多特征差異圖融合得到變化檢測結(jié)果。實驗表明該方法可得到較為穩(wěn)健的變化檢測結(jié)果。

高分辨率SAR；變化檢測；證據(jù)理論；融合

1　引言

合成孔徑雷達（Synthetic Aperture Radar，SAR）不受氣候的影響，能全天時、全天候、高分辨率、大區(qū)域?qū)Φ赜^測，成為空間信息遙感技術(shù)飛速發(fā)展時代的主旋律之一［1］。隨著高分辨率SAR影像數(shù)據(jù)的不斷獲取，以及其在土地覆蓋/土地資源監(jiān)測［2，3］、目標檢測［4］、環(huán)境與災(zāi)害監(jiān)測［5，6］等方面上應(yīng)用需求的增加，給SAR影像的變化檢測技術(shù)研究帶來了新的時機和挑戰(zhàn)。

SAR圖像變化檢測目的是根據(jù)對不同時段的同一目標或場景進行變化分析［7］。根據(jù)變化檢測目標對象的不同，可將其分為基于像素級的變化檢測、基于特征級的變化檢測和基于目標級的變化檢測［8］。這些傳統(tǒng)的變化檢測方法包括基于代數(shù)運算的方法，如：差值法、比值法、回歸法、變化向量法等；基于影像變換的方法，如：主成分分析法、基于小波的方法、人工神經(jīng)元網(wǎng)絡(luò)法、交叉相關(guān)分析法等，以及基于影像分類、人工智能和神經(jīng)元網(wǎng)絡(luò)分類等方法。但傳統(tǒng)變化檢測方法往往只運用了SAR影像的單一特征（如強度或幅度），因此難以取得令人滿意的結(jié)果。

針對以上問題，本文考慮融合高分辨率SAR圖像中的相干/非相干信息進行變化檢測。目前一些研究者將紋理信息、干涉相干信息引入到SAR影像變化檢測中，多特征融合受到越來越多的關(guān)注。廖明生等［9］利用ERS-1/2 SAR影像中的強度和相干特征對上海地區(qū)的城區(qū)變化進行檢測取得了不錯的效果。公茂果等［10］充分考慮到SAR圖像中的紋理結(jié)構(gòu)和強度信息，用多時相SAR數(shù)據(jù)中的紋理和強度信息進行變化檢測。Dierking等由極化SAR數(shù)據(jù)發(fā)現(xiàn)交叉極化通道的相關(guān)系數(shù)和相位的區(qū)分度大于傳統(tǒng)的強度［11］。干涉相干性表征兩復(fù)數(shù)數(shù)據(jù)的相似程度，而不同的地物目標具有不同的時間去相干特性，InSAR在觀測地表形變等領(lǐng)域的應(yīng)用已獲得成功［12］。隨著SAR干涉測量技術(shù)的發(fā)展，融合高分辨率SAR相干/非相干特性的變化檢測已成為一大研究趨勢。

變化檢測的方法總的來說分為三大步：預(yù)處理、差異圖構(gòu)造、變化區(qū)域提?。?3］。本文提出了多尺度、多特征融合的SAR影像變化檢測方法，分別從強度圖像和相干影像序列中提取局部區(qū)域變化特征、多時相差異特征、相干變化特征，使用合適的差異算子得到多特征差異圖后，經(jīng)D-S證據(jù)理論（Dempster-Shafer evidence theory）融合差異特征，進而得到最終的變化檢測結(jié)果。

2　基于特征信息融合的變化檢測原理框架

本文所提出的算法可以分為多尺度分割、差異度特征提取、多特征融合3個部分。算法的流程如圖1所示，最終通過特征差異圖得到變化檢測結(jié)果。

圖1　基于多尺度多特征融合SAR影像變化檢測流程Fig. 1　Flow chart of change detection for SAR image based on multi-scale and multi-feature fusion

2.1SAR影像多尺度聯(lián)合分割

隨著變化檢測由像素級向?qū)ο蠹壈l(fā)展，多尺度分割成為面向?qū)ο蟮淖兓瘷z測研究方法的有力工具。本文選用Achanta［14］等提出的簡單線性迭代聚類（Simple Linear Iterative Clustering，SLIC）作為超像素分割算法，該算法形成的圖斑形狀規(guī)則，排列緊密，分割迅速的同時可較好地保持區(qū)域邊界。本文使用經(jīng)濾波處理的對數(shù)比值圖像作為輸入圖像完成圖像分割，然后再將分割邊界分別應(yīng)用到雙時相圖像中，既可以保證分割的同質(zhì)性約束而又避免了分別分割產(chǎn)生細小碎片。

2.2變化特征提取

2.2.1非相干信息特征本文選取高分辨率SAR影像中4種非相干信息特征來進行分析。這4種特征包括單時相紋理差異特征［15］、多時相強度差異特征和聯(lián)合降噪差異特征，估算表達式如表1所示。

半方差系數(shù)（Semi-Variance Coefficient，SVC）從局部信息量和紋理分布角度出發(fā)，包含較多的圖像細節(jié)信息，表達式中xi和xi+h為距離為h的像素對，N為像素對的數(shù)目。修正歸一化標準差|dB（LNSD）和局部最大最小比（MTCD）能較好地刻畫圖像紋理的波動程度，修正歸一化標準差|dB表達式中μx為影像的圖斑均值，局部最大最小值比表達式中min（μi）和max（μj）為N景影像中像素鄰域的時相最小和最大強度值。聯(lián)合似然比和KL距離［16］的GLRKL特征在充分利用局部信息的同時降低相干斑的不利影響，表達式中，SGLR為噪聲影像x與x*的廣義似然比，SKL為降噪影像間的KL距離，h和h*為SGLR和SKL的規(guī)范化參數(shù)，依據(jù)局部鄰域計算的SGLR表示為：

表1　選取的非相干信息特征Tab. 1　The selected features of incoherent information

式（1）中，yi,k為時相i影像中的區(qū)域塊y中的像素k，Li,k為時相i影像中的像素k的等效視數(shù)。經(jīng)降噪處理的圖像塊間的KL距離可使用式（2）計算：

式（2）中，ψ（L）為Digamma函數(shù)。

2.2.2相干信息特征SAR復(fù)數(shù)影像的相似性和穩(wěn)定程度可以使用相干系數(shù)γ表示，定義為：

式中，S*為SAR影像數(shù)據(jù)S的復(fù)數(shù)共軛，E［x］為期望值，γ［0，1］。使用長時間基線的兩景SAR復(fù)數(shù)影像生成相干系數(shù)圖，可更好地區(qū)分自然地物與人工地物。相干性越高，地物發(fā)生變化的可能性越小。在估計出相干系數(shù)的同時，相干特征變化度k可定義為：

γpre和γco為時相1和時相2的相干系數(shù)。進一步地，考慮到像元空間鄰域信息的影響，可將式（4）改寫為：

2.3多特征融合

2.3.1特征差異圖本文所選取的差異特征取值與差異性均呈正相關(guān)，由此可選擇Mean算子進行多尺度差異融合，取各圖斑的差異指數(shù)平均值作為融合的差異特征值。不同時相的SAR影像由各圖斑提取半方差系數(shù)特征后，可得到多幅特征圖，對短時間間隔的特征圖作時相平均后，可得到兩幅特征圖像和，使用比值法［17］作為差異特征算子：

由此，便可得到基于半方差系數(shù)的特征差異圖。對于多時相特征修正歸一化標準差|dB，GLR-KL以及相干差異特征則不需要進行比值處理便可直接得到特征差異圖。

2.3.2基于證據(jù)理論的特征融合在充分利用不同特征信息的同時，需完成多特征的優(yōu)化融合以生成融合差異圖。在融合前可進行歸一化處理，以便使不同的特征存在可比性。本文選擇D-S證據(jù)理論［18，19］完成該特征融合過程。

bel（B）為信任函數(shù)，描述命題B的確定性，pl（B）為似真函數(shù)，描述命題B的不確定性。對多源信息概率進行正交和處理，可得到新的置信證據(jù)如下：

式（9）中，K為歸一化因子，用來度量不同信息源的置信證據(jù)矛盾量。 mi（Ai）為各數(shù)據(jù)源獨立概率函數(shù)，對應(yīng)于各數(shù)據(jù)源命題單獨發(fā)生的概率。

對于本文的變化檢測任務(wù)，命題分為“變化”C和“非變化”U兩種，Θ=｛C，U｝，C∩U=，2Θ=｛C，U，Θ｝。對于置信函數(shù)，可定義為：

3　實驗結(jié)果與分析

本文選取兩組美國舊金山地區(qū)港口附近的TerraSAR-X數(shù)據(jù)切片進行實驗［23］。數(shù)據(jù)集Ⅰ的實驗區(qū)域的影像大小為1000×1000像素（如圖2所示），分辨率為1 m。數(shù)據(jù)集Ⅱ的切片大小為600×600（如圖所示），分辨率和采集時間與數(shù)據(jù)集Ⅰ相同，如圖3所示。

兩組數(shù)據(jù)的強度數(shù)據(jù)采集自2007年12月5日和2011年10月2日，采用與強度數(shù)據(jù)生成時間相差11天影像組成數(shù)據(jù)對生成干涉相干數(shù)據(jù)。用成像于2007年11月11日分辨率為0.6 m的QuickBird和成像于2011年10月9日分辨率為0.5 m的WorldView光學(xué)遙感數(shù)據(jù)作為參考光學(xué)影像。數(shù)據(jù)集Ⅰ和數(shù)據(jù)集Ⅱ的參考真值圖（Ground truth）如圖4所示。

在提取區(qū)域差異特征之前，本文使用4個尺度的區(qū)域大小參數(shù)對多時相SAR影像進行聯(lián)合分割，區(qū)域大小尺度參數(shù)S設(shè)置為7，10，13，15。參數(shù)λ平衡特征向量中空間和紋理關(guān)系，一般取為0.1。分別在4個尺度水平上提取各分割區(qū)域的差異特征，典型的差異特征如圖5所示，選用的特征為局部最大最小比（MTCD）。

我們選擇以下檢測指標對檢測結(jié)果進行評估：變化檢測正檢率（Pc）、負檢率（Pu）、全精度（OA）和Kappa系數(shù)。Pc為正確檢測的變化像素占變化像素的比例；Pu為正確檢測的背景像素占背景像素的比例；OA為正確檢測的像素占全部像素的比例；Kappa系數(shù)對正確檢測像素及由虛警和漏檢造成的錯誤檢測綜合考慮，是關(guān)鍵性的評估指標?？梢钥闯觯琍c和Pu分別從正反兩方面反映了漏檢和虛警的程度。

3.1數(shù)據(jù)集Ⅰ結(jié)果與分析

獲得多尺度差異特征后，可使用Mean算子對多尺度差異特征進行融合，得到多尺度融合特征，獲得更穩(wěn)定的差異特征。在進行D-S證據(jù)理論特征融合之前，需對各特征進行歸一化處理，消除特征值域?qū)θ诤系牟焕绊?。對得到的特征差異圖進行閾值分割，閾值為各個特征差異圖各自通過基于廣義高斯分布的KI閾值法、基于瑞利分布的恒虛警率閾值法和FTC直方圖分割法選取得到的閾值T1，T2，T3的均值。獲得的變化區(qū)域如圖6所示。

圖6中，從左至右，由上而下，依次為半方差系數(shù)（SVC）、歸一化標準差（LNSD）、局部最大最小比（MTCD）、GLR-KL、相干特征變化度k和DS融合特征得到的檢測圖。觀察數(shù)據(jù)集Ⅰ的檢測結(jié)果圖可以發(fā)現(xiàn)，各特征在檢測出主要變化區(qū)域的同時，對不同區(qū)域的細節(jié)變化把握能力各不相同。MTCD和相干特征對變化最為敏感，但前者具有很高的虛警，對變化的細節(jié)把握能力不好。在所選的強度特征中，LNSD和GLR-KL特征表現(xiàn)最好，后者在保持較高的檢測率的同時，較好地控制了虛警數(shù)，但該特征的區(qū)域連續(xù)性不是特別理想。經(jīng)DS證據(jù)理論融合的融合特征，對噪聲的抑制明顯強于單一特征，表2支持了上述結(jié)論，盡管融合特征的正檢率和負檢率都不是最優(yōu)的，但其在保持較高的正檢率的同時，具有最高的全精度和Kappa指數(shù)，說明該融合策略能集合各特征自身的優(yōu)勢，避免單個特征的錯誤決策。

圖2　數(shù)據(jù)集Ⅰ影像Fig. 2　The images in dataset Ⅰ

圖3　數(shù)據(jù)集Ⅱ影像Fig. 3　The images in datasetⅡ

圖4　數(shù)據(jù)集參考真值圖Fig. 4　Ground truth of dataset

圖5　MTCD多尺度特征差異圖Fig. 5　Multi-scale difference maps by feature MTCD

圖6　數(shù)據(jù)集Ⅰ特征差異圖變化檢測結(jié)果Fig. 6　The result of change detection by feature different maps in datasetⅠ

3.2數(shù)據(jù)集Ⅱ結(jié)果與分析

表2　多特征變化檢測結(jié)果（數(shù)據(jù)集Ⅰ）Tab. 2　The result of change detection by multi-features （datasetⅠ）

圖7　數(shù)據(jù)集Ⅱ特征差異圖變化檢測結(jié)果Fig. 7　The result of change detection by feature different maps in datasetⅡ

表3　多特征變化檢測結(jié)果（數(shù)據(jù)集Ⅱ）Tab. 3　The result of change detection by multi-features （datasetⅡ）

對于數(shù)據(jù)集Ⅱ，其檢測圖和定量檢測結(jié)果如圖7和表3所示。得到的結(jié)論與數(shù)據(jù)集Ⅰ相似：不同特征對語義變化的鑒別能力存在很大的差異，而與數(shù)據(jù)集Ⅰ不同的是，不同特征之間檢測能力隨著數(shù)據(jù)集的不同而有所變化。當面對不同的變化類型時，表現(xiàn)尤為明顯，對于左側(cè)的“弱變化類”，MTCD和相干特征k對該類變化檢測能力弱于其他特征，這種由異物同譜造成的小強度差異是變化檢測的一個難點所在；而在數(shù)據(jù)集Ⅰ中，主要的變化類型為“強變化”，相干特征k具有很高的檢測率。

由此可見，單一特征并不能保證獲得穩(wěn)定的檢測結(jié)果，而使用D-S融合特征，可在綜合各差異特征長處的同時，有效地降低虛警，在檢測率和虛警之間獲得更好的平衡，得到更均衡穩(wěn)定的檢測結(jié)果。

4　結(jié)束語

對于高分辨率SAR影像，單一尺度和單一特征往往不能得到穩(wěn)健的變化檢測結(jié)果。本文提出使用

D-S證據(jù)理論融合高分辨率SAR圖像的相干/非相干信息以得到更為魯棒的變化檢測結(jié)果。實驗表明盡管多特征融合后變化監(jiān)測的正檢率和負檢率指標有小幅度提升，并且在保持較高的正檢率的同時，

Kappa指數(shù)有較大的提升。未來的工作中，擬進一步探索分級的相干/非相干信息融合方法，以得到更為精確的變化檢測結(jié)果。

致謝作者感謝美國數(shù)字地球公司（DigitalGlobe）、法國阿斯特里姆地理信息服務(wù)公司（Astrium Services）和美國地質(zhì)調(diào)查局官網(wǎng)（USGS）為本研究提供相應(yīng)的數(shù)據(jù)集，并向電氣和電子工程師協(xié)會地球科學(xué)與遙感學(xué)會（IEEE GRSS）圖像分析和數(shù)據(jù)融合委員會致以誠摯的感謝。

［1］李春升，楊威，王鵬波. 星載SAR成像處理算法綜述［J］. 雷達學(xué)報，2013，2（1）: 111-122.

Li Chun-sheng，Yang Wei，and Wang Peng-bo. A review of spaceborne SAR algorithm for image formation［J］. Journal of Radars，2013，2（1）: 111-122.

［2］Evans T L and Costa M. Landcover classification of the lower nhecolandia subregion of the brazilian pantanal wetlands using ALOS/PALSAR，RADARSAT-2 and ENVISAT/ASAR imagery［J］. Remote Sensing of Environment，2013，128: 118-137.

［3］田維，徐旭，卞小林，等. 環(huán)境一號C衛(wèi)星SAR圖像典型環(huán)境遙感應(yīng)用初探［J］. 雷達學(xué)報，2014，3（3）: 339-351.

Tian Wei，Xu Xu，Bian Xiao-lin，et al.. Applications of environmental remote sensing by HJ-1C SAR imagery［J］. Journal of Radars，2014，3（3）: 339-351.

［4］尤紅建，付琨. 合成孔徑雷達圖像精準處理［M］. 北京: 科學(xué)出版社，2011: 1-27.

［5］Refice A，Capolongo D，Lepera A，et al.. SAR and InSAR for flood monitoring: examples with COSMO/SkyMed data［C］. IEEE Geoscience and Remote Sensing Symposium，Melbourne，VIC，2013: 703-706.

［6］Federica B，Luigi T，Claudio P，et al.. Shoreline detection: capability of COSMO-SkyMed and high-resolution multispectral images［J］. European Journal of Remote Sensing，2013，46: 837-853.

［7］浮瑤瑤，柳彬，張增輝，等. 基于詞包模型的高分辨率SAR圖像變化檢測與分析［J］. 雷達學(xué)報，2014，3（1）: 101-110.

Fu Yao-yao，Liu Bin，Zhang Zeng-hui，et al.. Change detection and analysis of high resolution synthetic aperture radar images based on bag-of-words model［J］. Journal of Radars，2014，3（1）: 101-110.

［8］周啟鳴. 多時相遙感影像變化檢測綜述［J］. 地理信息世界，2011，（2）: 28-33.

Zhou Qi-ming. Review on change detection using multitemporal remotely sensed imagery［J］. Geomatics World，2011，（2）: 28-33.

［9］Liao M，Jiang L，Lin H，et al.. Urban change detection based on coherence and intensity characteristics of SAR imagery［J］. Photogrammetric Engineering & Remote Sensing，2008，74（8）: 999-1006.

［10］Gong M，Li Y，Jiao L，et al.. SAR change detection based on intensity and texture changes［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2004，93（7）: 123-135.

［11］Dierking W and Skriver H. Change detection for thematic mapping by means of airborne multitemporal polarimetric SAR imagery［J］. IEEE Transactions on Geoscience and Remote Sensing，2002，40（3）: 618-636.

［12］Lefort A，Grippa M，Walker N，et al.. Change detection across the Nasca pampa using spaceborne SAR interferometry［J］. International Journal of Remote Sensing，2004，25（10）: 1799-1803.

［13］Bazi Y，Bruzzone L，and Melgani F. An unsupervised approach based on the generalized Gaussian model to automatic change detection in multitemporal SAR images［J］. IEEE Transactions on Geoscience and Remote Sensing，2005，43（4）: 874-887.

［14］Achanta R，Shaji A，Smith K，et al.. SLIC superpixels compared to state-of-the-art superpixel methods［［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence，2012，34（11）: 2274-2282.

［15］Dekker R J. Texture analysis and classification of ERS SAR images for map updating of urban areas in The Netherlands［J］. IEEE Transactions on Geoscience and Remote Sensing，2003，41（9）: 1950-1958.

［16］Su X，Deledalle C A，Tupin F，et al.. SAR image change detection by likelihood ratio test in multi-temporal time series［C］. IEEE International Geoscience and Remote Sensing Symposium，Melbourne，VIC，2013: 3439-3442.

［17］Bazi Y，Bruzzone L，and Melgani F. Automatic identification of the number and values of decision thresholds in the log-tatio image for change detection in SAR images［J］. IEEE Geoscience and Remote Sensing Letters，2006，3（3）: 349-353.

［18］Smarandache F and Dezert J. Advances and Applications of DSmT for Information Fusion［M］. New Mexico: American Research Press，2004: 3-31.

［19］Golino G，Graziano A，F(xiàn)arina A，et al.. Comparison of identity fusion algorithms using estimations of confusion matrices［C］. IEEE 17th International Conference on Information Fusion，2014: 1-7.

［20］Kittler J. Minimum error thresholding［J］. Pattern Recognition，1986，19（1）: 41-47.

［21］Kuttikkad S and Chellappa R. Non-Gaussian CFAR techniques for target detection in high resolution SAR images［C］. IEEE International Conference on Image Processing，1994，1: 910-914.

［22］Delon J，Desolneux A，Lisani J L，et al.. A nonparametric approach for histogram segmentation［J］. IEEE Transactions on Image Processing，2007，16（1）: 253-261.

［23］2012 IEEE GRSS Data Fusion Contest. Online:http:// www.grss-ieee.org/community/technical-committees/datafusion.

楊祥立（1991-），男，2014年獲得中南民族大學(xué)工學(xué)學(xué)士學(xué)位，現(xiàn)于武漢大學(xué)電子信息學(xué)院信號處理實驗室攻讀碩士學(xué)位。主要研究方向為合成孔徑雷達圖像變化檢測。

E-mail: xiangliyang@whu.edu.cn

徐德偉（1989-），男，2012年獲得華南理工大學(xué)工學(xué)學(xué)士學(xué)位，現(xiàn)于武漢大學(xué)電子信息學(xué)院信號處理實驗室攻讀碩士學(xué)位。主要研究方向為合成孔徑雷達圖像變化檢測。

E-mail: xdwatz@whu.edu.cn

黃平平（1978-），男，2010年獲中國科學(xué)院電子學(xué)研究所博士學(xué)位，現(xiàn)任內(nèi)蒙古工業(yè)大學(xué)雷達技術(shù)研究所所長，副教授。主要研究方向為合成孔徑雷達信號處理和微波遙感應(yīng)用。

E-mail: cimhwangpp@163.com

楊文（1976-），男，2004年獲武漢大學(xué)工學(xué)博士學(xué)位；現(xiàn)任教于武漢大學(xué)電子信息學(xué)院，教授，博士生導(dǎo)師，主要從事信號處理，圖像分析和遙感信息處理方面的研究工作。

E-mail: yangwen@whu.edu.cn

Change Detection of High Resolution SAR Images by the Fusion of Coherent/Incoherent Information

Yang Xiang-li①Xu De-wei①Huang Ping-ping②Yang Wen①

①（School of Electronic Information，Wuhan University，Wuhan 430072，China）
②（Radar Research Institute，Inner Mongolia University of Technology，Hohhot 010051，China）

Aiming at detecting the change regions of high resolution Synthetic Aperture Radar （SAR）images，we propose to use the Dempster-Shafer （D-S）evidence theory to fuse coherent/incoherent features from sensors that form an integral part of the system. First，we use the Simple Linear Iterative Clustering （SLIC）segmentation algorithm to implement multi-scale joint segmentation for multi-temporal SAR images. Second，we extract multiple intensity and coherence difference features on each segment level by SLIC using mean operator to complete the fusion of multi-scale features to get the multi-feature difference mapped by a ratio operator. Finally，we fuse the multi-feature difference maps to get the final change detection result using the DS evidence theory. The experimental results in our study prove the effectiveness of our proposed computational algorithm.

High resolution SAR； Change detection； Evidence theory； Fusion

s: The National Natural Sciences Foundation of China （61271401，61461040），and the Program for Young Talents of Science and Technology in Universities of Inner Mongolia Autonomous Region （NJYT-14-B09）

TN958

A

2095-283X（2015）-05-0582-09 DOI：10.12000/JR15073

楊祥立，徐德偉，黃平平，等. 融合相干/非相干信息的高分辨率SAR圖像變化檢測［J］. 雷達學(xué)報，2015，4（5）: 582-590.

10.12000/JR15073.

Reference format：Yang Xiang-li，Xu De-wei，Huang Ping-ping，et al.. Change detection of high resolution SAR images by the fusion of coherent/incoherent information［J］. Journal of Radars，2015，4（5）: 582-590. DOI: 10.12000/JR15073.

20 15-06-10；改回日期：2015-08-21；

2015-09-09

楊文yangwen@whu.edu.cn

國家自然科學(xué)基金（61271401，61461040），內(nèi)蒙古自治區(qū)科技計劃項目（20140155）和內(nèi)蒙古高等學(xué)校青年科技英才支持計劃項目（NJYT-14-B09）