[發明專利]基于深度殘差網絡的ISAR圖像分辨率增強方法

在審

• 申請號: 201910284674.1
• 申請日: 2019-04-10
• 公開（公告）號: CN109991602A
• 公開（公告）日: 2019-07-09
• 發明（設計）人: 高勛章;秦丹;劉迪陽;高敬坤;黎湘
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G01S13/90
• 分類號: G01S13/90
• 代理公司: 長沙中科啟明知識產權代理事務所(普通合伙) 43226
• 代理人: 任合明

1.一種基于深度殘差網絡的ISAR圖像分辨率增強方法，其特征在于：該方法利用深度殘差網絡學習低分辨ISAR像和高分辨ISAR像之間關于點擴散函數的映射關系，而后將低分辨ISAR像作為輸入即可輸出高分辨ISAR像，實現ISAR圖像的分辨率增強；

具體實現步驟如下：

S1生成訓練數據集和驗證數據集

利用仿真軟件生成訓練數據集和驗證數據集，數據集中每個樣本對包含一幅低分辨ISAR像和一幅高分辨ISAR像；

S2實現深度ResNet網絡架構

利用編程的方法實現深度ResNet網絡架構，設定網絡的學習率、批次大小、epoch這些超參數，并隨機初始化網絡權值和偏置；

所述深度ResNet網絡基于TensorFlow框架編程實現，具體實現過程如下：

S2.1搭建ResNet網絡輸入模塊：將ResNet網絡輸入通過一個卷積層和一個PReLU函數后，得到輸入模塊的輸出X并賦給下一層網絡；

S2.2搭建ResBlock殘差模塊：將ResBlock的輸入依次通過一個卷積層、一個修正線性單元函數、一個卷積層后與ResBlock的輸入相加作為ResBlock的輸出；

S2.3將X通過串聯的n個ResBlock后，再通過一個卷積層，得到的結果與X相加后賦給ResNet網絡輸出模塊；

S2.4搭建ResNet網絡輸出模塊：將S2.3得到的輸出通過一個卷積層后得到ResNet網絡的最終輸出；

S3訓練深度ResNet網絡

將訓練數據集中的低分辨ISAR像作為輸入，高分辨ISAR像作為標簽，使用Adam優化方法對深度ResNet網絡進行訓練，迭代更新網絡的權值和偏置參數；

S4計算深度ResNet網絡的MSE

完成深度ResNet網絡訓練后，需要用驗證數據集對其性能進行評估；將驗證數據集中的低分辨ISAR像輸入給ResNet網絡，計算其輸出與高分辨ISAR像標簽之間的MSE；

S5調整網絡架構

增加深度ResNet網絡的ResBlock個數n，重復S3、S4，比較驗證數據集上的MSE，當MSE無明顯下降時，選取對應n值作為網絡的ResBlock個數。

2.一種根據權利要求1所述基于深度殘差網絡的ISAR圖像分辨率增強方法，其特征在于：S1生成訓練數據集和驗證數據集的具體過程如下：

S1.1隨機產生二維散射中心模型；

S1.2根據設定的中心頻率、帶寬雷達參數生成模型的低分辨率回波，并對其進行快速傅里葉變換，產生LR圖像作為ResNet網絡的輸入；

S1.3將散射中心模型與高分辨率雷達的PSF相卷積得到對應的HR圖像作為ResNet網絡的標簽，其中PSF為：

其中，f_c表示雷達中心頻率，B表示雷達帶寬，Ω表示成像總轉角，c表示光速，Φ_c表示雷達視線與y軸夾角中心值，(x,y)表示散射中心的坐標。

3.一種根據權利要求1所述基于深度殘差網絡的ISAR圖像分辨率增強方法，其特征在于：S2中，批次大小設置為5，學習率設置為10^-5，epoch設置為10。

4.一種根據權利要求1所述基于深度殘差網絡的ISAR圖像分辨率增強方法，其特征在于：S2.3中，n的初始值設為4。

5.一種根據權利要求1所述基于深度殘差網絡的ISAR圖像分辨率增強方法，其特征在于：S3中，訓練過程在一塊NVIDIA 1080 GPU上進行，訓練時間控制在6h以內。

6.一種根據權利要求1所述基于深度殘差網絡的ISAR圖像分辨率增強方法，其特征在于：S5中，ResBlock個數n每次增加2。

7.一種根據權利要求1所述基于深度殘差網絡的ISAR圖像分辨率增強方法，其特征在于：ResBlock個數n等于12時，ResNet網絡對ISAR像分辨率增強的綜合性能最佳。