[發(fā)明專利]一種基于深度學(xué)習(xí)的SAR智能參數(shù)化超分辨成像方法

有效

• 申請?zhí)枺?/td>: 202010694576.8
• 申請日: 2020-07-17
• 公開（公告）號: CN111948652B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設(shè)計）人: 曾濤;王巖;丁澤剛;衛(wèi)揚(yáng)鎧;龍騰
• 申請（專利權(quán)）人: 北京理工大學(xué)
• 主分類號: G01S13/90
• 分類號: G01S13/90;G01S7/41
• 代理公司: 北京理工大學(xué)專利中心 11120
• 代理人: 李微微

本發(fā)明公開了一種基于深度學(xué)習(xí)的SAR智能參數(shù)化超分辨成像方法，首先，基于屬性散射中心模型，本技術(shù)在傳統(tǒng)僅包含點(diǎn)原子的SAR回波模型中額外引入線原子和面原子，構(gòu)建SAR混合觀測模型。隨后，基于SAR混合觀測模型和傳統(tǒng)交替方向乘子法ADMM，本技術(shù)通過設(shè)置不同的非線性閾值函數(shù)，構(gòu)建了多成分ADMM算法來估計點(diǎn)、線和面原子的參數(shù)。最后，通過將MC?ADMM映射成神經(jīng)網(wǎng)絡(luò)，即將MC?ADMM的每一次迭代過程映射成一層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，成功構(gòu)建MCADMM?Net，快速高效的獲取高智能SAR超分辨圖像。本發(fā)明旨在提供一種高智能、高精度、高效率的SAR超分辨成像解決方案，預(yù)期可應(yīng)用于機(jī)載、星載SAR成像等領(lǐng)域，可大幅增強(qiáng)SAR圖像質(zhì)量，有助于提升SAR圖像的可理解性。

技術(shù)領(lǐng)域

本發(fā)明屬于SAR成像技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的SAR智能參數(shù)化超分辨成像方法。

背景技術(shù)

合成孔徑雷達(dá)(Synthetic?Aperture?Radar,SAR)作為一種利用微波進(jìn)行感知的主動傳感器，能夠不受天氣、光照等條件限制，對感興趣目標(biāo)進(jìn)行全天候、全天時、遠(yuǎn)距離的持續(xù)觀測，從而提供感興趣區(qū)域的高分辨圖像。目前，SAR成像技術(shù)已經(jīng)廣泛應(yīng)用于機(jī)載、星載、彈載等多種平臺，如經(jīng)典的后向投影算法(backprojection,BP)算法，成為各國爭相發(fā)展的重要微波遙感技術(shù)。與低分辨率圖像相比，高分辨率SAR圖像可以提供場景的更多細(xì)節(jié)和目標(biāo)更精細(xì)的輪廓，有助于目標(biāo)解譯和識別。但是，那SAR圖像分辨率面臨局限性雷達(dá)系統(tǒng)的性能，例如有限的帶寬和方位角成像范圍寬度。

近十年發(fā)展的壓縮感知(compressedsensing，CS)理論使得研究人員能夠從少量的線性測量中高精度重建稀疏信號，該方法已被廣泛研究并成功應(yīng)用于信號處理領(lǐng)域。而對于SAR，由于實(shí)際觀測中感興趣目標(biāo)的空間分布稀疏，許多基于壓縮感知理論的方法被用于SAR成像處理，如經(jīng)典的正交匹配追蹤算法(Orthogonal?Matching?Pursuit,OMP)算法，成功獲得超分辨率SAR圖像。但是，現(xiàn)階段，基于CS的SAR成像方法具有以下三個限制。

首先，傳統(tǒng)稀疏成像方法是基于點(diǎn)散射模型的，即要被觀測場景被視為一系列點(diǎn)散射體的疊加，這些點(diǎn)散射體未考慮分布目標(biāo)在不同觀察角下的各向異性散射特性。因此，上述稀疏成像更傾向于描繪分布式目標(biāo)的一些局部點(diǎn)散射特征，而非線散射和面散射特征。

其次，它們依靠迭代式的圖像重建策略，該策略需要在每次迭代中執(zhí)行耗時的矩陣求逆操作。這使得傳統(tǒng)稀疏成像方法，需要數(shù)百次迭代以獲得足夠高的成功質(zhì)量。這意味著傳統(tǒng)稀疏成像算法的計算復(fù)雜度高，難以滿足實(shí)時性要求。

除此之外，傳統(tǒng)稀疏成像往往需要手動設(shè)置正則化參數(shù)以及一些其他的優(yōu)化參數(shù)。如何自適應(yīng)地確定這些成像參數(shù)，仍然是一項(xiàng)艱巨的任務(wù)。幸運(yùn)的是，最近興盛的深度學(xué)習(xí)(deep?learning,DL)技術(shù)為回歸型神經(jīng)網(wǎng)絡(luò)提供了最先進(jìn)的性能，并且已經(jīng)在諸如稀疏信號恢復(fù)中取得不俗的效果。而在SAR成像領(lǐng)域，雖然常規(guī)神經(jīng)網(wǎng)絡(luò)(CNN)已經(jīng)應(yīng)用于雷達(dá)超分辨成像中，但是其神經(jīng)網(wǎng)絡(luò)架構(gòu)可解釋性差，網(wǎng)絡(luò)結(jié)構(gòu)仍為“黑盒子”，且網(wǎng)絡(luò)參數(shù)多、訓(xùn)練速度慢。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的是提供一種基于深度學(xué)習(xí)的SAR智能參數(shù)化超分辨成像方法，可以解決傳統(tǒng)SAR超分辨成像算法中的點(diǎn)目標(biāo)模型失配、計算復(fù)雜度高和參數(shù)難自適應(yīng)等問題，實(shí)現(xiàn)高智能、高精度、高效率的SAR超分辨成像。

一種SAR超分辨成像方法，包括如下步驟：

步驟一、建立點(diǎn)、線和面原子的智能參數(shù)化模型，解析表達(dá)出雷達(dá)觀測角度、雷達(dá)發(fā)射頻率和點(diǎn)、線和面原子幾何參數(shù)間的關(guān)系，具體為：

線原子和面原子的幾何結(jié)構(gòu)可以分別采用和來表示，其中和分別表示線、面原子的中心的坐標(biāo)；L_l和L_r分別表示線、面原子的長度，H_r表示面原子的寬度；和分別表示線、面原子的傾斜角度；則基于屬性散射中心模型，線原子的智能參數(shù)化回波模型可以分別寫為：