CN108872988B - 一种基于卷积神经网络的逆合成孔径雷达成像方法 - Google Patents
一种基于卷积神经网络的逆合成孔径雷达成像方法 Download PDFInfo
- Publication number
- CN108872988B CN108872988B CN201810762437.7A CN201810762437A CN108872988B CN 108872988 B CN108872988 B CN 108872988B CN 201810762437 A CN201810762437 A CN 201810762437A CN 108872988 B CN108872988 B CN 108872988B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- synthetic aperture
- aperture radar
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 94
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 33
- 238000011176 pooling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008034 disappearance Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 2
- 239000006185 dispersion Substances 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络的逆合成孔径雷达成像方法，包括以下步骤：S1，构造逆合成孔径雷达数据集；S2，通过二维傅里叶变换获得初像；S3，构建卷积神经网络；S4，构建卷积神经网络的训练集和验证集；S5，采用监督学习的方法更新卷积神经网络的参数；S6，利用训练好的卷积神经网络实现逆合成孔径雷达降采样数据成像。本发明的卷积神经网络可以提取更多特征信息，并且能够有效的避免梯度弥散现象，从而重建较高质量的逆合成孔径雷达图像。
Description
技术领域
本发明属于雷达信号处理技术领域，是一种基于卷积神经网络的逆合成孔径雷达成像方法。
背景技术
逆合成孔径雷达是典型的成像雷达体制，主要用于获取非合作运动目标的高分辨率图像，是一种有效的目标识别手段。传统的雷达成像方法是距离-多普勒(RangeDoppler,RD)类成像方法，该类方法利用脉冲压缩技术获得距离向高分辨，利用相干积累时间(即相干处理时间，Coherent Processing Interval,CPI)内的多普勒调制回波信号获得方位向高分辨。但是RD成像方法通常需要对回波信号、成像场景和成像配置等进行一些假设，如小孔径、小场景等，当假设成立时，这种方法成像效率较高，当假设不成立时，需要在成像算法中考虑额外的信号处理，硬件设计和运算复杂度也随之增加。
压缩感知(Compressive Sensing,CS)是利用信号稀疏性或可压缩性的信号采集与处理理论。基于CS理论的逆合成孔径雷达成像技术是近十年来逆合成孔径雷达领域的一个较新的研究热点，由于在逆合成孔径雷达成像中，观测场景中的目标相对于场景具有一定的稀疏性，所以采用稀疏采样信号对目标信息进行恢复具有物理依据。
CS逆合成孔径雷达成像方法能够减少提取脉冲响应和刻画目标散射机制所需的测量数据量，得到对比度高的图像，同时CS也可以用于雷达图像的后处理，减少斑点噪声，实现特征增强，有利于后续的图像分析和目标识别。但CS逆合成孔径雷达成像方法仍然面临以下几点问题：一，稀疏表示；对逆合成孔径雷达成像而言，一般采用预先设定的一些图像变换(如小波变换)来找到稀疏表示，由于稀疏表示并非最优，所以限制了CS成像方法成像的质量。二，随机的测量矩阵构造；测量矩阵必须满足限制等距条件，或者与稀疏基不相干，测量矩阵的确定影响着所需的采样数据以及最终能否准确的重建出目标场景。三，重建方法效率过低，难以实用化；CS重建算法基本都是针对L1范数最小化提出的一系列凸优化方法或迭代贪婪算法。这种迭代优化类成像算法计算效率不高，需要较多的存储资源，难以满足实时处理要求。
2012年以来，以深度学习(Deep Learning，DL)为核心技术的智能信息处理技术在一些应用领域已经突显出强大的信息处理能力，在成像方面，基于DL的图像重建集中于光学和医学领域。由于DL与CS在利用待重建量内部结构信息方面有相似处，因此DL在成像方面的研究主要集中在欠采样条件下信号和图像的重建。最早将DL技术引入到雷达成像领域并提及利用DL实现雷达成像的是美国伦斯勒理工学院Yazici教授。Yazici教授在2017年的雷达会议上分析了正则化迭代重建方法展开形式与深度神经网络(Deep Neural Network,DNN)多层结构的相似性，给出实现合成孔径雷达(Synthetic Aperture Radar,SAR)成像DNN框图，随后又具体的给出了DL在雷达成像领域的应用方向。
到目前为止，国内还很少涉及到基于DL的雷达成像研究，2017年，国内的国防科技大学秦玉亮等人率先将DNN应用于雷达成像中，利用复数的全连接层，复数的卷积层和复数的激活函数层构建了5层的复数DNN，实现了欠采样的雷达回波数据成像。基于上述分析，重点研究基于DL的雷达成像，以DL技术来解决雷达成像所面临的瓶颈和问题，提升雷达成像技术水平，具有重要的意义。
发明内容
本发明提出了一种基于卷积神经网络的逆合成孔径雷达成像方法，利用DL中的卷积神经网络来实现逆合成孔径雷达高质量成像，本发明采用的卷积神经网络参数数量较少，可以获得更丰富的特征信息，可以消除层数过多而引发的梯度弥散现象。
为了实现上述效果，本发明采用了如下技术手段：
一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，包括以下步骤：
S1，构造逆合成孔径雷达数据集；
S2，通过二维傅里叶变换获得初像；
S3，构建卷积神经网络；
S4，构建卷积神经网络的训练集和验证集；
S5，采用监督学习的方法更新卷积神经网络的参数；
S6，利用训练好的卷积神经网络实现逆合成孔径雷达降采样数据成像。
所述的步骤S1具体操作是：针对逆合成孔径雷达的回波数据，方位向上设置不同的脉冲单元采样起始位置和脉冲抽取间隔，采集256个脉冲单元，距离向设计256个距离门，得到大小为256×256的数据矩阵，距离向上设置不同的随机偏移量，利用距离向随机移动策略，得到多组数据，构造逆合成孔径雷达数据集。
所述的步骤S2具体操作是：对逆合成孔径雷达的回波数据运动补偿后，每组数据在距离向和方位向降采样，获得将采样数据，对降采样数据二维傅里叶变换后得到初像。
所述的步骤S3具体通过以下步骤实现：
S31，利用卷积核为3×3的卷积层和运算核为2×2最大池化层提取特征数据；
S32，利用批量归一化(Batch Normalization,BN)层和整流线性单元(RectifiedLinear Unit,ReLU)激活函数减少特征数据与输入数据的偏差；
S33，利用运算核为2×2最大池化操作对特征数据进行降维；
S34，利用反卷积核大小为2×2的反卷积层重建特征数据；
S35，利用批量归一化层和ReLU激活函数减少重建的特征数据与降维的特征数据的偏差；
S36，利用残差学习减少深层网络的梯度消失；
S37，将初像和卷积神经网络重建的特征数据在网络输出端求和得到网络输出。
所述的训练集和验证集统称为训练样本，训练样本包含初像和标记图像，标记图像是通过距离多普勒算法得到的聚焦好、高质量的成像结果。所述的训练样本共有700个，600个是训练集，100个是验证集。
所述的步骤S5通过给定训练策略和损失函数实现，训练策略采用反向传播和梯度下降算法，损失函数采用最小均方误差函数：
其中L({W})是重建的均方误差，i是第i个训练样本，共有T个训练样本，
是第i个训练样本中的初像，σi是第i个样本的标记图像，{W}是卷积神经网络参数集合，
是卷积神经网络输出的重建结果。
在训练学习阶段，基准学习率为1e-5，学习率不发生变化，训练样本600个，验证样本100个，迭代150万次。当卷积神经网络的训练损失和测试损失都足够小且稳定，则卷积神经网络训练完成，得到了满足任务要求的网络。
所述的步骤S6利用训练好的卷积神经网络实现逆合成孔径雷达降采样数据成像，对脉冲压缩和运动补偿后的逆合成孔径雷达数据进行距离向和方位向的降采样，得到采样率为25％的降采样数据，降采样数据二维傅里叶变换后，得到初像。初像作为卷积神经网络的输入，卷积神经网络的输出为最终的逆合成孔径雷达成像结果
通过上述技术手段，可以获得以下优势：
本发明提出的卷积神经网络具有三点优势，首先，卷积神经网络中没有引入全连接层，减少了卷积神经网络的参数数量；其次，卷积神经网络中引入了多级分解和多尺度卷积，能获得更丰富的特征信息；最后，本发明的卷积神经网络的卷积层数更多，且引入了残差学习来避免层数过多而引发的梯度弥散现象。通过构建具有多个隐层的卷积神经网络模型和生成包含大量同类型逆合成孔径雷达目标图像的训练数据集，来学习卷积神经网络各层的参数。经过监督学习后的卷积神经网络模型能够建立输入的低质量目标初像与高质量目标图像之间的映射关系，本发明能够重建较高质量的逆合成孔径雷达图像。
附图说明
图1是基于卷积神经网络的逆合成孔径雷达成像方法的成像原理图。
图2是卷积神经网络的网络结构图。
图3是采样率为25％的降采样数据通过卷积神经网络后的成像结果。
图4是基于RD成像方法的成像结果和采样率为25％的降采样数据通过压缩感知类成像方法的成像结果。
其中，图3(a)是训练10万次后的成像结果，图3(b)是训练50万次的成像结果，图3(c)是训练100万次的成像结果，图3(d)是训练150万次的成像结果；图4(a)是全数据RD成像结果，图4(b)是正交匹配追踪成像结果，图4(c)是零空间L1范数最小化成像结果，图4(d)是贪婪卡尔曼滤波成像结果，图4(e)是基于在线字典学习的成像结果，图4(f)是基于离线线字典学习的成像结果。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，包括以下步骤：
S1，构造逆合成孔径雷达数据集；S2，通过二维傅里叶变换获得初像；S3，构建卷积神经网络；S4，构建卷积神经网络的训练集和验证集；S5，采用监督学习的方法更新卷积神经网络的参数；S6，利用卷积神经网络实现逆合成孔径雷达降采样数据成像。
如图1所示，本发明方法也可以分为训练阶段和成像阶段。
在卷积神经网络的训练阶段，首先要构造逆合成孔径雷达数据集，在回波数据距离向设置256个距离单元，方位向设置不同的采样起始位置与采样间隔，抽取256个方位向脉冲单元，从而得到多个数据矩阵，大小都为256×256，紧接着对获得的数据矩阵采用距离向随机移动的策略，生成多组数据，这多组数据就是逆合成孔径雷达数据集。对每组数据在距离向和方位向降采样，对降采样后的数据二维傅里叶变换得到初像，将每组数据通过RD算法得到的聚焦好、图像质量高的成像结果作为期望输出，即作为标记图像。初像和标记图像共同构成一个训练样本，通过上述方法构建700个训练样本，将逆合成孔径雷达训练样本分为训练集和验证集，训练集包含600个样本，验证集包含100个样本。
其次是构造卷积神经网络，并通过训练集和验证集来学习卷积神经网络的参数。卷积神经网络的结构如图2所示，利用3×3的卷积核提取多个特征数据，并且利用BN层和ReLU激活函数减少特征数据与输入数据的偏差；利用2×2的最大化池化操作对特征数据降维；在数据重建的流程中，利用反卷积层重建特征数据，反卷积核大小为2×2；利用BN层和ReLU激活函数减少重建的特征数据与降维的特征数据的误差，并在网络的最后一层加入残差学习机制；将初像与网络重建的特征数据在网络最后求和，得到最终的逆合成孔径雷达成像结果。此外，采用最小均方误差损失函数对重建结果进行评价，并对误差反向传播，进而通过随机梯度下降算法更新网络参数。当训练损失和测试损失都趋于稳定且足够小时，训练完成，获得满足要求的卷积神经网络。
本发明构建的卷积神经网络包含22个隐含层，具体为：
第一层为卷积层conv1，conv1中有64个3×3的滤波器进行步长为1的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第二层为卷积层conv2，conv2中有64个3×3的滤波器进行步长为1的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第三层为卷积层conv3，conv3中有64个3×3的滤波器进行步长为1的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第四层为池化层subsampling1，在池化的过程中使用最大池化操作，池化层的运算核为2×2，步长为2；
第五层为卷积层conv4，conv4中有128个3×3的滤波器进行步长为1的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第六层为卷积层conv5，conv5中有128个3×3的滤波器进行步长为1的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第七层为池化层subsampling2，在池化的过程中使用最大池化操作，池化层的运算核为2×2，步长为2；
第八层为卷积层conv6，conv6中有256个3×3的滤波器进行步长为1的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第九层为卷积层conv7，conv7中有256个3×3的滤波器进行步长为1的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第十层为反卷积层uconv1，uconv1中有128个2×2的滤波器进行步长为2的卷积操作，边缘填充Padding为1，在反卷积结束后通过一个BN层归一化反卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第十一层为裁剪层crop1，利用第十层的输出作为参考，对第六层的输出进行裁剪；
第十二层为连接层concat1，将第十一层的输出与第十层的输出连接起来，构成第十二层的特征数据；
第十三层为卷积层conv8，conv8中有128个3×3的滤波器进行步长为1的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第十四层为卷积层conv9，conv9中有128个3×3的滤波器进行步长为1的卷积操作,边缘填充Padding为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第十五层为反卷积层uconv2，uconv2中有64个2×2的滤波器进行步长为2的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化反卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第十六层为裁剪层crop2，利用第十五层的输出作为参考，对第三层的输出进行裁剪，
第十七层为连接层concat2，将第十六层的输出与第十五层的输出连接起来，构成第十七层的数据。
第十八层为卷积层conv10，conv10中有64个3×3的滤波器进行步长为1的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第十九层为卷积层conv11，conv11中有64个3×3的滤波器进行步长为1的卷积操作，边缘填充值为1，在卷积结束后通过一个BN层归一化卷积层输出，然后利用ReLU函数对BN层输出非线性激活；
第二十层为卷积层conv12，conv12中有1个1×1的滤波器进行步长为1的卷积操作，在卷积结束后通过一个BN归一化层，然后利用ReLU函数对BN层输出非线性激活；
第二十一层为求和层，将输入的初像data与第十八的输出逐点求和，得到输出。
第二十二层为损失函数层，计算第二十一层的输出与训练样本中的最终成像结果的误差，接着通过反向传播和梯度下降算法更新网络参数。
在卷积神经网络的成像阶段，先对逆合成孔径雷达回波数据进行脉冲压缩和运动补偿，然后对数据进行距离向和方位向的降采样，从而得到采样率为25％的降采样数据。该降采样数据经过二维傅里叶变换后获得初像，初像作为卷积神经网络的输入，卷积神经网络的输出即为最终的成像结果。
如图3所示，(a)-(d)给出不同训练次数下得到的卷积神经网络对降采样的逆合成孔径雷达数据成像的结果，(a)-(d)依次是训练10万次、训练50万次、训练100万次和训练150万次的成像结果，可以看出，随着训练次数的增加，成像结果中的虚假散射点越来越少，当迭代次数为150万次时，虚假散射点数最少。
如图4所示，图4中的(a)-(f)依次为全数据RD成像结果、正交匹配追踪(Orthogonal Matching Pursuit,OMP)成像结果、零空间L1范数最小化成像结果、贪婪卡尔曼滤波(Greedy Kalman Filtering,GKF)成像结果、基于在线字典学习的成像结果和基于离线线字典学习的成像结果。为了进一步验证本发明方法的有效性，将图3中基于卷积神经网络的成像结果图4中各方法的图像重建结果进行比较，可以看出基于卷积神经网络的成像结果背景中的杂散点更少，飞机的主体可以清晰辨识。OMP、零空间L1范数最小化和GKF方法虽然能够重建出飞机的主体部分，但伴随着较强的虚假散射点干扰，而两种结合稀疏字典学习的成像结果对散射较弱的机头部分未能很好重建。
本实施例采用图像评价函数对图3和图4中各方法进行评判，并对各方法的计算时间进行统计。图像评价函数包括基于“真值”的图像评价函数和传统的图像评价函数。基于“真值”的评价指标具体包括：虚警(False Alarm,FA)，漏检(Missed Detection,MD)和相对均方根误差(Relative Root Mean Square Error,RRMSE)。FA用于评估错误重建的散射点数，MD用于评估未被重建出来的正确散射点，RRMSE用于评估散射点振幅的重构误差。传统的成像质量评估指标包括：目标杂波比(Target-to-Clutter Ratio,TCR)，图像熵(Entropyof the Image,ENT)和图像对比度(Image Contrast,IC)。
由于没有Ground truth图像，实验中采用全数据获得的聚焦好、质量高的RD图像作为“真值”图像，实际衡量的是所有方法相对RD成像结果的质量评价。
结果如下面的表格所示，表中卷积神经网络1-4依次对应训练次数为10万次、50万次、100万次和150万次的成像结果。
根据表格中的数据，本发明成像方法(卷积神经网络1-卷积神经网络4)的FA值最小，意味着错误重建的散射点数的最少。随着卷积神经网络训练次数的增加，FA减小，但是MD的值增加，代表未被重建的散射点数量增加。但是需要注意的是，作为图像评价基准的是RD图像，该图像本身包含散射点响应的副瓣成分，难免仍有散射点副瓣的虚假散射点存在，会干扰MD的值。此外，注意到零空间L1最小算法由于强调稀疏特性重构，MD值最大。继续比较RRMSE指标发现本发明方法重建的图像RRMSE最小，说明散射点幅度重建误差最小。本发明方法成像结果的TCR随着网络的训练次数增加而变大，图像对比度随之提高，图像熵变小。与其它方法相比，训练充分的卷积神经网络成像结果的TCR高于其它方法的成像结果，而且图像熵值小，对比度大。在计算时间上，卷积神经网络一旦训练好，成像方法的时间可达0.1秒量级，效率明显高于其它方法。
上面结合附图对本发明的实施方式作了详细地说明，但是本发明并不局限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，包括以下步骤：
S1，构造逆合成孔径雷达数据集；
S2，通过二维傅里叶变换获得初像；
S3，构建卷积神经网络；通过以下步骤实现：
S31，利用卷积层和最大池化层提取特征数据；
S32，利用批量归一化层和整流线性单元激活函数减少特征数据与输入数据的偏差；
S33，利用最大池化操作对特征数据进行降维；
S34，利用反卷积层重建特征数据；
S35，利用批量归一化层和整流线性单元激活函数减少重建的特征数据与降维的特征数据的偏差；
S36，利用残差学习减少深层网络的梯度消失；
S37，将初像和卷积神经网络重建的特征数据在网络输出端求和得到网络输出；
S4，构建卷积神经网络的训练集和验证集；
S5，采用监督学习的方法更新卷积神经网络的参数；
S6，利用训练好的卷积神经网络实现逆合成孔径雷达降采样数据成像。
2.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S1具体操作是：针对逆合成孔径雷达的回波数据，方位向上设置不同的脉冲单元采样起始位置和脉冲抽取间隔，距离向上设置不同的随机偏移量，获得多组数据，构造逆合成孔径雷达数据集。
3.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S2具体操作是：对逆合成孔径雷达的每组数据在距离向和方位向降采样，获得将采样数据，对降采样数据二维傅里叶变换后得到初像。
4.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的训练集和验证集统称为训练样本，训练样本包含初像和标记图像，标记图像是通过距离多普勒算法得到的聚焦好、高质量的成像结果。
5.根据权利要求4所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的训练样本共有700个，600个是训练集，100个是验证集。
6.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S5通过给定训练策略和损失函数实现，训练策略采用反向传播和梯度下降算法，损失函数采用最小均方误差函数：
其中L({W})是重建的均方误差，i是第i个训练样本，共有T个训练样本，
是第i个训练样本中的初像，σi是第i个样本的标记图像，{W}是卷积神经网络参数集合，
是卷积神经网络输出的重建结果。
7.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S6中卷积神经网络的输入是初像，卷积神经网络的输出是最终的逆合成孔径雷达成像结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810762437.7A CN108872988B (zh) | 2018-07-12 | 2018-07-12 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810762437.7A CN108872988B (zh) | 2018-07-12 | 2018-07-12 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108872988A CN108872988A (zh) | 2018-11-23 |
| CN108872988B true CN108872988B (zh) | 2022-04-08 |
Family
ID=64301229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810762437.7A Active CN108872988B (zh) | 2018-07-12 | 2018-07-12 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108872988B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343060B (zh) * | 2018-12-07 | 2021-01-29 | 电子科技大学 | 基于深度学习时频分析的isar成像方法及系统 |
| CN109683161B (zh) * | 2018-12-20 | 2023-09-26 | 南京航空航天大学 | 一种基于深度admm网络的逆合成孔径雷达成像的方法 |
| DE102018222800A1 (de) * | 2018-12-21 | 2020-06-25 | Robert Bosch Gmbh | Ortung und/oder Klassifikation von Objekten aus Radardaten mit verbesserter Verlässlichkeit bei unterschiedlichen Entfernungen |
| CN109709536A (zh) * | 2019-01-24 | 2019-05-03 | 电子科技大学 | 一种基于卷积神经网络的sar动目标检测方法 |
| CN109816018A (zh) * | 2019-01-25 | 2019-05-28 | 国网四川省电力公司电力科学研究院 | 一种高光谱图像分类方法 |
| CN109802291B (zh) * | 2019-02-18 | 2019-12-20 | 中国人民解放军国防科技大学 | 基于深度学习的光纤激光分孔径相干合成相位控制方法 |
| CN109884625B (zh) * | 2019-02-22 | 2020-01-14 | 中国人民解放军军事科学院国防科技创新研究院 | 基于卷积神经网络的雷达关联成像方法 |
| CN109669184B (zh) * | 2019-02-25 | 2021-04-20 | 电子科技大学 | 一种基于全卷积网络的合成孔径雷达方位模糊消除方法 |
| CN109901129A (zh) * | 2019-03-06 | 2019-06-18 | 中国人民解放军海军航空大学 | 一种海杂波中目标检测方法及系统 |
| CN110033043B (zh) * | 2019-04-16 | 2020-11-10 | 杭州电子科技大学 | 基于条件生成式对抗网络的雷达一维距离像拒判方法 |
| CN110133651B (zh) * | 2019-05-24 | 2021-04-06 | 中国科学院电子学研究所 | 一种稀疏sar成像自适应稀疏度估计方法、装置 |
| CN110647794B (zh) * | 2019-07-12 | 2023-01-03 | 五邑大学 | 基于注意力机制的多尺度sar图像识别方法及装置 |
| CN111077523B (zh) * | 2019-12-13 | 2021-12-21 | 南京航空航天大学 | 一种基于生成对抗网络的逆合成孔径雷达成像方法 |
| CN111239731A (zh) * | 2020-01-06 | 2020-06-05 | 南京航空航天大学 | 基于神经网络的合成孔径雷达快速成像方法及装置 |
| CN111739117A (zh) * | 2020-07-20 | 2020-10-02 | 南京理工大学 | 基于卷积神经网络对经散射介质后的物体进行成像的方法 |
| CN111951187B (zh) * | 2020-07-21 | 2023-04-18 | 电子科技大学 | 一种基于变换梯度域的sar图像增强方法 |
| CN112882025B (zh) * | 2021-01-15 | 2023-12-26 | 中国人民解放军空军工程大学 | 雷达成像方法、装置、设备及存储介质 |
| CN113111758B (zh) * | 2021-04-06 | 2024-01-12 | 中山大学 | 一种基于脉冲神经网络的sar图像舰船目标识别方法 |
| CN113516601B (zh) * | 2021-06-17 | 2022-10-14 | 西南大学 | 基于深度卷积神经网络与压缩感知的图像恢复方法 |
| CN114720984B (zh) * | 2022-03-08 | 2023-04-25 | 电子科技大学 | 一种面向稀疏采样与观测不准确的sar成像方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678311A (zh) * | 2016-01-12 | 2016-06-15 | 北京环境特性研究所 | 一种用于模板识别的空间目标isar图像处理方法 |
| CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
-
2018
- 2018-07-12 CN CN201810762437.7A patent/CN108872988B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678311A (zh) * | 2016-01-12 | 2016-06-15 | 北京环境特性研究所 | 一种用于模板识别的空间目标isar图像处理方法 |
| CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
Non-Patent Citations (4)
| Title |
|---|
| Convolutional neural networks-based ship target recognition using high resolution range profiles;Osman Karabayır等;《2017 18th International Radar Symposium (IRS)》;20170815;全文 * |
| Inverse synthetic aperture radar imaging exploiting dictionary learning;changyu hu等;《2018 IEEE Radar Conference (RadarConf18)》;20180611;全文 * |
| 基于卷积神经网络的小样本ISAR图像识别;张富生;《电脑编程技巧与维护》;20180218(第02期);全文 * |
| 基于卷积神经网络的高分辨距离像目标识别;杨予昊等;《现代雷达》;20171215(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108872988A (zh) | 2018-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108872988B (zh) | 一种基于卷积神经网络的逆合成孔径雷达成像方法 | |
| CN111077523B (zh) | 一种基于生成对抗网络的逆合成孔径雷达成像方法 | |
| CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
| Hu et al. | Inverse synthetic aperture radar imaging using a fully convolutional neural network | |
| CN107132535B (zh) | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 | |
| Qin et al. | Enhancing ISAR resolution by a generative adversarial network | |
| Qian et al. | Super-resolution ISAR imaging for maneuvering target based on deep-learning-assisted time–frequency analysis | |
| Luo et al. | Bayesian MRI reconstruction with joint uncertainty estimation using diffusion models | |
| CN110244303A (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
| Shao et al. | A performance analysis of convolutional neural network models in SAR target recognition | |
| CN107831473B (zh) | 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法 | |
| CN110780298A (zh) | 基于变分贝叶斯学习的多基isar融合成像方法 | |
| Zhou et al. | Subdictionary-based joint sparse representation for SAR target recognition using multilevel reconstruction | |
| Deng et al. | Amplitude-phase CNN-based SAR target classification via complex-valued sparse image | |
| Hou et al. | Sparse coding-inspired high-resolution ISAR imaging using multistage compressive sensing | |
| Zhang et al. | Complex-valued graph neural network on space target classification for defocused ISAR images | |
| Chu et al. | Attention enhanced spatial temporal neural network for HRRP recognition | |
| Rostami et al. | A deep learning approach for reconstruction in millimeter-wave imaging systems | |
| Chen et al. | Variable length sequential iterable convolutional recurrent network for UWB-IR vehicle target recognition | |
| CN105204010A (zh) | 低信杂比合成孔径雷达图像的地物目标检测方法 | |
| CN114519384B (zh) | 一种基于稀疏sar幅度-相位图像数据集的目标分类方法 | |
| Hu et al. | Inverse synthetic aperture radar imaging using complex‐value deep neural network | |
| Ye et al. | RBM‐based joint dictionary learning for ISAR resolution enhancement | |
| Xiao et al. | Deep convolution network with sparse prior for sparse ISAR image enhancement | |
| Wu et al. | Ship HRRP target recognition against decoy jamming based on CNN‐BiLSTM‐SE model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |