CN114966693A - 基于深度学习的机载舰船目标isar精细化成像方法 - Google Patents

基于深度学习的机载舰船目标isar精细化成像方法 Download PDF

Info

Publication number
CN114966693A
CN114966693A CN202210851335.9A CN202210851335A CN114966693A CN 114966693 A CN114966693 A CN 114966693A CN 202210851335 A CN202210851335 A CN 202210851335A CN 114966693 A CN114966693 A CN 114966693A
Authority
CN
China
Prior art keywords
data
distance
image
value
azimuth
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.)
Granted
Application number
CN202210851335.9A
Other languages
English (en)
Other versions
CN114966693B (zh
Inventor
黄柏圣
陈小娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210851335.9A priority Critical patent/CN114966693B/zh
Publication of CN114966693A publication Critical patent/CN114966693A/zh
Application granted granted Critical
Publication of CN114966693B publication Critical patent/CN114966693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/9004—SAR image acquisition techniques
    • G01S13/9005—SAR image acquisition techniques with optical processing of the SAR signals
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

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)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出一种基于深度学习的机载舰船目标ISAR精细成像方法，属于雷达信号处理微波成像技术领域。本发明通过采用SAR粗聚焦成像、深度学习目标精确提取分割、ISAR精细聚焦成像、图像定标及实测数据验证，最终实现舰船目标的精细聚焦定标ISAR成像，与现有技术相比，本发明通过迁移学习的方法，利用深度神经网络U‑Net对粗聚焦的舰船目标SAR图像进行分割提取，高效提升了舰船目标分割提取的精准性，同时降低运算量，利于工程实现，提升舰船目标识别和精准分辨能力。

Description

基于深度学习的机载舰船目标ISAR精细化成像方法
技术领域
本发明属于雷达信号处理微波成像技术领域，具体涉及一种用于机载雷达舰船目标ISAR精细成像与目标识别的方法。
背景技术
光学方法和雷达传感器是探测海面舰船的主要手段，采用光学方法得到的海面舰船成像分辨率高，易于识别，缺陷是受恶劣环境影响大；相对于光学方法，雷达传感器具有全天候、全天时、不受天气限制等显著优点，因此在舰船目标检测领域受到广泛关注。
SAR(Synthetic Aperture Radar，合成孔径雷达)具有全天时、全天候、不受天气限制、高分辨等优点外，在军事应用中还具有广泛应用前景；然而SAR成像针对的是静止目标，舰船目标在SAR图像上是散焦的；因此，基于舰船目标的非合作性，采用ISAR(InverseSynthetic Aperture Radar，逆合成孔径雷达)成像手段对舰船目标进行处理，以得到舰船聚焦图像。
在实际情况中，雷达平台和舰船目标均在运动，所以得到的雷达回波里具有SAR和ISAR成分，使得成像环境十分复杂；加之舰船目标存在横滚、俯仰和偏航，在多个舰船目标的情况下，由于运动特性不同，因此无法单独使用SAR对多个舰船目标同时成像，且在同一雷达波束内存在距离上和方位上分不开的多个舰船目标，单独使用ISAR成像，从距离向和方位向上是无法从混合回波中分离出每一个舰船目标的回波信号，也不可能同时对每个舰船目标进行运动补偿。
当前舰船目标ISAR成像方法面临目标分割提取不精准、算法步骤繁琐、运算量大、图像定标误差大等难题，难以精细化聚焦成像，不利于工程实现及实际应用需求。
发明内容
本发明所要解决的技术问题是针对以上现有技术存在的不足，提出一种基于深度学习的机载舰船目标ISAR精细成像方法，考虑采用SAR粗聚焦成像、深度学习目标精确提取分割、ISAR精细聚焦成像、图像定标及实测数据验证，实现舰船目标的精细聚焦定标ISAR成像，降低运算量，利于工程实现，提升舰船目标识别和精准分辨能力。
本发明为解决以上技术问题，采用以下技术方案：
本发明提出了一种基于深度学习的机载舰船目标ISAR精细化成像方法，包括以下步骤：
S1、建立机载SAR对海面舰船目标成像几何模型；
S2、将机载SAR的原始回波信号变换到距离时域，完成距离脉压处理，得到第一回 波信号数据
Figure 347620DEST_PATH_IMAGE001
；
S3、对第一回波信号数据
Figure 575864DEST_PATH_IMAGE001
进行划分和处理，获得多普勒中心频率的估计 值，构造运动补偿函数，对第一回波信号数据
Figure 913304DEST_PATH_IMAGE001
进行距离FFT，并与运动补偿函数相 乘，获得运动补偿后的第一校正数据
Figure 868360DEST_PATH_IMAGE002
；
S4、对运动补偿后的第一校正数据
Figure 937947DEST_PATH_IMAGE002
进行距离走动校正，得到第二校正数 据
Figure 994765DEST_PATH_IMAGE003
；
S5、对第二校正数据
Figure 808000DEST_PATH_IMAGE004
在距离向做逆傅立叶变换，在方位向做傅立叶变 换，并对其采用图像中值滤波处理，获得第三图像数据
Figure 384606DEST_PATH_IMAGE005
，即SAR粗聚焦数据；
S6、采用深度神经网络U-Net对第三图像数据
Figure 625094DEST_PATH_IMAGE005
进行端到端目标分割提取；
S7、在方位向对目标分割所截取的数据
Figure 169208DEST_PATH_IMAGE006
做逆傅立叶变换处理，变换到距 离方位时域得第四图像数据
Figure 520555DEST_PATH_IMAGE007
；
S8、选取最优成像时间，对第四图像数据
Figure 453132DEST_PATH_IMAGE007
按相关法进行包络对齐处理，得 到包络对齐后的一维距离像数据
Figure 864522DEST_PATH_IMAGE008
，即第五图像数据；
S9、对包络对齐后的一维距离向数据
Figure 161511DEST_PATH_IMAGE008
进行相位相参性补偿处理，获得距离 像序列数据
Figure 316549DEST_PATH_IMAGE009
；对该距离像序列数据进行keystone变换，对发生距离走动的散射 点进行走动校正，获得第六图像数据
Figure 867747DEST_PATH_IMAGE010
；
S10、定标参数估计：利用去调频斜率Dechirp算法对目标高分辨瞬时成像，输入信号为第六图像数据，最终得到方位成像处理结果；
S11、对第六图像数据
Figure 450038DEST_PATH_IMAGE010
在方位信号进行加窗和加权处理，获得方位压缩后 的数据
Figure 968744DEST_PATH_IMAGE011
，并对其进行图像量化处理；
S12、图像定标：基于包括调频率样本在内的信息，估计图像距离和方位向刻度；
S13、对第六图像数据
Figure 661894DEST_PATH_IMAGE010
进行逆傅立叶变换处理，将其变换到距离方位时 域，根据图像定标参数结果，截取相应图像区域，输出精细ISAR图像。
本发明采用以上技术方案，与现有技术相比具有如下技术效果：
（1）通过迁移学习的方法，利用深度神经网络U-Net对粗聚焦的舰船目标SAR图像进行分割提取，高效提升了舰船目标进行分割提取的精准性。
（2）采用深度学习目标分割提取、成像时间优选、定标参数估计、图像量化及图像定标等方法，实现了舰船目标ISAR精细化成像。
（3）通过实测数据对本发明所提方法进行了验证，利于工程实现。
（4）本发明所提方法对多舰船目标的情况，同样也适用，利于应用拓展。
附图说明
图1 是本发明处理流程图。
图2 为机载SAR对海面舰船目标成像几何模型图。
图3 为基于多普勒中心估计的成像时间最优选取结果图。
图4 是本发明舰船ISAR精细成像处理结果图（图中：横坐标为方位门数序号，纵坐标为距离门数序号）。
图5 是现有技术舰船ISAR成像量化定标处理结果图（图中：横坐标为方位门数序号，纵坐标为距离门数序号）。
图6 为本发明舰船ISAR精细成像量化定标处理结果图（图中：横坐标为方位门数序号，纵坐标为距离门数序号）。
具体实施方式
为使得对本发明的技术解决方案更加明晰的展示，下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
本实施例是基于深度学习的机载舰船目标ISAR精细化成像方法，利用X波段机载舰船ISAR实测数据对本发明算法进行了验证，参照处理流出图1，具体实施方案步骤如下：
一、建立机载SAR对海面舰船目标成像几何模型。
机载SAR对海面舰船目标成像几何模型如图2所示，图中，
Figure 831713DEST_PATH_IMAGE012
分别表 示坐标轴的轴和坐标轴原点，A为机载ISAR平台，
Figure 319326DEST_PATH_IMAGE013
为舰船目标，
Figure 325328DEST_PATH_IMAGE014
为表示方位慢时间
Figure 822169DEST_PATH_IMAGE015
时舰船目标到机载ISAR平台之间的距离。
机载SAR发射线性调频(LFM)信号，则可得到海面舰船目标的瞬时斜距
Figure 347959DEST_PATH_IMAGE016
和机 载SAR的原始回波信号
Figure 6473DEST_PATH_IMAGE017
，其表达式为
Figure 968613DEST_PATH_IMAGE018
Figure 380396DEST_PATH_IMAGE019
其中，
Figure 150906DEST_PATH_IMAGE020
表示复数符号，
Figure 370535DEST_PATH_IMAGE021
表示机载SAR的载机速度，
Figure 960916DEST_PATH_IMAGE022
表示方位慢时间，
Figure 674926DEST_PATH_IMAGE023
表示
Figure 299942DEST_PATH_IMAGE024
时刻机载SAR的载机高度，
Figure 690472DEST_PATH_IMAGE025
表示
Figure 768149DEST_PATH_IMAGE024
时舰船目标在
Figure 518806DEST_PATH_IMAGE026
轴的速度分量，
Figure 998328DEST_PATH_IMAGE027
表示
Figure 559760DEST_PATH_IMAGE024
时舰船目标在
Figure 124733DEST_PATH_IMAGE028
轴的速度分量，
Figure 180545DEST_PATH_IMAGE029
表示
Figure 514574DEST_PATH_IMAGE024
时舰船目标在
Figure 246907DEST_PATH_IMAGE030
轴的速度分量，
Figure 299177DEST_PATH_IMAGE031
表示 机载SAR波束射线指向的斜视角，
Figure 671863DEST_PATH_IMAGE032
表示机载SAR波束中心线扫过舰船目标时的斜距，
Figure 860399DEST_PATH_IMAGE033
为 光速，
Figure 763633DEST_PATH_IMAGE034
为距离块时间，
Figure 303199DEST_PATH_IMAGE035
表示机载斜视SAR发射线性调频信号的调频率，
Figure 700813DEST_PATH_IMAGE036
为波长，
Figure 275014DEST_PATH_IMAGE037
表示机载SAR发射线性调频信号的方位窗函数，
Figure 83570DEST_PATH_IMAGE038
表示机载SAR发射线性调频信号的 窗函数，
Figure 110432DEST_PATH_IMAGE039
表示指数函数。
二、将机载SAR的原始回波信号变换到距离时域，完成距离脉压处理。
将原始回波信号
Figure 544693DEST_PATH_IMAGE040
在距离向进行傅里叶变换（FFT），并与下式参考函数
Figure 707821DEST_PATH_IMAGE041
相乘，并做逆傅里叶变换（IFFT），变换到距离时域，完成距离脉压处理，得到第一 回波信号数据
Figure 952858DEST_PATH_IMAGE042
。
Figure 201436DEST_PATH_IMAGE043
其中，
Figure 940853DEST_PATH_IMAGE044
为距离向频率，
Figure 224067DEST_PATH_IMAGE045
为汉明窗。
三、对第一回波信号数据
Figure 640005DEST_PATH_IMAGE042
进行划分和处理，并与构造对运动补偿函数相 乘，获得运动补偿后的第一校正数据
Figure 641459DEST_PATH_IMAGE046
。
将第一回波信号数据
Figure 420453DEST_PATH_IMAGE047
在脉冲维划分成多个子块回波数据，在每个子块回 波数据中取512个脉冲的回波数据，计算每个距离门所对应的相关系数，利用多普勒中心频 率计算公式求取每个距离门所对应的多普勒中心频率，并排序，取中间值作为多普勒中心 频率的估计，利用不模糊多普勒频率
Figure 558173DEST_PATH_IMAGE048
，计算模糊倍数，获得最终子块回波数据多普勒 中心频率的估计值，构造运动补偿函数，对第一回波信号数据
Figure 145012DEST_PATH_IMAGE047
进行距离FFT，并与运 动补偿函数相乘，获得运动补偿后的第一校正数据
Figure 368183DEST_PATH_IMAGE049
。具体步骤如下：
（1）第1子块回波数据每个距离门所对应的多普勒中心频率
Figure 449403DEST_PATH_IMAGE050
采用原始回波数据 最前面的512个脉冲估计，从第2子块开始，采用上一子块的最后512个脉冲来估计当前子块 回波数据每个距离门所对应的多普勒中心频率
Figure 441629DEST_PATH_IMAGE050
，计算每个距离门的相关系数值，第
Figure 464949DEST_PATH_IMAGE051
个距离门所对应的相关系数值为
Figure 175416DEST_PATH_IMAGE052
其中，
Figure 27703DEST_PATH_IMAGE053
为当前子块回波数据所对应的方位门序号，
Figure 264650DEST_PATH_IMAGE054
为当前子块回波数据所对 应的距离门序号，
Figure 803078DEST_PATH_IMAGE055
为当前子块回波信号数据，
Figure 876208DEST_PATH_IMAGE056
为当前子块回波信号数据的距离 门数，
Figure 423864DEST_PATH_IMAGE057
为当前子块回波数据方位门数。
（2）计算当前子块回波数据第
Figure 515316DEST_PATH_IMAGE058
个距离门所对应的多普勒中心频率
Figure 755805DEST_PATH_IMAGE059
：
Figure 552116DEST_PATH_IMAGE060
其中，
Figure 903463DEST_PATH_IMAGE061
为距离向频率，
Figure 849422DEST_PATH_IMAGE062
表示求角度。对每个距离门所对应的多普勒中心 频率
Figure 526391DEST_PATH_IMAGE063
排序，取中间值作为当前子块回波数据多普勒中心频率的估计值
Figure 308533DEST_PATH_IMAGE064
。
（3）考虑每个距离门所对应的多普勒中心频率
Figure 932413DEST_PATH_IMAGE065
模糊问题，不模糊多普勒频率
Figure 998458DEST_PATH_IMAGE066
为
Figure 580749DEST_PATH_IMAGE067
其中，
Figure 83143DEST_PATH_IMAGE068
为载机平台地速，
Figure 900927DEST_PATH_IMAGE069
为斜视角，
Figure 165686DEST_PATH_IMAGE070
为波长。模糊数
Figure 794244DEST_PATH_IMAGE071
为
Figure 675613DEST_PATH_IMAGE072
其中，
Figure 297087DEST_PATH_IMAGE073
为MATLAB函数，表示向下舍入到最接近的整数，因此，最终多普勒中 心频率估计值
Figure 947511DEST_PATH_IMAGE074
为
Figure 982857DEST_PATH_IMAGE075
。
（4）对当前子块回波信号数据在距离向FFT，并与下式运动补偿函数
Figure 351521DEST_PATH_IMAGE076
相乘，完 成运动补偿处理，获得运动补偿后的第一校正数据
Figure 511107DEST_PATH_IMAGE077
：
Figure 891404DEST_PATH_IMAGE078
其中
Figure 720820DEST_PATH_IMAGE079
表示运动补偿函数，
Figure 701414DEST_PATH_IMAGE080
表示复数符号，
Figure 540057DEST_PATH_IMAGE081
表示指数函数。
四、对运动补偿后的第一校正数据
Figure 273395DEST_PATH_IMAGE082
进行距离走动校正，得到第二校正数 据
Figure 539292DEST_PATH_IMAGE083
。
将运动补偿后的第一校正数据
Figure 741603DEST_PATH_IMAGE077
乘以如下参考函数
Figure 383937DEST_PATH_IMAGE084
，得到第 二校正数据
Figure 738826DEST_PATH_IMAGE085
Figure 910044DEST_PATH_IMAGE086
其中，
Figure 599652DEST_PATH_IMAGE087
为表示方位慢时间
Figure 780097DEST_PATH_IMAGE088
时舰船目标到机载SAR平台之间的距离，
Figure 479239DEST_PATH_IMAGE089
为发 射信号载频。
五、对第二校正数据
Figure 86938DEST_PATH_IMAGE090
在距离向做逆傅立叶变换，在方位向做傅立叶变 换。
对第二校正数据
Figure 529420DEST_PATH_IMAGE091
在距离向做IFFT，方位向做FFT：
Figure 982399DEST_PATH_IMAGE092
其中，
Figure 311880DEST_PATH_IMAGE093
为距离快时间，
Figure 90480DEST_PATH_IMAGE094
为方位向频率。
六、对
Figure 754680DEST_PATH_IMAGE095
进行图像中值滤波处理。
利用图像中值滤波的方法对
Figure 385250DEST_PATH_IMAGE095
进行去噪处理，获得SAR粗聚焦的第三图像 数据
Figure 693871DEST_PATH_IMAGE096
，图像的中值滤波表示为：
Figure 768007DEST_PATH_IMAGE097
其中，
Figure 263710DEST_PATH_IMAGE098
为滤波窗口，大小为
Figure 465015DEST_PATH_IMAGE099
，
Figure 893723DEST_PATH_IMAGE100
表示对窗口内的灰度值求中值，
Figure 138759DEST_PATH_IMAGE101
为数据
Figure 652917DEST_PATH_IMAGE102
第
Figure 893799DEST_PATH_IMAGE103
行第
Figure 504909DEST_PATH_IMAGE104
列值。
七、采用深度神经网络U-Net对中值滤波处理后的图像数据进行目标分割提取。
采用深度神经网络U-Net模型，对第三图像数据
Figure 406000DEST_PATH_IMAGE105
进行端到端目标分割提取， 具体步骤如下：
（1）目标函数优化
采用目标掩蔽（mask）与预测的交叉熵损失作为损失函数，其表达式如下：
Figure 735350DEST_PATH_IMAGE106
其中，
Figure 245835DEST_PATH_IMAGE107
为真实值，
Figure 852397DEST_PATH_IMAGE108
为预测标签值，对于前景即目标，标签值为1，对于背景，标签 值为0，
Figure 704815DEST_PATH_IMAGE109
表示求以10为底的对数。
（2）预训练
采用迁移学习的方法，首先在kaggle公司的Carvana Image Masking Challenge数据集上进行训练。然后利用RSOD Dataset数据集，对模型参数进行训练，得到最终的模型。Carvana Image Masking Challenge数据集包含5000 多个分割标注样本，预训练时设置批次为1，学习率为0.1，训练 200 个轮回后保存模型参数，用于之后的训练。
（3）训练
加载预训练的参数到模型中，以同样的训练参数，对第三图像数据
Figure 537773DEST_PATH_IMAGE110
进行训 练，实现舰船目标的提取分割，在经过100 个轮回之后，模型已经能够取得较好的预测效 果。
（4）舰船目标进行边界检测
分别计算舰船目标的最小距离单元
Figure 743626DEST_PATH_IMAGE111
、最大距离单元
Figure 860487DEST_PATH_IMAGE112
、最小方位单元
Figure 759173DEST_PATH_IMAGE113
和 最大方位单元
Figure 315312DEST_PATH_IMAGE114
，结合
Figure 324857DEST_PATH_IMAGE115
数据，对数据截取窗口进行合理设置，使得目标分割所截 取的数据
Figure 561803DEST_PATH_IMAGE006
的距离门数
Figure 365811DEST_PATH_IMAGE116
和方位门数
Figure 438940DEST_PATH_IMAGE117
满足下式：
Figure 986596DEST_PATH_IMAGE118
Figure 78049DEST_PATH_IMAGE119
其中，
Figure 52958DEST_PATH_IMAGE120
为距离门数序号，
Figure 111919DEST_PATH_IMAGE121
为方位门数序号，
Figure 463266DEST_PATH_IMAGE122
、
Figure 409225DEST_PATH_IMAGE123
取 整数，使
Figure 820615DEST_PATH_IMAGE124
和
Figure 602757DEST_PATH_IMAGE125
取值分别满足2的
Figure 757795DEST_PATH_IMAGE126
和
Figure 823840DEST_PATH_IMAGE127
次幂。
八、在方位向对目标分割所截取的数据
Figure 140552DEST_PATH_IMAGE128
做IFFT处理，变换到距离方位时 域得到第四图像数据
Figure 645876DEST_PATH_IMAGE129
。
九、最优成像时间选取。
所谓最优，是指能够获得高质量(图像清晰，聚焦好)目标像的时间段，在该观测时间内，目标上各散射点回波信号的多普勒频率恒定，处理结果如图3所示，本实施例选取优选区间1。具体步骤如下：
（1）采用滑窗（
Figure 339025DEST_PATH_IMAGE130
，
Figure 259577DEST_PATH_IMAGE131
为滑窗方位门数16）及步骤3中多普勒中心频率估计的 方法，针对第四图像数据
Figure 622556DEST_PATH_IMAGE132
估计每个滑窗时刻的多普勒中心频率估计
Figure 503925DEST_PATH_IMAGE133
，得到 时间多普勒曲线，
Figure 859820DEST_PATH_IMAGE134
对应滑窗时刻；
（2）求多普勒曲线相邻多普勒中心频率之差的绝对值；
（3）取多普勒曲线中相邻绝对值间多普勒中心之差绝对值最大的时间区段作为ISAR的最优成像时间的选取区段。
十、对目标截取数据，按相关法进行包络对齐处理。
设置滑窗对齐的累积脉冲序数为
Figure 510244DEST_PATH_IMAGE135
，本实施方案设为16，对第四图像数据
Figure 808239DEST_PATH_IMAGE136
，按相关法进行包络对齐，具体处理步骤如下：
（1）从第2个一维距离像开始，按下式求系数序列
Figure 176903DEST_PATH_IMAGE137
；
Figure 336489DEST_PATH_IMAGE138
其中，
Figure 575841DEST_PATH_IMAGE139
，
Figure 546202DEST_PATH_IMAGE140
为对齐后的数据，
Figure 402162DEST_PATH_IMAGE141
，
Figure 99860DEST_PATH_IMAGE142
表示方位门序号所对应的距离 门数据，
Figure 847847DEST_PATH_IMAGE143
表示滑窗移动步长，
Figure 113743DEST_PATH_IMAGE144
表示滑窗对齐的累积脉冲序数，符号
Figure 316054DEST_PATH_IMAGE145
表示求共轭，
Figure 958388DEST_PATH_IMAGE146
为移位函数，
Figure 313277DEST_PATH_IMAGE147
表示求绝对值。
（2）按下式求系数序列
Figure 750075DEST_PATH_IMAGE148
的最大值索引
Figure 439682DEST_PATH_IMAGE149
；
Figure 354549DEST_PATH_IMAGE150
其中，
Figure 328059DEST_PATH_IMAGE151
表示求最大值，
Figure 935758DEST_PATH_IMAGE152
表示所求得的最大值。
（3）计算移动单元数
Figure 112661DEST_PATH_IMAGE153
；
Figure 831218DEST_PATH_IMAGE154
；
（4）对
Figure 160700DEST_PATH_IMAGE155
进行移动对齐，得到包络对齐后的一维距离像数据
Figure 939300DEST_PATH_IMAGE156
，即第五 图像数据：
Figure 603499DEST_PATH_IMAGE157
其中，
Figure 125747DEST_PATH_IMAGE158
，
Figure 811200DEST_PATH_IMAGE159
。
十一、对第五图像数据
Figure 495122DEST_PATH_IMAGE160
Figure 381039DEST_PATH_IMAGE161
进行相位相参性补偿处理，使得 方位成像具备相参性，具体处理步骤如下：
（1）利用第五图像数据
Figure 706978DEST_PATH_IMAGE162
计算幅度方差
Figure 745472DEST_PATH_IMAGE163
并排序，计算公式如下：
Figure 724929DEST_PATH_IMAGE164
Figure 239087DEST_PATH_IMAGE165
其中，
Figure 477040DEST_PATH_IMAGE166
为求方差，
Figure 494674DEST_PATH_IMAGE167
为求均值，
Figure 176191DEST_PATH_IMAGE168
为从小到大排序，
Figure 912066DEST_PATH_IMAGE169
为排序后的幅 度方差值，
Figure 189595DEST_PATH_IMAGE170
为
Figure 327315DEST_PATH_IMAGE169
在
Figure 179733DEST_PATH_IMAGE171
中所对应的索引位置。
（2）利用排序结果
Figure 137325DEST_PATH_IMAGE172
选取用来相位补偿的距离单元，输入阈值
Figure 720010DEST_PATH_IMAGE173
要 经过比较确认，计算公式如下：
Figure 712236DEST_PATH_IMAGE174
Figure 469977DEST_PATH_IMAGE175
其中，
Figure 180444DEST_PATH_IMAGE176
和
Figure 65354DEST_PATH_IMAGE177
分别表示不大于阈值
Figure 177667DEST_PATH_IMAGE178
对应的距离单元位置，
Figure 371888DEST_PATH_IMAGE179
为 MATLAB函数，表示找到某个值所处的行列位置序号。
（3）利用选取的距离单元对一维距离像序列进行相位补偿得到距离像序列数据
Figure 304072DEST_PATH_IMAGE180
，计算公式如下：
Figure 225629DEST_PATH_IMAGE181
Figure 192448DEST_PATH_IMAGE182
Figure 291991DEST_PATH_IMAGE183
Figure 977050DEST_PATH_IMAGE184
其中，
Figure 203763DEST_PATH_IMAGE185
表示求角度，
Figure 884144DEST_PATH_IMAGE186
表示共轭。
十二、对相位补偿后的距离像序列数据
Figure 29954DEST_PATH_IMAGE187
进行keystone变换，对发生距 离走动的散射点进行走动校正，获得第六图像数据
Figure 313561DEST_PATH_IMAGE188
。
十三、定标参数估计
利用去调频斜率（Dechirp）算法对目标高分辨瞬时成像，输入信号为keystone变 换后的第六图像数据
Figure 203020DEST_PATH_IMAGE188
，最终得到方位成像处理结果
Figure 269065DEST_PATH_IMAGE189
、
Figure 851356DEST_PATH_IMAGE190
、
Figure 120794DEST_PATH_IMAGE191
，具体处理步骤如 下：
（1）设定第
Figure 813944DEST_PATH_IMAGE192
个距离单元信号调频率范围为
Figure 734495DEST_PATH_IMAGE193
，
Figure 487688DEST_PATH_IMAGE194
表示调频 率的最小值，
Figure 477378DEST_PATH_IMAGE195
表示调频率的最大值，
Figure 708639DEST_PATH_IMAGE196
为搜索步长，搜索范围事先输入，通过4次迭 代搜索实现对调频率精确估计值
Figure 483697DEST_PATH_IMAGE197
。
（2）由估计的调频率构造分量信号，并估计调频分量的峰值位置信息，计算公式如下：
Figure 407791DEST_PATH_IMAGE198
Figure 917401DEST_PATH_IMAGE199
Figure 952353DEST_PATH_IMAGE200
其中，
Figure 581917DEST_PATH_IMAGE201
为海明窗函数，
Figure 411333DEST_PATH_IMAGE202
为最大值索引，
Figure 101248DEST_PATH_IMAGE203
表示所求得的最大 值。
（3）由调频分量的主峰位置确定左右截止点
Figure 64524DEST_PATH_IMAGE204
和
Figure 689541DEST_PATH_IMAGE205
；
（4）估计线性调频分量信号，计算公式如下：
Figure 830803DEST_PATH_IMAGE206
Figure 908481DEST_PATH_IMAGE207
Figure 409869DEST_PATH_IMAGE208
Figure 889392DEST_PATH_IMAGE209
Figure 700091DEST_PATH_IMAGE210
Figure 265065DEST_PATH_IMAGE211
Figure 570144DEST_PATH_IMAGE212
Figure 169753DEST_PATH_IMAGE213
Figure 652818DEST_PATH_IMAGE214
Figure 439508DEST_PATH_IMAGE215
Figure 548278DEST_PATH_IMAGE216
Figure 2393DEST_PATH_IMAGE217
其中，
Figure 157825DEST_PATH_IMAGE218
表示形成指定维数的零矩阵，
Figure 431811DEST_PATH_IMAGE219
为插值倍数，
Figure 78693DEST_PATH_IMAGE220
代表方位门数，
Figure 387315DEST_PATH_IMAGE221
表 示复数符号，
Figure 212182DEST_PATH_IMAGE222
为移位函数，
Figure 973465DEST_PATH_IMAGE223
为分解次数，
Figure 158459DEST_PATH_IMAGE224
表示求绝对值；
Figure 587166DEST_PATH_IMAGE225
和
Figure 81470DEST_PATH_IMAGE226
分别为调频分量主峰位置左右截止点，
Figure 330049DEST_PATH_IMAGE227
为调频率精确估计值，
Figure 318733DEST_PATH_IMAGE228
、
Figure 601947DEST_PATH_IMAGE229
、
Figure 768618DEST_PATH_IMAGE230
、
Figure 504492DEST_PATH_IMAGE232
为 相应公式计算结果，
Figure 296868DEST_PATH_IMAGE233
为调频率精确校正后的图像数据，
Figure 700167DEST_PATH_IMAGE234
为调频率精确估计值最终结 果，
Figure 539204DEST_PATH_IMAGE235
为调频率精确校正之前图像数据的幅度值。
得到第1个调频分量后，重复（1）~（4）步骤，继续分解，直到达到设置的分解个数
Figure 496795DEST_PATH_IMAGE236
和剩余能量百分比。
十四、方位压缩：
对第六图像数据
Figure 358441DEST_PATH_IMAGE237
在方位信号进行加窗和加权处理，获得方位压缩后的数 据
Figure 350668DEST_PATH_IMAGE238
，公式如下：
Figure 593562DEST_PATH_IMAGE239
。
十五、图像量化，具体步骤如下：
（1）对
Figure 569608DEST_PATH_IMAGE240
进行量化处理，计算公式如下：
Figure 703786DEST_PATH_IMAGE241
，
Figure 550519DEST_PATH_IMAGE242
为一输入的固定次幂；
（2）对矩阵
Figure 994008DEST_PATH_IMAGE243
在大小为
Figure 926192DEST_PATH_IMAGE244
（
Figure 864061DEST_PATH_IMAGE245
为滤波窗尺寸）的窗内均值滤 波，对超出范围的窗边界按照实际大小确定开窗大小计算均值，得到
Figure 565300DEST_PATH_IMAGE246
；
（3）对图像
Figure 681155DEST_PATH_IMAGE246
进行二值化处理；
（4）根据二值化结果确定目标的径向范围，计算公式如下：
Figure 100635DEST_PATH_IMAGE247
Figure 576616DEST_PATH_IMAGE248
Figure 132362DEST_PATH_IMAGE249
其中，
Figure 920583DEST_PATH_IMAGE250
为MATLAB函数，表示找到某个值所处的行列位置序号，
Figure 827359DEST_PATH_IMAGE251
为行位置 序号，
Figure 841451DEST_PATH_IMAGE252
为列位置序号，
Figure 392650DEST_PATH_IMAGE253
为行位置序号最大值，
Figure 709361DEST_PATH_IMAGE254
为行位置序号最小值。
十六、图像定标：基于调频率
Figure 228067DEST_PATH_IMAGE255
样本等信息,估计图像距离和方位向刻度
Figure 29539DEST_PATH_IMAGE256
、
Figure 825457DEST_PATH_IMAGE257
、
Figure 172125DEST_PATH_IMAGE258
，计算公式如下：
Figure 53493DEST_PATH_IMAGE259
Figure 160120DEST_PATH_IMAGE260
Figure 935178DEST_PATH_IMAGE261
Figure 859272DEST_PATH_IMAGE262
Figure 350907DEST_PATH_IMAGE263
Figure 120280DEST_PATH_IMAGE264
Figure 281003DEST_PATH_IMAGE265
Figure 375998DEST_PATH_IMAGE266
Figure 841745DEST_PATH_IMAGE267
Figure 680388DEST_PATH_IMAGE268
Figure 430038DEST_PATH_IMAGE269
Figure 695935DEST_PATH_IMAGE270
其中，
Figure 147513DEST_PATH_IMAGE271
表示所求得的最大值，
Figure 524268DEST_PATH_IMAGE272
表示最大值索引，
Figure 269370DEST_PATH_IMAGE273
为波长、
Figure 565222DEST_PATH_IMAGE274
为重 频，
Figure 395775DEST_PATH_IMAGE275
为距离分辨率，
Figure 451587DEST_PATH_IMAGE276
为截取的目标长度，
Figure 785616DEST_PATH_IMAGE277
是利用最小二乘法拟合，
Figure 517949DEST_PATH_IMAGE278
为方位 门数，取512，其余参数为相应公式计算结果，
Figure 570219DEST_PATH_IMAGE279
为约定参数，一般取1。
十七、对第六图像数据
Figure 931186DEST_PATH_IMAGE280
做IFFT，变换到距离方位时域，根据图像定标参数 结果，截取相应图像区域，输出精细ISAR图像，如图4所示（图中横坐标为方位门数序号，纵 坐标为距离门数序号）。
图5为现有技术量化定标处理结果，图6为本发明量化定标处理结果（图中横坐标为方位门数序号，纵坐标为距离门数序号），相比舰船目标ISAR成像处理结果来看，本发明实现了机载舰船目标ISAR精细化成像，拓展了机载舰船目标ISAR成像应用，利于海面舰船目标检测与精准识别。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，但是在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，包括以下步骤：
S1、建立机载SAR对海面舰船目标成像几何模型；
S2、将机载SAR的原始回波信号
Figure 778729DEST_PATH_IMAGE001
变换到距离时域，完成距离脉压处理，得到第一 回波信号数据
Figure 40077DEST_PATH_IMAGE002
；
S3、对第一回波信号数据
Figure 147710DEST_PATH_IMAGE002
进行划分和处理，获得多普勒中心频率的估计值，构 造运动补偿函数，对第一回波信号数据
Figure 746182DEST_PATH_IMAGE002
进行距离FFT，并与运动补偿函数相乘，获 得运动补偿后的第一校正数据
Figure 872138DEST_PATH_IMAGE003
；
S4、对运动补偿后的第一校正数据
Figure 22497DEST_PATH_IMAGE003
进行距离走动校正，得到第二校正数据
Figure 102580DEST_PATH_IMAGE004
；
S5、对第二校正数据在距离向做逆傅立叶变换，在方位向做傅立叶变换，并对其采用图 像中值滤波处理，获得第三图像数据
Figure 629376DEST_PATH_IMAGE005
，即SAR粗聚焦数据；
S6、采用深度神经网络U-Net对第三图像数据
Figure 767096DEST_PATH_IMAGE005
进行端到端目标分割提取；
S7、在方位向对目标分割所截取的数据
Figure 340553DEST_PATH_IMAGE006
做逆傅立叶变换处理，变换到距离方 位时域得第四图像数据
Figure 422779DEST_PATH_IMAGE007
；
S8、选取最优成像时间，对第四图像数据按相关法进行包络对齐处理，得到包络对齐后 的一维距离像数据
Figure 628632DEST_PATH_IMAGE008
，即第五图像数据；
S9、对包络对齐后的一维距离向数据
Figure 496225DEST_PATH_IMAGE008
进行相位相参性补偿处理，获得距离像序 列数据
Figure 394911DEST_PATH_IMAGE009
；对该距离像序列数据进行keystone变换，对发生距离走动的散射点进 行走动校正，获得第六图像数据
Figure 964433DEST_PATH_IMAGE010
；
S10、定标参数估计：利用去调频斜率Dechirp算法对目标高分辨瞬时成像，输入信号为 第六图像数据
Figure 816720DEST_PATH_IMAGE010
，最终得到方位成像处理结果；
S11、对第六图像数据
Figure 929033DEST_PATH_IMAGE010
在方位信号进行加窗和加权处理，获得方位压缩后的数 据
Figure 592095DEST_PATH_IMAGE011
，并对其进行图像量化处理；
S12、图像定标：基于包括调频率样本在内的信息，估计图像距离和方位向刻度；
S13、对第六图像数据
Figure 665224DEST_PATH_IMAGE010
进行逆傅立叶变换处理，将其变换到距离方位时域，根 据图像定标参数结果，截取相应图像区域，输出精细ISAR图像。
2.根据权利要求1所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征 在于，在步骤S3中，将第一回波信号数据
Figure 947301DEST_PATH_IMAGE012
数据在脉冲维划分成多个子块回波数据， 在每个子块回波数据中取512个脉冲的回波数据，计算每个距离门所对应的相关系数，利用 多普勒中心频率计算公式求取每个距离门所对应的多普勒中心频率，并排序，取中间值作 为多普勒中心频率的估计，利用不模糊多普勒频率
Figure 38754DEST_PATH_IMAGE013
，计算模糊倍数，获得最终子块回 波数据多普勒中心频率的估计值，构造运动补偿函数，对第一回波信号数据
Figure 390494DEST_PATH_IMAGE014
进行 距离FFT，并与运动补偿函数相乘，获得运动补偿后的第一校正数据
Figure 809974DEST_PATH_IMAGE015
。
3.根据权利要求2所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S3的具体步骤如下：
（1）第1子块回波数据每个距离门所对应的多普勒中心频率
Figure 285955DEST_PATH_IMAGE016
采用原始回波数据最前 面的512个脉冲估计，从第2子块开始，采用上一子块的最后512个脉冲来估计当前子块回波 数据每个距离门所对应的多普勒中心频率
Figure 841701DEST_PATH_IMAGE016
，计算每个距离门的相关系数值，第
Figure 128457DEST_PATH_IMAGE017
个距 离门所对应的相关系数值为
Figure 35233DEST_PATH_IMAGE018
其中，
Figure 783746DEST_PATH_IMAGE019
为当前子块回波数据所对应的方位门序号，
Figure 99059DEST_PATH_IMAGE020
为当前子块回波数据所对应的 距离门序号，
Figure 415771DEST_PATH_IMAGE021
为当前子块回波信号数据，
Figure 934477DEST_PATH_IMAGE022
为当前子块回波信号数据的距离门数，
Figure 237413DEST_PATH_IMAGE023
为当前子块回波数据方位门数；
（2）计算当前子块回波数据第
Figure 361227DEST_PATH_IMAGE024
个距离门所对应的多普勒中心频率
Figure 848840DEST_PATH_IMAGE025
：
Figure 841461DEST_PATH_IMAGE026
其中，
Figure 462935DEST_PATH_IMAGE027
为距离向频率，
Figure 926408DEST_PATH_IMAGE028
表示求角度；对每个距离门所对应的多普勒中心频率
Figure 443977DEST_PATH_IMAGE029
排序，取中间值作为当前子块回波数据多普勒中心频率的估计值
Figure 812642DEST_PATH_IMAGE030
；
（3）考虑每个距离门所对应的多普勒中心频率
Figure 955916DEST_PATH_IMAGE031
模糊问题，不模糊多普勒频率
Figure 851060DEST_PATH_IMAGE032
为
Figure 414896DEST_PATH_IMAGE033
其中，
Figure 880644DEST_PATH_IMAGE034
为载机平台地速，
Figure 578341DEST_PATH_IMAGE035
为斜视角，
Figure 937778DEST_PATH_IMAGE036
为波长；模糊数
Figure 568787DEST_PATH_IMAGE037
为
Figure 646464DEST_PATH_IMAGE038
其中，
Figure 147853DEST_PATH_IMAGE039
为MATLAB函数，表示向下舍入到最接近的整数，最终多普勒中心频率估 计值
Figure 502742DEST_PATH_IMAGE040
为
Figure 673960DEST_PATH_IMAGE041
；
（4）对当前子块回波信号数据在距离向FFT，并与下式运动补偿函数
Figure 363568DEST_PATH_IMAGE042
相乘，完成运 动补偿处理，获得运动补偿后的第一校正数据
Figure 544013DEST_PATH_IMAGE043
，
Figure 251944DEST_PATH_IMAGE044
，
其中，
Figure 859643DEST_PATH_IMAGE042
表示运动补偿函数，
Figure 770967DEST_PATH_IMAGE045
表示复数符号，
Figure 364891DEST_PATH_IMAGE046
表示指数函数。
4.根据权利要求3所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S4具体步骤如下：
将运动补偿后的第一校正数据
Figure 819006DEST_PATH_IMAGE047
乘以如下参考函数
Figure 722240DEST_PATH_IMAGE048
，得到距离走 动校正的数据，即第二校正数据
Figure 996226DEST_PATH_IMAGE049
Figure 895305DEST_PATH_IMAGE050
其中，
Figure 203927DEST_PATH_IMAGE051
为表示方位慢时间
Figure 278062DEST_PATH_IMAGE052
时舰船目标到机载SAR平台之间的距离，
Figure 39345DEST_PATH_IMAGE053
为发射信 号载频，
Figure 975071DEST_PATH_IMAGE054
为光速，
Figure 262833DEST_PATH_IMAGE055
表示机载斜视ISAR发射线性调频信号的调频率。
5.根据权利要求4所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S5具体步骤如下：
（1）对第二校正数据
Figure 383236DEST_PATH_IMAGE056
在距离向做IFFT，方位向做FFT，
Figure 271295DEST_PATH_IMAGE057
其中，
Figure 135346DEST_PATH_IMAGE058
为距离快时间，
Figure 277614DEST_PATH_IMAGE059
为方位向频率；
（2）利用图像中值滤波的方法对
Figure 568918DEST_PATH_IMAGE060
进行去噪处理，获得SAR粗聚焦的第三图像数 据
Figure 180159DEST_PATH_IMAGE061
，图像的中值滤波表示为：
Figure 847901DEST_PATH_IMAGE062
其中，
Figure 579096DEST_PATH_IMAGE063
为滤波窗口，
Figure 683712DEST_PATH_IMAGE064
表示对窗口内的灰度值求中值，
Figure 906883DEST_PATH_IMAGE065
为数据
Figure 237370DEST_PATH_IMAGE066
第
Figure 229597DEST_PATH_IMAGE067
行第
Figure 3649DEST_PATH_IMAGE068
列值。
6.根据权利要求5所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征 在于，步骤S6采用深度神经网络
Figure 448537DEST_PATH_IMAGE069
模型，对SAR粗聚焦的第三图像数据
Figure 582715DEST_PATH_IMAGE070
进行 端到端目标分割提取，具体步骤如下：
（1）目标函数优化
采用目标掩蔽与预测的交叉熵损失作为损失函数，其表达式如下：
Figure 429448DEST_PATH_IMAGE071
其中，
Figure 607358DEST_PATH_IMAGE072
为真实值，
Figure 805121DEST_PATH_IMAGE073
为预测标签值，对于前景即目标，标签值为1，对于背景，标签值为 0，
Figure 477411DEST_PATH_IMAGE074
表示求以10为底的对数；
（2）预训练
采用迁移学习的方法，首先在kaggle公司的Carvana Image Masking Challenge数据集上进行训练；然后利用RSOD Dataset数据集，对模型参数进行训练，得到最终的模型，预训练时设置批次为1，学习率为0.1，训练 200 个轮回后保存模型参数，用于之后的训练；
（3）训练
加载预训练的参数到模型中，以同样的训练参数，对第三图像数据
Figure 444230DEST_PATH_IMAGE075
进行训练， 实现舰船目标的提取分割；
（4）舰船目标进行边界检测
分别计算舰船目标的最小距离单元
Figure 294505DEST_PATH_IMAGE076
、最大距离单元
Figure 979564DEST_PATH_IMAGE077
、最小方位单元
Figure 189966DEST_PATH_IMAGE078
和最大 方位单元
Figure 276870DEST_PATH_IMAGE079
，结合
Figure 799512DEST_PATH_IMAGE080
数据，对数据截取窗口进行合理设置，使得目标分割所截取的 数据
Figure 830922DEST_PATH_IMAGE081
的距离门数
Figure 64588DEST_PATH_IMAGE082
和方位门数
Figure 599475DEST_PATH_IMAGE083
满足下式：
Figure 962192DEST_PATH_IMAGE084
Figure 215319DEST_PATH_IMAGE085
其中，
Figure 783834DEST_PATH_IMAGE086
为距离门数序号，
Figure 314173DEST_PATH_IMAGE087
为方位门数序号，
Figure 191999DEST_PATH_IMAGE088
、
Figure 73367DEST_PATH_IMAGE089
取整 数，使
Figure 427599DEST_PATH_IMAGE090
和
Figure 202657DEST_PATH_IMAGE091
取值分别满足2的
Figure 126751DEST_PATH_IMAGE092
次幂和2的
Figure 370781DEST_PATH_IMAGE093
次幂。
7.根据权利要求6所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S8中最优成像时间选取的具体步骤如下：
（1）采用滑窗
Figure 405734DEST_PATH_IMAGE094
，以及步骤S3中多普勒中心频率估计的方法，针对第四图像数据
Figure 35298DEST_PATH_IMAGE095
估计每个滑窗时刻的多普勒中心频率估计
Figure 130293DEST_PATH_IMAGE096
，得到时间多普勒曲线，
Figure 360155DEST_PATH_IMAGE097
对 应滑窗时刻，
Figure 933219DEST_PATH_IMAGE098
为滑窗方位门数；
（2）求多普勒曲线相邻多普勒中心频率之差的绝对值；
（3）取多普勒曲线中相邻绝对值间多普勒中心之差绝对值最大的时间区段作为ISAR的最优成像时间的选取区段。
8.根据权利要求7所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征 在于，步骤S8中，设置滑窗对齐的累积脉冲序数为
Figure 682869DEST_PATH_IMAGE099
，对第四图像数据
Figure 683186DEST_PATH_IMAGE100
，按相关法 进行包络对齐，具体处理步骤如下：
（1）从第2个一维距离像开始，按下式求系数序列
Figure 636230DEST_PATH_IMAGE101
；
Figure 278563DEST_PATH_IMAGE102
其中，
Figure 882720DEST_PATH_IMAGE103
，
Figure 319518DEST_PATH_IMAGE104
为对齐后的数据，
Figure 261322DEST_PATH_IMAGE105
，
Figure 176189DEST_PATH_IMAGE106
表示方位门序号
Figure 900431DEST_PATH_IMAGE107
所对应的距离 门数据，
Figure 508130DEST_PATH_IMAGE108
表示滑窗移动步长，
Figure 435766DEST_PATH_IMAGE109
表示滑窗对齐的累积脉冲序数，符号
Figure 154323DEST_PATH_IMAGE110
表示求共轭，
Figure 733072DEST_PATH_IMAGE111
为移位函数，
Figure 619994DEST_PATH_IMAGE112
表示求绝对值；
（2）按下式求系数序列
Figure 159560DEST_PATH_IMAGE113
的最大值索引
Figure 806442DEST_PATH_IMAGE114
；
Figure 115064DEST_PATH_IMAGE115
其中，
Figure 939931DEST_PATH_IMAGE116
表示求最大值，
Figure 701214DEST_PATH_IMAGE117
表示所求得的最大值；
（3）计算移动单元数
Figure 151787DEST_PATH_IMAGE118
；
Figure 895008DEST_PATH_IMAGE119
；
（4）对第
Figure 15411DEST_PATH_IMAGE120
进行移动对齐，得到包络对齐后的一维距离像数据
Figure 654203DEST_PATH_IMAGE121
，即第五 图像数据：
Figure 518254DEST_PATH_IMAGE122
其中，
Figure 411254DEST_PATH_IMAGE123
，
Figure 827192DEST_PATH_IMAGE124
。
9.根据权利要求8所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征 在于，步骤S9中，对第五图像数据
Figure 563067DEST_PATH_IMAGE125
进行相位相参性补偿处理，使得方位成像具备相 参性，具体处理步骤如下：
（1）利用第五图像数据
Figure 339131DEST_PATH_IMAGE125
计算幅度方差
Figure 476851DEST_PATH_IMAGE126
并排序，计算公式如下：
Figure 329270DEST_PATH_IMAGE127
Figure 286861DEST_PATH_IMAGE128
其中，
Figure 633660DEST_PATH_IMAGE129
为求方差，
Figure 360308DEST_PATH_IMAGE130
为求均值，
Figure 118048DEST_PATH_IMAGE131
为从小到大排序，
Figure 828515DEST_PATH_IMAGE132
为排序后的幅度方差 值，
Figure 214890DEST_PATH_IMAGE133
为
Figure 61624DEST_PATH_IMAGE132
在
Figure 255845DEST_PATH_IMAGE134
中所对应的索引位置；
（2）利用排序结果
Figure 797816DEST_PATH_IMAGE135
选取用来相位补偿的距离单元，输入阈值
Figure 611051DEST_PATH_IMAGE136
要经过 比较确认，计算公式如下：
Figure 702504DEST_PATH_IMAGE137
Figure 677413DEST_PATH_IMAGE138
其中，
Figure 736373DEST_PATH_IMAGE139
和
Figure 822141DEST_PATH_IMAGE140
分别表示不大于阈值
Figure 768100DEST_PATH_IMAGE141
对应的距离单元位置，
Figure 913911DEST_PATH_IMAGE142
为 MATLAB函数，表示找到某个值所处的行列位置序号；
（3）利用选取的距离单元对一维距离像序列进行相位补偿得到距离像序列数据
Figure 430474DEST_PATH_IMAGE143
， 计算公式如下：
Figure 178987DEST_PATH_IMAGE144
Figure 954352DEST_PATH_IMAGE145
Figure 802223DEST_PATH_IMAGE146
Figure 55349DEST_PATH_IMAGE147
其中，
Figure 748499DEST_PATH_IMAGE148
表示求角度，
Figure 419783DEST_PATH_IMAGE149
表示共轭。
10.根据权利要求9所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S10中，定标参数估计具体处理步骤如下：
（1）、设定第
Figure 172975DEST_PATH_IMAGE150
个距离单元信号调频率范围为
Figure 913398DEST_PATH_IMAGE151
，
Figure 410239DEST_PATH_IMAGE152
表示调频率 的最小值，
Figure 168985DEST_PATH_IMAGE153
表示调频率的最大值，
Figure 217712DEST_PATH_IMAGE154
为搜索步长，搜索范围事先输入，通过4次迭代 搜索实现对调频率精确估计值
Figure 586377DEST_PATH_IMAGE155
；
（2）、由估计的调频率构造分量信号，并估计调频分量的峰值位置信息，计算公式如下：
Figure 496695DEST_PATH_IMAGE156
Figure 736046DEST_PATH_IMAGE157
Figure 221254DEST_PATH_IMAGE158
其中，
Figure 546057DEST_PATH_IMAGE159
为海明窗函数，
Figure 761531DEST_PATH_IMAGE160
为最大值索引，
Figure 386547DEST_PATH_IMAGE161
表示所求得的最大值；
（3）、由调频分量的主峰位置确定左右截止点
Figure 777077DEST_PATH_IMAGE162
和
Figure 854755DEST_PATH_IMAGE163
；
（4）、估计线性调频分量信号，计算公式如下：
Figure 106875DEST_PATH_IMAGE164
Figure 445453DEST_PATH_IMAGE165
Figure 882250DEST_PATH_IMAGE166
Figure 821125DEST_PATH_IMAGE167
Figure 1571DEST_PATH_IMAGE168
Figure 725813DEST_PATH_IMAGE169
Figure 333512DEST_PATH_IMAGE170
Figure 995569DEST_PATH_IMAGE171
Figure 714126DEST_PATH_IMAGE172
Figure 292875DEST_PATH_IMAGE173
Figure 71475DEST_PATH_IMAGE174
Figure 456713DEST_PATH_IMAGE175
其中，
Figure 103595DEST_PATH_IMAGE176
表示形成指定维数的零矩阵，
Figure 412217DEST_PATH_IMAGE177
为插值倍数，
Figure 237085DEST_PATH_IMAGE178
代表方位门数，
Figure 263947DEST_PATH_IMAGE179
表示复 数符号，
Figure 448940DEST_PATH_IMAGE180
为移位函数，
Figure 877648DEST_PATH_IMAGE181
为分解次数，
Figure 371952DEST_PATH_IMAGE182
表示求绝对值；
Figure 354951DEST_PATH_IMAGE183
和
Figure 343636DEST_PATH_IMAGE184
分 别为调频分量主峰位置左右截止点，
Figure 626850DEST_PATH_IMAGE185
为调频率精确估计值，
Figure 793520DEST_PATH_IMAGE186
、
Figure 529395DEST_PATH_IMAGE187
、
Figure 321770DEST_PATH_IMAGE188
、
Figure 459490DEST_PATH_IMAGE190
为相应 公式计算结果，
Figure 32948DEST_PATH_IMAGE191
为调频率精确校正后的图像数据，
Figure 380752DEST_PATH_IMAGE192
为调频率精确估计值最终结果，
Figure 852185DEST_PATH_IMAGE193
为调频率精确校正之前图像数据的幅度值；
得到第1个调频分量后，重复（1）~（4）步骤，继续分解，直到达到设置的分解个数
Figure 719778DEST_PATH_IMAGE194
和 剩余能量百分比。
CN202210851335.9A 2022-07-20 2022-07-20 基于深度学习的机载舰船目标isar精细化成像方法 Active CN114966693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210851335.9A CN114966693B (zh) 2022-07-20 2022-07-20 基于深度学习的机载舰船目标isar精细化成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210851335.9A CN114966693B (zh) 2022-07-20 2022-07-20 基于深度学习的机载舰船目标isar精细化成像方法

Publications (2)

Publication Number Publication Date
CN114966693A true CN114966693A (zh) 2022-08-30
CN114966693B CN114966693B (zh) 2022-11-04

Family

ID=82968748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210851335.9A Active CN114966693B (zh) 2022-07-20 2022-07-20 基于深度学习的机载舰船目标isar精细化成像方法

Country Status (1)

Country Link
CN (1) CN114966693B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117705830A (zh) * 2024-02-05 2024-03-15 南京信息工程大学 一种基于U2Net框架下频分DBIM优化的超宽带微波成像方法
CN117761696A (zh) * 2024-02-22 2024-03-26 中国科学院空天信息创新研究院 一种基于投影图抽取的sar快速后向投影成像方法

Citations (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5164730A (en) * 1991-10-28 1992-11-17 Hughes Aircraft Company Method and apparatus for determining a cross-range scale factor in inverse synthetic aperture radar systems
US20090121926A1 (en) * 2007-11-09 2009-05-14 The Boeing Company Multi-spot inverse synthetic aperture radar imaging
CN102944875A (zh) * 2012-11-21 2013-02-27 西安电子科技大学 Isar图像距离单元选择横向定标方法
CN103616685A (zh) * 2013-12-04 2014-03-05 西安电子科技大学 基于图像特征的isar图像几何定标方法
CN103698765A (zh) * 2013-12-27 2014-04-02 西安电子科技大学 一种isar成像方位定标方法
US20140285371A1 (en) * 2013-03-20 2014-09-25 Raytheon Company Bistatic inverse synthetic aperture radar imaging
CN104391286A (zh) * 2014-12-10 2015-03-04 中国电子科技集团公司第二十研究所 一种逆合成孔径雷达方位定标方法
CN105974410A (zh) * 2016-04-28 2016-09-28 西安电子科技大学 机载雷达的多舰船目标sar和isar混合成像方法
CN106154265A (zh) * 2016-06-23 2016-11-23 西安空间无线电技术研究所 一种基于频域移位的去斜体制雷达isar包络对齐方法
CN106526591A (zh) * 2016-12-02 2017-03-22 上海无线电设备研究所 机动目标高分辨isar子孔径融合成像方法
KR20170097373A (ko) * 2016-02-18 2017-08-28 포항공과대학교 산학협력단 주성분 분석 기법을 이용한 역합성 개구면 레이더 영상의 횡단거리방향 스케일링 장치 및 그 방법
CN107255817A (zh) * 2017-07-02 2017-10-17 中国航空工业集团公司雷华电子技术研究所 基于参数估计法的isar图像方位向定标方法
CN107942329A (zh) * 2017-11-17 2018-04-20 西安电子科技大学 机动平台单通道sar对海面舰船目标检测方法
CN108445490A (zh) * 2018-03-13 2018-08-24 电子科技大学 基于时域反投影与粒子群优化的isar成像方法
CN109085590A (zh) * 2018-10-16 2018-12-25 中国人民解放军国防科技大学 基于arp分段相参积累宽带直采数据isar成像方法
CN110161498A (zh) * 2019-04-23 2019-08-23 哈尔滨工程大学 一种基于rccd变换的逆合成孔径雷达定标方法
CN110910413A (zh) * 2019-11-28 2020-03-24 中国人民解放军战略支援部队航天工程大学 一种基于U-Net的ISAR图像分割方法
CN111208513A (zh) * 2020-01-15 2020-05-29 西安电子科技大学 空间目标isar图像序列能量反向投影与三维重构方法
CN111781595A (zh) * 2020-06-28 2020-10-16 中国人民解放军空军工程大学 基于匹配搜索和多普勒解模糊的复杂机动群目标成像方法
CN111856466A (zh) * 2020-08-14 2020-10-30 重庆航天火箭电子技术有限公司 一种高效的复杂运动目标isar平动补偿方法
CN112684446A (zh) * 2020-12-02 2021-04-20 中国人民解放军国防科技大学 基于最小熵准则的Bi-ISAR横向定标与畸变校正方法
CN113012075A (zh) * 2021-04-22 2021-06-22 中国平安人寿保险股份有限公司 一种图像矫正方法、装置、计算机设备及存储介质
CN113205564A (zh) * 2021-04-07 2021-08-03 北京理工大学 一种sar智能目标边缘重构方法
CN113222898A (zh) * 2021-04-14 2021-08-06 西安电子科技大学 基于多元统计量和深度学习的双航过sar图像痕迹检测方法
CN113589284A (zh) * 2021-07-28 2021-11-02 河南大学 一种逆合成孔径雷达对舰船目标的成像方法和系统
CN113743383A (zh) * 2021-11-05 2021-12-03 航天宏图信息技术股份有限公司 一种sar影像水体提取方法、装置、电子设备及存储介质
CN114114260A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 一种基于深度学习的机动目标isar自聚焦成像方法
CN114252878A (zh) * 2021-12-20 2022-03-29 吉林大学 一种基于逆合成孔径雷达对运动目标进行成像及横向定标的方法
CN114384520A (zh) * 2022-03-24 2022-04-22 中国人民解放军火箭军工程大学 一种机动平台对海面船只精细化雷达成像方法
CN114488152A (zh) * 2022-04-18 2022-05-13 南京信息工程大学 基于后向投影的高效近场大小尺寸目标isar成像方法
CN114545411A (zh) * 2022-04-21 2022-05-27 南京信息工程大学 一种基于工程实现的极坐标格式多模高分辨sar成像方法

Patent Citations (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5164730A (en) * 1991-10-28 1992-11-17 Hughes Aircraft Company Method and apparatus for determining a cross-range scale factor in inverse synthetic aperture radar systems
US20090121926A1 (en) * 2007-11-09 2009-05-14 The Boeing Company Multi-spot inverse synthetic aperture radar imaging
CN102944875A (zh) * 2012-11-21 2013-02-27 西安电子科技大学 Isar图像距离单元选择横向定标方法
US20140285371A1 (en) * 2013-03-20 2014-09-25 Raytheon Company Bistatic inverse synthetic aperture radar imaging
CN103616685A (zh) * 2013-12-04 2014-03-05 西安电子科技大学 基于图像特征的isar图像几何定标方法
CN103698765A (zh) * 2013-12-27 2014-04-02 西安电子科技大学 一种isar成像方位定标方法
CN104391286A (zh) * 2014-12-10 2015-03-04 中国电子科技集团公司第二十研究所 一种逆合成孔径雷达方位定标方法
KR20170097373A (ko) * 2016-02-18 2017-08-28 포항공과대학교 산학협력단 주성분 분석 기법을 이용한 역합성 개구면 레이더 영상의 횡단거리방향 스케일링 장치 및 그 방법
CN105974410A (zh) * 2016-04-28 2016-09-28 西安电子科技大学 机载雷达的多舰船目标sar和isar混合成像方法
CN106154265A (zh) * 2016-06-23 2016-11-23 西安空间无线电技术研究所 一种基于频域移位的去斜体制雷达isar包络对齐方法
CN106526591A (zh) * 2016-12-02 2017-03-22 上海无线电设备研究所 机动目标高分辨isar子孔径融合成像方法
CN107255817A (zh) * 2017-07-02 2017-10-17 中国航空工业集团公司雷华电子技术研究所 基于参数估计法的isar图像方位向定标方法
CN107942329A (zh) * 2017-11-17 2018-04-20 西安电子科技大学 机动平台单通道sar对海面舰船目标检测方法
CN108445490A (zh) * 2018-03-13 2018-08-24 电子科技大学 基于时域反投影与粒子群优化的isar成像方法
CN109085590A (zh) * 2018-10-16 2018-12-25 中国人民解放军国防科技大学 基于arp分段相参积累宽带直采数据isar成像方法
CN110161498A (zh) * 2019-04-23 2019-08-23 哈尔滨工程大学 一种基于rccd变换的逆合成孔径雷达定标方法
CN110910413A (zh) * 2019-11-28 2020-03-24 中国人民解放军战略支援部队航天工程大学 一种基于U-Net的ISAR图像分割方法
CN111208513A (zh) * 2020-01-15 2020-05-29 西安电子科技大学 空间目标isar图像序列能量反向投影与三维重构方法
CN111781595A (zh) * 2020-06-28 2020-10-16 中国人民解放军空军工程大学 基于匹配搜索和多普勒解模糊的复杂机动群目标成像方法
CN111856466A (zh) * 2020-08-14 2020-10-30 重庆航天火箭电子技术有限公司 一种高效的复杂运动目标isar平动补偿方法
CN112684446A (zh) * 2020-12-02 2021-04-20 中国人民解放军国防科技大学 基于最小熵准则的Bi-ISAR横向定标与畸变校正方法
CN113205564A (zh) * 2021-04-07 2021-08-03 北京理工大学 一种sar智能目标边缘重构方法
CN113222898A (zh) * 2021-04-14 2021-08-06 西安电子科技大学 基于多元统计量和深度学习的双航过sar图像痕迹检测方法
CN113012075A (zh) * 2021-04-22 2021-06-22 中国平安人寿保险股份有限公司 一种图像矫正方法、装置、计算机设备及存储介质
CN113589284A (zh) * 2021-07-28 2021-11-02 河南大学 一种逆合成孔径雷达对舰船目标的成像方法和系统
CN113743383A (zh) * 2021-11-05 2021-12-03 航天宏图信息技术股份有限公司 一种sar影像水体提取方法、装置、电子设备及存储介质
CN114114260A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 一种基于深度学习的机动目标isar自聚焦成像方法
CN114252878A (zh) * 2021-12-20 2022-03-29 吉林大学 一种基于逆合成孔径雷达对运动目标进行成像及横向定标的方法
CN114384520A (zh) * 2022-03-24 2022-04-22 中国人民解放军火箭军工程大学 一种机动平台对海面船只精细化雷达成像方法
CN114488152A (zh) * 2022-04-18 2022-05-13 南京信息工程大学 基于后向投影的高效近场大小尺寸目标isar成像方法
CN114545411A (zh) * 2022-04-21 2022-05-27 南京信息工程大学 一种基于工程实现的极坐标格式多模高分辨sar成像方法

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
GAO JJ等: "Cross-range Scaling of ISAR Based on Phase Frequency Modulation Parameter Estimation", 《1ST INTERNATIONAL CONFERENCE ON ELECTRONICS INSTRUMENTATION & INFORMATION SYSTEM （EIIS）》 *
SHI HONGYIN: "ISAR autofocus imaging algorithm for maneuvering targets based on deep learning and keystone transform", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 *
YANG, TING等: "ISAR imaging enhancement: exploiting deep convolutional neural network for signal reconstruction", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 *
刘悦: "基于深度学习的机动目标ISAR成像算法研究", 《万方数据》 *
刘磊: "逆合成孔径雷达二维及三维成像方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》 *
尹松乔等: "基于成像时间段的高海情舰船ISAR成像方法", 《雷达科学与技术》 *
张俊: "复杂运动条件下的SAR/ISAR聚焦方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》 *
徐鹏政: "基于HRRP与ISAR图像融合的舰船目标识别研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
王昕: "ISAR图像方位向定标方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
肖涛等: "一种基于滑窗相关的回波包络对齐方法", 《空军雷达学院学报》 *
陈倩倩: "高分辨ISAR成像及定标技术研究", 《万方数据》 *
黄大荣: "稀疏孔径ISAR机动目标成像与相位补偿方法", 《航空学报》 *
黄柏圣等: "基于特征点的合成孔径雷达复图像自动配准算法", 《计算机测量与控制》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117705830A (zh) * 2024-02-05 2024-03-15 南京信息工程大学 一种基于U2Net框架下频分DBIM优化的超宽带微波成像方法
CN117705830B (zh) * 2024-02-05 2024-04-12 南京信息工程大学 一种基于U2Net框架下频分DBIM优化的超宽带微波成像方法
CN117761696A (zh) * 2024-02-22 2024-03-26 中国科学院空天信息创新研究院 一种基于投影图抽取的sar快速后向投影成像方法
CN117761696B (zh) * 2024-02-22 2024-04-30 中国科学院空天信息创新研究院 一种基于投影图抽取的sar快速后向投影成像方法

Also Published As

Publication number Publication date
CN114966693B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN114966693B (zh) 基于深度学习的机载舰船目标isar精细化成像方法
CN103869311B (zh) 实波束扫描雷达超分辨成像方法
CN101738614B (zh) 基于时空图像序列的isar目标转动估计方法
CN102147469A (zh) 一种双基地前视合成孔径雷达成像方法
CN109507669B (zh) 基于相参累积的地面微弱运动目标参数估计方法
CN103616687B (zh) 分段线性估计的多项式拟合isar包络对齐方法
CN109507666B (zh) 基于离网变分贝叶斯算法的isar稀疏频带成像方法
CN110632594B (zh) 一种长波长星载sar成像方法
CN104122549B (zh) 基于反卷积的雷达角超分辨成像方法
CN108535724B (zh) 基于楔石变换和积分二次函数的运动目标聚焦方法
CN114545411B (zh) 一种基于工程实现的极坐标格式多模高分辨sar成像方法
CN102121990B (zh) 基于空时分析的逆合成孔径雷达的目标转速估计方法
CN106291543A (zh) 一种运动平台扫描雷达超分辨成像方法
CN103969628A (zh) 一种基于压缩感知的合成孔径雷达pfa成像算法
CN101620272A (zh) 一种逆合成孔径雷达的目标转速估计方法
CN109358330B (zh) 一种双基前视sar线性时间同步误差估计方法
CN114252878A (zh) 一种基于逆合成孔径雷达对运动目标进行成像及横向定标的方法
CN105759264A (zh) 基于时频字典的微动目标缺损回波高分辨成像方法
CN116819466A (zh) 基于图像最小熵的双基isar方位定标和几何校正方法
CN112505647A (zh) 一种基于序贯子图像序列的动目标方位速度估计方法
Xu et al. A variable PRF imaging method for high squint diving SAR
CN114185047B (zh) 一种基于最优极坐标变换的双基sar动目标重聚焦方法
CN115601278A (zh) 基于子图像配准的高精度运动误差补偿的方法
CN114994676A (zh) 一种一站固定式双站低频超宽带sar运动目标成像方法
CN104569970A (zh) 一种用于机载雷达前视单脉冲成像的自聚焦方法

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