CN114966693B - 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
CN114966693B
CN114966693B CN202210851335.9A CN202210851335A CN114966693B CN 114966693 B CN114966693 B CN 114966693B CN 202210851335 A CN202210851335 A CN 202210851335A CN 114966693 B CN114966693 B CN 114966693B
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.)
Active
Application number
CN202210851335.9A
Other languages
English (en)
Other versions
CN114966693A (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 DEST_PATH_IMAGE002
；
S3、对第一回波信号数据
Figure DEST_PATH_IMAGE002A
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 DEST_PATH_IMAGE002AA
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 DEST_PATH_IMAGE004
；
S4、对运动补偿后的第一校正数据
Figure DEST_PATH_IMAGE004A
进行距离走动校正，得到第二校正数据
Figure DEST_PATH_IMAGE006
；
S5、对第二校正数据
Figure DEST_PATH_IMAGE008
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 DEST_PATH_IMAGE010
，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 DEST_PATH_IMAGE010A
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 DEST_PATH_IMAGE012
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 DEST_PATH_IMAGE014
；
S8、选取最优成像时间，对第四图像数据
Figure DEST_PATH_IMAGE014A
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 DEST_PATH_IMAGE016
，即第五图像数据；
S9、对包络对齐后的一维距离向数据
Figure DEST_PATH_IMAGE016A
进行相位相参性补偿处理，获得距离像序列数据
Figure DEST_PATH_IMAGE018
；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 DEST_PATH_IMAGE020
；
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 DEST_PATH_IMAGE020A
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 DEST_PATH_IMAGE022
，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 DEST_PATH_IMAGE020AA
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 DEST_PATH_IMAGE024
分别表示坐标轴的轴和坐标轴原点，A为机载ISAR平台，
Figure DEST_PATH_IMAGE026
为舰船目标，
Figure DEST_PATH_IMAGE028
为表示方位慢时间
Figure DEST_PATH_IMAGE030
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 DEST_PATH_IMAGE032
和机载SAR的原始回波信号
Figure DEST_PATH_IMAGE034
，其表达式为
Figure DEST_PATH_IMAGE036
Figure DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE040
表示复数符号，
Figure DEST_PATH_IMAGE042
表示机载SAR的载机速度，
Figure DEST_PATH_IMAGE044
表示方位慢时间，
Figure DEST_PATH_IMAGE046
表示
Figure DEST_PATH_IMAGE048
时刻机载SAR的载机高度，
Figure DEST_PATH_IMAGE050
表示
Figure DEST_PATH_IMAGE048A
时舰船目标在
Figure DEST_PATH_IMAGE052
轴的速度分量，
Figure DEST_PATH_IMAGE054
表示
Figure DEST_PATH_IMAGE048AA
时舰船目标在
Figure DEST_PATH_IMAGE056
轴的速度分量，
Figure DEST_PATH_IMAGE058
表示
Figure DEST_PATH_IMAGE048AAA
时舰船目标在
Figure DEST_PATH_IMAGE060
轴的速度分量，
Figure DEST_PATH_IMAGE062
表示机载SAR波束射线指向的斜视角，
Figure DEST_PATH_IMAGE064
表示机载SAR波束中心线扫过舰船目标时的斜距，
Figure DEST_PATH_IMAGE066
为光速，
Figure DEST_PATH_IMAGE068
为距离块时间，
Figure DEST_PATH_IMAGE070
表示机载斜视SAR发射线性调频信号的调频率，
Figure DEST_PATH_IMAGE072
为波长，
Figure DEST_PATH_IMAGE074
表示机载SAR发射线性调频信号的方位窗函数，
Figure DEST_PATH_IMAGE076
表示机载SAR发射线性调频信号的窗函数，
Figure DEST_PATH_IMAGE078
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 DEST_PATH_IMAGE080
在距离向进行傅里叶变换（FFT），并与下式参考函数
Figure DEST_PATH_IMAGE082
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 DEST_PATH_IMAGE084
。
Figure DEST_PATH_IMAGE086
其中，
Figure DEST_PATH_IMAGE088
为距离向频率，
Figure DEST_PATH_IMAGE090
为汉明窗。
三、对第一回波信号数据
Figure DEST_PATH_IMAGE084A
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 DEST_PATH_IMAGE092
。
将第一回波信号数据
Figure DEST_PATH_IMAGE094
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 DEST_PATH_IMAGE096
，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 DEST_PATH_IMAGE094A
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 DEST_PATH_IMAGE098
。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 DEST_PATH_IMAGE100
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 DEST_PATH_IMAGE100A
，计算每个距离门的相关系数值，第
Figure DEST_PATH_IMAGE102
个距离门所对应的相关系数值为
Figure DEST_PATH_IMAGE104
其中，
Figure DEST_PATH_IMAGE106
为当前子块回波数据所对应的方位门序号，
Figure DEST_PATH_IMAGE108
为当前子块回波数据所对应的距离门序号，
Figure DEST_PATH_IMAGE110
为当前子块回波信号数据，
Figure DEST_PATH_IMAGE112
为当前子块回波信号数据的距离门数，
Figure DEST_PATH_IMAGE114
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 DEST_PATH_IMAGE116
个距离门所对应的多普勒中心频率
Figure DEST_PATH_IMAGE118
：
Figure DEST_PATH_IMAGE120
其中，
Figure DEST_PATH_IMAGE122
为距离向频率，
Figure DEST_PATH_IMAGE124
表示求角度。对每个距离门所对应的多普勒中心频率
Figure DEST_PATH_IMAGE126
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 DEST_PATH_IMAGE128
。
（3）考虑每个距离门所对应的多普勒中心频率
Figure DEST_PATH_IMAGE130
模糊问题，不模糊多普勒频率
Figure DEST_PATH_IMAGE132
为
Figure DEST_PATH_IMAGE134
其中，
Figure DEST_PATH_IMAGE136
为载机平台地速，
Figure DEST_PATH_IMAGE138
为斜视角，
Figure DEST_PATH_IMAGE140
为波长。模糊数
Figure DEST_PATH_IMAGE142
为
Figure DEST_PATH_IMAGE144
其中，
Figure DEST_PATH_IMAGE146
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 DEST_PATH_IMAGE148
为
Figure DEST_PATH_IMAGE150
。
（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 DEST_PATH_IMAGE152
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 DEST_PATH_IMAGE154
：
Figure DEST_PATH_IMAGE156
其中
Figure DEST_PATH_IMAGE158
表示运动补偿函数，
Figure DEST_PATH_IMAGE160
表示复数符号，
Figure DEST_PATH_IMAGE162
表示指数函数。
四、对运动补偿后的第一校正数据
Figure DEST_PATH_IMAGE164
进行距离走动校正，得到第二校正数据
Figure DEST_PATH_IMAGE166
。
将运动补偿后的第一校正数据
Figure DEST_PATH_IMAGE154A
乘以如下参考函数
Figure DEST_PATH_IMAGE168
，得到第二校正数据
Figure DEST_PATH_IMAGE170
Figure DEST_PATH_IMAGE172
其中，
Figure DEST_PATH_IMAGE174
为表示方位慢时间
Figure DEST_PATH_IMAGE176
时舰船目标到机载SAR平台之间的距离，
Figure DEST_PATH_IMAGE178
为发射信号载频。
五、对第二校正数据
Figure DEST_PATH_IMAGE180
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 DEST_PATH_IMAGE182
在距离向做IFFT，方位向做FFT：
Figure DEST_PATH_IMAGE184
其中，
Figure DEST_PATH_IMAGE186
为距离快时间，
Figure DEST_PATH_IMAGE188
为方位向频率。
六、对
Figure DEST_PATH_IMAGE190
进行图像中值滤波处理。
利用图像中值滤波的方法对
Figure DEST_PATH_IMAGE190A
进行去噪处理，获得SAR粗聚焦的第三图像数据
Figure DEST_PATH_IMAGE192
，图像的中值滤波表示为：
Figure DEST_PATH_IMAGE194
其中，
Figure DEST_PATH_IMAGE196
为滤波窗口，大小为
Figure DEST_PATH_IMAGE198
，
Figure DEST_PATH_IMAGE200
表示对窗口内的灰度值求中值，
Figure DEST_PATH_IMAGE202
为数据
Figure DEST_PATH_IMAGE204
第
Figure DEST_PATH_IMAGE206
行第
Figure DEST_PATH_IMAGE208
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 DEST_PATH_IMAGE210
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 DEST_PATH_IMAGE212
其中，
Figure DEST_PATH_IMAGE214
为真实值，
Figure DEST_PATH_IMAGE216
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 DEST_PATH_IMAGE218
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 DEST_PATH_IMAGE220
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 DEST_PATH_IMAGE222
、最大距离单元
Figure DEST_PATH_IMAGE224
、最小方位单元
Figure DEST_PATH_IMAGE226
和最大方位单元
Figure DEST_PATH_IMAGE228
，结合
Figure DEST_PATH_IMAGE230
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 DEST_PATH_IMAGE012A
的距离门数
Figure DEST_PATH_IMAGE232
和方位门数
Figure DEST_PATH_IMAGE234
满足下式：
Figure DEST_PATH_IMAGE235
Figure DEST_PATH_IMAGE237
其中，
Figure DEST_PATH_IMAGE239
为距离门数序号，
Figure DEST_PATH_IMAGE241
为方位门数序号，
Figure DEST_PATH_IMAGE242
、
Figure DEST_PATH_IMAGE244
取整数，使
Figure DEST_PATH_IMAGE245
和
Figure DEST_PATH_IMAGE246
取值分别满足2的
Figure DEST_PATH_IMAGE247
和
Figure DEST_PATH_IMAGE249
次幂。
八、在方位向对目标分割所截取的数据
Figure DEST_PATH_IMAGE251
做IFFT处理，变换到距离方位时域得到第四图像数据
Figure DEST_PATH_IMAGE253
。
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 DEST_PATH_IMAGE254
，
Figure DEST_PATH_IMAGE255
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 DEST_PATH_IMAGE257
估计每个滑窗时刻的多普勒中心频率估计
Figure DEST_PATH_IMAGE258
，得到时间多普勒曲线，
Figure DEST_PATH_IMAGE259
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 DEST_PATH_IMAGE261
，本实施方案设为16，对第四图像数据
Figure DEST_PATH_IMAGE263
，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 DEST_PATH_IMAGE265
；
Figure DEST_PATH_IMAGE267
其中，
Figure DEST_PATH_IMAGE269
，
Figure DEST_PATH_IMAGE271
为对齐后的数据，
Figure DEST_PATH_IMAGE273
，
Figure DEST_PATH_IMAGE274
表示方位门序号所对应的距离门数据，
Figure DEST_PATH_IMAGE276
表示滑窗移动步长，
Figure DEST_PATH_IMAGE277
表示滑窗对齐的累积脉冲序数，符号
Figure DEST_PATH_IMAGE279
表示求共轭，
Figure DEST_PATH_IMAGE281
为移位函数，
Figure DEST_PATH_IMAGE283
表示求绝对值。
（2）按下式求系数序列
Figure DEST_PATH_IMAGE285
的最大值索引
Figure DEST_PATH_IMAGE287
；
Figure DEST_PATH_IMAGE289
其中，
Figure DEST_PATH_IMAGE291
表示求最大值，
Figure DEST_PATH_IMAGE293
表示所求得的最大值。
（3）计算移动单元数
Figure DEST_PATH_IMAGE295
；
Figure DEST_PATH_IMAGE297
；
（4）对
Figure DEST_PATH_IMAGE299
进行移动对齐，得到包络对齐后的一维距离像数据
Figure DEST_PATH_IMAGE301
，即第五图像数据：
Figure DEST_PATH_IMAGE303
其中，
Figure DEST_PATH_IMAGE305
，
Figure DEST_PATH_IMAGE307
。
十一、对第五图像数据
Figure DEST_PATH_IMAGE309
Figure DEST_PATH_IMAGE311
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 DEST_PATH_IMAGE313
计算幅度方差
Figure DEST_PATH_IMAGE315
并排序，计算公式如下：
Figure DEST_PATH_IMAGE316
Figure DEST_PATH_IMAGE318
其中，
Figure DEST_PATH_IMAGE320
为求方差，
Figure DEST_PATH_IMAGE322
为求均值，
Figure DEST_PATH_IMAGE324
为从小到大排序，
Figure DEST_PATH_IMAGE326
为排序后的幅度方差值，
Figure DEST_PATH_IMAGE328
为
Figure DEST_PATH_IMAGE326A
在
Figure DEST_PATH_IMAGE330
中所对应的索引位置。
（2）利用排序结果
Figure DEST_PATH_IMAGE332
选取用来相位补偿的距离单元，输入阈值
Figure DEST_PATH_IMAGE334
要经过比较确认，计算公式如下：
Figure DEST_PATH_IMAGE336
Figure DEST_PATH_IMAGE338
其中，
Figure DEST_PATH_IMAGE340
和
Figure DEST_PATH_IMAGE342
分别表示不大于阈值
Figure DEST_PATH_IMAGE344
对应的距离单元位置，
Figure DEST_PATH_IMAGE346
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 DEST_PATH_IMAGE348
，计算公式如下：
Figure DEST_PATH_IMAGE350
Figure DEST_PATH_IMAGE352
Figure DEST_PATH_IMAGE354
Figure DEST_PATH_IMAGE356
其中，
Figure DEST_PATH_IMAGE358
表示求角度，
Figure DEST_PATH_IMAGE359
表示共轭。
十二、对相位补偿后的距离像序列数据
Figure DEST_PATH_IMAGE361
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 DEST_PATH_IMAGE363
。
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 DEST_PATH_IMAGE363A
，最终得到方位成像处理结果
Figure DEST_PATH_IMAGE365
、
Figure DEST_PATH_IMAGE367
、
Figure DEST_PATH_IMAGE369
，具体处理步骤如下：
（1）设定第
Figure DEST_PATH_IMAGE371
个距离单元信号调频率范围为
Figure DEST_PATH_IMAGE373
，
Figure DEST_PATH_IMAGE375
表示调频率的最小值，
Figure DEST_PATH_IMAGE377
表示调频率的最大值，
Figure DEST_PATH_IMAGE379
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 DEST_PATH_IMAGE381
。
（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 DEST_PATH_IMAGE383
Figure DEST_PATH_IMAGE384
Figure DEST_PATH_IMAGE386
其中，
Figure DEST_PATH_IMAGE388
为海明窗函数，
Figure DEST_PATH_IMAGE390
为最大值索引，
Figure DEST_PATH_IMAGE392
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 DEST_PATH_IMAGE393
和
Figure DEST_PATH_IMAGE394
；
（4）估计线性调频分量信号，计算公式如下：
Figure DEST_PATH_IMAGE395
Figure DEST_PATH_IMAGE397
Figure DEST_PATH_IMAGE399
Figure DEST_PATH_IMAGE400
Figure DEST_PATH_IMAGE401
Figure DEST_PATH_IMAGE403
Figure DEST_PATH_IMAGE404
Figure DEST_PATH_IMAGE406
Figure DEST_PATH_IMAGE408
Figure DEST_PATH_IMAGE410
Figure DEST_PATH_IMAGE412
Figure DEST_PATH_IMAGE414
其中，
Figure DEST_PATH_IMAGE416
表示形成指定维数的零矩阵，
Figure DEST_PATH_IMAGE418
为插值倍数，
Figure DEST_PATH_IMAGE420
代表方位门数，
Figure DEST_PATH_IMAGE422
表示复数符号，
Figure DEST_PATH_IMAGE424
为移位函数，
Figure DEST_PATH_IMAGE426
为分解次数，
Figure DEST_PATH_IMAGE428
表示求绝对值；
Figure DEST_PATH_IMAGE430
和
Figure DEST_PATH_IMAGE432
分别为调频分量主峰位置左右截止点，
Figure DEST_PATH_IMAGE434
为调频率精确估计值，
Figure DEST_PATH_IMAGE436
、
Figure DEST_PATH_IMAGE438
、
Figure DEST_PATH_IMAGE440
、
Figure DEST_PATH_IMAGE442
为相应公式计算结果，
Figure DEST_PATH_IMAGE444
为调频率精确校正后的图像数据，
Figure DEST_PATH_IMAGE446
为调频率精确估计值最终结果，
Figure DEST_PATH_IMAGE448
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 DEST_PATH_IMAGE449
和剩余能量百分比。
十四、方位压缩：
对第六图像数据
Figure DEST_PATH_IMAGE451
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 DEST_PATH_IMAGE453
，公式如下：
Figure DEST_PATH_IMAGE455
。
十五、图像量化，具体步骤如下：
（1）对
Figure DEST_PATH_IMAGE457
进行量化处理，计算公式如下：
Figure DEST_PATH_IMAGE458
，
Figure DEST_PATH_IMAGE459
为一输入的固定次幂；
（2）对矩阵
Figure DEST_PATH_IMAGE461
在大小为
Figure DEST_PATH_IMAGE463
（
Figure DEST_PATH_IMAGE465
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 DEST_PATH_IMAGE467
；
（3）对图像
Figure DEST_PATH_IMAGE467A
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 DEST_PATH_IMAGE469
Figure DEST_PATH_IMAGE471
Figure DEST_PATH_IMAGE473
其中，
Figure DEST_PATH_IMAGE475
为MATLAB函数，表示找到某个值所处的行列位置序号，
Figure DEST_PATH_IMAGE477
为行位置序号，
Figure DEST_PATH_IMAGE479
为列位置序号，
Figure DEST_PATH_IMAGE481
为行位置序号最大值，
Figure DEST_PATH_IMAGE483
为行位置序号最小值。
十六、图像定标：基于调频率
Figure DEST_PATH_IMAGE485
样本等信息,估计图像距离和方位向刻度
Figure DEST_PATH_IMAGE487
、
Figure DEST_PATH_IMAGE489
、
Figure DEST_PATH_IMAGE491
，计算公式如下：
Figure DEST_PATH_IMAGE493
Figure DEST_PATH_IMAGE494
Figure DEST_PATH_IMAGE496
Figure DEST_PATH_IMAGE498
Figure DEST_PATH_IMAGE499
Figure DEST_PATH_IMAGE500
Figure DEST_PATH_IMAGE502
Figure DEST_PATH_IMAGE504
Figure DEST_PATH_IMAGE506
Figure DEST_PATH_IMAGE507
Figure DEST_PATH_IMAGE509
Figure DEST_PATH_IMAGE511
其中，
Figure DEST_PATH_IMAGE513
表示所求得的最大值，
Figure DEST_PATH_IMAGE515
表示最大值索引，
Figure DEST_PATH_IMAGE517
为波长、
Figure DEST_PATH_IMAGE519
为重频，
Figure DEST_PATH_IMAGE521
为距离分辨率，
Figure DEST_PATH_IMAGE523
为截取的目标长度，
Figure DEST_PATH_IMAGE525
是利用最小二乘法拟合，
Figure DEST_PATH_IMAGE526
为方位门数，取512，其余参数为相应公式计算结果，
Figure DEST_PATH_IMAGE528
为约定参数，一般取1。
十七、对第六图像数据
Figure DEST_PATH_IMAGE530
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 (8)

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 444188DEST_PATH_IMAGE001
在距离向进行傅里叶变换，并与下式参考函数
Figure 104977DEST_PATH_IMAGE002
相乘，做逆傅里叶变换到距离时域，完成距离脉压处理，得到第一回波信号数据
Figure 122611DEST_PATH_IMAGE003
；
Figure 584555DEST_PATH_IMAGE004
其中，
Figure 382746DEST_PATH_IMAGE005
为距离向频率，
Figure 784909DEST_PATH_IMAGE006
为汉明窗，
Figure 860312DEST_PATH_IMAGE007
表示复数符号；
S3、将第一回波信号数据
Figure 384834DEST_PATH_IMAGE008
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 545688DEST_PATH_IMAGE009
，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 548280DEST_PATH_IMAGE010
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 773462DEST_PATH_IMAGE011
；
S4、对运动补偿后的第一校正数据
Figure 609831DEST_PATH_IMAGE012
进行距离走动校正，得到第二校正数据
Figure 117036DEST_PATH_IMAGE013
；
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 595422DEST_PATH_IMAGE014
，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 645417DEST_PATH_IMAGE014
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 151223DEST_PATH_IMAGE015
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 817828DEST_PATH_IMAGE016
；
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 427800DEST_PATH_IMAGE017
，即第五图像数据；
S9、对包络对齐后的一维距离向数据
Figure 129040DEST_PATH_IMAGE017
进行相位相参性补偿处理，获得距离像序 列数据
Figure 307212DEST_PATH_IMAGE018
；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 523429DEST_PATH_IMAGE019
；
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 334432DEST_PATH_IMAGE019
，最终得到方位成像处理结果；具体处理步骤如下：
（1）、设定第
Figure 218075DEST_PATH_IMAGE020
个距离单元信号调频率范围为
Figure 567147DEST_PATH_IMAGE021
，
Figure 208344DEST_PATH_IMAGE022
表示调频率的最小 值，
Figure 160120DEST_PATH_IMAGE023
表示调频率的最大值，
Figure 773635DEST_PATH_IMAGE024
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 418243DEST_PATH_IMAGE025
；
（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 45271DEST_PATH_IMAGE026
Figure 676104DEST_PATH_IMAGE027
Figure 268759DEST_PATH_IMAGE028
其中，
Figure 694055DEST_PATH_IMAGE029
为海明窗函数，
Figure 309844DEST_PATH_IMAGE030
为最大值索引，
Figure 305220DEST_PATH_IMAGE031
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 221223DEST_PATH_IMAGE032
和
Figure 817421DEST_PATH_IMAGE033
；
（4）、估计线性调频分量信号，计算公式如下：
Figure 248402DEST_PATH_IMAGE034
Figure 221037DEST_PATH_IMAGE035
Figure 53864DEST_PATH_IMAGE036
Figure 820963DEST_PATH_IMAGE037
Figure 739240DEST_PATH_IMAGE038
Figure 14102DEST_PATH_IMAGE039
Figure 107960DEST_PATH_IMAGE040
Figure 436173DEST_PATH_IMAGE041
Figure 451533DEST_PATH_IMAGE042
Figure 156184DEST_PATH_IMAGE043
Figure 901286DEST_PATH_IMAGE044
其中，
Figure 275767DEST_PATH_IMAGE045
表示形成指定维数的零矩阵，
Figure 903057DEST_PATH_IMAGE046
为插值倍数，
Figure 316459DEST_PATH_IMAGE047
代表方位门数，
Figure 916068DEST_PATH_IMAGE048
表示复数 符号，
Figure 461450DEST_PATH_IMAGE049
为移位函数，
Figure 576036DEST_PATH_IMAGE050
为分解次数，
Figure 232276DEST_PATH_IMAGE051
表示求绝对值；
Figure 748708DEST_PATH_IMAGE052
和
Figure 464992DEST_PATH_IMAGE053
分别为调频分 量主峰位置左右截止点，
Figure 66874DEST_PATH_IMAGE054
为调频率精确估计值，
Figure 25341DEST_PATH_IMAGE055
、
Figure 396279DEST_PATH_IMAGE056
、
Figure 283464DEST_PATH_IMAGE057
、
Figure 107063DEST_PATH_IMAGE058
为相应公式计算结果，
Figure 370686DEST_PATH_IMAGE059
为调频率精确校正后的图像数据，
Figure 596131DEST_PATH_IMAGE060
为调频率精确估计值最终结果，
Figure 654216DEST_PATH_IMAGE061
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 230691DEST_PATH_IMAGE062
和剩 余能量百分比；
S11、对第六图像数据
Figure 530960DEST_PATH_IMAGE019
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 610912DEST_PATH_IMAGE063
，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 105478DEST_PATH_IMAGE019
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，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 903670DEST_PATH_IMAGE064
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 509095DEST_PATH_IMAGE064
，计算每个距离门的相关系数值，第
Figure 443553DEST_PATH_IMAGE065
个距离 门所对应的相关系数值为
Figure 109020DEST_PATH_IMAGE066
其中，
Figure 394508DEST_PATH_IMAGE067
为当前子块回波数据所对 应的方位门序号，
Figure 36580DEST_PATH_IMAGE068
为当前子块回波数据所对应的距离门序号，
Figure 91124DEST_PATH_IMAGE069
为当前子块回波信 号数据，
Figure 927492DEST_PATH_IMAGE070
为当前子块回波信号数据的距离门数，
Figure 434697DEST_PATH_IMAGE071
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 381925DEST_PATH_IMAGE072
个距离门所对应的多普勒中心频率
Figure 556554DEST_PATH_IMAGE073
：
Figure 298245DEST_PATH_IMAGE074
其中，
Figure 823904DEST_PATH_IMAGE075
为距离向频率，
Figure 542199DEST_PATH_IMAGE076
表示求角度；对每个距离门所对应的多普勒中心频率
Figure 571335DEST_PATH_IMAGE077
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 280665DEST_PATH_IMAGE078
；
（3）考虑每个距离门所对应的多普勒中心频率
Figure 637828DEST_PATH_IMAGE079
模糊问题，不模糊多普勒频率
Figure 51492DEST_PATH_IMAGE080
为
Figure 246719DEST_PATH_IMAGE081
其中，
Figure 720426DEST_PATH_IMAGE082
为载机平台地速，
Figure 564885DEST_PATH_IMAGE083
为斜视角，
Figure 516660DEST_PATH_IMAGE084
为波长；模糊数
Figure 395755DEST_PATH_IMAGE085
为
Figure 774783DEST_PATH_IMAGE086
其中，
Figure 106539DEST_PATH_IMAGE087
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 862005DEST_PATH_IMAGE088
为
Figure 890879DEST_PATH_IMAGE089
；
（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 909650DEST_PATH_IMAGE090
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 525440DEST_PATH_IMAGE091
，
Figure 694384DEST_PATH_IMAGE092
，
其中，
Figure 610387DEST_PATH_IMAGE090
表示运动补偿函数，
Figure 268902DEST_PATH_IMAGE093
表示复数符号，
Figure 699883DEST_PATH_IMAGE094
表示指数函数。
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S4具体步骤如下：
将运动补偿后的第一校正数据
Figure 171053DEST_PATH_IMAGE095
乘以如下参考函数
Figure 941563DEST_PATH_IMAGE096
，得到距离走动校 正的数据，即第二校正数据
Figure 770979DEST_PATH_IMAGE097
Figure 689256DEST_PATH_IMAGE098
其中，
Figure 527900DEST_PATH_IMAGE099
为表示方位慢时间
Figure 90599DEST_PATH_IMAGE100
时舰船目标到机载SAR平台之间的距离，
Figure 418812DEST_PATH_IMAGE101
为发射信号 载频，
Figure 434173DEST_PATH_IMAGE102
为光速。
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S5具体步骤如下：
（1）对第二校正数据
Figure 138824DEST_PATH_IMAGE103
在距离向做IFFT，方位向做FFT，
Figure 54565DEST_PATH_IMAGE104
其中，
Figure 553679DEST_PATH_IMAGE105
为距离快时间，
Figure 56336DEST_PATH_IMAGE106
为方位向频率；
（2）利用图像中值滤波的方法对
Figure 33519DEST_PATH_IMAGE107
进行去噪处理，获得SAR粗聚焦的第三图像数据
Figure 570811DEST_PATH_IMAGE108
，图像的中值滤波表示为：
Figure 240826DEST_PATH_IMAGE109
其中，
Figure 230779DEST_PATH_IMAGE110
为滤波窗口，
Figure 11653DEST_PATH_IMAGE111
表示对窗口内的灰度值求中值，
Figure 901987DEST_PATH_IMAGE112
为数据
Figure 742904DEST_PATH_IMAGE113
第
Figure 220153DEST_PATH_IMAGE114
行第
Figure 804718DEST_PATH_IMAGE115
列值。
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S6采用深度神经网络
Figure 51022DEST_PATH_IMAGE116
模型，对SAR粗聚焦的第三图像数据
Figure 62841DEST_PATH_IMAGE117
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 761807DEST_PATH_IMAGE118
其中，
Figure 150063DEST_PATH_IMAGE119
为真实值，
Figure 749409DEST_PATH_IMAGE120
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 932129DEST_PATH_IMAGE121
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 383970DEST_PATH_IMAGE122
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 310337DEST_PATH_IMAGE123
、最大距离单元
Figure 265655DEST_PATH_IMAGE124
、最小方位单元
Figure 884855DEST_PATH_IMAGE125
和最大方 位单元
Figure 558413DEST_PATH_IMAGE126
，结合
Figure 22892DEST_PATH_IMAGE122
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 596831DEST_PATH_IMAGE127
的距离门数
Figure 652512DEST_PATH_IMAGE128
和方位门数
Figure 282207DEST_PATH_IMAGE129
满足下式：
Figure 815957DEST_PATH_IMAGE130
Figure 11446DEST_PATH_IMAGE131
其中，
Figure 706869DEST_PATH_IMAGE132
为距离门数序号，
Figure 355020DEST_PATH_IMAGE133
为方位门数序号，
Figure 426881DEST_PATH_IMAGE134
、
Figure 467691DEST_PATH_IMAGE135
取整数，使
Figure 865174DEST_PATH_IMAGE136
和
Figure 266199DEST_PATH_IMAGE137
取值分别满足2的
Figure 17118DEST_PATH_IMAGE138
次幂和2的
Figure 46254DEST_PATH_IMAGE139
次幂。
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S8中最优成像时间选取的具体步骤如下：
（1）采用滑窗
Figure 958846DEST_PATH_IMAGE140
，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 706222DEST_PATH_IMAGE141
估计每个滑窗时刻的多普勒中心频率估计
Figure 493787DEST_PATH_IMAGE142
，得到时间多普勒曲线，
Figure 377430DEST_PATH_IMAGE143
对应滑 窗时刻，
Figure 460923DEST_PATH_IMAGE144
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。
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，设置滑窗对齐的累积脉冲序数为
Figure 430016DEST_PATH_IMAGE145
，对第四图像数据
Figure 522737DEST_PATH_IMAGE146
，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 260886DEST_PATH_IMAGE147
；
Figure 108756DEST_PATH_IMAGE148
其中，
Figure 237249DEST_PATH_IMAGE149
，
Figure 195978DEST_PATH_IMAGE150
为对齐后的数据，
Figure 224852DEST_PATH_IMAGE151
，
Figure 915727DEST_PATH_IMAGE152
表示方位门序号
Figure 593833DEST_PATH_IMAGE153
所对应的距离门数据，
Figure 28357DEST_PATH_IMAGE154
表示滑窗移动步长，
Figure 944360DEST_PATH_IMAGE155
表示滑窗对齐的累积脉冲序数，符号
Figure 602875DEST_PATH_IMAGE156
表示求共轭，
Figure 33856DEST_PATH_IMAGE157
为移 位函数，
Figure 334387DEST_PATH_IMAGE158
表示求绝对值；
（2）按下式求系数序列
Figure 72274DEST_PATH_IMAGE159
的最大值索引
Figure 104952DEST_PATH_IMAGE160
；
Figure 757650DEST_PATH_IMAGE161
其中，
Figure 533976DEST_PATH_IMAGE162
表示求最大值，
Figure 221310DEST_PATH_IMAGE163
表示所求得的最大值；
（3）计算移动单元数
Figure 424889DEST_PATH_IMAGE164
；
Figure 564883DEST_PATH_IMAGE165
；
（4）对第
Figure 377856DEST_PATH_IMAGE166
进行移动对齐，得到包络对齐后的一维距离像数据
Figure 919696DEST_PATH_IMAGE167
，即第五图像 数据：
Figure 294177DEST_PATH_IMAGE168
其中，
Figure 921467DEST_PATH_IMAGE169
，
Figure 39596DEST_PATH_IMAGE170
。
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S9中，对第五图像数据
Figure 701521DEST_PATH_IMAGE171
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 246903DEST_PATH_IMAGE171
计算幅度方差
Figure 95911DEST_PATH_IMAGE172
并排序，计算公式如下：
Figure 516265DEST_PATH_IMAGE173
Figure 32697DEST_PATH_IMAGE174
其中，
Figure 748981DEST_PATH_IMAGE175
为求方差，
Figure 85284DEST_PATH_IMAGE176
为求均值，
Figure 545215DEST_PATH_IMAGE177
为从小到大排序，
Figure 916154DEST_PATH_IMAGE178
为排序后的幅度方差值，
Figure 803338DEST_PATH_IMAGE179
为
Figure 892517DEST_PATH_IMAGE178
在
Figure 389095DEST_PATH_IMAGE180
中所对应的索引位置；
（2）利用排序结果
Figure 880120DEST_PATH_IMAGE181
选取用来相位补偿的距离单元，输入阈值
Figure 938205DEST_PATH_IMAGE182
要经过比较 确认，计算公式如下：
Figure 249101DEST_PATH_IMAGE183
Figure 50835DEST_PATH_IMAGE184
其中，
Figure 396366DEST_PATH_IMAGE185
和
Figure 625353DEST_PATH_IMAGE186
分别表示不大于阈值
Figure 423544DEST_PATH_IMAGE187
对应的距离单元位置，
Figure 527504DEST_PATH_IMAGE188
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 727542DEST_PATH_IMAGE189
，计 算公式如下：
Figure 127430DEST_PATH_IMAGE190
Figure 412918DEST_PATH_IMAGE191
Figure 822034DEST_PATH_IMAGE192
Figure 876577DEST_PATH_IMAGE193
，
其中，
Figure 447367DEST_PATH_IMAGE194
表示求角度，
Figure 220151DEST_PATH_IMAGE195
表示共轭。
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 CN114966693A (zh) 2022-08-30
CN114966693B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
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
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
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
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

Family Cites Families (9)

* 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
US7598900B2 (en) * 2007-11-09 2009-10-06 The Boeing Company Multi-spot inverse synthetic aperture radar imaging
US9335409B2 (en) * 2013-03-20 2016-05-10 Raytheon Company Bistatic inverse synthetic aperture radar imaging
CN103616685B (zh) * 2013-12-04 2015-10-28 西安电子科技大学 基于图像特征的isar图像几何定标方法
KR101834063B1 (ko) * 2016-02-18 2018-02-28 포항공과대학교 산학협력단 주성분 분석 기법을 이용한 역합성 개구면 레이더 영상의 횡단거리방향 스케일링 장치 및 그 방법
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
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
CN112684446B (zh) * 2020-12-02 2021-07-30 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
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

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
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
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
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
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 (11)

* Cited by examiner, † Cited by third party
Title
ISAR autofocus imaging algorithm for maneuvering targets based on deep learning and keystone transform;SHI Hongyin;《Journal of Systems Engineering and Electronics》;20201215;第31卷(第06期);1178-1185 *
ISAR imaging enhancement: exploiting deep convolutional neural network for signal reconstruction;Yang, Ting等;《International journal of remote sensing》;20201231;第41卷(第24期);9447-9468 *
一种基于滑窗相关的回波包络对齐方法;肖涛等;《空军雷达学院学报》;20060430(第04期);276-278 *
基于HRRP与ISAR图像融合的舰船目标识别研究;徐鹏政;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20210115(第01期);C036-312 *
基于成像时间段的高海情舰船ISAR成像方法;尹松乔等;《雷达科学与技术》;20100831;第8卷(第04期);323-328 *
基于深度学习的机动目标ISAR成像算法研究;刘悦;《万方数据》;20201202;全文 *
基于特征点的合成孔径雷达复图像自动配准算法;黄柏圣等;《计算机测量与控制》;20090225;第17卷(第02期);399-401+409 *
复杂运动条件下的SAR/ISAR聚焦方法研究;张俊;《中国博士学位论文全文数据库 (信息科技辑)》;20200215(第02期);I136-128 *
稀疏孔径ISAR机动目标成像与相位补偿方法;黄大荣;《航空学报》;20140731;第35卷(第07期);2019-2030 *
逆合成孔径雷达二维及三维成像方法研究;刘磊;《中国博士学位论文全文数据库 (信息科技辑)》;20170215(第02期);I136-237 *
高分辨ISAR成像及定标技术研究;陈倩倩;《万方数据》;20160504;全文 *

Also Published As

Publication number Publication date
CN114966693A (zh) 2022-08-30

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
Berizzi et al. Autofocusing of inverse synthetic aperture radar images using contrast optimization
CN107229048B (zh) 一种高分宽幅sar动目标速度估计与成像方法
CN102147469B (zh) 一种双基地前视合成孔径雷达成像方法
CN101738614B (zh) 基于时空图像序列的isar目标转动估计方法
CN109856635B (zh) 一种csar地面动目标重聚焦成像方法
CN109507669B (zh) 基于相参累积的地面微弱运动目标参数估计方法
CN108469608B (zh) 一种运动平台雷达多普勒质心精确估计方法
CN110632594B (zh) 一种长波长星载sar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
CN109507666B (zh) 基于离网变分贝叶斯算法的isar稀疏频带成像方法
CN101620272A (zh) 一种逆合成孔径雷达的目标转速估计方法
CN111060909B (zh) 一种机载雷达斜前视超分辨成像方法
CN109358330B (zh) 一种双基前视sar线性时间同步误差估计方法
CN102707282A (zh) 一种对非协同目标高精度的isar运动补偿方法
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
CN116819466A (zh) 基于图像最小熵的双基isar方位定标和几何校正方法
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
CN104569970A (zh) 一种用于机载雷达前视单脉冲成像的自聚焦方法
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
CN111880154B (zh) 基于对称波数谱对消的复图像域运动目标检测方法
CN114325700A (zh) 一种星载多通道sar动目标成像方法

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