CN116660897B - 基于空间语义的sar成像获取方法、装置、计算机设备 - Google Patents
基于空间语义的sar成像获取方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN116660897B CN116660897B CN202310573906.1A CN202310573906A CN116660897B CN 116660897 B CN116660897 B CN 116660897B CN 202310573906 A CN202310573906 A CN 202310573906A CN 116660897 B CN116660897 B CN 116660897B
- Authority
- CN
- China
- Prior art keywords
- sar
- electromagnetic scattering
- microwave
- dimensional signal
- scattering characteristic
- 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 133
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000000007 visual effect Effects 0.000 claims abstract description 61
- 230000010287 polarization Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005570 vertical transmission Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000005571 horizontal transmission Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000007476 Maximum Likelihood Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
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
- G01S13/9004—SAR image acquisition techniques
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供了一种基于空间语义的SAR成像获取方法、装置、计算机设备,涉及视觉成像技术领域,包括:获取合成孔径雷达SAR二维信号影像,通过所述SAR二维信号影像提取空间语义参数;通过所述空间语义参数获取电磁散射特性参数;将所述电磁散射特性参数输入到所述SAR微波视觉成像模型,得到所述SAR二维信号影像对应的SAR预测回波信号;根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值;在所损失值满足预置条件时,停止对所述SAR微波视觉成像模型的训练;基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像。通过本申请的方式,能够提高SAR微波视觉成像质量。
Description
技术领域
本发明涉及视觉成像技术领域,具体而言,涉及一种基于空间语义的SAR成像获取方法。
背景技术
合成孔径雷达SAR(Synthetic Aperture Radar)三维成像技术可以消除目标和地形在二维图像上产生的严重混叠,显著提升目标的发现、识别和三维建模能力。SAR微波视觉成像是由SAR三维成像技术发展而来的,SAR SAR微波视觉成像是在现有SAR三维成像几何物理信息的基础上,充分挖掘SAR回波的散射机制和图像的视觉语义信息,增加三维成像的可用信息量,从而降低对观测次数的要求,最终实现高效能、低成本的三维成像。
目前,通过反演方法获取SAR微波视觉成像,而反演方法的主要是获取目标的位置信息,并未考虑空间语义信息,因此通过反演方法得到的SAR微波视觉成像的成像质量差。
发明内容
有鉴于此,本申请的目的在于提供一种基于空间语义的SAR成像获取方法、装置、电子设备及存储介质,能够提高SAR微波视觉成像的成像质量。
第一方面,本申请实施例提供了一种基于空间语义的SAR成像获取方法,所述方法包括:
获取合成孔径雷达SAR二维信号影像,通过所述SAR二维信号影像提取空间语义参数;
通过所述空间语义参数获取电磁散射特性参数;
将所述电磁散射特性参数输入到SAR微波视觉成像模型,得到所述SAR二维信号影像对应的SAR预测回波信号;
根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值;
在所损失值满足预置条件时,停止对所述SAR微波视觉成像模型的训练;
基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像。
在一种可能的实施方式中,所述通过所述空间语义参数获取电磁散射特性参数,包括:
通过所述空间语义参数以及所有SAR二维信号影像中属于同一个像素点组成的向量,预测得到回波图像中每个像素点的电磁散射特性参数。
在一种可能的实施方式中,通过所述空间语义参数以及所有SAR二维信号影像中属于同一个像素点组成的向量,预测得到回波图像中每个像素点的电磁散射特性参数,包括:
通过下述公式预测得到回波图像中每个像素点的所述电磁散射特性参数:
其中,Θj为第j个电磁散射特性参数,可自定义电磁散射特性参数为3-5个,即一般为[Θ1,Θ2,Θ3]或[Θ1,Θ2,Θ3,Θ4]或[Θ1,Θ2,Θ3,Θ4,Θ5],Θj初始值为所述空间语义参数,YN(k)为N幅SAR二维信号影像中每第k个像素点组成的向量,AN×M表示由三维成像几何模型所确定的导向矩阵,M为自定义值,XM(Θ1,Θ2,…)表示在第三维信号下的电磁散射特性参数。
在一种可能的实施方式中,根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值,包括:
通过下述公式计算所述损失值
其中,Sn为第n个二维信号影像对应的SAR真实回波信号,为根据所有预测得到的像素点的电磁散射特性参数确定的SAR预测回波信号。
在一种可能的实施方式中,所述导向矩阵AN×M通过下述公式表示:
其中,s0,s1,...,sM-1为斜距垂向离散化后的值;j为复数;
i=0,1,…,N-1;αi表示第i个相位中心Si的基线倾角;bi表示参考相位中心S0到第i个相位中心Si的距离。
在一种可能的实施方式中,所述电磁散射特性参数包括:电磁散射特性的频率依赖因子、分布式散射体的长度和方位、后向散射系数、散射体的空间位置以及散射体在四种极化方式下的幅度。
在一种可能的实施方式中,所述散射体在四种极化方式包括:水平发射水平接收HH极化、垂直发射垂直接收VV极化、水平发射垂直接收HV极化及垂直发射水平接收VH极化。
第二方面,本申请实施例还提供了一种基于空间语义的SAR成像获取装置,所述基于空间语义的SAR成像获取装置包括:
第一获取模块,用于获取合成孔径雷达SAR二维信号影像,通过所述SAR二维信号影像提取空间语义参数;
第二获取模块,通过所述空间语义参数获取电磁散射特性参数;
输入模块,将所述电磁散射特性参数输入到SAR微波视觉成像模型,得到所述SAR二维信号影像对应的SAR预测回波信号;
计算模块,根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值;
停止训练模块,在所损失值满足预置条件时,停止对所述SAR微波视觉成像模型的训练。
第三获取模块,基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如第一方面任一项所述的基于空间语义的SAR成像获取方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其中,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如第一方面任一项所述的基于SAR微波视觉成像模型的获取方法。
本申请提供了一种基于空间语义的SAR成像获取方法、装置、电子设备以及计算机可读存储介质,获取合成孔径雷达SAR二维信号影像,通过所述SAR二维信号影像提取空间语义参数;通过所述空间语义参数获取电磁散射特性参数;将所述电磁散射特性参数输入到SAR微波视觉成像模型,得到所述SAR二维信号影像对应的SAR预测回波信号;根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值;在所损失值满足预置条件时,停止对所述SAR微波视觉成像模型的训练;基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像。相对于现有技术中通过反演方法获取SAR微波视觉成像,本申请基于电磁散射特性参数对SAR微波视觉成像模型进行训练,因此基于训练好的SAR微波视觉成像模型可提高SAR微波视觉成像的成像质量。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种基于空间语义的SAR成像获取方法流程图;
图2示出了本申请实施例提供的一种SAR三维成像系统的几何模型图;
图3示出了本申请实施例提供的一种基于对抗网络的SAR微波视觉成像获取方法的流程图;
图4示出了本申请实施例提供的一种显示设备的结构示意图;
图5示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“视觉成像技术领域”,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕“视觉成像技术领域”进行描述,但是应该理解,这仅是一个示例性实施例。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
下面对本申请实施例提供的一种基于SAR微波视觉成像模型的获取方法进行详细说明。
参照图1所示,为本申请实施例提供的一种基于空间语义的SAR成像获取方法示意图,该基于空间语义的SAR成像获取方法的具体执行过程为:
S101、获取合成孔径雷达SAR二维信号影像,通过所述SAR二维信号影像提取空间语义参数。
本申请实施例中,通过接受雷达传输的数据的方式来获取所述SAR二维信号影像,所述SAR二维信号影像数据作为所述基于空间语义的SAR成像获取方法的样本数据。
本申请实施例中,利用所述SAR二维信号影像数据提取所述空间语义参数。所述空间语义参数能够体现场景结构信息,空间语义参数还能够体现组成场景的几何基元信息,其中,几何基元信息包括空间线段、面片等基元信息。进一步的,可以通过二维图像的特征提取方法来获取位置、朝向及物体类别等空间语义参数。
S102、通过所述空间语义参数获取电磁散射特性参数。
本申请实施例中,通过所述空间语义参数以及所有SAR二维信号影像中属于同一个像素点组成的向量,预测得到回波图像中每个像素点的电磁散射特性参数。
本申请实施例中,雷达接收到的回波信号在光学区被认为是多个局部散射源的电磁散射,而回波信号是一种线性调频信号,所以SAR微波视觉成像是将目标的多个局部电磁散射进行相干合成的结果。所述电磁散射的散射源被称为散射中心,所述散射中心的特征能够反应目标的几何特征以及回波对频率、方位角、俯仰角等的依赖性,所述散射中心的极化特征能够反映目标的表面粗糙度、对称性和取向等信息。
所述电磁散射特性参数包括:电磁散射特性的频率依赖因子αp、分布式散射体的长度Lp、分布式散射体的方位后向散射系数γp、散射体的空间位置(xp,yp,zp)以及散射体在四种极化方式下的幅度(Ap_HH,Ap_HV,Ap_VV,Ap_VH)。
散射体在四种极化方式下的幅度(Ap_HH,Ap_HV,Ap_VV,Ap_VH)包括:水平发射水平接收HH极化Ap_HH、垂直发射垂直接收VV极化Ap_VV、水平发射垂直接收HV极化Ap_HV及垂直发射水平接收VH极化Ap_VH。其中,所述电磁散射特性参数中的:所述电磁散射特性的频率依赖因子αp、所述分布式散射体的长度Lp和分布式散射体的方位所述后向散射系数γp以及散射体在四种极化方式下的幅度(Ap_HH,Ap_HV,Ap_VV,Ap_VH),可以通过所述空间语义参数获取。进一步的,所述散射体在四种极化方式下的幅度(Ap_HH,Ap_HV,Ap_VV,Ap_VH)为固定值。所述目标电磁特性参数可以理解为由以上这些参数构成的向量。所述电磁散射目标的数量可以为1个、2个、3个…,通常所述目标电磁特性参数的数量为3-5个。
当所述分布式散射体的长度Lp=0时,表示目标为局部散射体,当分布式散射体的方位γp=0时,表示目标为分布式散射体。可以通过分水岭算法反演所述目标电磁散射特性参数,利用分水岭算法将散射响应分类后,通过极大似然估计构造代价函数,根据先验条件设定散射中心参数初始值后,使用优化算法逐一获得使代价函数最小的散射中心参数值。
本申请实施例中,通过所述空间语义参数以及所有SAR二维信号影像中属于同一个像素点组成的向量,预测得到回波图像中每个像素点的电磁散射特性参数,包括:
通过下述公式预测得到回波图像中每个像素点的电磁散射特性参数:
其中,Θj为第j个电磁散射目标的特性参数,可自定义电磁散射目标为3-5个,即一般为[Θ1,Θ2,Θ3]或[Θ1,Θ2,Θ3,Θ4]或[Θ1,Θ2,Θ3,Θ4,Θ5],Θj初始值为所述空间语义参数,YN(k)为N幅SAR二维信号影像中每第k个像素点组成的向量,AN×M表示由三维成像几何模型所确定的导向矩阵,M为自定义值,XM(Θ1,Θ2,…)表示在第三维信号下的电磁散射特性参数。
本申请实施例中,进一步的,k=1,2,…,K,K的数量由SAR微波视觉成像的图像的像素数量决定;N为自定义值,N的值可以为10,也就是说,所述N幅SAR二维信号影像可以为10幅SAR二维信号影像,这里N的值仅仅是对本申请实施例的举例说明,并非对本发明的限制。
例如,将10幅SAR二维信号影像中每幅SAR二维信号影像中的第1个像素点组成为向量Y10(1),将10幅SAR二维信号影像中每幅SAR二维信号影像中的第2个像素点组成为向量,……,以此类推,直至将10幅SAR二维信号影像中每幅SAR二维信号影像中的第k个像素点组成为向量Y10(k)。
本申请实施例中,如图2所示,图2为所述预测得到回波图像中每个像素点的电磁散射特性参数的SAR三维成像系统的几何模型图。
其中,B表示沿斜距垂向的最长基线,αi表示第i个相位中心Si的基线倾角,s为斜距垂向,所述斜距垂向s与垂直基线方向b平行。进一步的,由三维成像系统的几何模型图可知,在斜距垂向s上的所有地物散射点都会落在同一距离-方位单元内,则第i个SAR二维信号影像接收器获取的SAR图像的三维数学模型经简化可以表示为:
其中,ri(r,s)表示斜距垂向s上的散射点σ(x,r,s)到相位中心Si的距离,Si(x,r)表示二维成像之后的SAR二维信号影像。如图2中所示的几何关系,所述三维成像系统中SAR三维成像的距离可以表示为:
其中,a表示斜距垂向的取值区间。
进一步的,在SAR三维成像系统几何模型中,斜距垂向s是第三维,对上式在s=0处进行二阶泰勒展开,可以得到中SAR三维成像的距离的数学等效模型近似式:
其中,且ri(r,0)≈r,ri(r,0))>>s因此有:
进一步的,所述SAR图像的三维数学模型可以表示为::
其中,exp(-j4πri(r,0)/λ)是所述三维成像系统的几何模型的基线到相位中心的斜距,与斜距垂向s无关,所以可以通过去斜的方式处理上述公式,经过去斜之后,再对第三维进行层析成像,此时与第三维空间变量s有关的部分可以单独写成:
令γ(s)=σ(x,r,s)exp(j2πs2/λr),则上式可以写作:
由此可见,g(x,r,fi)是对复后向散射γ(s)的傅里叶变换在f=fi时候的取值。将N个SAR二维影像写成向量的形式,可以写作:
G=[g(x,r,f0),g(x,r,f1),…,g(x,r,fN-1)]T
将上式离散化,则有:
考虑二维影像的噪声问题,上式可以简写为:
G=AN×Mγ+n
其中:
γ=[γ(s0) γ(s1) … γ(sN-1)]T
n=[n0 n1 … nN-1]T
其中,通过对N个SAR二维信号影像进行预处理以获得向量G,矩阵AN×M由N个SAR二维影像构成的SAR三维成像系统的几何模型构建,n为噪声。
S103、将所述电磁散射特性参数输入到SAR微波视觉成像模型,得到所述SAR二维信号影像对应的SAR预测回波信号。
本申请实施例中,所述SAR微波视觉成像模型由目标电磁散射特性参数化模型和SAR二维影像中的空间语义等信息构成,所述空间语义参数可以作为深度学习网络的初始值,用来训练所述SAR微波视觉成像模型。
本申请实施例中,所述SAR微波视觉成像模型包含目标电磁散射特性参数化模型和SAR二维影像中的空间语义参数,将其作为在SAR成像时的约束条件,可以提高SAR微波视觉成像的成像质量。
S104、根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值。
本申请实施例中,通过下述公式计算所述损失值
其中,Sn为第n个二维影像信号对应的SAR真实回波信号,为根据所有预测得到的像素点的电磁散射特性参数确定的SAR预测回波信号。
S105、在所损失值满足预置条件时,停止对所述SAR微波视觉成像模型的训练。
S106、基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像。
本申请实施例中,通过对抗网络模型对所述SAR二维信号影像对应的SAR预测回波信号与所述SAR真实回波信号进行训练。将所述SAR二维信号影像对应的SAR预测回波信号与所述SAR真实回波信号作为训练样本。通过建立极大似然函数判别器来计算所述损失值,基于所述判别器生成对抗网络模型,利用对抗网络模型对所述SAR二维信号影像对应的SAR预测回波信号与所述SAR真实回波信号进行训练。所述在所损失值满足预置条件时中的所述预置条件为:所述计算所述损失值的公式收敛,当所述计算所述损失值的公式收敛,所述SAR微波视觉成像模型训练停止,所述SAR微波视觉成像模型训练完成;当所述计算所述损失值的公式发散,则重新获取合成孔径了雷达SAR二维信号影像,更新迭代所述SAR二维信号影像对应的SAR预测回波信号,通过迭代过程不断地提高所述电磁散射特性参数的估计结果的准确性,以使得所述损失值满足预置条件,停止对所述SAR微波视觉成像模型的训练,基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像,所述SAR微波视觉成像模型的训练完成。
本申请实施例中,参照图3所示,图3为基于对抗网络的SAR微波视觉成像获取方法的流程图,包括:
301、获取合成孔径雷达SAR二维信号影像,通过所述SAR二维信号影像提取空间语义参数;
302、通过所述空间语义参数获取电磁散射特性参数;
303、将所述电磁散射特性参数输入到生成器中,得到所述SAR二维信号影像对应的SAR预测回波信号;
304、将所述SAR二维信号影像对应的SAR预测回波信号与SAR真实回波信号输入到判别器中;
305、计算判别器是否收敛;
306、当判别器为收敛时,停止对所述SAR微波视觉成像模型的训练;
307、基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像。
本申请实施例中,极大似然函数判别器的内设损失函数为:
其中Sn为第n个二维影像信号对应的SAR真实回波信号,为根据所有预测得到的像素点的电磁散射特性参数确定的SAR预测回波信号,s表示回波。
当所述极大似然代价函数收敛时,则所述判别器判别为“是”,此时电磁散射参数估计完成,SAR微波视觉成像完成,当所述极大似然代价函数发散时,则所述极大似然函数判别器判别为“否”,则重新获取合成孔径雷达SAR二维信号影像,更新迭代所述SAR二维信号影像对应的SAR预测回波信号,通过迭代过程不断地提高所述电磁散射特性参数的估计结果的准确性,以使得极大似然函数判别器收敛,停止对所述SAR微波视觉成像模型的训练,基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像,所述SAR微波视觉成像模型的训练完成。
本申请实施例中,所述SAR微波视觉成像模型为对抗网络模型,对抗网络的思想是:给定一组随机数,通过生成网络以生成图像,再通过判别器进行判别,如果生成图像与真实图像接近,则认为这组随机数是该真实图像的特定属性,如果生成图像与真实图像相去甚远,则通过网络学习重新生成新的图像,直到生成图像与真实图像接近优选的,可以将上述对抗网络思想用于训练求解SAR微波视觉成像模型,根据对抗网络的思想,将SAR二维信号影像提取的空间语义参数与目标电磁散射特性参数作为初始值,用来训练所述SAR微波视觉成像模型。
本申请实施例提供了一种基于空间语义的SAR成像获取方法,能够体现目标在SAR二维图像中的空间语义,体现场景结构的语义信息,提高SAR微波视觉成像的成像质量。
基于同一发明构思,本申请实施例中还提供了与基于SAR微波视觉成像模型的获取方法对应的基于空间语义的SAR成像获取方法的装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述基于SAR微波视觉成像模型的获取方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图4所示,为本申请实施例还提供了一种基于空间语义的SAR成像获取装置,所述基于空间语义的SAR成像获取装置包括:
第一获取模块401,用于获取合成孔径雷达SAR二维信号影像,通过所述SAR二维信号影像提取空间语义参数;
第二获取模块402,通过所述空间语义参数获取电磁散射特性参数;
输入模块403,将所述电磁散射特性参数输入到SAR微波视觉成像模型,得到所述SAR二维信号影像对应的SAR预测回波信号;
计算模块404,根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值;
停止训练模块405,在所损失值满足预置条件时,停止对所述SAR微波视觉成像模型的训练。
第三获取模块406,基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像。
本申请实施例中,所述通过所述空间语义参数获取电磁散射特性参数,包括:
通过所述空间语义参数以及所有SAR二维信号影像中属于同一个像素点组成的向量,预测得到回波图像中每个像素点的电磁散射特性参数。
本申请实施例中,通过所述空间语义参数以及所有SAR二维信号影像中属于同一个像素点组成的向量,预测得到回波图像中每个像素点的电磁散射特性参数,包括:
通过下述公式预测得到回波图像中每个像素点的电磁散射特性参数:
其中,Θj为第j个电磁散射目标的特性参数,可自定义电磁散射目标为3-5个,即一般为[Θ1,Θ2,Θ3]或[Θ1,Θ2,Θ3,Θ4]或[Θ1,Θ2,Θ3,Θ4,Θ5],Θj初始值为所述空间语义参数,YN(k)为N幅SAR二维信号影像中每第k个像素点组成的向量,AN×M表示由三维成像几何模型所确定的导向矩阵,M为自定义值,XM(Θ1,Θ2,…)表示在第三维信号下的电磁散射特性参数。
本申请实施例中,根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值,包括:
通过下述公式计算所述损失值
其中,Sn为第n个二维信号影像对应的SAR真实回波信号,为根据所有预测得到的像素点的电磁散射特性参数确定的SAR预测回波信号。
本申请实施例中,所述导向矩阵AN×M通过下述公式表示:
导向矩阵
其中,s0,s1,...,sM-1为斜距垂向离散化后的值;j为复数;
i=0,1,…,N-1;αi表示第i个相位中心Si的基线倾角;bi表示参考相位中心S0到第i个相位中心Si的距离。
本申请实施例中,所述电磁散射特性参数包括:电磁散射特性的频率依赖因子、分布式散射体的长度和方位、后向散射系数、散射体的空间位置以及散射体在四种极化方式下的幅度。
本申请实施例中,所述散射体在四种极化方式包括:水平发射水平接收HH极化、垂直发射垂直接收VV极化、水平发射垂直接收HV极化及垂直发射水平接收VH极化。
本申请实施例提供了一种SAR微波视觉成像模型的训练装置,能够提高SAR微波视觉成像的成像质量。
参照图5所示,本申请实施例提供的一种电子设备500,包括:处理器501、存储器502和总线,所述存储器502存储有所述处理器501可执行的机器可读指令,当电子设备运行时,所述处理器501与所述存储器502之间通过总线通信,所述处理器501执行所述机器可读指令,以执行如上述基于SAR微波视觉成像模型的获取方法的步骤。
具体地,上述存储器502和处理器501能够为通用的存储器和处理器,这里不做具体限定,当处理器501运行存储器502存储的计算机程序时,能够执行上述基于SAR微波视觉成像模型的获取方法。
对应于上述基于SAR微波视觉成像模型的获取方法,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述基于SAR微波视觉成像模型的获取方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述基于SAR微波视觉成像模型的获取方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于空间语义的SAR成像获取方法,其特征在于,所述方法包括:
获取合成孔径雷达SAR二维信号影像,通过所述SAR二维信号影像提取空间语义参数;
通过所述空间语义参数获取电磁散射特性参数;
将所述电磁散射特性参数输入到所述SAR微波视觉成像模型,得到所述SAR二维信号影像对应的SAR预测回波信号;
根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值;
在所述损失值满足预置条件时,停止对所述SAR微波视觉成像模型的训练;
基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像;
所述通过所述空间语义参数获取电磁散射特性参数,包括:
通过所述空间语义参数以及所有SAR二维信号影像中属于同一个像素点组成的向量,预测得到回波图像中每个像素点的所述电磁散射特性参数;
所述电磁散射特性参数包括:电磁散射特性的频率依赖因子、分布式散射体的长度和方位、后向散射系数、散射体的空间位置以及散射体在四种极化方式下的幅度。
2.根据权利要求1所述的基于空间语义的SAR成像获取方法,其特征在于,通过所述空间语义参数以及所有SAR二维信号影像中属于同一个像素点组成的向量,预测得到回波图像中每个像素点的所述电磁散射特性参数,包括:
通过下述公式预测得到回波图像中每个像素点的所述电磁散射特性参数:
其中,Θj为第j个电磁散射特性参数,可自定义电磁散射特性参数为3-5个,即一般为[Θ1,Θ2,Θ3]或[Θ1,Θ2,Θ3,Θ4]或[Θ1,Θ2,Θ3,Θ4,Θ5],Θj初始值为所述空间语义参数,YN(k)为N幅SAR二维信号影像中每第k个像素点组成的向量,AN×M表示由三维成像几何模型所确定的导向矩阵,M为自定义值,XM(Θ1,Θ2,…)表示在第三维信号下的电磁散射特性参数。
3.根据权利要求2所述的基于空间语义的SAR成像获取方法,其特征在于,根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值,包括:
通过下述公式计算所述损失值:
其中,Sn为第n个二维信号影像对应的SAR真实回波信号,为根据所有预测得到的像素点的电磁散射特性参数确定的SAR预测回波信号。
4.根据权利要求2所述的基于空间语义的SAR成像获取方法,其特征在于,所述导向矩阵AN×M通过下述公式表示:
其中,s0,s1,...,sM-1为斜距垂向离散化后的值;j为复数;
αi表示第i个相位中心Si的基线倾角;bi表示参考相位中心S0到第i个相位中心Si的距离。
5.根据权利要求4所述的基于空间语义的SAR成像获取方法,其特征在于,所述散射体在四种极化方式包括:水平发射水平接收HH极化、垂直发射垂直接收VV极化、水平发射垂直接收HV极化及垂直发射水平接收VH极化。
6.一种基于空间语义的SAR成像获取装置,其特征在于,所述装置包括:
第一获取模块,用于获取合成孔径雷达SAR二维信号影像,通过所述SAR二维信号影像提取空间语义参数;
第二获取模块,通过所述空间语义参数获取电磁散射特性参数;
输入模块,将所述电磁散射特性参数输入到SAR微波视觉成像模型,得到所述SAR二维信号影像对应的SAR预测回波信号;
计算模块,根据所述SAR二维信号影像对应的SAR预测回波信号、SAR真实回波信号计算损失值;
停止训练模块,在所损失值满足预置条件时,停止对所述SAR微波视觉成像模型的训练;
第三获取模块,基于训练好的SAR微波视觉成像模型获取SAR微波视觉成像;
所述第一获取模块,还用于通过所述空间语义参数以及所有SAR二维信号影像中属于同一个像素点组成的向量,预测得到回波图像中每个像素点的所述电磁散射特性参数;所述电磁散射特性参数包括:电磁散射特性的频率依赖因子、分布式散射体的长度和方位、后向散射系数、散射体的空间位置以及散射体在四种极化方式下的幅度。
7.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至5任一项所述的基于空间语义的SAR成像获取方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5任一项所述的基于空间语义的SAR成像获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573906.1A CN116660897B (zh) | 2023-05-19 | 2023-05-19 | 基于空间语义的sar成像获取方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573906.1A CN116660897B (zh) | 2023-05-19 | 2023-05-19 | 基于空间语义的sar成像获取方法、装置、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116660897A CN116660897A (zh) | 2023-08-29 |
CN116660897B true CN116660897B (zh) | 2024-02-27 |
Family
ID=87721646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310573906.1A Active CN116660897B (zh) | 2023-05-19 | 2023-05-19 | 基于空间语义的sar成像获取方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116660897B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107607951A (zh) * | 2017-10-18 | 2018-01-19 | 浙江环球星云遥感科技有限公司 | 一种sar图像二次散射特征模拟方法 |
CN108256471A (zh) * | 2018-01-16 | 2018-07-06 | 北方工业大学 | 一种基于双层分类网的高分辨率合成孔径雷达船只识别方法 |
WO2018196245A1 (zh) * | 2017-04-28 | 2018-11-01 | 华讯方舟科技有限公司 | 一种近景微波成像方法及系统 |
CN110555811A (zh) * | 2019-07-02 | 2019-12-10 | 五邑大学 | 一种sar图像数据增强方法、装置及存储介质 |
CN111948654A (zh) * | 2020-08-12 | 2020-11-17 | 中国科学院空天信息创新研究院 | 机载层析sar三维点云生成方法 |
CN112734812A (zh) * | 2020-12-24 | 2021-04-30 | 北京建筑大学 | 确定散射体数量的方法、装置、电子设备及存储介质 |
CN114740470A (zh) * | 2022-03-21 | 2022-07-12 | 中国人民解放军国防科技大学 | 基于属性散射模型的微波波前调制前视成像方法和装置 |
CN114994674A (zh) * | 2022-08-08 | 2022-09-02 | 中国科学技术大学 | 智能微波凝视关联成像方法、设备及存储介质 |
CN115830462A (zh) * | 2023-02-24 | 2023-03-21 | 中国人民解放军国防科技大学 | 基于循环一致性对抗网络的sar图像重构方法及装置 |
-
2023
- 2023-05-19 CN CN202310573906.1A patent/CN116660897B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018196245A1 (zh) * | 2017-04-28 | 2018-11-01 | 华讯方舟科技有限公司 | 一种近景微波成像方法及系统 |
CN107607951A (zh) * | 2017-10-18 | 2018-01-19 | 浙江环球星云遥感科技有限公司 | 一种sar图像二次散射特征模拟方法 |
CN108256471A (zh) * | 2018-01-16 | 2018-07-06 | 北方工业大学 | 一种基于双层分类网的高分辨率合成孔径雷达船只识别方法 |
CN110555811A (zh) * | 2019-07-02 | 2019-12-10 | 五邑大学 | 一种sar图像数据增强方法、装置及存储介质 |
CN111948654A (zh) * | 2020-08-12 | 2020-11-17 | 中国科学院空天信息创新研究院 | 机载层析sar三维点云生成方法 |
CN112734812A (zh) * | 2020-12-24 | 2021-04-30 | 北京建筑大学 | 确定散射体数量的方法、装置、电子设备及存储介质 |
CN114740470A (zh) * | 2022-03-21 | 2022-07-12 | 中国人民解放军国防科技大学 | 基于属性散射模型的微波波前调制前视成像方法和装置 |
CN114994674A (zh) * | 2022-08-08 | 2022-09-02 | 中国科学技术大学 | 智能微波凝视关联成像方法、设备及存储介质 |
CN115830462A (zh) * | 2023-02-24 | 2023-03-21 | 中国人民解放军国防科技大学 | 基于循环一致性对抗网络的sar图像重构方法及装置 |
Non-Patent Citations (1)
Title |
---|
SARMV3D-1.0:SAR微波视觉三维成像数据集;仇晓兰等;《雷达学报》;第485-498页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116660897A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7456780B1 (en) | Method and system for developing and using an image reconstruction algorithm for detecting and imaging moving targets | |
US11520035B2 (en) | Coherence change detection techniques | |
US11789142B2 (en) | Graph-based array signal denoising for perturbed synthetic aperture radar | |
CN111220960B (zh) | 多站雷达下的目标特征提取方法和装置 | |
CN106918810B (zh) | 一种存在阵元幅相误差时的微波关联成像方法 | |
CN107621635A (zh) | 一种前视海面目标角超分辨方法 | |
US8798359B2 (en) | Systems and methods for image sharpening | |
CN107607945A (zh) | 一种基于空间嵌入映射的扫描雷达前视成像方法 | |
CN108776339B (zh) | 基于块稀疏迭代阈值处理的单比特合成孔径雷达成像方法 | |
CN108931776A (zh) | 一种高精度的匹配场定位方法 | |
Ma et al. | Target imaging based on ℓ 1 ℓ 0 norms homotopy sparse signal recovery and distributed MIMO antennas | |
CN110596706B (zh) | 一种基于三维图像域投射变换的雷达散射截面积外推方法 | |
CN112230221A (zh) | 一种基于三维稀疏成像的rcs测量方法 | |
CN107255800A (zh) | 多极化雷达成像的双层次块稀疏匹配追踪方法及装置 | |
CN114638830A (zh) | 隧道钢筋识别模型的训练方法及隧道钢筋识别方法 | |
CN111833395B (zh) | 一种基于神经网络模型的测向体制单目标定位方法和装置 | |
CN116660897B (zh) | 基于空间语义的sar成像获取方法、装置、计算机设备 | |
CN109444843A (zh) | 一种单频雷达成像方法和装置 | |
Voccola et al. | On the relationship between the generalized likelihood ratio test and backprojection for synthetic aperture radar imaging | |
Kang et al. | Robust calibration method for distributed ISAR time‐varying frequency errors based on the contrast maximisation principle | |
Zha et al. | An iterative shrinkage deconvolution for angular superresolution imaging in forward-looking scanning radar | |
CN111708028B (zh) | 基于多重分形谱的sar图像二次成像方法 | |
CN114067064A (zh) | 基于多视角雷达图像的目标三维重建方法 | |
Yun et al. | Scattering Center Extraction for ISAR Image using Deep Neural Network | |
Feng et al. | Adaptive Dynamic Regularization Super-Resolution Imaging Method of Forward-looking Scanning Radar Based on Data-Depended |
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 |