CN117471457A - 基于深度展开复网络的稀疏sar学习成像方法、装置及介质 - Google Patents
基于深度展开复网络的稀疏sar学习成像方法、装置及介质 Download PDFInfo
- Publication number
- CN117471457A CN117471457A CN202311381157.9A CN202311381157A CN117471457A CN 117471457 A CN117471457 A CN 117471457A CN 202311381157 A CN202311381157 A CN 202311381157A CN 117471457 A CN117471457 A CN 117471457A
- Authority
- CN
- China
- Prior art keywords
- sar
- imaging
- learning
- distance
- echo
- 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.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000002592 echocardiography Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification 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
- G01S13/9021—SAR image post-processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度展开复网络的稀疏SAR学习成像方法、装置及介质,所述方法包括如下步骤:构建条带SAR成像几何和条带SAR发射信号模型,获取SAR回波信号;基于CSA的快速重构算法,确定SAR学习成像网络学习参数;根据所需学习参数搭建SAR学习成像网络模型,构建回波样本集并对SAR学习成像网络进行预训练;将同参数下任意点目标回波输入训练好的网络模型,得到聚焦的SAR图像。本发明通过深度展开网络将传统稀疏成像模型嵌入到神经网络中,不仅可以减少稀疏SAR成像的迭代次数,还可以通过非监督学习确定算法的最优参数,从而实现对回波信号的高精度成像。
Description
技术领域
本发明属于合成孔径雷达成像和深度学习技术领域,具体涉及一种基于深度展开复网络的稀疏SAR学习成像方法、装置及介质。
背景技术
合成孔径雷达(SyntheticAperture Radar,SAR)是一种主动式高分辨率成像雷达,不受时间和天气的影响,具有全天时、全天候、穿透能力强的特点,在灾情预测、地质探测以及情报侦察等方面都有着广泛的应用前景。
稀疏微波成像是指将稀疏信号处理技术引入微波成像而形成的一种全新微波成像体制、理论和方法。稀疏微波成像方法可以在低采样率情况下获得具有高分辨率和低旁瓣的重构图像,但其仍受限于复杂且耗时的迭代成像机制和难以确定的算法最优参数。
深度学习(Deep Learning,DL)技术具有出色的特征学习以及拟合表征能力,为突破传统SAR成像方法的局限性提供了一种全新的解决手段。目前,针对静止目标的SAR学习成像可划分为数据驱动DL成像技术和将模型驱动与数据驱动相结合的DL成像技术。数据驱动DL成像技术将深度神经网络视为黑盒,因此在解决雷达成像问题时存在可解释性差和普适性弱等局限性。而模型驱动与数据驱动相结合的DL成像技术弱化了模型失配的影响,也避免了复杂的成像机制和参数选取过程。
现有二维SAR学习成像网络将SAR回波复数据按实、虚部分开,采用双通道输入、输出的方式,回波模拟算子网络结构复杂,设计难度大。然而,回波模拟算子、成像算子在成像参数确定的情况下可较为精确表示,在学习成像网络训练时不会有很大变化。本专利中的成像算子和回波模拟算子采用单通道复数据的输入、输出方式,降低了网络模型的复杂度。
发明内容
发明目的:本发明提供一种基于深度展开复网络的稀疏SAR学习成像方法、装置及介质,将稀疏成像模型嵌入到深度展开网络中,通过非监督学习的训练方式确定算法最优参数,从而实现高精度SAR成像。
技术方案:本发明所述的一种基于深度展开复网络的稀疏SAR学习成像方法,包括以下步骤:
(1)构建条带SAR成像几何和条带SAR发射信号模型,获取SAR回波信号;
(2)基于CSA的快速重构算法,确定SAR学习成像网络学习参数;
(3)根据所需学习参数搭建SAR学习成像网络模型,构建回波样本集并对SAR学习成像网络进行预训练;
(4)将同参数下任意点目标回波输入训练好的网络模型,得到聚焦的SAR图像。
进一步地,所述步骤(1)实现过程如下:
条带SAR发射信号模型即具有线性调频特性的脉冲信号s(τ)为:
s(r)=ωτ(τ)cos{2πf0τ+πKrτ2}
其中,Kr为距离向脉冲的调频率,f0为载波频率,τ为距离向时间,ωr(τ)表示发射脉冲包络;对于单个点目标P(τ0;r0)的接收信号为:
其中,σ(τ0;r0)为点目标后向散射系数,c表示光速,R(η)为瞬时斜距,R(η)表示为Vr为等效雷达速度,η为相对于最近点位置的方位向时间,R0为雷达离目标最近时的斜距;经过SAR系统正交解调操作后,得到解调后的回波信号为:
其中,ωr表示距离窗函数,ωa表示方位窗函数,ηc表示雷达波束中心穿越时刻。
进一步地,所述步骤(2)实现过程如下:
将获取的回波信号s0(η,τ;r)进行方位向快速傅里叶变换,忽略较小的距离包络调制,回波信号在距离多普勒域的表达式为:
其中,A为一个复常数,表示σ的幅度值,Wa表示信号的方位频谱包络,fη表示方位向频率,表示多普勒中心频率,D(fη,Vr)为徙动参数,/>距离向调频率Kr因距离/方位耦合所改变,改变后的距离向调频率/>
构造变标方程Hsc(τ′,fη),将距离多普勒域中的回波信号与变标方程相乘,完成补余距离校正:
S1(τ,fη)=Hsc(τ′,fη)S0(τ,fη)
其中,新的距离向时间Rref为雷达距测绘带中心最近时的斜距,/>为测绘带中心处的多普勒中心频率;
然后对变标后的信号S1(τ,fη)进行距离向快速傅里叶变换,忽略常数乘积项,得到二维频域表达式:
其中,Wr表示信号的距离频谱包络,fτ表示距离向频率;
构造的距离压缩、一致距离徙动校正函数为:
信号S2(fτ,fη)与距离向校正函数Hrc(fτ,fη)相乘后通过距离向傅里叶逆变换完成所有距离处理,得到距离多普勒域信号:
其中,pr(·)是距离向包络,为sinc型函数;
构造方位向匹配滤波、附加相位校正函数Hac(τ,fη)为:
信号S3(τ,fη)与方位向校正函数Hac(τ,fη)相乘后通过方位向傅里叶逆变换完成方位处理,最终得到目标信号为:
其中,pa(·)是方位向包络,为sinc型函数;
将chirp scaling算法的成像过程表示为:
其中,Fr和Fa分别表示距离向和方位向傅里叶变换;和/>分别表示距离向和方位向傅里叶逆变换,X表示观测场景散射系数矩阵,Y表示接收到的二维回波数据,⊙表示Hadamard乘积;
由成像算子R(Y)推导其逆成像算子,基于chirp scaling算法的回波模拟算子表示为:
其中,*表示矩阵共轭操作;
将SAR成像看作一个线性求解的逆问题,则场景重建通过求解如下最优问题得到:
其中,表示重建的二维散射系数矩阵,Φa和Φr分别表示方位向和距离向降采样矩阵,||·||F表示Frobenius范数,λ||X||1为正则化约束项,λ为正则化参数。
进一步地,步骤(3)所述SAR学习成像网络模型表示为:
其中,Ξm表示第m层中算子更新层输出,λm表示第m层正则化参数,Tm表示第m层迭代阈值,表示第m层重建的二维散射系数矩阵。
进一步地,步骤(3)所述构建回波样本集并对成像网络进行预训练过程如下:
设计损失函数实现非监督学习,对网络最后一层重建的二维散射系数矩阵做运算,得到SAR回波的估计值并计算与输入的真实回波的差异;设定真实回波样本集Yn={Y1,Y2,Y3,...,YN},其中n=1,2,…,N为回波样本序列号,回波模拟值表达式为:
其中,表示第n个估计得到的SAR回波,n为回波样本序列号;设定损失函数为均方误差函数,具体表达式为:
其中,L(θ)为可学习参数集θ的损失函数。
进一步地,所述步骤(4)实现过程如下:
将SAR学习成像网络模型最终学习得到的各层不同的正则化参数λm和迭代阈值Tm作为固定值设置在SAR学习成像网络模型中,最后输入同参数下任意点目标回波即可直接输出成像结果。
基于相同的发明构思,本发明所述的装置设备,包括存储器和处理器,其中:存储器,用于存储能够在处理器上运行的计算机程序;处理器,用于在运行所述计算机程序时,执行如上所述的基于深度展开复网络的稀疏SAR学习成像方法步骤。
基于相同的发明构思,本发明所述的存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如上所述的基于深度展开复网络的稀疏SAR学习成像方法步骤。
有益效果:与现有技术相比,本发明的有益效果为:1、与传统的稀疏SAR成像算法相比,该发明采用非监督学习的方式确定了成像的最优参数,提升了重建图像质量;2、与现有的SAR学习成像算法相比,该发明的成像算子和回波模拟算子采用单通道复数据的输入、输出方式,降低了网络模型的复杂度。
附图说明
图1为基于深度展开复网络的稀疏SAR学习成像方法流程图;
图2为条带SAR成像几何模型示意图;
图3为基于chirp scaling算法的稀疏微波成像算法流程图;
图4为本发明提出的SAR成像网络结构示意图;
图5为SAR学习成像网络第m层网络结构示意图;
图6为非监督训练结构示意图;
图7为不同算法下的成像结果;其中,(a)为点目标成像场景设计;(b)为传统CSA成像结果;(c)为稀疏CSA成像结果;(d)为所提方法的成像结果;
图8为不同算法下,景中心点目标T2升采样结果、距离剖面和方位剖面。
具体实施方式
下面结合附图对本发明做进一步说明。
本发明提供一种基于深度展开复网络的稀疏SAR学习成像方法,如图1所示,包括以下步骤:
步骤1:构建条带SAR成像几何,构建条带SAR回波信号模型。
条带SAR成像几何模型如附图2所示,在条带SAR中,定义具有线性调频特性的发射信号模型s(τ)为:
s(τ)=ωτ(r)cos{2nf0τ+πKrτ2}
其中,Kr为距离向脉冲的调频率,f0为载波频率,τ为距离向时间,ωr(τ)表示发射脉冲包络。对于单个点目标P(τ0;r0)的接收信号为:
其中,σ(τ0;r0)为点目标后向散射系数,c表示光速,R(η)为瞬时斜距,R(η)表示为Vr为等效雷达速度,η为相对于最近点位置的方位向时间,R0为雷达离目标最近时的斜距。经过SAR系统正交解调操作后,得到解调后的接收信号为:
其中,ωr表示距离窗函数,ωa表示方位窗函数,ηc表示雷达波束中心穿越时刻。
步骤2:基于线性调频变标(Chirp Scaling Algorithm,CSA)的快速重构算法,确定成像网络学习参数。
将获取的回波信号s0(η,τ;r)进行方位向快速傅里叶变换,忽略较小的距离包络调制,回波信号在距离多普勒域的表达式为:
其中,A为一个复常数,表示σ的幅度值,Wa表示信号的方位频谱包络,fη表示方位向频率,表示多普勒中心频率,D(fη,Vr)为徙动参数,/>距离向调频率Kr因距离/方位耦合所改变,改变后的距离向调频率/>
构造变标方程Hsc(τ′,fη),将距离多普勒域中的回波信号与变标方程相乘,完成补余距离校正:
S1(τ,fη)=Hsc(τ′,fη)S0(τ,fη)
其中,新的距离向时间Rref为雷达距测绘带中心最近时的斜距,/>为测绘带中心处的多普勒中心频率。
然后对变标后的信号S1(τ,fη)进行距离向快速傅里叶变换,忽略常数乘积项,得到二维频域表达式:
其中,Wr表示信号的距离频谱包络,fτ表示距离向频率。
构造的距离压缩、一致距离徙动校正函数为:
信号S2(fτ,fη)与距离向校正函数Hre(fτ,fη)相乘后通过距离向傅里叶逆变换完成所有距离处理,得到距离多普勒域信号:
其中,pr(·)是距离向包络,为sinc型函数。
构造方位向匹配滤波、附加相位校正函数Hac(τ,fη)为:
信号S3(τ,fη)与方位向校正函数Hac(τ,fη)相乘后通过方位向傅里叶逆变换完成方位处理,最终得到目标信号为:
其中,pa(·)是方位向包络,为sinc型函数。
将chirp scaling算法的成像过程可表示为:
其中,Fr和Fa分别表示距离向和方位向傅里叶变换;和/>分别表示距离向和方位向傅里叶逆变换,X表示观测场景散射系数矩阵,Y表示接收到的二维回波数据,⊙表示Hadamard乘积。
由成像算子R(Y)可以推导其逆成像算子,基于chirp scaling算法的回波模拟算子可表示为:
其中,*表示矩阵共轭操作。
将SAR成像看作一个线性求解的逆问题,则场景重建可以通过求解如下最优问题得到:
其中,表示重建的二维散射系数矩阵,Φa和Φr分别表示方位向和距离向降采样矩阵,||·||F表示Frobenius范数,λ||X||1为正则化约束项,λ为正则化参数。
基于chirp scaling算法的稀疏成像流程图如图3所示,该算法中复信息传递阈值函数中的阈值T和正则化参数λ是人工设计的固定参数。因此,本发明通过深度学习中无监督的网络训练方式,让网络模型自主学习不同雷达参数、不同回波数据下成像质量最优的模型参数。
步骤3:搭建SAR学习成像网络模型,构建回波样本集,并对成像网络进行预训练。
按照迭代软阈值算法(Iterative Soft Thresholding Algorithm,ISTA)求解上述最优问题,可将其映射为包含算子更新层和非线性变换层的深度展开网络。算子更新层对场景散射系数进行更新,非线性变换层对输入进行非线性变换,输出下一层的场景散射系数,第m层成像网络可以表示为:
其中,Ξm表示第m层中算子更新层输出,λm表示第m层正则化参数,Tm表示第m层迭代阈值,表示第m层重建的二维散射系数矩阵。
本发明所设计的二维SAR学习成像网络如图4所示,其中每层展开网络的结构相同如图5所示。考虑到SAR场景很可能满足稀疏特性,因此采用ReLU函数作为本发明网络的激活函数。图5中上标r和i分别表示实部和虚部,CN(·)为复数元素归一化操作,Con(·)表示将实部矩阵和虚部矩阵连接成一个矩阵的操作,dCon(·)为Con(·)的反向操作。
本发明采用理想的随机点散射模型,在不改变SAR成像模型和雷达参数的情况下生成大量回波数据样本。构建完回波样本集,设计损失函数实现非监督学习,对网络最后一层重建的二维散射系数矩阵做/>运算,得到SAR回波的估计值并计算与输入的真实回波的差异。网络非监督训练结构如图6所示,设定真实回波样本集Yn={Y1,Y2,Y3,...,YN},其中n=1,2,…,N为回波样本序列号,回波模拟值表达式为:
其中,表示第n个估计得到的SAR回波,n为回波样本序列号。设定损失函数为均方误差函数,具体表达式为:
其中,L(θ)为可学习参数集θ的损失函数。本发明采用基于随机梯度下降的Adam优化算法对网络进行优化,当网络收敛后可得到比较精确的可学习参数集。
步骤4:将同参数下任意点目标回波输入训练好的网络模型,得到聚焦的SAR图像;
将网络模型最终学习得到的各层不同的正则化参数λm和迭代阈值Tm作为固定值设置在成像网络模型中,最后输入同参数下任意点目标回波即可直接输出成像结果。
为验证本发明方法的有效性,按照表1所示参数,对一种基于深度展开复网络的稀疏SAR学习成像方法进行点目标仿真验证。
表1 SAR系统参数
首先对噪声环境下方位向随机降采样的点目标成像性能进行验证。在生成训练样本和测试样本方面,随机设置1-30个目标散射点,回波方位向30-100%降采样,且随机添加-5-35dB的高斯白噪声,随机选取样本数量的80%作为训练集,20%作为测试集。batchsize设置为64,整个训练样本集的训练次数(epoch)设置为1600。
为验证所提方法的有效性,设计了以景中心为中心的矩形成像场景如图7(a)所示,并对仿真出的回波在方位向50%降采样,且随机添加0dB的高斯噪声。分别采用CSA、稀疏CSA和本发明所提的SAR学习成像网络对该场景回波进行成像,成像结果分别如图7(b),7(c),7(d)所示。由成像结果易知,本发明所提出算法可有效抑制由降采样导致的点目标方位向拖尾。
为进一步验证所提SAR学习成像网络的有效性,现对场景中心点目标T2进行升采样,并提取其在距离向和方位向的剖面,分析点目标的聚焦质量。其不同算法下的结果如图8所示。理想情况下,点目标回波信号最终被处理成二维sinc函数,由图8易知,所提方法成像结果的距离和方向剖面更接近理想sinc函数。
基于相同的发明构思,本发明还提供一种装置设备,包括存储器和处理器,其中:存储器,用于存储能够在处理器上运行的计算机程序;处理器,用于在运行所述计算机程序时,执行如上所述的基于深度展开复网络的稀疏SAR学习成像方法步骤。
基于相同的发明构思,本发明还提供一种存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如上所述的基于深度展开复网络的稀疏SAR学习成像方法步骤。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于深度展开复网络的稀疏SAR学习成像方法,其特征在于,包括以下步骤:
(1)构建条带SAR成像几何和条带SAR发射信号模型,获取SAR回波信号;
(2)基于CSA的快速重构算法,确定SAR学习成像网络学习参数;
(3)根据所需学习参数搭建SAR学习成像网络模型,构建回波样本集并对SAR学习成像网络进行预训练;
(4)将同参数下任意点目标回波输入训练好的网络模型,得到聚焦的SAR图像。
2.根据权利要求1所述的基于深度展开复网络的稀疏SAR学习成像方法,其特征在于,所述步骤(1)实现过程如下:
条带SAR发射信号模型即具有线性调频特性的脉冲信号s(τ)为:
s(τ)=ωτ(τ)cos{2πf0τ+πKrτ2)
其中,Kr为距离向脉冲的调频率,f0为载波频率,τ为距离向时间,σr(τ)表示发射脉冲包络;对于单个点目标P(τ0;r0)的接收信号为:
其中,σ(τ0;r0)为点目标后向散射系数,c表示光速,R(η)为瞬时斜距,R(η)表示为Vr为等效雷达速度,η为相对于最近点位置的方位向时间,R0为雷达离目标最近时的斜距;经过SAR系统正交解调操作后,得到解调后的回波信号为:
其中,ωr表示距离窗函数,ωa表示方位窗函数,ηc表示雷达波束中心穿越时刻。
3.根据权利要求1所述的基于深度展开复网络的稀疏SAR学习成像方法,其特征在于,所述步骤(2)实现过程如下:
将获取的回波信号s0(η,τ;r)进行方位向快速傅里叶变换,忽略较小的距离包络调制,回波信号在距离多普勒域的表达式为:
其中,A为一个复常数,表示σ的幅度值,Wa表示信号的方位频谱包络,fη表示方位向频率,表示多普勒中心频率,D(fη,Vr)为徙动参数,/>距离向调频率Kr因距离/方位耦合所改变,改变后的距离向调频率/>
构造变标方程Hsc(τ′,fη),将距离多普勒域中的回波信号与变标方程相乘,完成补余距离校正:
S1(τ,fη)=Hse(τ′,fη)S0(τ,fη)
其中,新的距离向时间Rref为雷达距测绘带中心最近时的斜距,为测绘带中心处的多普勒中心频率;
然后对变标后的信号S1(τ,fη)进行距离向快速傅里叶变换,忽略常数乘积项,得到二维频域表达式:
其中,Wr表示信号的距离频谱包络,fτ表示距离向频率;
构造的距离压缩、一致距离徙动校正函数为:
信号S2(fτ,fη)与距离向校正函数Hrc(fτ,fη)相乘后通过距离向傅里叶逆变换完成所有距离处理,得到距离多普勒域信号:
其中,pr(·)是距离向包络,为sinc型函数;
构造方位向匹配滤波、附加相位校正函数Hac(τ,fη)为:
信号S3(τ,fη)与方位向校正函数Hac(τ,fη)相乘后通过方位向傅里叶逆变换完成方位处理,最终得到目标信号为:
其中,pa(·)是方位向包络,为sinc型函数;
将chirp scaling算法的成像过程表示为:
其中,Fr和Fa分别表示距离向和方位向傅里叶变换;和/>分别表示距离向和方位向傅里叶逆变换,X表示观测场景散射系数矩阵,Y表示接收到的二维回波数据,⊙表示Hadamard乘积;
由成像算子R(Y)推导其逆成像算子,基于chirp scaling算法的回波模拟算子表示为:
其中,*表示矩阵共轭操作;
将SAR成像看作一个线性求解的逆问题,则场景重建通过求解如下最优问题得到:
其中,表示重建的二维散射系数矩阵,Φa和Φr分别表示方位向和距离向降采样矩阵,||·||F表示Frobenius范数,λ||X||1为正则化约束项,λ为正则化参数。
4.根据权利要求1所述的基于深度展开复网络的稀疏SAR学习成像方法,其特征在于,步骤(3)所述SAR学习成像网络模型表示为:
其中,Ξm表示第m层中算子更新层输出,λm表示第m层正则化参数,Tm表示第m层迭代阈值,表示第m层重建的二维散射系数矩阵。
5.根据权利要求1所述的基于深度展开复网络的稀疏SAR学习成像方法,其特征在于,步骤(3)所述构建回波样本集并对成像网络进行预训练过程如下:
设计损失函数实现非监督学习,对网络最后一层重建的二维散射系数矩阵做/>运算,得到SAR回波的估计值并计算与输入的真实回波的差异;设定真实回波样本集Yn={Y1,Y2,Y3,...,YN},其中n=1,2,…,N为回波样本序列号,回波模拟值表达式为:
其中,表示第n个估计得到的SAR回波,n为回波样本序列号;设定损失函数为均方误差函数,具体表达式为:
其中,L(θ)为可学习参数集θ的损失函数。
6.根据权利要求1所述的基于深度展开复网络的稀疏SAR学习成像方法,其特征在于,所述步骤(4)实现过程如下:
将SAR学习成像网络模型最终学习得到的各层不同的正则化参数λm和迭代阈值Tm作为固定值设置在SAR学习成像网络模型中,最后输入同参数下任意点目标回波即可直接输出成像结果。
7.一种装置设备,其特征在于,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行如权利要求1-6任一项所述的基于深度展开复网络的稀疏SAR学习成像方法步骤。
8.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如权利要求1-5任一项所述的基于深度展开复网络的稀疏SAR学习成像方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311381157.9A CN117471457A (zh) | 2023-10-23 | 2023-10-23 | 基于深度展开复网络的稀疏sar学习成像方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311381157.9A CN117471457A (zh) | 2023-10-23 | 2023-10-23 | 基于深度展开复网络的稀疏sar学习成像方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117471457A true CN117471457A (zh) | 2024-01-30 |
Family
ID=89624853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311381157.9A Pending CN117471457A (zh) | 2023-10-23 | 2023-10-23 | 基于深度展开复网络的稀疏sar学习成像方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117471457A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687014A (zh) * | 2024-02-04 | 2024-03-12 | 南京信息工程大学 | 一种基于二维滤波MapDrift的SAR等效雷达速度估计方法 |
-
2023
- 2023-10-23 CN CN202311381157.9A patent/CN117471457A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687014A (zh) * | 2024-02-04 | 2024-03-12 | 南京信息工程大学 | 一种基于二维滤波MapDrift的SAR等效雷达速度估计方法 |
CN117687014B (zh) * | 2024-02-04 | 2024-04-16 | 南京信息工程大学 | 一种基于二维滤波MapDrift的SAR等效雷达速度估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229404B (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
US10976412B2 (en) | Deep learning for super resolution in a radar system | |
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
US5805098A (en) | Method and system for forming image by backprojection | |
US11009591B2 (en) | Deep learning for de-aliasing and configuring a radar system | |
CN108490441A (zh) | 基于两级滤波的俯冲段大斜视sar子孔径成像空变校正方法 | |
CN111580104B (zh) | 基于参数化字典的机动目标高分辨isar成像方法 | |
CN109343060B (zh) | 基于深度学习时频分析的isar成像方法及系统 | |
CN112198506B (zh) | 一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质 | |
CN117471457A (zh) | 基于深度展开复网络的稀疏sar学习成像方法、装置及介质 | |
CN109507666B (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN110780298A (zh) | 基于变分贝叶斯学习的多基isar融合成像方法 | |
CN113030972B (zh) | 基于快速稀疏贝叶斯学习的机动目标isar成像方法 | |
CN110333489B (zh) | 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 | |
CN110726992A (zh) | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 | |
CN113050059A (zh) | 利用互质阵雷达的群目标聚焦超分辨波达方向估计方法 | |
CN104076360A (zh) | 基于压缩感知的二维sar稀疏目标成像方法 | |
CN115097454A (zh) | 一种基于逆白化的合成孔径雷达增量成像处理方法及系统 | |
Mao et al. | Target fast reconstruction of real aperture radar using data extrapolation-based parallel iterative adaptive approach | |
CN108845318B (zh) | 基于Relax算法的星载高分宽幅成像方法 | |
Li et al. | Real aperture radar forward-looking imaging based on variational Bayesian in presence of outliers | |
CN107229050B (zh) | 一种基于极坐标格式的雷达成像优化方法 | |
CN113466864A (zh) | 快速联合免逆稀疏贝叶斯学习超分辨isar成像算法 | |
CN115327544B (zh) | 基于自监督学习的少样本空间目标isar散焦补偿方法 | |
Luo et al. | SAR-to-optical image translation for quality enhancement |
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 |