基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法技术

一种基于CV‑RefocusNet的SAR三维转动舰船目标重聚焦方法，属于SAR图像处理领域。包括：SAR样本生成、网络架构设计、重聚焦实现三个部分；SAR样本生成部分负责生成SAR三维转动舰船目标图像，构成训练样本库和测试样本库，网络架构设计部分给出CV‑RefocusNet网络架构，阐明网络设计细节，重聚焦实现部分基于CV‑RefocusNet，对SAR三维转动舰船目标样本库进行训练测试，实现重聚焦功能。本发明专利技术可以实现SAR三维转动舰船目标重聚焦，得到清晰目标图像。

【技术实现步骤摘要】
基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法
本专利技术涉及基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，属于SAR图像处理领域。
技术介绍
舰船目标在海上航行，受海情及自身运动影响，存在三维转动。同一舰船目标在静止状态下，成像结果较为清晰，而在三维转动状态下，成像结果存在很严重的模糊现象。这是由于海上舰船目标存在三维转动分量，在高海情下使得SAR(合成孔径雷达)成像结果较为模糊，而且海情越高，模糊越严重。模糊的SAR舰船目标图像为后续的信息提取与识别过程，带来了极大困难。现有的SAR信息提取与识别算法，均是在目标图像较为清晰的前提下，才有较为准确的识别结果；也就是说，对于较为模糊的成像结果，进行信息提取与识别的结果并不可靠。
技术实现思路
针对现有技术中，对模糊的SAR舰船目标图像无法识别获得可靠的结果的问题，本专利技术提供一种基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法。本专利技术的一种基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，包括，基于三维舰船模型与射线追踪法仿真获得SAR舰船目标图像，所述SAR舰船目标图像包括作为样本的SAR三维转动舰船目标图像和作为标签的SAR静止舰船目标图像；将SAR舰船目标图像分组为训练样本库与测试样本库；构建复数域卷积神经网络CV-RefocusNet架构，所述CV-RefocusNet架构包括一个输入层、四个卷积层和四个反卷积层，其中第四个反卷积层作为输出层；CV-RefocusNet架构的输入、输出、激活函数及权值均属于复数域；采用训练样本库中的训练样本对CV-RefocusNet架构进行训练，训练超参数，得到具有重聚集功能的CV-RefocusNet网络模型；再采用测试样本库中的测试样本对CV-RefocusNet网络模型进行测试，得到将SAR三维转动舰船目标图像重聚集后的清晰SAR舰船目标图像。根据本专利技术的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，所述SAR舰船目标图像的距离向分辨率为2.2484米，方位向分辨率为6.4456米，图像大小为128×128像素。根据本专利技术的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，所述超参数包括：每批次训练样本数为32，共训练30000批次，学习率为0.001，优化方法为Adam。根据本专利技术的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，所述四个卷积层和四个反卷积层的卷积核大小均为4×4像素，步长为2像素；第一个卷积层共64个卷积核；第二个卷积层共128个卷积核；第三个卷积层共256个卷积核；第四个卷积层共512个卷积核；第一个反卷积层共256个卷积核；第二个反卷积层共128个卷积核；第三个反卷积层共64个卷积核；第四个反卷积层共1个卷积核。根据本专利技术的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，所述训练样本与测试样本均为标准化后的SAR复图像；SAR复图像大小为128×128×1像素；输入层对SAR复图像进行处理后，传递至第一个卷积层；第一个卷积层将输入的图像进行处理后输出64个64×64像素大小的复特征图；第二个卷积层对第一个卷积层输出的复特征图进行处理，输出128个32×32像素大小的复特征图；第三个卷积层对第二个卷积层输出的复特征图进行处理，输出256个16×16像素大小的复特征图；第四个卷积层对第三个卷积层输出的复特征图进行处理，输出512个8×8像素大小的复特征图；第一个反卷积层将第四个卷积层输出的复特征图进行反卷积，输出256个16×16像素大小的复特征图；第二个反卷积层将第一个反卷积层输出的复特征图和第三个卷积层输出的复特征图按照特征图维度进行拼接，然后进行反卷积，输出128个32×32像素大小的复特征图；第三个反卷积层将第二个反卷积层输出的复特征图和第二个卷积层输出的复特征图按照特征图维度进行拼接，然后进行反卷积，输出64个64×64像素大小的复特征图；输出层将第三个反卷积层输出的复特征图和第一个卷积层输出的复特征图按照特征图维度进行拼接，然后进行反卷积，输出1个128×128像素大小的复特征图，作为重聚集后的清晰SAR舰船目标图像。根据本专利技术的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，所述四个卷积层和前三个反卷积层的激活函数均为cTanh激活函数。根据本专利技术的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，所述cTanh激活函数定义如下：f＝cTanh(a)＝Tanh(aR)+jTanh(aI)，即对于输入复图像a，分别对a的实部aR和虚部aI取Tanh函数输出；f为cTanh激活函数的输出。根据本专利技术的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，所述SAR舰船目标图像的80％作为训练样本，20％作为测试样本。本专利技术的有益效果：本专利技术基于深度学习技术及图像处理技术的快速发展而提出，通过大量SAR样本的学习，实现较好的图像处理效果。它从复数域角度设计了CV-RefocusNet深度学习网络架构，充分利用SAR图像的幅度和相位信息，实现SAR三维转动舰船目标重聚焦，得到清晰目标图像。本专利技术方法通过SAR样本生成、网络架构设计、重聚焦实现三个部分组成；SAR样本生成部分负责生成SAR三维转动舰船目标图像，构成训练样本库和测试样本库，网络架构设计部分给出CV-RefocusNet网络架构，阐明网络设计细节，重聚焦实现部分基于CV-RefocusNet，对SAR三维转动舰船目标样本库进行训练测试，实现重聚焦功能。本专利技术方法可使用于海洋观测场景下，对由于存在三维转动分量而产生模糊的舰船目标SAR图像，实现重聚焦，进而得到清晰的SAR舰船目标像，为后续SAR图像处理提供保障，符合实际需求，实施方便。本专利技术通过深度学习方法进行SAR智能图像处理，并基于三维舰船模型与射线追踪法获取大量SAR三维转动舰船目标仿真图像，保障了深度学习方法对于样本的大量需求，使得深度学习应用于SAR图像处理领域成为可能。本专利技术创新性的提出了CV-RefocusNet进行SAR三维转动舰船目标重聚焦，网络采用“端到端”的设计方式，输入为模糊的SAR舰船目标图像，输出为重聚焦后的清晰SAR舰船目标图像，为SAR图像的进一步处理提供了保障，具有一定的方法优越性。本专利技术利用SAR成像技术、深度学习技术，更好的满足不同成像场景下的复杂SAR重聚焦需求，对视角变化、仿射变换、噪声保持一定程度的稳定性。附图说明图1是本专利技术所述基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法的整体流程图；图2是获得训练样本库与测试样本库的流程图；图3是CV-RefocusNet架构图；图4是本发本文档来自技高网...

【技术保护点】
1.一种基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，其特征在于包括，/n基于三维舰船模型与射线追踪法仿真获得SAR舰船目标图像，所述SAR舰船目标图像包括作为样本的SAR三维转动舰船目标图像和作为标签的SAR静止舰船目标图像；将SAR舰船目标图像分组为训练样本库与测试样本库；/n构建复数域卷积神经网络CV-RefocusNet架构，所述CV-RefocusNet架构包括一个输入层、四个卷积层和四个反卷积层，其中第四个反卷积层作为输出层；CV-RefocusNet架构的输入、输出、激活函数及权值均属于复数域；/n采用训练样本库中的训练样本对CV-RefocusNet架构进行训练，训练超参数，得到具有重聚集功能的CV-RefocusNet网络模型；再采用测试样本库中的测试样本对CV-RefocusNet网络模型进行测试，得到将SAR三维转动舰船目标图像重聚集后的清晰SAR舰船目标图像。/n

【技术特征摘要】
1.一种基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，其特征在于包括，
基于三维舰船模型与射线追踪法仿真获得SAR舰船目标图像，所述SAR舰船目标图像包括作为样本的SAR三维转动舰船目标图像和作为标签的SAR静止舰船目标图像；将SAR舰船目标图像分组为训练样本库与测试样本库；
构建复数域卷积神经网络CV-RefocusNet架构，所述CV-RefocusNet架构包括一个输入层、四个卷积层和四个反卷积层，其中第四个反卷积层作为输出层；CV-RefocusNet架构的输入、输出、激活函数及权值均属于复数域；
采用训练样本库中的训练样本对CV-RefocusNet架构进行训练，训练超参数，得到具有重聚集功能的CV-RefocusNet网络模型；再采用测试样本库中的测试样本对CV-RefocusNet网络模型进行测试，得到将SAR三维转动舰船目标图像重聚集后的清晰SAR舰船目标图像。


2.根据权利要求1所述的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，其特征在于，所述SAR舰船目标图像的距离向分辨率为2.2484米，方位向分辨率为6.4456米，图像大小为128×128像素。


3.根据权利要求1或2所述的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，其特征在于，
所述超参数包括：每批次训练样本数为32，共训练30000批次，学习率为0.001，优化方法为Adam。


4.根据权利要求1或2所述的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，其特征在于，
所述四个卷积层和四个反卷积层的卷积核大小均为4×4像素，步长为2像素；第一个卷积层共64个卷积核；第二个卷积层共128个卷积核；第三个卷积层共256个卷积核；第四个卷积层共512个卷积核；第一个反卷积层共256个卷积核；第二个反卷积层共128个卷积核；第三个反卷积层共64个卷积核；第四个反卷积层共1个卷积核。


5.根据权利要求4所述的基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法，其特征在于，...

【专利技术属性】
技术研发人员：张云，化青龙，姜义成，徐丹，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23