一种基于神经网络的实波束扫描雷达角超分辨方法技术

本发明专利技术公开一种基于神经网络的实波束扫描雷达角超分辨方法，应用于雷达成像领域，针对现有技术中存在的分辨率较差的问题；本发明专利技术通过编码

【技术实现步骤摘要】
一种基于神经网络的实波束扫描雷达角超分辨方法


[0001]本专利技术属于雷达成像领域，特别涉及一种实波束扫描雷达的角超分辨技术。

技术介绍

[0002]与光学传感相比，雷达不受天气和光照的影响，能够穿透薄雾和云层，具有全天时，全天候的优点，在导弹制导、对地观测、灾害监控等军用，民用领域的应用越来越广泛。但是，由于实波束扫描雷达方位分辨率受制于波束宽度和作用距离，方位向分辨率不可避免得比较差。因此，如何提高实波束扫描雷达的方位向分辨率是雷达领域的研究热点。
[0003]文献“唐琳,焦淑红,齐欢,吴如煊.一种单脉冲雷达多通道L1正则化波束锐化方法[J].电子与信息学报,2014,36(9):2201
‑
2206.”利用稀疏先验信息，对反卷积成像进行正则化，实现了一定程度上的方位超分辨，但是对假设先验信息要求很强，当目标与噪声的分布与假设不一致时，超分辨性能会恶化；文献“李萌,刘畅.基于特征复用的膨胀
‑
残差网络的SAR图像超分辨重建[J].雷达学报,2020,9(2):363
–
372.doi:10.12000/JR19110.”针对SAR图像的超分辨，提出了膨胀
‑
残差结构限制特征图分辨率的损失，并且将不同的特征图之间进行级联，实现不同层级的特征最大化利用，提高了SAR图像的分辨率。但该文献的网络学习数据为经过下采样后的图像，因而只能实现图像的增强。文献“Tao,Xin,et al.Scale
‑
recurrent network for deep image deblurring.In ECCV.2018”提出了多尺度循环神经网络对光学图像解卷积的算法，利用编码模块的深层特征提取能力和解码模块的细节恢复能力，实现了光学图像的去模糊，但是在残差块的特征传播过程中没有考虑各个层级的权重信息，导致结果会丢失一定的细节信息。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出一种基于神经网络的实波束扫描雷达角超分辨方法，通过构建了基于自适应残差块的循环多尺度神经网络，并通过训练与测试实现了实波束雷达方位向的超分辨。
[0005]本专利技术采用的技术方案为：一种基于神经网络的实波束扫描雷达角超分辨方法，包括：
[0006]S1、构造训练图像
‑
实波束图像对；
[0007]S2、将步骤S1的训练图像
‑
实波束图像对剪裁为细粒图像；
[0008]S3、通过基于对称的编码
‑
解码结构框架的神经网络得到实波束图像的超分辨结果；具体的：
[0009]所述神经网络包括下采样模块、三组对称的编码
‑
解码结构；所述下采样模块将输入的细粒度图像下采样为中粒度图像和粗粒度图像；
[0010]粗粒度图像作为第一组对称的编码
‑
解码结构的输入；
[0011]将第一组对称的编码
‑
解码结构的输出提升图像点数至与中粒度图像一样，并将图像点数提升后的第一组对称的编码
‑
解码结构的输出与中粒度图像一起作为第二组对称
的编码
‑
解码结构的输入；
[0012]将第二组对称的编码
‑
解码结构的输出结果提升图像点数至与细粒度图像一样，并图像点数提升后的第二组对称的编码
‑
解码结构的输出与细粒度图像一起作为第三组对称的编码
‑
解码结构的输入；第三组对称的编码
‑
解码结构的输出为图像超分辨结果。
[0013]步骤S1具体为：将真实雷达场景图像作为训练图像，采用天线方位图函数对训练图像进行方位向的卷积，构造实波束图像；根据训练图像与构造的实波束图像，得到训练图像
‑
实波束图像对。
[0014]所述三组对称的编码
‑
解码结构中均包括编码模块与解码模块，且各自的编码模块、解码模块的结构相同。
[0015]所述编码模块包括一层卷积层与三个串联的结构相同的自适应残差模块。
[0016]所述解码模块包括一层反卷积层以及与编码模块维度对应的三个串联的结构相同的自适应残差模块。
[0017]所述自适应残差模块对应的表达式为：
[0018]y＝A
·
x+B
·
F(x)
[0019]其中，x是输入特征，y是输出特征，F()表示残差块。
[0020]每组对称的编码
‑
解码结构中编码模块与解码模块通过长短期记忆模块连接。
[0021]本专利技术的有益效果：本专利技术基于循环多尺度网络架构，采用对称编码
‑
解码框架实现不同尺度模块的特征融合，并构造自适应残差模块的方式，实现不同层次特征的自适应融合，重建出具有丰富细节信息的高分辨率图像。相比于其他方法，本专利技术的方法能有效地融合不同层次的特征，增强了细节表征，提高了超分辨效果。
附图说明
[0022]图1本专利技术方法的方法流程图；
[0023]图2本专利技术设计的神经网络结构图；
[0024]其中，(a)为本专利技术采用的网络结构，(b)为自适应残差块的结构；
[0025]图3位本专利技术实施例根据表1参数模拟扫描雷达实波束图像的结果；
[0026]图4为本专利技术实施例提供的实波束扫描雷达图像；
[0027]图5采用本专利技术方法进行超分辨处理所得结果。
具体实施方式
[0028]本专利技术主要采用仿真实验的方法进行验证，所有步骤、结论都在windows10操作系统平台上通过Pycharm(Python编译平台)验证正确。为便于本领域人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐述。
[0029]如图1所示，本专利技术的实现过程为：
[0030]1.数据预处理
[0031]在训练前对输入的训练集数据进行预处理，具体过程是，将3000张512
×
512真实雷达图像作为目标场景，再用参数如表1的天线方位图函数对目标场景进行方位向的卷积，构造3000张等效于实波束图像，并形成3000对训练图像
‑
实波束图像对。
[0032]表1实波束扫描雷达参数
[0033]参数符号数值载波频率f010GHz发射信号带宽B
r
50MHz脉冲重复频率prf3000Hz天线波束3dB宽度θ
3dB2°
扫描速度ω120
°
/s扫描范围θ
min
～θ
max
‑
15
°
～15
°
[0034]2.训练样本划分
[0035]将训练集中的每一对图像对(512
×
512)随机剪裁为256
×
256的图像块；并将样本块随机打乱顺序，同时保持训练图像...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的实波束扫描雷达角超分辨方法，其特征在于，包括：S1、构造训练图像
‑
实波束图像对；S2、将步骤S1的训练图像
‑
实波束图像对剪裁为细粒图像；S3、通过基于对称的编码
‑
解码结构框架的神经网络得到实波束图像的超分辨结果；具体的：所述神经网络包括下采样模块、三组对称的编码
‑
解码结构；所述下采样模块将输入的细粒度图像下采样为中粒度图像和粗粒度图像；粗粒度图像作为第一组对称的编码
‑
解码结构的输入；将第一组对称的编码
‑
解码结构的输出提升图像点数至与中粒度图像一样，并将图像点数提升后的第一组对称的编码
‑
解码结构的输出与中粒度图像一起作为第二组对称的编码
‑
解码结构的输入；将第二组对称的编码
‑
解码结构的输出结果提升图像点数至与细粒度图像一样，并图像点数提升后的第二组对称的编码
‑
解码结构的输出与细粒度图像一起作为第三组对称的编码
‑
解码结构的输入；第三组对称的编码
‑
解码结构的输出为图像超分辨结果。2.根据权利要求1所述的一种基于神经网络的实波束扫...

【专利技术属性】
技术研发人员：李文超，李杰，彭洋洋，杨建宇，黄钰林，武俊杰，李中余，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：