智能微波凝视关联成像方法、设备及存储介质技术

本发明专利技术公开了一种智能微波凝视关联成像方法、设备及存储介质，方法包括：在预置时空随机辐射场照射下，通过微波凝视关联成像系统获取已知相互正交目标场景集的散射回波数据，与对应目标场景的标签，由散射回波数据和标签共同构成数据集的训练集、验证集和测试集；构建机器学习人工神经网络，建立输入目标散射回波数据与输出目标微波图像的直接映射智能关联成像神经网络模型；对直接映射关联成像神经网络模型训练与验证后，输入测试集中未知散射回波数据，通过直接映射关联成像神经网络模型预测得出与未知散射回波数据对应的目标微波成像。本发明专利技术无需预置随机辐射场的演算与测试，解决了传统微波凝视关联成像算法的过于复杂、非常耗时的难题。非常耗时的难题。非常耗时的难题。

【技术实现步骤摘要】
智能微波凝视关联成像方法、设备及存储介质


[0001]本专利技术涉及微波成像领域，尤其涉及一种智能微波凝视关联成像方法。

技术介绍

[0002]微波成像是通过在微波频段获取目标电磁散射信息来完成的，它具有全天候、大范围的成像能力，在遥感、重要军事目标调查等方面有广泛的应用。真实孔径雷达成像可以实现对观测区域的连续观测，但其方位分辨率受到其天线孔径大小的限制，因此，只能应用于低分辨率成像。合成孔径雷达和逆合成孔径雷达成像是依靠雷达和目标之间的相对运动来合成大的天线孔径来实现高分辨率成像的，因此无法实现在观测现场长时间的凝视成像。微波凝视关联成像是一种新的成像体制，其核心思想是构造波束内辐射场的随机时空涨落变化，利用多个随机辐射场样本和回波数据的关联处理来实现波束内目标分辨，可以超越其天线孔径大小的限制进行超分辨率凝视成像。
[0003]微波凝视关联成像的成像结果受到时空随机辐射场和相关重建算法的计算精度的影响。一方面，时空随机辐射场的精确计算取决于雷达系统的精确先验知识，然而，在实际的微波凝视关联成像系统中，总是存在着系统误差，如发射和接收阵列的位置误差，雷达系统的时间同步和频率同步误差等。近年来，针对每一个不同的影响因素，研究者提出了相应的解决方案。针对阵元幅相误差，周小利从贪婪迭代和稀疏贝叶斯学习的角度，分别提出了基于正交匹配追踪(OMP)迭代和稀疏贝叶斯学习(SBL)迭代的幅相误差自校正方法，求解目标的散射系数，然后利用最小二乘估计阵元的幅相误差。针对阵元位置误差，基于基追踪(BP)的交替迭代成像算法被提出，以对阵元位置误差进行补偿。针对每路发射通道每个脉冲的随机相位、幅度、同步等因素引起的误差，曹凯程等人将其视为对辐射场矩阵的加性扰动，并提出了基于FOCUSS和TV
‑
TLS的迭代优化方法，分别估计出扰动矩阵和目标的散射系数，从而获得更好的成像质量。总体来说，为了使成像模型适配，这些方法只是单一解决其中一个因素，然而，所有的系统参数都要精确知道才可以精确计算辐射场。
[0004]另一方面，在微波凝视关联成像重建算法中，何学智和孟青泉等人提出了Tikhonov正则化、截断奇异值分解（TSVD）方法、总方差正则化算法，通过限制观测矩阵中较小的奇异值成分，增强了问题求解的稳定性。对于稀疏目标，OMP、SBL等稀疏重建方法被应用于微波凝视关联成像，取得了较好的成像效果。而这些成像优化算法仍然存在计算复杂度高、成像时间长的问题。
[0005]有鉴于此，特提出本专利技术。

技术实现思路

[0006]本专利技术的目的是提供了一种智能微波凝视关联成像方法、设备及存储介质，其无需预置随机辐射场的演算与测试，解决了传统微波凝视关联成像算法过于复杂、非常耗时的难题。
[0007]本专利技术的目的是通过以下技术方案实现的：
在预置时空随机辐射场照射下，通过微波凝视关联成像系统获取已知相互正交目标场景集的散射回波数据，与对应目标场景的标签，由散射回波数据和标签共同构成数据集的训练集和验证集；构建一个机器学习人工神经网络，依据输入的目标散射回波数据与输出的标签来建立直接映射关联成像神经网络模型；通过训练集和验证集对所述直接映射关联成像神经网络模型进行训练与验证，训练与验证完成后，在通过所述微波凝视关联成像系统进行微波凝视关联成像时，通过所述微波凝视关联成像系统获取目标场景的未知散射回波数据，输入至训练验证好的直接映射关联成像神经网络模型，通过该直接映射关联成像神经网络模型预测得出与未知散射回波数据对应的目标微波成像。
[0008]本专利技术实施方式还提供一种处理设备，包括：至少一个存储器，用于存储一个或多个程序；至少一个处理器，能执行所述存储器所存储的一个或多个程序，在一个或多个程序被处理器执行时，使得所述处理器能实现本专利技术所述的方法。
[0009]本专利技术实施方式进一步提供一种可读存储介质，存储有计算机程序，当计算机程序被处理器执行时能实现本专利技术所述的方法。
[0010]与现有技术相比，本专利技术所提供的智能微波凝视关联成像方法、设备及存储介质，其有益效果包括：通过微波凝视关联成像系统获取已知相互正交目标场景集的散射回波数据和对应目标场景的标签，构建了作为数据集的训练集和验证集，配合基于深度学习的机器学习人工神经网络构建的直接映射关联成像神经网络模型，能从大量可用的散射回波数据中学习到成像特征的独特特性，建立了从接收到的散射回波数据到作为标签的目标后向散射系数分布像之间的线性映射关系，取代了传统微波凝视关联成像反演模型，其无需预置随机辐射场的演算与测试，解决了传统微波凝视关联成像算法的过于复杂、非常耗时的难题，为解决微波凝视关联成像问题提供了一个很有前途的工具，既可以避免利用辐射源参数计算随机辐射场的环节，也可以避免为了提高成像质量使用复杂耗时的迭代优化算法，为智能微波凝视关联成像的实际应用提供了一种可行的解决方案。
附图说明
[0011]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，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附图。
[0012]图1为本专利技术实施例提供的智能微波凝视关联成像方法的流程图。
[0013]图2为本专利技术实施例提供的智能微波凝视关联成像方法的训练直接映射关联成像神经网络模型的整体流程图。
[0014]图3为本专利技术实施例提供的智能微波凝视关联成像方法的微波凝视关联成像系统的成像场景示意图。
[0015]图4为本专利技术实施例提供的智能微波凝视关联成像方法的训练集中金属球按照O
形排列的相互正交的目标场景图。
[0016]图5为本专利技术实施例提供的图4的目标场景对应的后向散射系数分布矩阵示意图。
[0017]图6为本专利技术实施例提供的图4的目标场景在图3设定的微波凝视关联成像系统下得到的20
×
20的散射回波矩阵示意图。
[0018]图7为本专利技术实施例提供的智能微波凝视关联成像方法的训练集中金属球按照十形排列的相互正交的目标场景图。
[0019]图8为本专利技术实施例提供的图7的目标场景在图3设定的微波凝视关联成像系统下得到的20
×
20的散射回波矩阵示意图。
[0020]图9为本专利技术实施例提供的图8的目标场景对应的后向散射系数分布矩阵示意图。
[0021]图10为本专利技术实施例提供的智能微波凝视关联成像方法的基于残差结构的全卷积网络的结构框图。
[0022]图11为本专利技术实施例提供的智能微波凝视关联成像方法的基于残差结构的全卷积网络的训练和验证损失示意图。
[0023]图12为本专利技术实施例提供的智能微波凝视关联成像方法的实际成像中金属球按照A形排列的相互正交的目标场景图。
[0024]图13为本专利技术实施例提供的智能微波凝视关联成像方法的直接映射关联成像神经网络模型第50次迭代训练得出的图12本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能微波凝视关联成像方法，其特征在于，包括：在预置时空随机辐射场照射下，通过微波凝视关联成像系统获取已知相互正交目标场景集的散射回波数据，与对应目标场景的标签，由散射回波数据和标签共同构成数据集的训练集和验证集；构建一个机器学习人工神经网络，依据输入的目标散射回波数据与输出的标签来建立直接映射关联成像神经网络模型；通过训练集和验证集对所述直接映射关联成像神经网络模型进行训练与验证，训练与验证完成后，在通过所述微波凝视关联成像系统进行微波凝视关联成像时，通过所述微波凝视关联成像系统获取目标场景的未知散射回波数据，输入至训练验证好的直接映射关联成像神经网络模型，通过该直接映射关联成像神经网络模型预测得出与未知散射回波数据对应的目标微波成像。2.根据权利要求1所述的智能微波凝视关联成像方法，其特征在于，所述已知相互正交目标场景集由微波散射标准件按照预定方式分布排列而成；所述微波散射标准件包括：角反射器、圆柱体、球体、平板中的至少一种，所述微波散射标准件的后向散射系数通过计算或测量得到；所述已知相互正交目标场景集中第j个目标场景的后向散射系数分布矩阵表示为：其中，表示第j个目标场景第(m,n)个空间离散网格处的后向散射系数，m=1,
…
,M,n=1,
…
,N,N,M分别为X,Y方向的离散网格数；所述已知相互正交目标场景集是指目标场景集两两相互正交，满足任意第j、k两个目标场景的后向散射系数分布矩阵的相关性系数表示为：；其中，j≠k，j,k=1
…
Ω,Ω为目标场景集的数量。3.根据权利要求1所述的智能微波凝视关联成像方法，其特征在于，所述对应目标场景的标签是对应目标场景的微波散射标准件的后向散射系数分布矩阵；按以下方式划分数据集的训练集和验证集，包括：将构成的数据集随机分为两部分，一部分作为训练集，另一部分作为验证集。4.根据权利要求1所述的智能微波凝视关联成像方法，其特征在于，所述直接映射关联
成像神经网络模型为：；其中，为在成像区域的目标微波成像；Net为直接映射关联成像神经网络模型；为目标场景的散射回波数据；为直接映射关联成像神经网络模型学习的网络参数，为直接映射关联成像神经网络模型每一层卷积和反卷积的权重，为直接映射关联成像神经网络模型每一层卷积和反卷积的偏差。5.根据权利要求4所述的智能微波凝视关联成像方法，其特征在于，所述直接映射关联成像神经网络模型采用残差结构的全卷积网络，该残差结构的全卷积网络包括：一个输入卷积模块、八个卷积残差融合模块、三个反卷积残差融合模块，四个批量归一化模块、一个输出反卷积残差模块；所述输入卷积模块，与八个卷积残差融合模块依次连接，该输入卷积模块采用3
×
3的卷积核，能将输入的散射回波数据转化为20
×
20
×
64的张量；每个卷积残差融合模块均采用两个3
×
3的卷积核，以ReLU函数作为激活函数，能将输入的20
×
20
×
64的张量转化成5
×5×
512的高维特征信息；最后一个卷积残差融合模块后连接三个反卷积残差融合模块，每个反卷积残差融合模块均连接一个批量归一化模块；每个反卷积残差融合模块均以Softplus函数作为激活函数，三个反卷积残差融合...

【专利技术属性】
技术研发人员：郭圆月，应奎，潘天泽，余新宇，胡文涛，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：