一种基于SE-Unet的合成孔径雷达欠采样成像方法技术

本发明专利技术公开一种基于SE

【技术实现步骤摘要】
一种基于SE
‑
Unet的合成孔径雷达欠采样成像方法


[0001]本专利技术属于雷达
，特别涉及一种合成孔径雷达(简称：SAR)在欠采样下的成像技术。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)一般工作于机载及星载平台，它属于一种高分辨微波成像系统并且具有全天候、全天时工作的优点，它广泛应用于海上安全领域，比如船只检测和监视等。但是实际雷达系统自身PRF的有限性以及非理想的天线方向图会导致SAR成像方法中存在着不可避免的方位模糊问题，而在欠采样情况下该问题会更加凸显。
[0003]目前已公开发表的文献中，SAR欠采样成像方位模糊抑制方法中有代表性的方法有基于U型卷积神经网络(简称：Unet)的方法(参考文献1：Liu.Z,Wu.N,X.Liao,“SAR Image Restoration From Spectrum Aliasing by Deep Learning”,IEEE Access,vol.99,pp.1
‑
1,2020)，而SENet模块只用在SAR的目标识别领域，在SAR欠采样成像方位模糊抑制方面还没有应用(参考文献2：S.Mei,X.Wei,B.Jin,and J.Guo,“SAR image target recognition based on senet depth separable convolutional neural network,”in 2021 2nd China International SAR Symposium(CISS),Shanghai,China,Nov.2021,pp.1
–
6.doi:10.23919/CISS51089.2021.9652272)。Unet方法虽然能提升成像结果的分辨率、在无复杂背景的场景下抑制方位模糊引起的虚影，但是该方法存在一些问题，比如处理背景复杂场景时方位模糊抑制效果不佳，复杂背景的细节不能很好地保留，并且运算时间长、计算量大。

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SE
‑
Unet神经网络的合成孔径雷达欠采样成像方法，在有效提高成像质量的基础上，对细节的保留更完整、准确。
[0005]本专利技术采用的技术方案为：一种基于SE
‑
Unet的合成孔径雷达欠采样成像方法，包括：
[0006]S1、分别构建雷达参数集para_set
normal
与雷达参数集para_set
sub
；
[0007]所述雷达参数集para_set
normal
包括的参数为：正常采样下的脉冲重复频率，记作PRF
normal
；雷达的方位调频率，记作K
a
；雷达系统发射的脉冲波长，记作λ；雷达系统发射的脉冲时宽，记作T
r
；雷达系统的距离采样率，记作F
r
；雷达的合成孔径时间，记作T
sar
；雷达平台运动的有效速度，记作V
r
；雷达系统的距离向采样间隔，记作ΔT；雷达系统的方位向采样间隔，记作ΔA；光速记作c；中心频率记做f0；多普勒中心频率，记做f
DOP
；
[0008]所述雷达参数集para_set
sub
包括的参数为：欠采样图像对应的脉冲重复频率，记作PRF
sub
；雷达的方位调频率，记作K
a
；雷达系统发射的脉冲波长，记作λ；雷达系统发射的脉冲时宽，记作T
r
；雷达系统的距离采样率，记作F
r
；雷达的合成孔径时间，记作T
sar
；雷达平台
运动的有效速度，记作V
r
；雷达系统的距离向采样间隔，记作ΔT；雷达系统的方位向采样间隔，记作ΔA；光速记作c；中心频率记做f0；多普勒中心频率，记做f
DOP
；
[0009]S2、基于步骤S1构建的雷达参数集para_set
normal
与雷达参数集para_set
sub
构建训练数据集，训练数据集中每组数据为一对数据，这一对数据具体为：基于para_set
normal
和para_set
sub
各自仿真后生成的雷达回波再经ωKA算法成像并剪切得到的数据矩阵；
[0010]S3、构建SE
‑
Unet网络；
[0011]S4、采用步骤S2生成的训练数据集对步骤S3构建的SE
‑
Unet网络进行训练；
[0012]S5、将在S
‑
SAR模式下对回波数据非均匀采样成像得到的欠采样方位模糊图像输入训练完成的SE
‑
Unet网络，得到去除方位模糊的图像。
[0013]本专利技术的有益效果：本专利技术的创新点在于针对Unet重建图像运行时间长、图像细节保留不够、复杂背景目标方位模糊抑制性能差的不足，提出了一种特征压缩U型卷积神经网络(简称：SE
‑
Unet)方法的SAR欠采样成像方法。本专利技术方法的关键在于构建合适的SE
‑
Unet网络模型集进行网络训练，实现复杂场景下的SAR欠采样成像。
[0014]本专利技术的优点在于将SAR信号处理与具有特征压缩的卷积神经网络(SE
‑
Unet)相结合，实现SAR欠采样成像的计算量减少、神经网络训练时间减少、提升复杂场景下的SAR欠采样成像质量。与传统卷积神经网络重建方法相比，本专利技术的方法减少网络的计算量、降低网络的训练时间，并且更完整地重建复杂场景中的图像细节。
附图说明
[0015]图1为本专利技术的方案流程图；
[0016]图2为SE
‑
Unet网络结构图；
[0017]其中，(a)为SENet模块结构图，(b)为SE
‑
Unet网络整体结构图；
[0018]图3为复杂背景下SE
‑
Unet网络和Unet欠采样成像对比示意图；
[0019]其中，(a)为测试输入图像，(b)为理想图像，(c)为Unet输出图像，(d)为SE
‑
Unet输出图像。
具体实施方式
[0020]为了方便描述本专利技术的内容，首先作以下术语定义：
[0021]定义1、SE
‑
Unet网络
[0022]SE
‑
Unet网络整体结构如图2(b)所示。
[0023]SE
‑
Unet网络整体数学模型为
[0024][0025][0026]其中，T(
·
)是网络等效转换函数，是网络训练t+1次的结果，x
true,k
是训练集中第k个无方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SE
‑
Unet的合成孔径雷达欠采样成像方法，其特征在于，包括：S1、分别构建雷达参数集para_set
normal
与雷达参数集para_set
sub
；所述雷达参数集para_set
normal
包括的参数为：正常采样下的脉冲重复频率，记作PRF
normal
；雷达的方位调频率，记作K
a
；雷达系统发射的脉冲波长，记作λ；雷达系统发射的脉冲时宽，记作T
r
；雷达系统的距离采样率，记作F
r
；雷达的合成孔径时间，记作T
sar
；雷达平台运动的有效速度，记作V
r
；雷达系统的距离向采样间隔，记作ΔT；雷达系统的方位向采样间隔，记作ΔA；光速记作c；中心频率记做f0；多普勒中心频率，记做f
DOP
；所述雷达参数集para_set
sub
包括的参数为：欠采样图像对应的脉冲重复频率，记作PRF
sub
；雷达的方位调频率，记作K
a
；雷达系统发射的脉冲波长，记作λ；雷达系统发射的脉冲时宽，记作T
r
；雷达系统的距离采样率，记作F
r
；雷达的合成孔径时间，记作T
sar
；雷达平台运动的有效速度，记作V
r
；雷达系统的距离向采样间隔，记作ΔT；雷达系统的方位向采样间隔，记作ΔA；光速记作c；中心频率记做f0；多普勒中心频率，记做f
DOP
；S2、基于步骤S1构建的雷达参数集para_set
normal
与雷达参数集para_set
sub
构建训练数据集，训练数据集中每组数据为一对数据，这一对数据具体为：基于para_set
normal
和para_set
sub
各自仿真后生成的雷达回波再经ωKA算法成像并剪切得到的数据矩阵；S3、构建SE
‑
Unet网络；S4、采用步骤S2生成的训练数据集对步骤S3构建的SE
‑
Unet网络进行训练；S5、将在S
‑
SAR模式下对回波数据非均匀采样成像得到的欠采样方位模糊图像输入训练完成的SE
‑
Unet网络，得到去除方位模糊的图像。2.根据权利要求1所述的一种基于SE
‑
Unet的合成孔径雷达欠采样成像方法，其特征在于，步骤S3所述的SE
‑
Unet网络呈左右对称结构，左边为压缩路径，右边为扩展路径；压缩路径包括卷积、最大池化两个部分，用于从数...

【专利技术属性】
技术研发人员：刘喆，伍雅洁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：