基于循环生成对抗网络的ISAR图像超分辨方法技术

本申请涉及一种基于循环生成对抗网络的ISAR图像超分辨方法。通过获取成对的目标低分辨率ISAR图像数据集与高分辨率ISAR图像数据集；分别构建低分辨率ISAR图像和高分辨率ISAR图像的训练集和测试集；在构建循环生成对抗网络模型时，采用的判别器为动态卷积结构，动态全卷积网络感受野大小根据目标散射点进行调整，使得卷积过程中每一个感受野都能被框选到，解决了判别器模块误判率增高的问题；通过引入循环对抗网络结构，实现了低分辨ISAR图像到高分辨ISAR图像的端到端映射，训练所得到的网络相较于已有的ISAR图像超分辨网络泛化性能更强，对于分辨率与测试数据不同的ISAR图像超分辨效果也更优于已有方法。超分辨效果也更优于已有方法。超分辨效果也更优于已有方法。

【技术实现步骤摘要】
基于循环生成对抗网络的ISAR图像超分辨方法


[0001]本申请涉及逆合成孔径雷达成像图像处理
，特别是涉及一种基于循环生成对抗网络的ISAR图像超分辨方法。

技术介绍

[0002]随着雷达系统硬件水平与信号处理技术的不断进步，现有的宽带ISAR成像雷达已经具有较高的分辨率，可以得到导弹、飞机等运动目标的形状、尺寸、材料等细节信息。为了获取目标更加清晰的图像，最直接的方法就是提高雷达发射信号带宽以提升ISAR图像的距离分辨率，提高目标相对于雷达的相干积累角度以提升ISAR图像方位分辨率。然而，考虑到提高发射信号带宽所带来的高成本问题以及非合作目标难以保证足够的相干积累角度，通过超分辨成像方法获得更高分辨率的ISAR图像是一种有效途径。
[0003]近年来，基于深度学习的方法可直接在图像域处理实现超分辨，在光学图像与SAR图像领域均取得了较好的超分辨效果。Ledig C等人在文章《Photo
‑
Realistic Single Image Super
‑
Resolution Using a Generative Adversarial Network》(IEEE Computer Society,2016)中设计了一种生成对抗网络结构，实现了单幅光学图像的超分辨。Ao D等人在文章《Dialectical GAN for SAR Image Translation:From Sentinel
‑
1to TerraSAR
‑
X》(Remote Sensing,2018,10(10).)中设计了一种辩证生成对抗网络结构，通过学习得到哨兵一号SAR图像到TerraSAR
‑
X SAR图像的映射，从而提升了哨兵一号SAR图像的分辨率。同样，针对ISAR图像，Dan Q等人在文章《ISAR Resolution EnhancementUsing Residual Network》(IEEE 4th International Conference on Signal and Image Processing,2019)中也提出了一种基于残差网络的超分辨方法，取得了一定的效果。然而，该方法要求输入的测试ISAR图像必须与训练时ISAR图像采用相同的预处理方法，导致在实际应用中具有一定局限性，尤其是在处理与训练数据分辨率不同的ISAR图像数据时，超分辨效果并不理想。

技术实现思路

[0004]基于此，有必要针对测试数据和训练数据可能存在分辨率不同从而导致超分辨效果下降的问题，提供一种能够实现低分辨ISAR图像到高分辨ISAR图像的端到端映射，从而得到更高目标分辨率的ISAR图像的基于循环生成对抗网络的ISAR图像超分辨方法。
[0005]一种基于循环生成对抗网络的ISAR图像超分辨方法，所述方法包括：
[0006]获取成对的目标低分辨率ISAR图像数据集与高分辨率ISAR图像数据集；分别构建低分辨率ISAR图像和高分辨率ISAR图像的训练集和测试集。
[0007]将低分辨率ISAR图像训练集和高分辨率ISAR图像训练集输入预设循环生成对抗网络模型进行训练，得到初步循环生成对抗网络模型；所述初步循环生成对抗网络模型中的判别器模块为动态全卷积网络，所述动态全卷积网络感受野大小根据目标散射点确定。
[0008]将低分辨率ISAR图像测试集输入初步循环生成对抗网络模型进行验证，计算与高
分辨率ISAR图像测试集的误差，当误差较大时调整所述判别器模块的感受野大小，重新训练初步循环生成对抗网络模型，得到循环生成对抗网络模型。
[0009]在其中一个实施例中，获取成对的目标低分辨率ISAR图像数据集与高分辨率ISAR图像数据集，分别构建低分辨率ISAR图像和高分辨率ISAR图像的训练集和测试集，包括：
[0010]通过暗室测量，得到目标X波段各姿态下全极化雷达回波数据；根据设定的成像带宽与相干积累角度，对所述各姿态下全极化雷达回波数据中相同姿态下的回波数据进行处理，得到特定姿态下成对的目标低分辨率ISAR图像以及与所述低分辨率ISAR图像对应的高分辨率ISAR图像；分别构建低分辨率ISAR图像和高分辨率ISAR图像的训练集和测试集。
[0011]在其中一个实施例中，将低分辨率ISAR图像训练集和高分辨率ISAR图像训练集输入预设循环生成对抗网络模型进行训练，得到初步循环生成对抗网络模型，包括：
[0012]将所述低分辨率ISAR图像训练集分割成低分辨率ISAR图像训练子集和低分辨率ISAR图像验证子集；将所述高分辨率ISAR图像训练集分割成高分辨率ISAR图像训练子集和高分辨率ISAR图像验证子集。
[0013]将所述低分辨率ISAR图像训练子集和高分辨率ISAR图像训练子集分别输入生成器模块，得到对应的ISAR图像的网络损失函数，基于所述网络损失函数对所述预设循环生成对抗网络模型进行训练。
[0014]通过所述低分辨率ISAR图像验证子集和所述高分辨率ISAR图像验证子集对所述预设循环生成对抗网络模型进行验证，得到初步循环生成对抗网络模型。
[0015]在其中一个实施例中，所述网络损失函数包括：对抗损失函数、循环损失函数、超分辨损失函数。
[0016]在其中一个实施例中，所述对抗损失函数，包括：低分辨率ISAR图像的对抗损失函数和高分辨率ISAR图像的对抗损失函数。
[0017]其中，低分辨率ISAR图像的对抗损失函数表达式为：
[0018][0019]高分辨率ISAR图像的对抗损失函数表达式为：
[0020][0021]其中，X表示低分辨图像训练子集，Y表示高分辨图像训练子集,G为从X域到Y域的生成器模块，F为从Y域到X域的生成器模块，D
X
、D
Y
分别为X域与Y域上的判别器模块，P
data
(x)表示低分辨率图像训练子集真实样本分布，P
data
(y)表示高分辨率图像训练子集真实样本分布。
[0022]在其中一个实施例中，所述循环损失函数，包括：低分辨率ISAR图像的循环损失函数。
[0023]其表达式为：
[0024][0025]在其中一个实施例中，所述超分辨损失函数，包括：低分辨率ISAR图像的超分辨损失函数和高分辨率ISAR图像的超分辨损失函数。
[0026]其中，低分辨率ISAR图像的超分辨损失函数表达式为：
[0027][0028]高分辨率ISAR图像的超分辨损失函数表达式为：
[0029][0030]在其中一个实施例中，所述网络损失函数包括：从X域到Y域的生成器模块网络损失函数和从Y域到X域的生成器模块网络损失函数。
[0031]其中，从X域到Y域的生成器模块网络损失函数，表达式为：
[0032][0033]从Y域到X域的生成器模块网络损失函数，表达式为：
[0034]L(F本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环生成对抗网络的ISAR图像超分辨方法，其特征在于，所述方法包括：获取成对的目标低分辨率ISAR图像数据集与高分辨率ISAR图像数据集；分别构建低分辨率ISAR图像和高分辨率ISAR图像的训练集和测试集；将低分辨率ISAR图像训练集和高分辨率ISAR图像训练集输入预设循环生成对抗网络模型进行训练，得到初步循环生成对抗网络模型；所述初步循环生成对抗网络模型中的判别器模块为动态全卷积网络，所述动态全卷积网络感受野大小根据目标散射点确定；将低分辨率ISAR图像测试集输入初步循环生成对抗网络模型进行验证，计算与高分辨率ISAR图像测试集的误差，当误差较大时调整所述判别器模块的感受野大小，重新训练初步循环生成对抗网络模型，得到循环生成对抗网络模型。2.根据权利要求1所述的方法，其特征在于，获取成对的目标低分辨率ISAR图像数据集与高分辨率ISAR图像数据集，分别构建低分辨率ISAR图像和高分辨率ISAR图像的训练集和测试集；包括：通过暗室测量，得到目标X波段各姿态下全极化雷达回波数据；根据设定的成像带宽与相干积累角度，对所述各姿态下全极化雷达回波数据中相同姿态下的回波数据进行处理，得到特定姿态下成对的目标低分辨率ISAR图像以及与所述低分辨率ISAR图像对应的高分辨率ISAR图像；分别构建低分辨率ISAR图像和高分辨率ISAR图像的训练集和测试集。3.根据权利要求1所述的方法，其特征在于，将低分辨率ISAR图像训练集和高分辨率ISAR图像训练集输入预设循环生成对抗网络模型进行训练，得到初步循环生成对抗网络模型，包括：将所述低分辨率ISAR图像训练集分割成低分辨率ISAR图像训练子集和低分辨率ISAR图像验证子集；将所述高分辨率ISAR图像训练集分割成高分辨率ISAR图像训练子集和高分辨率ISAR图像验证子集；将所述低分辨率ISAR图像训练子集和高分辨率ISAR图像训练子集分别输入生成器模块，得到对应的ISAR图像的网络损失函数，基于所述网络损失函数对所述预设循环生成对抗网络模型进行训练；通过所述低分辨率ISAR图像验证子集和所述高分辨率ISAR图像验证子集对所述预设循环生成对抗网络模型进行验证，得到初步循环生成对抗网络模型。4.根据权利要求3所述的方法，其特征在于，所述网络损失函数包括：对抗损失函数、循环损失函数、超分辨损失函数。5.根据权利要求4所述的方法，其特征在于，所述对抗损失函数，包括：低分辨率ISAR图像的对抗损失函数和高...

【专利技术属性】
技术研发人员：易拓源，户盼鹤，刘振，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：