基于学习辅助的ISAR图像超分辨方法、装置和计算机设备制造方法及图纸

本申请涉及一种基于学习辅助的ISAR图像超分辨方法、装置和计算机设备。所述方法包括：通过根据高分辨图像大小以及退化模糊核大小采用随机噪声分别生成初始ISAR图像和退化模糊核，并将初始ISAR图像输入基于学习辅助的更新迭代计算框架构建ISAR图像超分辨网络中对其进行迭代直至输出的ISAR图像收敛，则得到高分辨ISAR图像，在此过程中根据每一次迭代输出的中间ISAR图像、低分辨ISAR图像以及退化模糊核进行计算得到的重构误差对ISAR图像超分辨网络进行更新，并且在对ISAR图像超分辨网络每次更新后，还根据重构误差以及模糊核辅助更新网络对退化模糊核进行更新。采用本方法能够具有良好的性能的同时，兼具了良好的可解释性和泛化性能。泛化性能。泛化性能。

【技术实现步骤摘要】
基于学习辅助的ISAR图像超分辨方法、装置和计算机设备


[0001]本申请涉及ISAR图像处理
，特别是涉及一种基于学习辅助的ISAR图像超分辨方法、装置和计算机设备。

技术介绍

[0002]逆合成孔径雷达(inverse synthetic aperture radar,ISAR)图像超分辨方法在ISAR目标检测、识别和分类等任务中起到的作用至关重要。
[0003]但是在实际应用中，往往会出现所获取的ISAR图像分辨率往往不高的问题，这大大影响了后续的ISAR目标检测识别的效率。因此，用获得的低分辨率ISAR图像生成出高分辨率ISAR图像的超分辨方法亟待研究。
[0004]目前，现有的基于学习的ISAR图像超分辨方法主要分为两大类，分别是基于模型的ISAR图像超分辨方法和基于深度学习的ISAR图像超分辨方法。基于模型的ISAR图像超分辨方法从数理基础出发，该类超分辨ISAR图像算法具有良好的可解释性和泛化性能，并可以利用已知的先验信息，但缺点是所生成的超分辨ISAR图像的质量非常有限。基于深度学习的方法已经在ISAR图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于学习辅助的ISAR图像超分辨方法，其特征在于，所述方法包括：获取待进行超分辨的低分辨ISAR图像以及与超分辨相关的参数，所述参数包括高分辨图像大小、超分辨缩放倍数以及退化模糊核大小；根据所述高分辨图像大小采用随机噪声分别生成初始ISAR图像，还根据退化模糊核大小由均值生成退化模糊核；基于学习辅助的更新迭代计算框架构建ISAR图像超分辨网络，将所述初始ISAR图像输入所述ISAR图像超分辨网络中对其进行迭代直至输出的ISAR图像收敛，则得到对所述低分辨ISAR图像进行超分辨后的高分辨ISAR图像；在对所述初始ISAR图像进行迭代的过程中，根据每一次迭代输出的中间ISAR图像、低分辨ISAR图像以及所述退化模糊核进行计算得到的重构误差对所述ISAR图像超分辨网络进行更新，再将所述中间ISAR图像输入更新后的ISAR图像超分辨网络中继续进行迭代；在对所述ISAR图像超分辨网络每次更新后，还根据所述重构误差以及模糊核辅助更新网络对退化模糊核进行辅助更新，更新后的退化模糊核用于下一次迭代中计算新的重构误差。2.根据权利要求1所述的ISAR图像超分辨方法，其特征在于，所述初始ISAR图像采用随机的高斯白噪声生成。3.根据权利要求2所述的ISAR图像超分辨方法，其特征在于，根据每一次迭代输出的中间ISAR图像、低分辨ISAR图像以及所述退化模糊核进行计算得到重构误差包括：将所述中间ISAR图像与所述退化模糊核进行卷积、下采样操作得到与所述中间ISAR图像相应的中间ISAR低分辨图像，其中，根据所述超分辨缩放倍数进行下采样操作；根据所述中间ISAR图像、中间ISAR低分辨图像以及低分辨ISAR图像进行计算得到所述重构误差。4.根据权利要求3所述的ISAR图像超分辨方法，其特征在于，根据所述重构误差对所述ISAR图像超分辨网络进行更新包括：根据所述重构误差进行梯度计算，并根据所述计算结果反向修正所述ISAR图像超分辨网络中的参数以对其进行迭代更新。5.根据权利要求4所述的ISAR图像超分辨方法，其特征在于，所述根据所述重构误差以及模糊核辅助更新网络对退化模糊核进行更新包括：根据所述重构误差对所述退化模糊核进行梯度计算，将所述计算结果输入所述模糊核辅助更新网络中得到模糊核更新值；根据所述模糊核更新值对退化模糊核进行更新。6.根据权利要求5所述的ISAR图像超分辨方法...

【专利技术属性】
技术研发人员：夏靖远，杨志雄，刘振，霍凯，廖淮璋，张双辉，
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：