一种基于深度学习网络的二维联合成像与自聚焦方法技术

本发明专利技术涉及逆合成孔径雷达图像处理领域，尤其涉及基于深度学习网络的二维联合成像与自聚焦方法，本发明专利技术通过建立二维稀疏条件下的二维降采样回波模型，用于

【技术实现步骤摘要】
一种基于深度学习网络的二维联合成像与自聚焦方法


[0001]本专利技术涉及逆合成孔径雷达图像处理领域，尤其涉及一种基于深度学习网络的二维联合成像与自聚焦方法
。

技术介绍

[0002]逆合成孔径雷达
(ISAR)
具有获取非合作运动目标二维
(2D)
图像的能力，在现代军事和民用领域得到了广泛应用，精确的运动补偿是高分辨率
ISAR
成像的前提
。
如果目标运动没有得到精确补偿，则残余运动将导致剩余的相位误差出现，从而使得成像结果的散焦
。
[0003]如今，深度学习
(DL)
技术已被引入
ISAR
成像领域，并被证明通过训练大量数据集设计深度网络，可以有效地获取高分辨率图像
。
它也被称为一种数据驱动方法
。
最常见的基于深度学习的成像方法一般是利用在计算机视觉等领域广泛应用的传统神经网络结构实现低分辨图像到高分辨图像的转变
。
因此，将卷积神经网络
(CNN)、
全连接
CNN(FCNN)
和
UNet
等典型的神经网络被应用于
ISAR
成像，获得了优于传统方法的高分辨率结果，
[0004]现有技术中，
[0005][S.Wei,J.Liang,M.Wang,J.Shi,X.Zhang,andJinheRan.“AF
‑
AMPNet:Adeep learningapproachforsparseapertureISARimagingandautofocusing,”IEEETrans.Geosci.RemoteSens.,vol.60,pp.5206514,Apr.2022.]提出了一种基于
AMP
的成像和相位误差估计深度网络；
[0006][X.Li,X.Bai,andF.Zhou,High
‑
ResolutionISARImagingandAutofocusingvia2D
‑
ADMM
‑
Net,RemoteSens.,vol.13,no.12,pp.2326,Jun.2021.]中研究了类似的工作，其中
ADMM
通过与相位误差补偿网络相结合而被展开为深度网络结构
。
[0007]但是，这些网络只考虑跨距离方向上的相位误差估计
。
事实上，对于
RSFISAR
成像，相位误差存在于距离和方位向二维空间，需要一起补偿
。

技术实现思路

[0008]为解决距离和方位向二维空间的相位误差较大的问题，成像精度不高，本专利技术提供一种基于深度学习网络的二维联合成像与自聚焦方法，其包括：
[0009]步骤
S1
，建立包含二维相位误差的二维降采样回波模型；
[0010]步骤
S2
，对所述二维降采样回波模型进行矩阵化
l1范数优化，包括，
[0011]步骤
S21
，固定所述二维降采样回波模型中的误差矩阵
E
并对所述二维降采样回波模型中的稀疏场景矩阵
X
进行
l1范数优化；
[0012]步骤
S22
，固定所述的稀疏场景矩阵
X
，对所述误差矩阵进行
l1范数优化；
[0013]步骤
S23
，通过
S21
以及
S22
的交替迭代优化，最终获得优化后的稀疏场景矩阵
X
以及优化后的误差矩阵
E
；
[0014]步骤
S3
，将所述步骤
S2
中的各子步骤展开为神经网络结构；
[0015]步骤
S4
，通过向所述神经网络结构中输入仿真数据集进行网络训练，获取模型的
最优参数，并基于仿真数据训练好的网络模型对实测数据进行成像
。
[0016]进一步地，步骤
S1
中，所述二维降采样回波模型以式
(1)
表示，
[0017][0018]式
(1)
中，
Y
表示二维稀疏回波数据矩阵，
F
r
表示距离向随机降采样矩阵，表示方位向随机降采样矩阵，
H
′
r
表示距离向的字典矩阵，
H
′
a
表示方位向的字典矩阵，
W
表示噪声矩阵，
E
′
表示误差矩阵，
X
表示稀疏场景矩阵，
e
表示
Hadamard
乘积，
Φ
r
＝
F
r
H
′
r
，
Φ
a
＝
F
a
H
′
a
，
[0019]进一步地，所述步骤
S2
中，还包括对二维降采样回波模型向量化，其中，
[0020]向量化后的二维降采样回波模型向量化以式
(3)
表示，
[0021][0022]式
(3)
中，
A
为
Kronecker
积，
x
表示向量化稀疏场景矩阵，
w
表示稀疏化噪声矩阵，
[0023]进一步地，所述步骤
S2
中，对所述二维降采样回波模型进行矩阵化
l1范数优化，其中，获取范数优化函数，
[0024][0025]式
(4)
中
a
为拉格朗日乘子，
d
为惩罚参数，
<
’
>
表示内积，
v
为辅助变量，
λ
表示第一正则化参数，
δ
表示第二正则化参数
。
[0026]进一步地，所述步骤
S21
中，对所述二维降采样回波模型中的稀疏场景矩阵
X
进行
l1范数优化，表示为，
[0027][0028]其中
Z(
·
)
表示收缩函数，
X
p+1
表示第
p+1
次循环优化后的稀疏矩阵，
A
p+1
表示第
p+1
次循环优化后的拉格朗日乘子矩阵，所述拉格朗日乘子矩阵基于拉格朗日参数的矩阵化所得，
V
p+1
表示第
p+1
次循环优化后的辅助变量矩阵，所述辅助变量矩阵基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习网络的二维联合成像与自聚焦方法，其特征在于，包括：步骤
S1
，建立包含二维相位误差的二维降采样回波模型；步骤
S2
，对所述二维降采样回波模型进行矩阵化
l1范数优化，包括，步骤
S21
，固定所述二维降采样回波模型中的误差矩阵
E
并对所述二维降采样回波模型中的稀疏场景矩阵
X
进行
l1范数优化；步骤
S22
，固定所述的稀疏场景矩阵
X
，对所述误差矩阵进行
l1范数优化；步骤
S23
，通过
S21
以及
S22
的交替迭代优化，最终获得优化后的稀疏场景矩阵
X
以及优化后的误差矩阵
E
；步骤
S3
，将所述步骤
S2
中的各子步骤展开为神经网络结构；步骤
S4
，通过向所述神经网络结构中输入仿真数据集进行网络训练，获取模型的最优参数，并基于仿真数据训练好的网络模型对实测数据进行成像
。2.
根据权利要求1所述的基于深度学习网络的二维联合成像与自聚焦方法，其特征在于，步骤
S1
中，所述二维降采样回波模型以式
(1)
表示，式
(1)
中，
Y
表示二维稀疏回波数据矩阵，
F
r
表示距离向随机降采样矩阵，表示方位向随机降采样矩阵，
H
′
r
表示距离向的字典矩阵，
H
′
a
表示方位向的字典矩阵，
W
表示噪声矩阵，
E
′
表示误差矩阵，
X
表示稀疏场景矩阵，
e
表示
Hadamard
乘积，
Φ
r
＝
F
r
H
′
r
，
Φ
a
＝
F
a
H
′
a
，
3.
根据权利要求2所述的基于深度学习网络的二维联合成像与自聚焦方法，其特征在于，所述步骤
S2
中，还包括对二维降采样回波模型向量化，其中，向量化后的二维降采样回波模型向量化以式
(3)
表示，式
(3)
中，为
Kronecker
积，
x
表示向量化稀疏场景矩阵，
e
表示矩阵
E
的向量化矩阵，
w
表示稀疏化噪声矩阵，
4.
根据权利要求3所述的基于深度学习网络的二维联合成像与自聚焦方法，其特征在于，所述步骤
S2
中，对所述二维降采样回波模型进行矩阵化
l1范数优化，其中，获取范数优化函数，式
(4)
中
a
为拉格朗日乘子，
d
为惩罚参数，
<,>
表示内积，
v
为辅助变量，
λ
表示第一正则化参数，
δ
表示第二正则化参数
。5.
根据权利要求1所述的基于深度学习网络的二维联合成像与自聚焦方法，其特征在于，所述步骤
S21
中，对所述二维降采样回波模型中的稀疏场景矩阵
X
进行...

【专利技术属性】
技术研发人员：杨军，吕明久，吴瑕，马建朝，程祺，刘诗钊，陈文峰，
申请(专利权)人：中国人民解放军空军预警学院，
类型：发明
国别省市：