【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 l ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。