【技术实现步骤摘要】
本专利技术属于合成孔径雷达(synthetic aperture radar,sar)图像增强，涉及一种基于三维卷积神经网络的近场sar图像增强方法。
技术介绍
1、合成孔径雷达(synthetic aperture radar,sar)是一种具有全天时、全天候的成像能力的雷达系统，它能够在白天或是黑夜、晴天或是雨雪天气随时成像，克服了光学和红外系统不能在晚上和复杂天气条件进行成像的缺点。然而，传统sar观测距离远，与观测目标相对视角变换小，合成孔径角小，导致图像方位向分辨率有限。
2、不同于传统sar，近场sar工作于目标近场区域，此时，与观测目标相对视角变化量显著增大，合成孔径角也因此大，图像方位向分辨率显著提升，达到厘米量级分辨率。除此以外，近场sar系统通常可采用步进频率信号作为发射信号，从而图像距离向分辨率能与方位向分辨率达到同等量级。因而近场sar能够实现目标精细化成像，在人体安检成像、隐匿物检测、建筑形变检测、自动驾驶、散射特性测量等众多领域有广泛的应用价值。
3、目前，近场sar成像通常采用基于匹配滤波的后向投影算法，而由于有限孔径采样，近场sar成像结果中不可避免存在目标的旁瓣，除此以外，来自地面、周围环境的杂波也同样存在。这些旁瓣和杂波，对于图像的后续应用产生不了不利的影响。例如，由于它们容易被错误得误判别为真实目标，这将导致目标检测与识别的精度损失等。因此，有必要通过图像增强方法，对成像结果进行增强，获得更低目标旁瓣与更少杂波的目标图像。
4、目前现有的sar图像质量增强
5、因此，为解决上述问题，本专利技术提出了一种基于三维卷积神经网络的近场sar图像增强方法。该方法提出了一种新的三维卷积网络结构，实现了图像三个维度上的语义特征提取和所提语义特征的有效重构，这样的特征编解码有助于提取更丰富的sar图像信息，并重构更好的近场sar图像，保证了卓越的近场三维sar图像重构精度。
技术实现思路
1、本专利技术属于合成孔径雷达(sar)图像增强
，公开了一种基于三维卷积神经网络的近场sar图像增强方法，用来增强近场sar图像的质量。该方法主要包括准备数据集，构建三维卷积神经网络，建立图像增强模型，测试图像增强模型和评估图像增强模型五个部分。该方法基于原始的三维卷积，构建了三维卷积神经网络，从而优化网络结构以提高重构精度。在近场三维sar图像数据集上的实验结果表明，与原始的近场sar成像算法相比，本专利技术实现了更高的sar图像重构精度。
2、为了方便描述本专利技术的内容，首先作以下术语定义：
3、定义1：合成孔径雷达
4、合成孔径雷达(synthetic aperture radar,sar)是一种高分辨率微波成像雷达，具有全天时和全天候工作的优点，已被广泛应用各个领域，如地形测绘、制导、环境遥感和资源勘探等。sar应用的重要前提和信号处理的主要目标是通过成像算法获取高分辨、高精度的微波图像。详见“皮亦鸣,杨建宇,付毓生,杨晓波.合成孔径雷达成像原理[m].电子科技大学出版社.2007”。
5、定义2：后向投影算法
6、后向投影算法利用雷达平台的位置信息求出平台与场景像素点的距离历史，然后通过遍历距离历史找出回波脉压插值后数据中相对应的回波，将他们进行对应距离的相位补偿，然后相干累加，并把累加结果投影到图像空间中完成成像处理。后向投影算法主要包含步骤有：距离向匹配滤波、距离向补零插值、距离向回波索引、方位向相位补偿和方位相干累加。详见“师君.双基地sar与线阵sar原理及成像技术研究[d].电子科技大学博士论文.2009”。定义3：近场三维sar图像数据集
7、近场三维sar图像数据集是指近场三维sar图像重构数据集，其可以用于训练深度学习模型，用于研究人员在这个统一的数据集去评价他们算法的性能。在近场三维sar图像数据集中，一共有1200幅图像和10种飞机，平均每种飞机有120幅图像。在近场三维sar图像增强中是公开使用的数据集，它利用电磁仿真软件来模拟飞机的散射特性，并使用后向投影算法进行成像来生成近场三维sar图像，可以同时获得sar图像和对应真值，使方法测试评估更加方便。数据集可从参考文献“zhang w,zhang x,et al.near-field sar imagerestoration framework via deep learning[c]//igarss2023-2023ieee internationalgeoscience and remote sensing symposium.ieee,2023”中获得。
8、定义4：经典的卷积神经网络方法
9、经典的卷积神经网络(cnn)指一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量进行特征提取。近年来，卷积神经网络在计算机视觉、自然语言处理、语音识别等领域取得了突飞猛进的发展，其强大的特征学习能力引起了国内外专家学者广泛的关注。经典的卷积神经网络方法详见文献“张索非,冯烨,吴晓富.基于深度卷积神经网络的目标检测算法进展[j/ol].南京邮电大学学报(自然科学版),2019(05):1-9.https://doi.org/10.14132/j.cnki.1673-5439.2019.05.010.”。
10、定义5：经典的cnn特征提取方法
11、经典的cnn特征提取，即通过cnn对原始输入图像进行特征提取。总而言之，原始输入图像经过不同特征的卷积操作变成了一系列的特征图。在cnn中，卷积层中卷积核在图像上不断滑动运算。同时，最大池化层负责在内积结果上取每一局部块的最大值。因此，cnn通过卷积层和最大池化层实现了图片特征提取方法。经典cnn特征提取详见网站“https://blog.csdn.net/qq_30815237/article/details/86703620”。
12、定义6：卷积核
13、卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。卷积核的作用在于特征的抽取，越是大的卷积核尺寸就意味着更大的感受野，当然随之而来的是更多的参数。早在1998年，lecun发布的letnet-5模型中就会出，图像空域内具有局部相关性，卷积的过程是对局部相关性的一种抽取。卷积核设置方法详见文献“lecun y本文档来自技高网...
【技术保护点】
1.一种基于三维卷积神经网络的近场SAR图像增强方法，其特征是它包括以下步骤：
【技术特征摘要】
1.一种基于三维卷积神经网络的近场sar...
【专利技术属性】
技术研发人员：张晓玲，张文思，曾天娇，胥小我，杨景皓，师君，韦顺军，
申请(专利权)人：电子科技大学，
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。