【技术实现步骤摘要】
本专利技术属于遥感成像，具体涉及双极化sar成像遥感应用。
技术介绍
1、合成孔径雷达(synthetic aperture radar,sar)具有全天时全天候工作能力，广泛应用于对地观测等领域。相比全极化sar成像模式，星载sar系统获取的双极化sar数据较多，且双极化sar成像模式具有更大的观测幅宽和更高的分辨率。
2、极化目标分解是极化sar目标解译识别的重要方法，广义极化目标分解是一种基于模型的全极化sar目标分解方法，其通过引入表征目标散射结构姿态信息的物理参量，建立了精细化散射模型，显著改善解译性能，实现多姿态人造目标的极化辨识。但是其采用非线性优化方法，计算复杂度高。快速广义极化目标分解方法通过将非线性优化过程转化为线性求解，实现模型参数的反演，然而其计算耗时仍然较长。上述极化目标分解方法是基于全极化sar数据设计，而基于双极化sar数据的目标分解方法较少。针对目前星载sar系统中全极化sar数据相对较少，而双极化sar数据越来越多，因此亟需建立一套针对双极化sar数据的目标分解方法。
3、目前针对双极化sar数据的目标分解方法较少，尤其是基于模型的目标分解方法。在已有基于模型的双极化sar目标分解方法中，目前没有方法能将双极化sar数据分解为二次散射分量、奇次散射分量和体散射分量，且这些方法无法有效分解有取向人造目标的二次散射分量，存在体散射分量过估计问题。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种基于模型和学习辅助的双极
2、s1、构建双极化sar数据和散射分量配对数据集；
3、s2、构建融合残差连接和空洞卷积的神经网络；
4、s3、利用双极化sar数据和散射分量配对数据集训练所述卷积神经网络；
5、s4、利用训练好的卷积神经网络对其他区域和其他传感器的双极化sar数据进行目标分解。
6、进一步，对全极化sar数据进行抽取得到双极化sar数据，对全极化sar数据进行快速广义极化目标分解得到散射分量。
7、进一步，所述构建双极化sar数据和散射分量配对数据集时，所述双极化sar数据分为hh-vh、vv-hv和hh-vv三种，每一种双极化sar数据都对应四种散射分量，所述四种散射分量为：二次散射分量、奇次散射分量、体散射分量和螺旋散射分量。
8、进一步，所述融合残差连接和空洞卷积的神经网络包括七层卷积层，且在第一层至第六层卷积层后都设置有relu激活函数，所有卷积层的卷积核大小均为3×3，每层卷积层的空洞率分别为1、2、3、4、3、2和1，第一层卷积层的输入通道数为4输出通道数为64，第二层至第六层卷积层的输入和输出通道数均为64，第七层卷积层的输入通道数为64输出通道数为4；其中，第一层的输出和第三层的输出作残差，将残差输出送入第四层卷积层，第四层卷积层的输出与第六层卷积层的输出作残差，将残差输出送入第七层卷积层后输出。
9、进一步，利用双极化sar数据和散射分量配对数据集训练所述卷积神经网络时，损失函数为：
10、loss＝||fθ(xdual)-xdecomp||p；
11、其中，‖·‖p代表计算矩阵的p范数，p∈[0,2]，fθ(·)表示所述卷积神经网络，xdual表示双极化sar数据，xdecomp表示散射分量。
12、进一步，本专利技术还提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述双极化sar目标分解方法的步骤。
13、进一步，本专利技术还提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述双极化sar目标分解方法的步骤。
14、本专利技术的有益效果为：
15、本专利技术提出了一种基于模型和学习辅助的双极化sar目标分解方法，实现基于模型的双极化sar目标分解，能够准确的获取二次散射分量、奇次散射分量和体散射分量。首先基于已有的全极化sar数据，使用快速广义极化目标分解方法计算其二次散射分量、奇次散射分量、体散射分量和螺旋散射分量。其次构建双极化sar数据至散射分量之间的映射集合。然后设计融合残差连接和空洞卷积核的神经网络，使用构建的映射集合训练神经网络。最后使用训练好的神经网络对其他区域和其他传感器的双极化sar数据进行测试，得到这些双极化sar数据的散射分量。
16、本专利技术所述方法采用快速广义极化目标分解结果为真值，能够有效估计取向人造目标的二次散射分量，降低对体散射分量的过估计，提供了基于模型的双极化sar目标分解新思路，具备较高的实用性。
本文档来自技高网...【技术保护点】
1.一种基于模型和学习辅助的双极化SAR目标分解方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的双极化SAR目标分解方法，其特征在于，对全极化SAR数据进行抽取得到双极化SAR数据，对全极化SAR数据进行快速广义极化目标分解得到散射分量。
3.根据权利要求2所述的双极化SAR目标分解方法，其特征在于，所述构建双极化SAR数据和散射分量配对数据集时，所述双极化SAR数据分为HH-VH、VV-HV和HH-VV三种，每一种双极化SAR数据都对应四种散射分量，所述四种散射分量为：二次散射分量、奇次散射分量、体散射分量和螺旋散射分量。
4.根据权利要求1所述的双极化SAR目标分解方法，其特征在于，所述融合残差连接和空洞卷积的神经网络包括七层卷积层，且在第一层至第六层卷积层后都设置有ReLU激活函数，所有卷积层的卷积核大小均为3×3，每层卷积层的空洞率分别为1、2、3、4、3、2和1，第一层卷积层的输入通道数为4输出通道数为64，第二层至第六层卷积层的输入和输出通道数均为64，第七层卷积层的输入通道数为64输出通道数为4；其中，第一层的输
5.根据权利要求1所述的双极化SAR目标分解方法，其特征在于，利用双极化SAR数据和散射分量配对数据集训练所述卷积神经网络时，损失函数为：
6.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-5任一项所述方法的步骤。
7.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-5任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于模型和学习辅助的双极化sar目标分解方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的双极化sar目标分解方法，其特征在于，对全极化sar数据进行抽取得到双极化sar数据，对全极化sar数据进行快速广义极化目标分解得到散射分量。
3.根据权利要求2所述的双极化sar目标分解方法，其特征在于，所述构建双极化sar数据和散射分量配对数据集时，所述双极化sar数据分为hh-vh、vv-hv和hh-vv三种，每一种双极化sar数据都对应四种散射分量，所述四种散射分量为：二次散射分量、奇次散射分量、体散射分量和螺旋散射分量。
4.根据权利要求1所述的双极化sar目标分解方法，其特征在于，所述融合残差连接和空洞卷积的神经网络包括七层卷积层，且在第一层至第六层卷积层后都设置有relu激活函数，所有卷积层的卷积核大小均为3×3，每层卷...
【专利技术属性】
技术研发人员：邓均午，于春辉，徐婧，张士伟，刘芫喽，
申请(专利权)人：长光卫星技术股份有限公司，
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。