本發明涉(she)及(ji)(ji)合(he)成孔(kong)徑雷達(da)成像、深度(du)學習(xi)技(ji)術，具體涉(she)及(ji)(ji)一(yi)種(zhong)相(xiang)位信息保持的稀疏(shu)sar學習(xi)成像方(fang)法、裝置及(ji)(ji)介質。

背景技術：

1、合成(cheng)孔徑雷(lei)達(synthetic?aperture?radar，簡稱sar)是一種主動(dong)式(shi)高分辨率(lv)成(cheng)像雷(lei)達，不受時間和天(tian)氣的(de)(de)影響，具有(you)全(quan)(quan)天(tian)時、全(quan)(quan)天(tian)候、穿透能力(li)強的(de)(de)特(te)點(dian)，在災(zai)情(qing)預測(ce)、地質探測(ce)以(yi)(yi)及(ji)情(qing)報偵察等方面都有(you)著廣泛的(de)(de)應用(yong)前景。然而，傳統基(ji)于匹(pi)配(pei)濾(lv)波的(de)(de)sar成(cheng)像算法難以(yi)(yi)滿足高分辨率(lv)sar重建的(de)(de)應用(yong)需求。

2、稀疏(shu)微波成(cheng)(cheng)像(xiang)方法可以在低采樣率情(qing)況下獲得具有高分辨率和低旁瓣的重構圖像(xiang)，但傳統(tong)正則化方法恢復(fu)的稀疏(shu)sar圖像(xiang)的相位信息(xi)受損。為解決上述問(wen)題，畢輝(hui)等人提出了一種被稱為biist的全新迭代(dai)閾值算法用于sar圖像(xiang)特(te)征增強。除此之外，稀疏(shu)sar成(cheng)(cheng)像(xiang)還受限(xian)于復(fu)雜且(qie)耗時的迭代(dai)成(cheng)(cheng)像(xiang)機(ji)制和難(nan)以確定(ding)的算法最優參數。

3、深(shen)度學(xue)習(xi)(deep?learning,簡(jian)稱dl)技(ji)術具有出色的(de)(de)特征學(xue)習(xi)以及(ji)擬合表征能力，為突破傳統sar成像(xiang)(xiang)方法(fa)的(de)(de)局限性(xing)提供了一種全新的(de)(de)解決手段。目前(qian)，sar學(xue)習(xi)成像(xiang)(xiang)網絡主要(yao)分為數(shu)據驅動和模型(xing)(xing)驅動與(yu)(yu)數(shu)據驅動相結合的(de)(de)dl成像(xiang)(xiang)技(ji)術。數(shu)據驅動dl成像(xiang)(xiang)技(ji)術將深(shen)度神經網絡視為黑盒，因(yin)此在解決雷達成像(xiang)(xiang)問(wen)題時(shi)存在可解釋性(xing)差和普適性(xing)弱等(deng)局限性(xing)。而模型(xing)(xing)驅動與(yu)(yu)數(shu)據驅動相結合的(de)(de)dl成像(xiang)(xiang)技(ji)術弱化(hua)了模型(xing)(xing)失配的(de)(de)影響，也避免了復雜的(de)(de)成像(xiang)(xiang)機制和參數(shu)選取(qu)過(guo)程(cheng)。

4、現有sar學(xue)習成(cheng)像網絡(luo)(luo)大都(dou)將sar回(hui)波復(fu)數據(ju)按(an)實(shi)、虛部(bu)分(fen)開，采(cai)用(yong)(yong)雙通(tong)道輸入(ru)、輸出的方式(shi)，回(hui)波模擬(ni)算(suan)子網絡(luo)(luo)結構復(fu)雜，設(she)計難度大，且未考慮成(cheng)像結果的相(xiang)位保(bao)持問(wen)題(ti)。然而，回(hui)波模擬(ni)算(suan)子、成(cheng)像算(suan)子在成(cheng)像參數確(que)(que)定(ding)的情況下可(ke)較(jiao)為精確(que)(que)表示，在學(xue)習成(cheng)像網絡(luo)(luo)訓練時(shi)不會有很大變(bian)化(hua)。本發明通(tong)過(guo)分(fen)析biist稀(xi)疏(shu)重(zhong)構原理，設(she)計了采(cai)用(yong)(yong)單通(tong)道復(fu)數據(ju)的輸入(ru)的sar學(xue)習成(cheng)像復(fu)網絡(luo)(luo)，該(gai)網絡(luo)(luo)可(ke)以同時(shi)得到稀(xi)疏(shu)解(jie)與非稀(xi)疏(shu)解(jie)，且非稀(xi)疏(shu)解(jie)保(bao)持了原有復(fu)數據(ju)的相(xiang)位信(xin)息(xi)。

技術實現思路

1、發明(ming)(ming)目的(de)：本發明(ming)(ming)提供(gong)一種相位信(xin)息保持的(de)稀疏sar學習成(cheng)(cheng)像(xiang)方法、裝置及(ji)介質(zhi)，能夠獲得高質(zhi)量稀疏sar成(cheng)(cheng)像(xiang)結(jie)果和保持相位信(xin)息的(de)非稀疏sar成(cheng)(cheng)像(xiang)結(jie)果。

2、技(ji)術方案(an)：本發明所述的(de)一種相位信(xin)息(xi)保持的(de)稀疏sar學習成像方法，具體(ti)包括以下步(bu)驟：

3、(1)分析biist的稀疏重構流程；

4、(2)搭建基于線(xian)性調頻變標算(suan)法的(de)sar學習(xi)成(cheng)像(xiang)(xiang)網絡(luo)，并確定成(cheng)像(xiang)(xiang)網絡(luo)學習(xi)參數；

5、(3)構建sar目標回波樣本(ben)集，并(bing)基于不同樣本(ben)集采用監督(du)或非監督(du)方式對(dui)sar學習成像網絡進行預訓練；

6、(4)將同參數下任意目(mu)標回波輸入訓練(lian)好的(de)sar學習成像網絡，得(de)到(dao)聚焦的(de)sar圖像。

7、進一步(bu)地，所(suo)述(shu)步(bu)驟(1)實現過程(cheng)如(ru)下：

8、將sar回波(bo)矩陣y,成(cheng)像算(suan)(suan)子回波(bo)模(mo)擬算(suan)(suan)子輸入到biist算(suan)(suan)法(fa)中；

9、初(chu)始(shi)化迭代次數k，誤差參數ε，迭代參數μ，重建觀(guan)測場景(jing)稀疏解(jie)中間變量

10、第k步重(zhong)建的非稀疏解(jie)估計(ji)值為

11、

12、第k步的(de)中間(jian)變(bian)量(liang)和正(zheng)則(ze)化參數β(k)：

13、

14、計算重建的稀疏(shu)解估計值

15、

16、計算殘差：

17、

18、當迭代次數達到k，或residual＜ε時(shi)，結束迭代；輸出(chu)觀測場(chang)景稀疏解和(he)非稀疏解

19、進一(yi)步地，所(suo)述(shu)步驟(2)實(shi)現過(guo)程如下：

20、采用csa作(zuo)為成像算(suan)子：

21、

22、其中，fr和(he)fa分別表(biao)示距(ju)離向和(he)方位(wei)(wei)向傅里葉變換(huan)；和(he)分別表(biao)示距(ju)離向和(he)方位(wei)(wei)向傅里葉逆變換(huan)，y表(biao)示接(jie)收到的二維回波數(shu)據，⊙表(biao)示hadamard乘積(ji)，hac為用于(yu)方位(wei)(wei)壓縮和(he)殘余相位(wei)(wei)補(bu)償的相位(wei)(wei)矩(ju)陣，hrc為用于(yu)距(ju)離壓縮和(he)一致距(ju)離徙動校正(zheng)的相位(wei)(wei)矩(ju)陣，hsc為線性(xing)調頻(pin)縮放操作；

23、由成(cheng)(cheng)像算子(zi)(zi)推導其逆成(cheng)(cheng)像算子(zi)(zi)，基于(yu)csa的回波模擬算子(zi)(zi)表(biao)示(shi)為：

24、

25、其中，*表示矩陣(zhen)共軛操作(zuo)；

26、將(jiang)biist算法映射為(wei)包(bao)含算子(zi)更(geng)新(xin)層和非(fei)線(xian)性變換(huan)層的深度展開(kai)網絡；算子(zi)更(geng)新(xin)層對中間變量進行(xing)更(geng)新(xin)，并輸出重(zhong)建的非(fei)稀疏解，第k層算子(zi)更(geng)新(xin)層r表示為(wei)：

27、

28、其中,ρ(k)表示第(di)k層的迭代步長(chang)，該參(can)數自適(shi)應生成，且(qie)每(mei)層數值(zhi)不同；非線性(xing)(xing)變(bian)換層對輸(shu)入的非稀(xi)疏解(jie)(jie)進行(xing)非線性(xing)(xing)變(bian)換，輸(shu)出重建的稀(xi)疏解(jie)(jie)，第(di)k層非線性(xing)(xing)變(bian)換層n表示為：

29、

30、其中，t(k)表示第k層的迭代閾值(zhi)。

31、進(jin)一步地，所(suo)述(shu)步驟(3)實現過程(cheng)如下：

32、構建(jian)回波(bo)(bo)樣(yang)本集，設(she)計損失(shi)函(han)(han)數(shu)實(shi)現非監(jian)督學習(xi)，對網絡最后一層重建(jian)的(de)(de)(de)稀疏(shu)解做運(yun)算，得到sar回波(bo)(bo)的(de)(de)(de)估計值并計算與輸(shu)入的(de)(de)(de)真(zhen)實(shi)回波(bo)(bo)的(de)(de)(de)差(cha)異；設(she)定(ding)真(zhen)實(shi)回波(bo)(bo)樣(yang)本集ym＝{y1，y2，y3，...，ym}，其中(zhong)m＝1,2,…,m為回波(bo)(bo)樣(yang)本序列(lie)號(hao)，設(she)定(ding)損失(shi)函(han)(han)數(shu)為均(jun)方(fang)誤差(cha)函(han)(han)數(shu)，具體表達式(shi)為：

33、

34、其中，表示(shi)第m個估(gu)計(ji)得到的sar回(hui)波，m為(wei)回(hui)波樣本序列號，l(θ)為(wei)可(ke)學習參數集θ的損失函數。

35、進一步地，所(suo)述步驟(4)實現(xian)過程如下(xia)：

36、將(jiang)最終學習(xi)得到的(de)各層不同的(de)迭(die)代步長ρ(k)和迭(die)代閾值t(k)作為固定值設置在成像(xiang)網絡模型中，最后輸入同參數(shu)下任意目(mu)標(biao)回波即(ji)能直接輸出成像(xiang)結果。

37、本發明所述(shu)的一種裝置(zhi)設備，包(bao)括(kuo)存儲器和處理器，其中：

38、存儲(chu)器，用(yong)于(yu)存儲(chu)能夠在(zai)處理器上運行的計算機程序；

39、處理器(qi)，用于(yu)在運行所述計算機(ji)程序時，執行如上所述的(de)一種(zhong)相位信息保持(chi)的(de)稀(xi)疏sar學習成像方(fang)法的(de)步驟。

40、本(ben)發明所述的(de)一種(zhong)存儲介質，所述存儲介質上(shang)存儲有計(ji)算(suan)機(ji)程(cheng)序，所述計(ji)算(suan)機(ji)程(cheng)序被至少一個處理器執行時實現如(ru)上(shang)所述的(de)一種(zhong)相(xiang)位信息保(bao)持(chi)的(de)稀(xi)疏sar學習成像(xiang)方(fang)法的(de)步驟。

41、有益效果：與現(xian)有技術相(xiang)比，本發(fa)明(ming)的(de)(de)(de)有益效果：1、與傳統(tong)的(de)(de)(de)稀疏(shu)(shu)sar成(cheng)(cheng)像(xiang)算法(fa)相(xiang)比，該發(fa)明(ming)采用監督或(huo)非監督學(xue)習的(de)(de)(de)方式確定了成(cheng)(cheng)像(xiang)的(de)(de)(de)最(zui)優參(can)數，提升了重建圖像(xiang)質(zhi)量；2、與現(xian)有的(de)(de)(de)sar學(xue)習成(cheng)(cheng)像(xiang)算法(fa)相(xiang)比，該發(fa)明(ming)采用單(dan)通道復(fu)(fu)數據的(de)(de)(de)輸入、輸出方式，降低了網絡模型(xing)的(de)(de)(de)復(fu)(fu)雜度；3、本發(fa)明(ming)通過深度展開網絡將基(ji)于biist的(de)(de)(de)稀疏(shu)(shu)成(cheng)(cheng)像(xiang)模型(xing)嵌入到神經網絡中，可以(yi)同時得到稀疏(shu)(shu)解(jie)和(he)非稀疏(shu)(shu)解(jie)兩(liang)種稀疏(shu)(shu)sar圖像(xiang)，其中非稀疏(shu)(shu)解(jie)保留(liu)了圖像(xiang)完(wan)整(zheng)的(de)(de)(de)相(xiang)位信息，使后(hou)續干涉(she)sar和(he)恒虛警(jing)率檢測等應用成(cheng)(cheng)為可能。

技術特征：

1.一種相位信息(xi)保持的稀疏sar學習成像方法，其特(te)征在于，包(bao)括以(yi)下步(bu)驟(zou)：

2.根(gen)據權利(li)要求1所述(shu)的一種相(xiang)位信息(xi)保持的稀疏sar學習成像(xiang)方法(fa)，其特征(zheng)在(zai)于，所述(shu)步(bu)驟(1)實現過(guo)程(cheng)如下：

3.根(gen)據權利要求1所述的一種相位信息保持的稀(xi)疏sar學習(xi)成像(xiang)方法，其(qi)特征在(zai)于，所述步驟(2)實現過程如下(xia)：

4.根據權(quan)利要求1所述的(de)一種相(xiang)位(wei)信息保持的(de)稀疏sar學習成像方(fang)法，其特(te)征在于，所述步驟(3)實現過程如下：

5.根據權利要(yao)求1所(suo)述(shu)(shu)的一種(zhong)相位信息保持(chi)的稀疏(shu)sar學習成像(xiang)方法，其特征在于，所(suo)述(shu)(shu)步驟(4)實現過程如下：

6.一種裝置設備，其特征在于，包括存儲器和處(chu)理器，其中：

7.一種(zhong)存儲介(jie)質(zhi)，其特征在于，所(suo)述存儲介(jie)質(zhi)上存儲有計算(suan)機(ji)程(cheng)序(xu)，所(suo)述計算(suan)機(ji)程(cheng)序(xu)被至(zhi)少一個處理器執行(xing)時實(shi)現如權利要求1至(zhi)5任一項所(suo)述的一種(zhong)相位信息保持(chi)的稀(xi)疏sar學習成像方法的步驟。

技術總結
本發明公開了一種相位信息保持的稀疏SAR學習成像方法、裝置及介質，所述方法包括如下步驟：(1)分析BiIST的稀疏重構流程；(2)搭建基于線性調頻變標算法的學習成像網絡，并確定成像網絡學習參數；(3)構建SAR目標回波樣本集，并基于樣本集對SAR學習成像網絡進行預訓練；(4)將同參數下任意目標回波輸入訓練好的網絡模型，得到聚焦的SAR圖像。本發明采用一種相位信息保持的稀疏SAR學習成像網絡，通過深度展開網絡將基于BiIST的稀疏成像模型嵌入到神經網絡中，不僅可以通過監督或非監督學習確定算法的最優參數，而且其非稀疏解可以保持完整的相位信息，使后續干涉SAR和恒虛警率檢測等應用成為可能。

技術研發人員：畢輝,李凌宇,張晶晶,宋宇凡,金哲凡
受保護的技術使用者：南京航空航天大學
技術研發日：
技術公布日：2024/9/19