基于神经网络的合成孔径雷达快速成像方法及装置与流程

本发明涉及雷达成像技术领域，尤其涉及一种合成孔径雷达成像方法。

背景技术：

雷达成像技术广泛的应用于军用与民用的诸多领域。随着成像场景的日趋多样化与应用需求的不断增长，雷达成像技术也需要相应地进步。

合成孔径雷达（syntheticapertureradar，sar）是常用的一种雷达成像方法，通过构造一个等效的大观测孔径来提高成像分辨率。在合成孔径成像中，距离多普勒(rangedoppler,rd)和ω-k这类频域算法需要具有理想的均匀孔径，这对雷达平台的运动状态有着严格的要求，虽然已经有一些与之对应的运动补偿算法被不断提出，但它们只能够使雷达适应一定范围内运动误差，当有较大误差或在平台有剧烈扰动的时候就不再适用。后向投影(bp)算法是一种基于时域处理的成像算法，通过计算并补偿收发天线与目标之间的双程时延，保证各点对应的回波信息在时间上对齐，再在成像像素点进行叠加成像。因此这种成像算法在获得高成像精度的同时能够适用于各种成像系统与场景，易于对运动进行补偿。

与其他sar成像算法相比，bp算法实现起来简单，不需要运动补偿等复杂的信号处理。目前，bp成像算法已广泛应用于穿墙雷达、机载雷达、探地雷达等领域。但是

众所周知，bp成像的缺陷是运算量大，运算效率低，成像时间慢。如何实现快速bp

算法成像，是一个合成孔径雷达领域的热门研究内容，国内外也有许多专家学者提出

相应的快速实现方法。文献“boaga，breslery，michielssene.amultileveldomaindecompositionalgorithmforfastreprojectionoftomographicimages[j].imageprocessing，ieeetransactionson，2000，9(9):1573-1582”中boag等人提出了一种快速bp成像算法，其原理是将成像场景区域进行分块化，然后通过逐步分级相干累加的方法来减少bp成像算法的计算量，达到降低成像时间的目的。文献“王宏，周正欧，李廷军等.超宽带脉冲穿墙雷达互相关bp成像[j].电子科技大学学报，2011，40(1):16-19.”中王宏等人基于超宽带脉冲探地雷达成像的特点提出了一种改进的快速后向投影成像算法(fastback-projection，fbp)，它使bp成像运算速度有明显的提高。这些算法的缺点是虽然降低了一定的bp算法运算量，但是在实用性、鲁棒性以及成像质量等方面仍不满足现阶段实时高精度成像的需求。

技术实现要素：

本发明所要解决的技术问题在于克服现有bp算法的不足，提供一种基于神经网络的合成孔径雷达快速成像方法，其相比于传统bp成像算法，计算量小，运算速率高，稳健性好，适应能力强。

本发明具体采用以下技术方案解决上述技术问题：

基于神经网络的合成孔径雷达快速成像方法，使用后向投影算法进行低分辨率的合成孔径雷达成像，并用图像重建模型对所得低分辨率图像进行高分辨率重建，得到对应的高分辨率图像；所述图像重建模型通过以下方法预先训练得到：对目标分别使用后向投影算法进行低分辨率和高分辨率的合成孔径雷达成像，得到一个训练样本；然后以一系列不同训练样本中的低分辨率、高分辨率图像分别作为输入值、真实值对神经网络进行训练。

根据同一发明构思还可以得到以下技术方案：

基于神经网络的合成孔径雷达快速成像装置，包括：

bp成像模块，用于使用后向投影算法进行低分辨率的合成孔径雷达成像；

图像重建模型，用于对所得低分辨率图像进行高分辨率重建，得到对应的高分辨率图像；所述图像重建模型通过以下方法预先训练得到：对目标分别使用后向投影算法进行低分辨率和高分辨率的合成孔径雷达成像，得到一个训练样本；然后以一系列不同训练样本中的低分辨率、高分辨率图像分别作为输入值、真实值对神经网络进行训练。

优选地，所述神经网络为卷积神经网络。

进一步优选地，所述卷积神经网络包含五层卷积层。

优选地，所述对目标分别使用后向投影算法进行低分辨率和高分辨率的合成孔径雷达成像，具体如下：对于给定成像区域及目标用m个实孔径进行探测，对接收到的回波分别进行匹配滤波处理，得到成像区域的m个一维距离像；将成像区域划分为由n×n个像素组成的成像网格，然后通过后向投影算法将成像网格中的n×n个像素、n×n个像素分别与m个一维距离像相互映射，分别得到m个粗图像，其中，m、n、n均为大于2的整数且n>n；最后将所得到粗图像逐个累积从而得到n×n像素点的高分辨率图像和n×n个像素点的低分辨率图像。

优选地，所述神经网络的损失函数为均方误差。

相比现有技术，本发明技术方案具有以下有益效果：

本发明通过减少所需成像网格的数量，降低了bp算法的运算代价，提高了成像速率；并通过神经网络的方法使得在快速成像的同时仍有较高的成像质量，且稳健性好，适应能力强。

附图说明

图1为本发明基于神经网络的合成孔径雷达快速成像方法的原理示意图；

图2为本发明实施例中高分辨率重建前的低分辨率图像；

图3为本发明实施例中高分辨率重建后的高分辨率图像。

具体实施方式

针对传统bp成像算法运算量大，运算效率低，成像时间慢的问题，本发明的基本思路是：通过减少参与成像的网格点数目来减少bp算法的运算代价，从而大幅提高运算速率；利用神经网络，在提高运算速率的同时保证所提出算法的成像质量。

本发明的基于神经网络的合成孔径雷达快速成像方法，使用后向投影算法进行低分辨率的合成孔径雷达成像，并用图像重建模型对所得低分辨率图像进行高分辨率重建，得到对应的高分辨率图像；所述图像重建模型通过以下方法预先训练得到：对目标分别使用后向投影算法进行低分辨率和高分辨率的合成孔径雷达成像，得到一个训练样本；然后以一系列不同训练样本中的低分辨率、高分辨率图像分别作为输入值、真实值对神经网络进行训练。

其中，所述神经网络可以采用bp神经网络、rbf神经网络、循环神经网络等。然而不同神经网络模型对于不同应用场景的效果是存在较大差异的，为此，经大量实验验证，本发明优选采用卷积神经网络来构建所述图像重建模型，卷积神经网络可以直接对二维图像进行处理，并能够以较小的计算量对格点化特征进行稳定有效的学习。

为了便于公众理解，下面以一个具体实施例来对本发明技术方案进行进一步详细说明：

首先需要进行训练样本集的获取并进行图像重建模型的训练，其原理如图1所示，具体过程如下：

s1、对预成像区用密集像素点进行bp成像得到训练集高分辨图像hr；

本实施例中，对于给定成像区域及目标用m个实孔径进行探测，并对接收到的回波分别进行匹配滤波处理，得到成像区域的m个一维距离像；将成像区域划分为由n×n个像素组成的成像网格；然后通过bp算法中插值的方法将成像网格和m个一维距离像相互映射，得到m个粗图像；最后将所得到粗图像逐个累积从而得到n×n像素点的最终高分辨率成像结果hr。

其中的各参数可根据具体成像系统具体确定，例如，实孔径个数m设定为15，网格点个数n×n设定为256×256。

s2、对同一成像区选取少量像素点进行bp成像得到训练集低分辨图像lr；

本实施例中，对于与s1中同样的成像场景，实孔径数量位置不变，对所接收回波进行匹配滤波处理，得到m个一维距离像；保持s1中所设成像区域大小不变，但只选取原成像网格中的n×n个像素点参与成像计算，通过bp算法中插值的方法将所划分的成像网格与m个一维距离像相互映射，得到m个粗图像；最后将所得到的粗图像逐个累积从而得到由n×n像素点组成的低分辨率成像结果lr。

本步骤所选取的网格点数n×n可设定为64×64。

s3、构建神经网络，将lr-hr一一对应，分别作为神经网络的输入和真值，对神经网络进行训练；

本实施例中，在进行神经网络前，需要获得训练样本，进行网络结构设置，损失函数的设定及参数的设定，具体如下：

s31、获得训练样本；

本实施例中，在同一成像区域内随机放置成像目标，并在每次放置后分别对该成像区域进行s1和s2两个步骤，得到一组对应的hr和lr成像结果；改变h次目标位置，并经过计算得到h组成像结果，将h个高分辨率图像和h个低分辨率图像一一对应，即构成h个训练样本。

优选地，训练样本个数h设定为1000。

s32、构建神经网络，设置网络结构；

本实施例中，所述神经网络包括特征提取、非线性映射、图像重建三个部分。一共包含五层卷积层，前四个卷积层后面都有一个relu层，该层在网络中引入了非线性。最后一层卷积层后跟回归层，用来重建图像，并将其作为网络的输出。

s33、构造损失函数。

本发明是要构建一个低分辨率图像(lr)到高分辨率图像(hr)之间的映射，因此目的在于最小化本网络输出图像与原高分辨率图像hr之间的差异，这就是本发明中构造损失函数的依据，因此，所述神经网络采用均方误差进行loss函数设置。

s34、网络参数设置。

本实施例中，初始化学习速率设定为0.1，当学习速率衰减到终止学习速率时训练结束，学习率衰减倍数设定为0.1，使用随机梯度下降动量（sgdm）优化器对loss函数进行优化，确定所述神经网络的权重值和偏置值，确定映射关系。

在实际的合成孔径雷达成像过程中，只需对待成像目标选取少量像素点进行bp成像，然后将所得到的低分辨率图像输入训练好的神经网络（即所述图像重建模型）中，即可快速得到高质量成像结果。

本实施例中，对指定预成像区域的目标进行成像时，首先按照s2得到低分辨率成像结果，再将其通过s3训练好的神经网络，即可快速得到相应的高分辨率成像结果。图2、图3分别显示了高分辨率重建前、后的低分辨率图像、高分辨率图像。可以看出，与传统的bp成像算法相比，本发明的运算速率得到了大大的提高，而且最终成像质量也得以保证。