一种基于SE-Unet的合成孔径雷达欠采样成像方法

一种基于se-unet的合成孔径雷达欠采样成像方法
技术领域
1.本发明属于雷达技术领域，特别涉及一种合成孔径雷达(简称：sar)在欠采样下的成像技术。


背景技术：

2.合成孔径雷达(synthetic aperture radar,sar)一般工作于机载及星载平台，它属于一种高分辨微波成像系统并且具有全天候、全天时工作的优点，它广泛应用于海上安全领域，比如船只检测和监视等。但是实际雷达系统自身prf的有限性以及非理想的天线方向图会导致sar成像方法中存在着不可避免的方位模糊问题，而在欠采样情况下该问题会更加凸显。
3.目前已公开发表的文献中，sar欠采样成像方位模糊抑制方法中有代表性的方法有基于u型卷积神经网络(简称：unet)的方法(参考文献1：liu.z,wu.n,x.liao,“sar image restoration from spectrum aliasing by deep learning”,ieee access,vol.99,pp.1-1,2020)，而senet模块只用在sar的目标识别领域，在sar欠采样成像方位模糊抑制方面还没有应用(参考文献2：s.mei,x.wei,b.jin,and j.guo,“sar image target recognition based on senet depth separable convolutional neural network,”in 2021 2nd china international sar symposium(ciss),shanghai,china,nov.2021,pp.1
–
6.doi:10.23919/ciss51089.2021.9652272)。unet方法虽然能提升成像结果的分辨率、在无复杂背景的场景下抑制方位模糊引起的虚影，但是该方法存在一些问题，比如处理背景复杂场景时方位模糊抑制效果不佳，复杂背景的细节不能很好地保留，并且运算时间长、计算量大。


技术实现要素：

4.为解决上述技术问题，本发明提出一种基于se-unet神经网络的合成孔径雷达欠采样成像方法，在有效提高成像质量的基础上，对细节的保留更完整、准确。
5.本发明采用的技术方案为：一种基于se-unet的合成孔径雷达欠采样成像方法，包括：
6.s1、分别构建雷达参数集para_set
normal
与雷达参数集para_set
sub
；
7.所述雷达参数集para_set
normal
包括的参数为：正常采样下的脉冲重复频率，记作prf
normal
；雷达的方位调频率，记作ka；雷达系统发射的脉冲波长，记作λ；雷达系统发射的脉冲时宽，记作tr；雷达系统的距离采样率，记作fr；雷达的合成孔径时间，记作t
sar
；雷达平台运动的有效速度，记作vr；雷达系统的距离向采样间隔，记作δt；雷达系统的方位向采样间隔，记作δa；光速记作c；中心频率记做f0；多普勒中心频率，记做f
dop
；
8.所述雷达参数集para_set
sub
包括的参数为：欠采样图像对应的脉冲重复频率，记作prf
sub
；雷达的方位调频率，记作ka；雷达系统发射的脉冲波长，记作λ；雷达系统发射的脉冲时宽，记作tr；雷达系统的距离采样率，记作fr；雷达的合成孔径时间，记作t
sar
；雷达平台
运动的有效速度，记作vr；雷达系统的距离向采样间隔，记作δt；雷达系统的方位向采样间隔，记作δa；光速记作c；中心频率记做f0；多普勒中心频率，记做f
dop
；
9.s2、基于步骤s1构建的雷达参数集para_set
normal
与雷达参数集para_set
sub
构建训练数据集，训练数据集中每组数据为一对数据，这一对数据具体为：基于para_set
normal
和para_set
sub
各自仿真后生成的雷达回波再经ωka算法成像并剪切得到的数据矩阵；
10.s3、构建se-unet网络；
11.s4、采用步骤s2生成的训练数据集对步骤s3构建的se-unet网络进行训练；
12.s5、将在s-sar模式下对回波数据非均匀采样成像得到的欠采样方位模糊图像输入训练完成的se-unet网络，得到去除方位模糊的图像。
13.本发明的有益效果：本发明的创新点在于针对unet重建图像运行时间长、图像细节保留不够、复杂背景目标方位模糊抑制性能差的不足，提出了一种特征压缩u型卷积神经网络(简称：se-unet)方法的sar欠采样成像方法。本发明方法的关键在于构建合适的se-unet网络模型集进行网络训练，实现复杂场景下的sar欠采样成像。
14.本发明的优点在于将sar信号处理与具有特征压缩的卷积神经网络(se-unet)相结合，实现sar欠采样成像的计算量减少、神经网络训练时间减少、提升复杂场景下的sar欠采样成像质量。与传统卷积神经网络重建方法相比，本发明的方法减少网络的计算量、降低网络的训练时间，并且更完整地重建复杂场景中的图像细节。
附图说明
15.图1为本发明的方案流程图；
16.图2为se-unet网络结构图；
17.其中，(a)为senet模块结构图，(b)为se-unet网络整体结构图；
18.图3为复杂背景下se-unet网络和unet欠采样成像对比示意图；
19.其中，(a)为测试输入图像，(b)为理想图像，(c)为unet输出图像，(d)为se-unet输出图像。
具体实施方式
20.为了方便描述本发明的内容，首先作以下术语定义：
21.定义1、se-unet网络
22.se-unet网络整体结构如图2(b)所示。
23.se-unet网络整体数学模型为
[0024][0025][0026]
其中，t(
·
)是网络等效转换函数，是网络训练t+1次的结果，x
true,k
是训练集中第k个无方位模糊图像数据，yk是训练集中第k个有方位模糊图像数据，是yk输入se-unet网络后训练t次的结果，n为训练集总个数，ζ是参数，l是网络的l
1-范数代价函数，随着网络的迭代轮次增加，使代价函数的值越来越小。
[0027]
se-unet网络中senet模块如图2(a)所示。
[0028]
senet结构的数学模型分为全连接操作f
tr
、压缩操作f
sq
、扩展操作f
ex
、权重叠加操作f
scale
：
[0029][0030][0031][0032][0033]
其中，“：”为冒号，用于表示冒号之后的表达式为冒号前的各操作的具体计算式，u和x是特征图，是全连接函数，uc(i，j)表示u中第c个二维矩阵中第i行第j列元素，z是特征图u经过压缩操作得到的特征，zc是z的第c个元素，w
′×h′
和w
×
h是特征图维度，c
′
和c是通道数，s是获得的特征图权重，σ(
·
)是sigmoid函数，δ(
·
)是relu函数，w1，w2是参数，是叠加了权重的特征图，表示复数集，w1，w2是维度，r是缩放参数。
[0034]
本发明主要采用仿真实验的方法进行验证该方案的可行性，所有步骤、结论都在matlab r2018b上验证正确。具体实施步骤如下：
[0035]
步骤1、初始化参数
[0036]
初始化后续步骤所需的雷达参数，包括：欠采样图像对应的脉冲重复频率(prf)，记作prf
sub
；正常采样下的脉冲重复频率，记作prf
normal
；雷达的方位调频率，记作ka；雷达系统发射的脉冲波长，记作λ；雷达系统发射的脉冲时宽，记作tr；雷达系统的距离采样率，记作fr；雷达的合成孔径时间，记作t
sar
；雷达平台运动的有效速度，记作vr；雷达系统的距离向采样间隔，记作δt；雷达系统的方位向采样间隔，记作δa；光速记作c；中心频率记做f0；多普勒中心频率，记做f
dop
；参数如表1所示：
[0037]
表1雷达参数列表
[0038]
雷达参数符号值单位发射脉冲时宽tr41.75μs距离采样率fr32.317mhz雷达有效速度vr7062m/s雷达工作波长λ0.057m方位调频率ka1733hz/s合成孔径时间t
sar
6.5956ms正常采样方位采样率prf
normal
1256.98hz欠采样方位采样率prf
sub
75hz距离向采样时间间隔δt0.031μs方位向采样时间间隔δa0.080μs中心频率f05300mhz多普勒中心频率f
dop-6900hz
[0039]
步骤2、生成训练数据和测试数据
[0040]
依据步骤1中提供的雷达参数构建训练和测试数据集，多个训练数据集的设置如下：
[0041]
以prf
normal
及其它所需参数构成雷达参数集para_set
normal
，以prf
sub
及其它所需参数构成雷达参数集para_set
sub
。得到的两组雷达参数para_set
normal
和para_set
sub
之间仅有prf不同，本发明需要处理的测试数据所用参数为para_set
sub
。生成500组分辨率为1024*128的训练数据，每个训练对包括在s-sar模式下对回波数据非均匀采样成像得到的欠采样图像y0，以及在sar模式下对回波数据均匀采样成像得到的期望图像
[0042]
测试数据集的设置如下：
[0043]
测试数据集由分辨率为512*256的场景在s-sar模式下对回波数据非均匀采样成像得到的欠采样图像组成。
[0044]
步骤3、训练se-unet网络
[0045]
se-unet网络的结构如附图2所示，呈左右对称结构，左边为压缩路径，右边为扩展路径，中间为senet模块。压缩路径包括卷积、最大池化两个部分，用于从数据中提取特征。扩展路径包括上采样、拼接、卷积三个部分，用于收集压缩路径提取的特征。在压缩路径的最大池化之前的特征图会经过senet模块，经由senet输出相同尺寸的叠加有权重的特征图，与对应扩展路径中上采样之后的特征图进行拼接，用于提高特征提取能力。此外，在se-unet底部有一个复制相加操作，用1
×
1的卷积对最后一次最大池化操作后的特征图进行复制，将复制的特征图叠加到第一次上采样前的特征图上，用于增强图像细节。
[0046]
训练过程中代价函数cost function选取为l
1-范数，整个se-unet网络的训练参数设置如表2所示。将步骤2得到的训练数据集输入网络中进行训练得到训练好的网络；
[0047]
表2 se-une网络的训练参数设置列表
[0048]
网络参数值学习率learning rate0.001批尺寸batchsize4迭代轮次numepochs100缩放参数r16
[0049]
训练完成的se-unet网络具有方位模糊抑制能力，将在s-sar模式下对回波数据非均匀采样成像得到的欠采样方位模糊图像输入训练完成的se-unet网络，从而得到去除方位模糊的图像。
[0050]
步骤4、将测试数据输入训练好的生成网络得到最终的结果
[0051]
将测试数据输入到步骤3得到的生成网络中得到最终的测试结果。
[0052]
经过上述步骤处理，基于se-unet网络的sar成像方位模糊去除工作得以完成。通过三组测试数据(包括陆地场景、半海洋半陆地场景以及海洋场景)验证上述方法的有效性和普遍性。
[0053]
表3为复杂背景下该se-unet网络和unet网络的去模糊性能以及重建性能的对比。表4为该se-unet网络与unet网络的运行时间和计算量对比。图3为带有复杂背景的场景中，该se-unet网络和unet网络sar欠采样成像结果。
[0054]
表3 se-unet网络和unet性能对比
[0055]
methodrmse(db)taroriginal-2.18824.7725u-net-1.22465.559se-unet-9.021721.6357
[0056]
表4 se-unet网络和unet网络的运行时间、计算量对比
[0057]
method运行时间(ms)计算量unet9.2
×
1066.82
×
105×
mnlse-unet2.3
×
1061.02
×
105×
mnl
[0058]
从表3、表4以及图3可以得出，该模型的运行时间约为unet运行时间的四分之一，计算量为unet的六分之一；该网络的rmse(相对均方误差)远远小于unet，说明该图像重建性能好于unet；该网络的tar(真实-模糊目标比)大于unet，说明该网络的虚假目标抑制效果好与unet。测试结果说明，与unet网络相比，se-unet网络的性能在rmse和tar上有较大提升。因此，本发明提出的方法能够有效去除sar成像中的方位模糊，同时对原始场景中的复杂背景细节保留地更完整和准确，并且具有更短的运行时间与更小的计算量。
[0059]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。