基于元学习的零样本ISAR图像超分辨方法、装置和设备

基于元学习的零样本isar图像超分辨方法、装置和设备
技术领域
1.本技术涉及isar图像处理技术领域，特别是涉及一种基于元学习的零样本isar图像超分辨方法、装置和设备。


背景技术：

2.逆合成孔径雷达(inverse synthetic aperture radar,isar)图像超分辨方法在isar目标检测、识别和分类等任务中起到的作用至关重要。
3.但是在实际应用中，往往会出现所获取的isar图像分辨率往往不高的问题，这大大影响了后续的isar目标检测识别的效率。因此，用获得的低分辨率isar图像生成出高分辨率isar图像的超分辨方法亟待研究。
4.目前，现有的基于学习的isar图像超分辨方法主要分为两大类，分别是基于模型的isar图像超分辨方法和基于深度学习的isar图像超分辨方法。基于模型的isar图像超分辨方法从数理基础出发，该类超分辨isar图像算法具有良好的可解释性和泛化性能，并可以利用已知的先验信息，也不需要大量的样本对方法进行预训练，即0样本，但缺点是所生成的超分辨isar图像的质量非常有限。基于深度学习的方法已经在isar图像超分辨得到了广泛的研究与应用，该类isar图像的超分辨算法具有很好的基于数据驱动的性能，但缺点是不具备良好的可解释性和泛化性能，需要大量的样本对方法进行预训练，一旦测试样本与训练样本相差较大时，基于深度学习的方法会有很明显的性能下降。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够不需要样本进行训练的基于元学习的零样本isar图像超分辨方法、装置和设备。
6.一种基于元学习的零样本isar图像超分辨方法，所述方法包括：
7.获取待进行超分辨的低分辨isar图像以及与超分辨相关的参数，所述参数包括高分辨isar图像大小、超分辨缩放倍数以及待预测退化模糊核大小；
8.根据所述参数对isar图像超分辨网络和模糊核预测网络进行初始化，并生成随机噪声分别作为所述isar图像超分辨网络和模糊核预测网络的初始输入；
9.所述isar图像超分辨网络和糊核预测网络分别对初始输入的随机噪声进行迭代计算，在每一次迭代后分别生成isar重构图像以及退化模糊核，直至生成的isar重构图像以及退化模糊核收敛，则得到所述低分辨isar图像超分辨后的高分辨isar图像；
10.在所述isar图像超分辨网络和糊核预测网络每一次迭代计算后，还基于外层元学习循环以及内层学习循环对所述isar图像超分辨网络和糊核预测网络进行交替迭代更新，其中，在外层元学习循环中，根据isar重构图像、退化模糊核以及低分辨isar图像计算得到的重构误差分别更新所述isar图像超分辨网络和模糊核预测网络，在内层元学习循环中，根据随机高斯模糊核标签对所述模糊核预测网络进行更新。
11.在其中一实施例中，所述isar图像超分辨网络和模糊核预测网络的初始输入均由
高斯白噪声生成，且初始输入至所述isar图像超分辨网络中的高斯白噪声大小与所述参数中高分辨isar图像大小一致，初始输入至所述模糊核预测网络中的高斯白噪声大小与所述参数中待预测退化模糊核大小一致。
12.在其中一实施例中，所述isar图像超分辨网络采用u-net学习网络，在所述isar图像超分辨网络进行迭代过程中，其输入输出图像大小与所述参数中高分辨isar图像大小一致。
13.在其中一实施例中，所述模糊核预测网络为3层全连接网络，在所述模糊核预测网络进行迭代过程中，其输入输出退化模糊核大小的与所述参数中待预测退化模糊核大小一致。
14.在其中一实施例中，所述在外层元学习循环中，根据isar重构图像、退化模糊核以及低分辨isar图像计算得到的重构误差分别更新所述isar图像超分辨网络和模糊核预测网络包括：
15.将所述isar重构图像与所述退化模糊核进行卷积、下采样操作得到与所述isar重构图像相应的isar重构低分辨图像，其中，根据所述超分辨缩放倍数进行下采样操作；
16.根据所述isar重构图像、isar重构低分辨图像以及低分辨isar图像进行计算得到所述重构误差；
17.根据所述重构误差进行梯度计算，并根据所述计算结果反向修正所述isar图像超分辨网络以及模糊核预测网络中的参数以分别对两者进行迭代更新。
18.在其中一实施例中，所述在内层元学习循环中，根据随机高斯模糊核标签对所述模糊核预测网络进行更新包括：
19.生成随机高斯模糊核，并根据所述随机高斯模糊核计算高斯分布损失；
20.根据所述高斯分布损失计算在进行外层元学习循环以及内层元学习循环时随机高斯模糊核标签的累积损失；
21.根据所述累积损失对所述模糊核预测网络进行更新。
22.在其中一实施例中，在外层元学习循环时，对所述isar图像超分辨网络和模糊核预测网络进行交替更新，外层元学习循环交替迭代1000次，内层元学习循环对所述模糊核预测网络更新10-20次。
23.一种基于元学习的零样本isar图像超分辨装置，所述装置包括：
24.相关参数获取模块，用于获取待进行超分辨的低分辨isar图像以及与超分辨相关的参数，所述参数包括高分辨isar图像大小、超分辨缩放倍数以及待预测退化模糊核大小；
25.网络初始化模块，用于根据所述参数对isar图像超分辨网络和模糊核预测网络进行初始化，并生成随机噪声分别作为所述isar图像超分辨网络和模糊核预测网络的初始输入；
26.图像超分辨模块，用于所述isar图像超分辨网络和糊核预测网络分别对初始输入的随机噪声进行迭代计算，在每一次迭代后分别生成isar重构图像以及退化模糊核，直至生成的isar重构图像以及退化模糊核收敛，则得到所述低分辨isar图像超分辨后的高分辨isar图像；
27.网络迭代更新模块，用于在所述isar图像超分辨网络和糊核预测网络每一次迭代计算后，还基于外层元学习循环以及内层学习循环对所述isar图像超分辨网络和糊核预测
网络进行交替迭代更新，其中，在外层元学习循环中，根据isar重构图像、退化模糊核以及低分辨isar图像计算得到的重构误差分别更新所述isar图像超分辨网络和模糊核预测网络，在内层元学习循环中，根据随机高斯模糊核标签对所述模糊核预测网络进行更新。
28.一种计算机设备，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以下步骤：
29.获取待进行超分辨的低分辨isar图像以及与超分辨相关的参数，所述参数包括高分辨isar图像大小、超分辨缩放倍数以及待预测退化模糊核大小；
30.根据所述参数对isar图像超分辨网络和模糊核预测网络进行初始化，并生成随机噪声分别作为所述isar图像超分辨网络和模糊核预测网络的初始输入；
31.所述isar图像超分辨网络和糊核预测网络分别对初始输入的随机噪声进行迭代计算，在每一次迭代后分别生成isar重构图像以及退化模糊核，直至生成的isar重构图像以及退化模糊核收敛，则得到所述低分辨isar图像超分辨后的高分辨isar图像；
32.在所述isar图像超分辨网络和糊核预测网络每一次迭代计算后，还基于外层元学习循环以及内层学习循环对所述isar图像超分辨网络和糊核预测网络进行交替迭代更新，其中，在外层元学习循环中，根据isar重构图像、退化模糊核以及低分辨isar图像计算得到的重构误差分别更新所述isar图像超分辨网络和模糊核预测网络，在内层元学习循环中，根据随机高斯模糊核标签对所述模糊核预测网络进行更新。
33.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
34.获取待进行超分辨的低分辨isar图像以及与超分辨相关的参数，所述参数包括高分辨isar图像大小、超分辨缩放倍数以及待预测退化模糊核大小；
35.根据所述参数对isar图像超分辨网络和模糊核预测网络进行初始化，并生成随机噪声分别作为所述isar图像超分辨网络和模糊核预测网络的初始输入；
36.所述isar图像超分辨网络和糊核预测网络分别对初始输入的随机噪声进行迭代计算，在每一次迭代后分别生成isar重构图像以及退化模糊核，直至生成的isar重构图像以及退化模糊核收敛，则得到所述低分辨isar图像超分辨后的高分辨isar图像；
37.在所述isar图像超分辨网络和糊核预测网络每一次迭代计算后，还基于外层元学习循环以及内层学习循环对所述isar图像超分辨网络和糊核预测网络进行交替迭代更新，其中，在外层元学习循环中，根据isar重构图像、退化模糊核以及低分辨isar图像计算得到的重构误差分别更新所述isar图像超分辨网络和模糊核预测网络，在内层元学习循环中，根据随机高斯模糊核标签对所述模糊核预测网络进行更新。
38.上述基于元学习的零样本isar图像超分辨方法、装置和设备，通过根据高分辨isar图像大小、超分辨缩放倍数以及待预测退化模糊核大小对isar图像超分辨网络和模糊核预测网络进行初始化，并生成随机噪声分别作为两个网络的初始输入，isar图像超分辨网络和模糊核预测网络分别对初始输入的随机噪声进行迭代计算，并在每一次迭代后分别生成isar重构图像以及退化模糊核，直至生成的isar重构图像以及退化模糊核收敛，则得到低分辨isar图像超分辨后的高分辨isar图像。在isar图像超分辨网络和模糊核预测网络每一次迭代计算后，还对isar图像超分辨网络和模糊核预测网络进行交替迭代更新，其中在对模糊核预测网络进行更新时中加入一系列随机生成的高斯核作为标签来引导模糊核
预测网络学习高斯模糊核的分布规律，通过isar图像重构误差来引导模糊核预测网络学习模糊核的细节信息。使得该处理方式在没有网络预训练和模糊核真值的条件下，保证有效性和实效性良好的同时，具有可解释性强、泛化能力好等优点。
附图说明
39.图1为一个实施例中基于元学习的零样本isar图像超分辨方法的流程示意图；
40.图2为一个实施例中u-net网络结构的示意图；
41.图3为一个实施例中isar图像超分辨网络以及模糊核预测网络的结构示意图；
42.图4为实验中对不同模糊核求解的性能测试的结果示意图；
43.图5为实验中isar图像超分辨网络迭代中间结果的示意图；
44.图6为实验中模糊核预测网络迭代中间结果的示意图；
45.图7为实验中零样本isar图像超分辨方法迭代最终结果示意图；
46.图8为一个实施例中基于元学习的零样本isar图像超分辨装置的结构框图；
47.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
49.如图1所示，提供了一种基于元学习的零样本isar图像超分辨方法，包括以下步骤：
50.步骤s100，获取待进行超分辨的低分辨isar图像以及与超分辨相关的参数，参数包括高分辨isar图像大小、超分辨缩放倍数以及待预测退化模糊核大小；
51.步骤s110，根据参数对isar图像超分辨网络和模糊核预测网络进行初始化，并生成随机噪声分别作为isar图像超分辨网络和模糊核预测网络的初始输入；
52.步骤s120，isar图像超分辨网络和糊核预测网络分别对初始输入的随机噪声进行迭代计算，在每一次迭代后分别生成isar重构图像以及退化模糊核，直至生成的isar重构图像以及退化模糊核收敛，则得到低分辨isar图像超分辨后的高分辨isar图像；
53.步骤s130，在isar图像超分辨网络和糊核预测网络每一次迭代计算后，还基于外层元学习循环以及内层学习循环对所述isar图像超分辨网络和糊核预测网络进行交替迭代更新，其中，在外层元学习循环中，根据isar重构图像、退化模糊核以及低分辨isar图像计算得到的重构误差分别更新所述isar图像超分辨网络和模糊核预测网络，在内层元学习循环中，根据随机高斯模糊核标签对所述模糊核预测网络进行更新。
54.需要进行说明的是，上述方法步骤并非按标号次序依次实施的，实际上，步骤s130属于步骤s120中的部分。
55.在本实施例中，引入isar图像超分辨网络以及模糊核预测网络对isar图像与模糊核进行更新迭代求解，在对模糊核的进行更新过程中，加入随机高斯核作为标签来引导模糊核预测网络学习模糊核的高斯分布，使得该处理方式在没有网络预训练和模糊核真值的条件下，保证有效性和实效性良好的同时，具有可解释性强、泛化能力好等优点。
56.在步骤s100中，获取待进行超分辨的低分辨isar图像为已知图像，也就是需要进行求解的低分辨图像。而与超分辨的相关参数中高分辨isar图像以及待预测退化模糊核的尺寸大小已知，原则上一般对于该isar图像以及退化模糊核大小没有限制，而实际应用中退化模糊核的尺寸大小应远小于isar图像大小，例如isar图像的尺寸为240x240，退化模糊核的尺寸为19x19。而其中的超分辨缩放倍数是根据待进行超分辨的低分辨isar图像大小进行设置的。
57.在本实施例中，在对高分辨isar图像以及待预测退化模糊核的尺寸进行设置时，实际上是对低分辨isar图像进行超分辨后得到高分辨图像大小的设置，同样的，由于在本方法中并没有用到退化模糊核的真值，所以这里参数中退化模糊核的大小也是按照希望预测得到退化模糊核大小设置的。
58.在步骤s110中，根据与超分辨的相关参数分别对isar图像超分辨网络和模糊核预测网络中的参数进行初始化。并且这两个网络的初始输入都不是用的isar图像真值以及退化模糊核真值，而是由生成的高斯白噪声作为输入，且在后续的迭代更新中保持不变。其中，初始输入至isar图像超分辨网络中的高斯白噪声大小与参数中高分辨isar图像大小一致，而初始输入至模糊核预测网络中的高斯白噪声大小与参数中待预测退化模糊核大小一致。
59.如图2所示，isar图像超分辨网络采用u-net学习网络，且在isar图像超分辨网络进行迭代过程中，其输入输出图像大小与参数中高分辨isar图像大小一致。
60.在本实施例中，模糊核预测网络为3层全连接网络，且在模糊核预测网络进行迭代过程中，其输入输出退化模糊核大小的与所述参数中待预测退化模糊核大小一致。
61.值得注意的是，所述isar图像超分辨网络与模糊核预测网络均不需要预训练，和额外的参数调节，因此本方法是一种零样本即插即用的灵活超分辨方法。
62.在步骤s120中，在isar图像超分辨网络与模糊核预测网络进行迭代时，首先初始输入到网络中的均为噪声，在第一次迭代结束后，sar图像超分辨网络与模糊核预测网络分别根据输入的噪声生成isar图像以及退化模糊核，而在后续迭代过程中，再将得到的isar图像以及退化模糊核分别作为两个网络的输入进行下一次的迭代。
63.具体的，如图3所示，将将isar图像超分辨网络定义为dip网络，用θ
x
表示该网络的参数，将用随机高斯白噪声初始化的网络输入表示为z
x
，则isar图像超分辨网络通过参数θ
x
生成高分辨isar图像x的过程可以表示为x＝dip(z
x
,θ
x
)。在这里需要说明的是生成高分辨isar图像x，这里的高分辨仅仅是对于输入的噪声而言。
64.具体的，将模糊核预测网络定义为fcn网络，用θk表示该网络的参数，将用随机高斯白噪声初始化的网络输入表示为zk，则模糊核预测网络通过参数θk生成预测模糊核k的过程可以表示为k＝fcn(zk,θk)。
65.然后在一次迭代计算结束后，在步骤s130中，还分别对isar图像超分辨网络和模糊核预测网络进行更新，在外层元学习循环中，根据isar重构图像、退化模糊核以及低分辨isar图像计算得到的重构误差分别更新isar图像超分辨网络和模糊核预测网络包括：将isar重构图像与退化模糊核进行卷积、下采样操作得到与isar重构图像相应的isar重构低分辨图像，其中，根据超分辨缩放倍数进行下采样操作。再根据isar重构图像、isar重构低分辨图像以及低分辨isar图像进行计算得到重构误差。最后根据重构误差进行梯度计算，
并根据计算结果反向修正所述isar图像超分辨网络以及模糊核预测网络中的参数以分别对两者进行迭代更新。
66.具体的，用生成的高分辨isar图像x与模糊核k计算isar图像重构误差，isar图像重构误差计算方法如下所示：
[0067][0068]
在公式(1)中，x表示高分辨率isar图像(isar重构图像)也就是isar图像超分辨网络输出的图像，(x*k)表示将高分辨isar图像x与模糊核k进行卷积操作，
↓s表示对卷积处理后的图像进行下采样操作，其中s表示超分辨缩放倍数，(x*k)
↓s表示isar重构低分辨图像，y表示已知的低分辨isar图像。
[0069]
具体的，根据重构误差的梯度计算结果反向修正isar图像超分辨网络中的参数，以实现对该网络更新，其中网络更新过程如下式所示：
[0070][0071]
在公式(2)中，网络更新采用adam更新策略，更新步长为γ
x
。
[0072]
具体的，根据重构误差的梯度计算结果反向修正模糊核预测网络中的参数，以实现对该网络更新，其中网络更新过程如下式所示：
[0073][0074]
在公式(3)中，网络更新采用adam更新策略，更新步长为γk。
[0075]
在本实施例中，除了在外层元学习循环下对模糊核预测网络进行更新以外，还在内层元学习循环下根据随机高斯模糊核标签对所述模糊核预测网络进行更新，包括：生成随机高斯模糊核，并根据随机高斯模糊核计算高斯分布损失，再根据高斯分布损失计算在进行外层元学习循环以及内层元学习循环时随机高斯模糊核标签的累积损失，最后根据累积损失对所述模糊核预测网络进行更新。
[0076]
具体的，在元学习的框架下，内层元学习循环在上述模糊核预测网络更新过程中加入随机高斯模糊核标签，随机高斯模糊核的生成按照以下公式进行：
[0077][0078]
在公式(4)中，m和n分别表示相对于模糊核中心点的横轴距离与纵轴距离，σ1与σ2分别表示高斯模糊核的两个维度上的方差大小。且该随机高斯模糊核生成后会再加上一个随机旋转角度ρ，其中ρ＝[0,2π]。
[0079]
而根据随机高斯模糊核计算高斯分布损失如下式所示：
[0080][0081]
在公式(5)中，退化模糊核k由模糊核预测网络生成。
[0082]
随机高斯模糊核标签更新网络的方式采用基于元学习的累积损失来更新，通过累计多种不同的随机高斯模糊核，使得该损失能够遍历不同的高斯分布，使网络学习到模糊核的高斯分布特性，元学习累积损失计算如下公式所示：
[0083][0084]
在公式(5)中，j表示在一个外层元学习循环迭代中，内层元学习循环迭代总共迭代j次，j表示第j次内层元学习循环迭代，ωj表示第j次内层元学习循环迭代的更新权重，loss
meta
表示随机高斯模糊核标签的累积损失。
[0085]
最终通过累积损失loss
meta
来更新模糊核预测网络如下公式所示：
[0086][0087]
在公式(6)中，网络更新采用adam更新策略，更新步长为γ
meta
。
[0088]
在本实施例中，在步骤s120中，重复步骤s130，反复交替迭代isar图像超分辨网络和模糊核预测网络直至收敛。在一些实施例中，外层元学习循环交替迭代1000次，内层元学习循环对所述模糊核预测网络更新10-20次，最后得到高分辨isar图像以及退化模糊核。
[0089]
为了更形象的理解本方法，通过对图3进行描述和进一步解释本方法技术细节。图3中lr表示低分辨isar图像，sr表示最终的isar超分辨结果，result表示模糊核预测结果，gt表示模糊核真实值，dip表示isar图像超分辨网络，reloss表示isar低分辨图像的重构误差损失，mlkpf表示模糊核更新模块，mlkpf进一步展开后，kdloss表示模糊核的高斯分布损失，fcn表示模糊核预测网络，random gaussian kernel表示随机的高斯模糊核。
[0090]
在本文中，还通过实验对本文中提出的基于元学习的零样本isar图像超分辨(下文简称本方法)的效果进行验证，该效果包括对不同模糊核大小以及不同的图像超分辨缩放大小进行实验。
[0091]
1.实验条件：
[0092]
1.1)本方法基于pytorch框架构建深度学习模型，所用计算硬件平台为nvidia rtx 3090gpu。
[0093]
1.2)将isar图像超分辨网络在公开的isar图像数据集上进行测试。该数据集包含有三种不同姿态角对应的三种不同目标所成出的isar图像。
[0094]
2.实验内容：
[0095]
1.1)测试本方法对于不同模糊核情况下的网络性能。实验结果如图4所示。在图中可以看出本方法(mlkpf)的性能要明显优于其他基于深度学习的方法(double-dip与fkp-dip)。测试结果用峰值信噪比(psnr)来定量的进行比较，实验结果如图4所示，发现本方法性能最佳。
[0096]
1.2)然后对这些方法的迭代过程进行展开进行对比实验，如图5所示。从图中可以看到，在迭代初期(前400次)时，本方法的性能并不好，只能重构出isar目标的雏形和轮廓。从迭代的第500次开始本方法具有很明显的图像超分辨性能，并且性能仍然在稳步上升。本方法跌代的isar图像中间可视化结果图如图5所示。模糊核迭代中间结果如图6所示，最终可视化结果如图7所示。
[0097]
上述基于元学习的零样本isar图像超分辨方法中，通过根据高分辨isar图像大小、超分辨缩放倍数以及待预测退化模糊核大小对isar图像超分辨网络和模糊核预测网络进行初始化，并生成随机噪声分别作为两个网络的初始输入，isar图像超分辨网络和模糊
核预测网络分别对初始输入的随机噪声进行迭代计算，并在每一次迭代后分别生成isar重构图像以及退化模糊核，直至生成的isar重构图像以及退化模糊核收敛，则得到低分辨isar图像超分辨后的高分辨isar图像。在isar图像超分辨网络和模糊核预测网络每一次迭代计算后，还对isar图像超分辨网络和模糊核预测网络进行交替迭代更新，其中在对模糊核预测网络进行更新时中加入一系列随机生成的高斯核作为标签来引导模糊核预测网络学习高斯模糊核的分布规律，通过isar图像重构误差来引导模糊核预测网络学习模糊核的细节信息。使得该处理方式在没有网络预训练和模糊核真值的条件下，保证有效性和实效性良好的同时，具有可解释性强、泛化能力好等优点。
[0098]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0099]
在一个实施例中，如图8所示，提供了一种基于元学习的零样本isar图像超分辨装置，包括：相关参数获取模块200、网络初始化模块210、图像超分辨模块220和网络迭代更新模块230，其中：
[0100]
相关参数获取模块200，用于获取待进行超分辨的低分辨isar图像以及与超分辨相关的参数，所述参数包括高分辨isar图像大小、超分辨缩放倍数以及待预测退化模糊核大小；
[0101]
网络初始化模块210，用于根据所述参数对isar图像超分辨网络和模糊核预测网络进行初始化，并生成随机噪声分别作为所述isar图像超分辨网络和模糊核预测网络的初始输入；
[0102]
图像超分辨模块220，用于所述isar图像超分辨网络和糊核预测网络分别对初始输入的随机噪声进行迭代计算，在每一次迭代后分别生成isar重构图像以及退化模糊核，直至生成的isar重构图像以及退化模糊核收敛，则得到所述低分辨isar图像超分辨后的高分辨isar图像；
[0103]
网络迭代更新模块230，用于在所述isar图像超分辨网络和糊核预测网络每一次迭代计算后，还基于外层元学习循环以及内层学习循环对所述isar图像超分辨网络和糊核预测网络进行交替迭代更新，其中，在外层元学习循环中，根据isar重构图像、退化模糊核以及低分辨isar图像计算得到的重构误差分别更新所述isar图像超分辨网络和模糊核预测网络，在内层元学习循环中，根据随机高斯模糊核标签对所述模糊核预测网络进行更新。
[0104]
关于基于元学习的零样本isar图像超分辨装置的具体限定可以参见上文中对于基于元学习的零样本isar图像超分辨方法的限定，在此不再赘述。上述基于元学习的零样本isar图像超分辨装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0105]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示
屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于元学习的零样本isar图像超分辨方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0106]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0107]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0108]
获取待进行超分辨的低分辨isar图像以及与超分辨相关的参数，所述参数包括高分辨isar图像大小、超分辨缩放倍数以及待预测退化模糊核大小；
[0109]
根据所述参数对isar图像超分辨网络和模糊核预测网络进行初始化，并生成随机噪声分别作为所述isar图像超分辨网络和模糊核预测网络的初始输入；
[0110]
所述isar图像超分辨网络和糊核预测网络分别对初始输入的随机噪声进行迭代计算，在每一次迭代后分别生成isar重构图像以及退化模糊核，直至生成的isar重构图像以及退化模糊核收敛，则得到所述低分辨isar图像超分辨后的高分辨isar图像；
[0111]
在所述isar图像超分辨网络和糊核预测网络每一次迭代计算后，还基于外层元学习循环以及内层学习循环对所述isar图像超分辨网络和糊核预测网络进行交替迭代更新，其中，在外层元学习循环中，根据isar重构图像、退化模糊核以及低分辨isar图像计算得到的重构误差分别更新所述isar图像超分辨网络和模糊核预测网络，在内层元学习循环中，根据随机高斯模糊核标签对所述模糊核预测网络进行更新。
[0112]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0113]
获取待进行超分辨的低分辨isar图像以及与超分辨相关的参数，所述参数包括高分辨isar图像大小、超分辨缩放倍数以及待预测退化模糊核大小；
[0114]
根据所述参数对isar图像超分辨网络和模糊核预测网络进行初始化，并生成随机噪声分别作为所述isar图像超分辨网络和模糊核预测网络的初始输入；
[0115]
所述isar图像超分辨网络和糊核预测网络分别对初始输入的随机噪声进行迭代计算，在每一次迭代后分别生成isar重构图像以及退化模糊核，直至生成的isar重构图像以及退化模糊核收敛，则得到所述低分辨isar图像超分辨后的高分辨isar图像；
[0116]
在所述isar图像超分辨网络和糊核预测网络每一次迭代计算后，还基于外层元学习循环以及内层学习循环对所述isar图像超分辨网络和糊核预测网络进行交替迭代更新，其中，在外层元学习循环中，根据isar重构图像、退化模糊核以及低分辨isar图像计算得到的重构误差分别更新所述isar图像超分辨网络和模糊核预测网络，在内层元学习循环中，根据随机高斯模糊核标签对所述模糊核预测网络进行更新。
[0117]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0118]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0119]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。