买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明涉及一种模型自适应的深度学习SAR三维成像方法，属于层析SAR三维成像技术领域。本发明所提方法在层析SAR三维网络中提出了引入观测矩阵权重因子，以适应三维成像中目标位置空变导致的观测矩阵空变特性，提升空变特性自适应能力；引入自适应阈值参量，以适应空变的目标散射模型，提高散射特性自适应能力。与传统深度学习稀疏重建方法相比，本方法能够解决模型空变问题，提高聚焦深度一个数量级；与传统的高分辨成像算法SL1MMER算法相比，可以提高成像处理效率一个数量级。

主权项：1.一种模型自适应的深度学习SAR三维成像方法，其特征在于该方法的步骤包括：步骤一、根据SAR二维成像模型利用实测数据对观测场景进行二维SAR成像，生成层析SAR实测数据二维SAR复图像数据；步骤二、在步骤一生成的二维SAR复图像数据中选取一幅复图像作为主图像，其余二维SAR复图像作为从图像，并将从图像基于主图像进行图像配准，获取配准后的实测数据二维SAR图像；步骤三、利用实测数据的高度向成像模型生成实测数据观测矩阵Ls；步骤四、利用步骤二获取的配准后的实测数据二维SAR图像基于SVD空间能量估计方法生成实测数据自适应阈值参量Ξs；步骤五、随机生成K个仿真数据标签，其中第k个仿真数据标签的表示方式为并将随机生成的K个仿真数据标签输入实测数据的高度向成像模型得到仿真数据高度维数据矢量s；步骤六、利用数据标签对应的实测数据的高度向成像模型生成仿真数据观测矩阵Lf；步骤七、利用步骤五得到的仿真数据高度维数据矢量s基于SVD空间能量估计方法生成仿真数据自适应阈值参量Ξf；步骤八、生成模型自适应深度学习成像网络；步骤九、利用步骤五生成的高度维数据矢量s和仿真数据标签、步骤六生成的仿真数据观测矩阵Lf、步骤七生成的仿真数据自适应阈值参量Ξf对步骤八所生成的模型自适应深度学习成像网络进行预训练；步骤十、将步骤二生成的配准后的实测数据二维SAR图像、步骤三生成实测数据观测矩阵、步骤四生成的实测数据自适应阈值参量输入到步骤九预训练后的模型自适应深度学习成像网络中获得层析SAR三维图像；所述的步骤一中，根据SAR二维成像模型利用实测数据对观测场景进行二维SAR成像时采用快速分解后向投影成像算法；所述的步骤二中，以高度向孔径中心位置的图像作为主图像；进行配准时先利用相关系数法进行像素级配准，然后对主图像和从图像进行双线性插值，进行双线性插值时间隔为十分之一个像素，最后利用相关系数法进行亚像素级配准，获取配准后的实测数据二维SAR图像；所述的步骤三中，生成实测数据观测矩阵Ls的方法为：根据SAR系统在空间位置的垂直基线Bs_all与每个成像点坐标计算斜距历程r，再根据Bs_all与r计算每个成像点的实测数据观测矩阵Ls如下： 其中，λ为发射电磁波波长，v为高程采样向量；所述的步骤四中，生成实测数据自适应阈值参量Ξs的方法为：通过构造Hankel矩阵将一维信号向量g构造成二维空间矩阵G如下所示： 其中，gi表示第i个孔径对应的实测数据二维SAR图像中的像素点，i＝1,2,...,N；G为含噪信号的Hankel矩阵，Gs为理想信号的Hankel矩阵，Gw为噪声信号的Hankel矩阵，N＝p+q-1，q≤p，构造时尽可能使得p、q的值接近；对G进行SVD分解得到 选取前k个奇异值较大的矩阵分量进行构造信号空间，进行信号空间能量估计，1≤k≤0.3q； 通过构造Γ矩阵，利用生成自适应阈值参量Ξs： 其中Γ+＝ΓTΓ-1ΓT∈Rqp×N表示Γ矩阵的伪逆；矩阵Γ的维度为N×pq，由q个p阶数的单位矩阵组成，表示为： 所述的步骤五中，所述的s由相同的斜距-方位单元的数据构成，长度为N，表示如下：s＝{s1,s2,...,si,...,sN}，si为第i个高度向孔径的回波数据，i＝1,2,...,N；所述的步骤五中，随机生成K个仿真数据标签时通过随机散射点高度向分布数量、位置、幅度、初始相位随机生成，并且添加随机噪声；所述的步骤五中，仿真数据高度维数据矢量

全文数据：

权利要求：

百度查询： 北京理工大学 模型自适应的深度学习SAR三维成像方法