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：电子科技大学

摘要：本发明公开了一种基于图像深度先验即插即用的层析SAR成像重构方法。它是通过将深度图像先验和即插即用框架引入到层析SAR三维成像中，首先对每个航过获取的回波信号进行距离‑方位二维SAR成像，然后对得到的SAR图像进行图像配准，获取观测向量，接着根据层析向信号测量模型得到测量矩阵。结合深度图像先验和即插即用框架完成层析向的聚焦，得到目标的散射系数、位置信息，实现三维图像重构。相较于基于FFT的成像方法，本发明方法具有更高的灵活性，更好的鲁棒性。针对稀疏场景，具有超分辨能力的稀疏重构；针对强、弱散射目标混合场景，对弱小散射目标有更高的召回率，成像效果更好。

主权项：1.一种基于图像深度先验即插即用的层析SAR成像重构方法，其特征是它包括以下步骤：步骤1、初始化相关参数初始化多基线层析SAR系统参数包括：航过次数记为N；垂直基线记为b⊥n，平行基线记为b||n，n＝1,2,…,N，其中N为航过次数；参考点在层析向上的位置记为r0,s，在平行基线方向上的位置记为r0，在垂直基线方向上的位置记为s；雷达发射信号载频为fc；电磁波在空气中的传播速度记做C；自然指数函数记做exp·；虚数单位记做j；圆周率记做π；雷达发射信号波长记做λ；距离向快时刻记做t，t＝1,2,…,T，T为距离向快时刻总数；方位向慢时刻记做l，l＝1,2,…,L，L为方位向慢时刻总数。约束项权重系数记为神经网络的输入向量记为z，神经网络参数记为θ，辅助变量记为b，平衡参数记为μ，参数迭代次数记为k，最大迭代次数记为Iiter。根据多基线层析SAR成像系统方案和观测方案，SAR成像方法需要的初始化成像系统参数均为已知。步骤2、对各航过回波信号进行距离-方位二维成像步骤2.1、在第l个方位向慢时刻和第t个距离向快时刻中多基线SAR第n个航过的原始回波数据记做st,l,n,t＝1,2,…,T,l＝1,2,…,L,n＝1,2,…,N，其中t为距离向快时刻，T为步骤1中初始化得到的距离向快时刻总数，l为方位向慢时刻，L为步骤1中初始化得到的方位向慢时刻总数，n为各航过序号，N为步骤1中初始化得到的航过总数。步骤2.2、采用定义2中标准二维SAR成像方法对步骤2.1中得到的原始回波数据st,l,n进行距离-方位二维SAR成像，得到各航过的图像序列t＝1,2,…,T,l＝1,2,…,L,n＝1,2,…,N，其中t为距离向快时刻，T为步骤1中初始化得到的距离向快时刻总数，l为方位向慢时刻，L为步骤1中初始化得到的方位向慢时刻总数，n为各航过序号，N为步骤1中初始化得到的航过总数。步骤3、对得到的SAR成像进行图像配准，并进行去斜处理，得到观测向量步骤3.1、采用定义18中的标准图像配准方法对步骤2中得到的各航过图像序列t＝1,2,…,T,l＝1,2,...,L,n＝1,2,...,N进行配准，使同一距离-方位单元对应目标场景中的同一散射点，得到配准后的图像序列ht,l,n,t＝1,2,…,T,l＝1,2,…,L,n＝1,2,...,N，其中t为距离向快时刻，T为步骤1中初始化得到的距离向快时刻总数，l为方位向慢时刻，L为步骤1中初始化得到的方位向慢时刻总数，n为各航过序号，N为步骤1中初始化得到的航过总数。步骤3.2、采用公式n＝1,2,...,N，计算各航过平台与参考点的斜距Rns，其中r0为步骤1中初始化的参考点在平行基线方向上的位置，s为步骤1中初始化的参考点在垂直基线方向上的位置，为步骤1中初始化的平行基线方向，为步骤1中初始化的垂直基线方向。步骤3.3、采用公式n＝1,2,...,N，计算得到去斜后的观测信号向量gt,l,n，其中ht,l,n为步骤3.1配准后的图像序列，t为距离向快时刻，T为步骤1中初始化得到的距离向快时刻总数，l为方位向慢时刻，L为步骤1中初始化得到的方位向慢时刻总数，n为各航过序号，N为步骤1中初始化得到的航过总数；exp·为步骤1初始化得到的自然指数函数；j为步骤1初始化得到的虚数单位；π为步骤1初始化得到的圆周率；λ为步骤1初始化得到的发射信号波长；Rn0为步骤3.2中得到的斜距，在s＝0时的参考斜距。步骤4、构建观测向量矩阵采用公式g＝[g1,g2,…,gn]T，构建得到观测向量矩阵，记为g，其中gn＝gt,l,n,t＝1,2,…,T,l＝1,2,…,L,n＝1,2,…,N，其中t为距离向快时刻，T为步骤1中初始化得到的距离向快时刻总数，l为方位向慢时刻，L为步骤1中初始化得到的方位向慢时刻总数，n为各航过序号，N为步骤1中初始化得到的航过总数。步骤5、离散化场景目标，构建测量矩阵步骤5.1、采用公式n＝1,2,…,N，计算得到第n个轨道层析向的空间频率，记为ξn，其中n为各航过序号，N为步骤1中初始化得到的航过总数；fc为步骤1初始化得到的发射信号载频；C为步骤1初始化得到的电磁波在空气中的传播速度；为步骤1中初始化的垂直基线方向；r0为步骤1中初始化的参考点在平行基线方向上的位置。步骤5.2、然后将场景目标在层析向位置离散化D个均匀的点sd，d＝1,2,…,D；采用公式计算得到测量矩阵，记为A，其中exp·为步骤1初始化得到的自然指数函数；j为步骤1初始化得到的虚数单位；π为步骤1初始化得到的圆周率；ξn为步骤5.1得到的第n个轨道层析向的空间频率；sd为场景目标在层析向位置均匀离散化D个后的点。步骤6、构建DIP网络步骤6.1、构建编码器采用定义3中标准卷积操作方法构建卷积层，记为C1；采用定义4中标准批归一化操作方法构建批归一化层，记为B1；采用定义5中标准激活操作方法构建激活层，记为R1；将C1、B1和R1依次连接得到编码器的第一层，记为En_Layer1。采用定义3中标准卷积操作方法构建卷积层，记为C2；采用定义4中标准批归一化操作方法构建批归一化层，记为B2；采用定义5中标准激活操作方法构建激活层，记为R2；将C2、B2和R2依次连接得到编码器的第二层，记为En_Layer2。采用定义3中标准卷积操作方法构建卷积层，记为C3；采用定义4中标准批归一化操作方法构建批归一化层，记为B3；采用定义5中标准的标准激活操作方法构建激活层，记为R3。将C3、B3和R3依次连接得到编码器的第三层，记为En_Layer3。采用定义3中标准卷积操作方法构建卷积层，记为C4；采用定义4中标准批归一化操作方法构建批归一化层，记为B4；采用定义5中标准的标准激活操作方法构建激活层，记为R4；将C4、B4和R4依次连接得到编码器的第四层，记为En_Layer4。将En_Layer1、En_Layer2、En_Layer3和En_Layer4依次连接，得到DIP网络的编码器，记为Encoder。步骤6.2、构建解码器采用定义6中标准上采样操作方法构建上采样层，记为U1；采用定义3中标准卷积操作方法构建卷积层，记为X1；采用定义4中标准批归一化操作方法构建批归一化层，记为N1；采用定义5中标准的标准激活操作方法构建激活层，记为A1；将U1、X1，N1和A1依次连接得到解码器的第一层，记为De_Layer1。采用定义6中标准上采样操作方法构建上采样层，记为U2；采用定义3中标准卷积操作方法构建卷积层，记为X2；采用定义4中标准批归一化操作方法构建批归一化层，记为N2；采用定义5中标准的标准激活操作方法构建激活层，记为A2；将U2、X2，N2和A2依次连接得到解码器的第二层，记为De_Layer2。采用定义6中标准上采样操作方法构建上采样层，记为U3；采用定义3中标准卷积操作方法构建卷积层，记为X3；采用定义4中标准批归一化操作方法构建批归一化层，记为N3；采用定义5中标准的标准激活操作方法构建激活层，记为A3；将U3、X3，N3和A3依次连接得到解码器的第三层，记为De_Layer3。采用定义6中标准上采样操作方法构建上采样层，记为U4；采用定义3中标准卷积操作方法构建卷积层，记为X4；采用定义4中标准批归一化操作方法构建批归一化层，记为N4；采用定义5中标准的标准激活操作方法构建激活层，记为A4；将U4、X4，N4和A4依次连接得到解码器的第四层，记为De_Layer4。将De_Layer1、De_Layer2、De_Layer3和De_Layer4依次连接，得到DIP网络的解码器，记为Decoder。步骤6.3、构建DIP网络采用定义3中标准卷积操作方法构建卷积层，记为Mid_layer；采用定义7中标准编码器-解码器结构及构造方法，将步骤6.1构建的编码器Encoder、Mid_layer和步骤6.2构建的解码器Decoder依次连接，得到DIP网络，记作DIP。步骤7、构建基于DIP-PnP的成像求解方程采用如下公式，构建场景的散射系数γ的估计模型：g＝Aγ其中g是步骤4构建的观测矩阵，A是步骤5构建的测量矩阵。采用如下公式，将上述的散射γ的估计模型转化为优化问题来求解，目标函数变为： 其中，argminγ,θ表示使得最小的||·||2是定义8中的L2范数约束项；g是步骤4构建的观测矩阵；A是步骤5构建的测量矩阵；Tθz是定义12中的隐式先验；为步骤1初始化的权重系数；Rγ是定义11中的显式先验；μ为定义15中的平衡参数；b为定义14中的辅助变量与γ的维度相同；γ为所构建的成像求解方程所求的散射系数向量；θ是步骤1初始化的神经网络参数。按照定义9中标准交替方向乘子方法，将目标函数分解为三个子问题，由以下步骤分别完成；步骤7.1、构建γ的求解方法这是一个传统的去噪问题，根据定义16中标准的PnP算法处理。步骤7.1.1、采用如下公式，得到γ的求解方法为： 其中，argminγ是使得最小的||·||2是定义8中的L2范数约束项；γ为所构建的成像求解方程所求的散射系数向量；Tθz是定义12中的隐式先验；b为定义14中的辅助变量与γ的维度相同；为步骤1初始化的权重系数；μ为定义15中的平衡参数；Rγ是定义11中的显式先验；θ是步骤1初始化的神经网络参数。步骤7.1.2、假设成像场景是弱散射性的，采用定义10中标准bm3d去噪器构造方法，构建去噪器DN，则上式可以表示为： 其中，Tθz是步骤6构建的DIP网络的输出；b是步骤1中初始化的辅助变量；为散射系数求解方程的结果。步骤7.1.3、假设成像场景是稀疏的，这里采用定义17中标准的L1范数，将γ的求解公式转化为如下形式： 其中，argminγ使得最小的||·||2是定义8中的L2范数约束项；γ为所构建的成像求解方程所求的散射系数向量；Tθz是步骤6构建的DIP网络的输出；b是步骤1中初始化的辅助变量；是步骤1中初始化的权重系数；μ是步骤1中初始化的平衡参数；为散射系数求解方程的结果；||·||1是定义17中的L1范数约束项。步骤7.2、构建θ的求解方法给定参数b和γ，按照以下公式，θ的求解方法为： 其中，argminθ使得最小的||·||2是定义8中的L2范数约束项；g是步骤4构建的观测矩阵；A是步骤5构建的测量矩阵；Tθz是定义12中的隐式先验；μ为定义15中的平衡参数；γ为所构建的成像求解方程所求的散射系数向量；b为定义14中的辅助变量与γ的维度相同。对于步骤6构建的DIP网络，并以第二项作为网络的损失函数，采用定义9中标准的反向传播方法处理，其中，γ为所构建的成像求解方程所求的散射系数向量；Tθz是步骤6构建的DIP网络的输出；b是步骤1中初始化的辅助变量；μ是步骤1中初始化的平衡参数；||·||2是定义8中的L2范数约束项。步骤7.3、构建b求解方法给定参数γ和θ，b的求解方法为：bk+1＝bk-γk-Tθkz其中，bk是第k次迭代的辅助变量；γk是步骤7.2构建的估计散射系数的第k次迭代；Tθkz是步骤6构建的DIP网络的第k-1次迭代的输出；bk+1是第k+1次迭代的辅助变量。步骤8、估计场景最终的散射系数估计值步骤8.1、更新估计散射系数γ按照步骤7.1构建的参数γ的求解方法，假设成像场景是弱散射性的，如下公式： 计算得到第k次迭代的散射系数估计，记作完成参数的更新。其中DN是步骤7.1构建的去噪器；Tθz是步骤6构建的DIP网络的输出；b是步骤1中初始化的辅助变量。假设成像场景是稀疏的，如下公式： 其中，argminγ使得最小的γ为所构建的成像求解方程所求的散射系数向量；Tθz是步骤6构建的DIP网络的第k-1次输出；b是步骤1中初始化的辅助变量；是步骤1中初始化的权重系数；μ是步骤1中初始化的平衡参数；||·||1是定义17中的L1范数约束项。计算得到第k次迭代的散射系数估计，记作完成参数的更新。步骤8.2、更新网络优化参数θ按照步骤7.2构建的θ求解方法，如下公式： 其中，argminθ使得最小的||·||2是定义8中的L2范数约束项；g是步骤4构建的观测矩阵；A是步骤5构建的测量矩阵；Tθz是定义12中的隐式先验；μ为定义15中的平衡参数；γ为所构建的成像求解方程所求的第k-1次散射系数向量；b为定义14中的辅助变量与γ的维度相同。计算得到第k次迭代的网络优化参数，记作完成参数的更新。步骤8.3、更新辅助变量b按照步骤7.3构建的b求解方法，如下公式： 其中，bk-1是步骤1中初始化的辅助变量的第k-1次迭代，是步骤8.1中计算得到的估计散射系数的第k-1次迭代，Tθk-1z是步骤6构建的DIP网络的第k-1次迭代的输出。计算得到第k次迭代的辅助变量，记作bk，完成参数的更新。步骤8.4、更新迭代下标k。按照k＝k+1，更新参数的迭代下标k。步骤9.判断迭代是否满足终止条件，重建出高度向信息，得到最终的三维成像结果若满足k＜Iiter，则继续执行步骤8。若不满足k＜Iiter，则循环结束，输出场景最终的散射系数估计值即层析SAR的三维成像结果。其中k为步骤1中初始化的参数迭代下标，Iiter为步骤1中初始化的最大迭代次数，为步骤8.1中迭代k次的散射估计系数。至此，整个方法结束。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于图像深度先验即插即用的层析SAR成像重构方法