[发明专利]一种SAR智能目标边缘重构方法

权利要求书

1.一种SAR智能目标边缘重构方法，其特征在于，包括以下步骤：

步骤一、建立目标线性边缘的参数化散射模型，解析表达出雷达观测角度、雷达发射频率和目标线性边缘几何参数间的关系；

步骤二、根据实际需求进行观测角度、发射频率的设定，利用步骤一得到的参数化散射模型，通过噪声模拟和分布模拟生成训练数据；

步骤三、将传统U-Net网络复数化得到改进型U-Net网络；

所述改进型U-Net网络包括以下改进：

将原网络中的实卷积修改为复卷积，将Relu激活函数进行复数化，建立了CRelu激活函数模型；对Upsample操作进行复数化，建立CUpsample操作模型；将Loss损失函数进行复数化，建立CLoss损失函数模型；

将原网络中的实卷积修改为复卷积，具体为：

(jM_I+M_R)*(jK_I+K_R)＝(M_RK_R-M_IK_I)+j(M_RK_I+M_IK_R)    (11)

其中，jM_I为复特征图的虚部，M_R为复特征图的实部，jK_I为复卷积核的虚部，K_R为复卷积核的实部；

将Relu激活函数进行复数化，具体为：

C Re Lu(z)＝Re Lu(R(z))+Re Lu(I(z))    (12)

其中，CRelu(·)表示复数化激活函数，Re Lu(·)表示Relu激活函数，z表示输入复信号，R(z)表示该信号的实部，I(z)表示该信号的虚部；

对Upsample操作进行复数化得到CUpsample操作模型，具体为：

CUpsample(z)＝Upsample(R(z))+Upsample(I(z))      (13)

其中，z表示输入复信号，R(z)表示该信号的实部，I(z)表示该信号的虚部；

将Loss损失函数进行复数化得到CLoss损失函数模型，具体为：

CLoss(z)＝Loss(R(z))+Loss(I(z))    (14)

其中，Loss(·)表示损失函数，z表示输入复信号，R(z)表示该信号的实部，I(z)表示该信号的虚部；

步骤四、将步骤二中生成的训练数据输入改进型U-Net网络中进行训练，得到改进型U-Net网络训练模型；将需要重构的SAR复图像输入改进型U-Net网络训练模型即可重构出SAR目标的边缘散射信息。