[发明专利]一种SAR智能目标边缘重构方法

说明书

本发明公开了一种SAR智能目标边缘重构方法，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；二、利用参数化散射模型生成设定观测角度、发射频率下的训练数据；三、将传统U‑Net网络复数化得到改进型U‑Net网络；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，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；本发明能够解决传统SAR成像算法中的目标线性边缘不连续、计算复杂度高和参数难自适应等问题。

技术领域

本发明属于SAR图像处理的技术领域，具体涉及一种SAR智能目标边缘重构方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种利用微波进行感知的主动传感器，能够不受天气、光照等条件限制，对感兴趣目标进行全天候、全天时、远距离的持续观测，从而提供感兴趣区域的高分辨图像。复杂场景(特别是城区)SAR遥感成像，存在大量线目标，其微波散射信号方向性强，遮挡、多径效应影响严重。传统SAR匹配滤波类的成像算法，基于点目标模型进行成像处理，如后向投影算法(Back-Projection,BP)和距离多普勒成像算法(Range-Doppler-Algorithm,RDA)。这些传统的成像算法基于点散射体，未考虑分布目标在不同观察角下的各向异性散射特性，因此更倾向于描绘分布式目标的一些局部点散射特征，而不是线散射特征，导致传统的成像算法不能反演目标边缘的完整特性，造成图像中边缘不连续，无法完整描述目标的结构信息，使SAR遥感图像的视觉效果较同分辨率光学图像有很大差距，难以理解(如图1所示，其中图1(a)表示光学图像，图1(b)表示相对应的传统SAR图像)。为弥补传统点目标模型的不足，一些学者引入了参数化模型，如衰减指数模型、几何绕射理论(Geometrical Theory of Diffraction,GTD)、属性散射中心(Attributed Scattering Model,ASM)模型，用目标的长度、宽度等形状参数以及频率依赖性等参数描述目标的散射特性，并从目标的散射回波数据中反演目标相应参数。但是这些模型无法解决SAR成像中目标边缘不连续问题，也无法从理论上分析线面目标在SAR图像中丢失主要结构信息的原因。

传统稀疏成像往往需要手动设置正则化参数以及一些其他的优化参数。如何自适应地确定这些成像参数，仍然是一项艰巨的任务。幸运的是，近期兴盛的深度学习(deeplearning,DL)技术为回归型神经网络提供了最先进的性能，其已经在图像、语音、自然语言处理、计算机视觉等各个不同的领域展现出了优异的性能。在图像领域有许多不同的网络结构在实际应用场景中取得了不俗的效果，例如常用于图像分类识别的VGG网络、GoogLeNet、ResNet等，以及在医学图像分割领域表现优异的U-Net。而在SAR成像领域，虽然基于深度学习的方法已经用于多种任务，包括地形分类、目标探测、参数反演、图像去噪、SAR-光学数据融合。然而，这些算法忽略了相位的特殊性，简单地使用了基于深度学习的模型。同时需要指出的是，目前还没有应用于SAR目标线性边缘恢复的深度学习网络。

综上所述，目前缺少一种可恢复目标线性边缘的SAR智能参数化成像方法。

发明内容

有鉴于此，本发明提供了一种SAR智能目标边缘重构方法，能够解决传统SAR成像算法中的目标线性边缘不连续、计算复杂度高和参数难自适应等问题。

实现本发明的技术方案如下：

一种SAR智能目标边缘重构方法，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、利用参数化散射模型生成设定观测角度、发射频率下的训练数据；

步骤三、将传统U-Net网络复数化得到改进型U-Net网络；