[发明专利]一种基于生成对抗网络的合成孔径雷达欠采样成像方法

权利要求书

1.一种基于生成对抗网络的合成孔径雷达欠采样成像方法，其特征在于，包括：

S1、生成训练数据集，训练数据集中包括若干数据对，每个数据对包括在S-SAR模式下对回波数据非均匀采样成像得到的欠采样图像与在SAR模式下对回波数据均匀采样成像得到的期望图像；

S2、对GAN网络进行训练，具体的：将训练数据集中的欠采样图像作为GAN网络中生成网络的输入，将训练数据集中的期望图像作为判别网络的输入，所述判别网络的输入还包括生成网络的输出；

S3、将待处理数据输入经步骤S2训练完成的GAN网络中的生成网络，生成网络的输出即为最终处理完成的成像结果。

2.根据权利要求1所述的一种基于生成对抗网络的合成孔径雷达欠采样成像方法，其特征在于，GAN网络中的生成网络采用U型神经网络，所述U型神经网络的收缩路径上每一层增加一个残差跳跃连接，用于将收缩路径上每一层最后一个卷积输出与其前一个卷积输出拼接。

3.根据权利要求2所述的一种基于生成对抗网络的合成孔径雷达欠采样成像方法，其特征在于，GAN网络中的判别网络采用马尔科夫判别器。

4.根据权利要求2所述的一种基于生成对抗网络的合成孔径雷达欠采样成像方法，其特征在于，在训练时，生成网络的代价函数选取为L₁-范数，表达式为：

L_L1＝E[||x-G(z)||]

其中，L_L1表示生成网络代价函数，x是训练集中期望图像，z是训练集中欠采样图像，G(z)是z输入生成网络后的训练结果。

5.根据权利要求4所述的一种基于生成对抗网络的合成孔径雷达欠采样成像方法，其特征在于，在训练时，判别网络的代价函数选取为二元交叉熵函数，其表达式为

L_BCE＝-[x·logG(z)+(1-x)·log(1-G(z))].

其中，L_BCE指的是判别网络代价函数。

6.根据权利要求4所述的一种基于生成对抗网络的合成孔径雷达欠采样成像方法，其特征在于，GAN网络的目标函数表达式为

G^*＝argmin_Gmax_DV(D,G)+λL_L1(G)

其中，G^*表示目标函数，L_L1(G)表示生成网络的L₁损失。