[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

说明书

本发明公开一种基于生成对抗网络的合成孔径雷达欠采样成像方法，应用于雷达技术领域，针对基于卷积神经网络(CNN)的SAR欠采样成像方法对复杂背景目标方位模糊抑制性能差、以及对原始图像细节保留不够完整和准确等问题，本发明将SAR信号处理与生成对抗网络(GAN)相结合，生成网络的代价函数Cost Function选取为L₁‑范数，判别网络的代价函数Cost Function选取为二元交叉熵函数；GAN网络通过L₁‑范数感知图像的低频信息，通过判别网络感知图像的高频信息；采用本发明的方法能够有效提高对复杂背景的SAR欠采样成像质量。

技术领域

本发明属于雷达技术领域，特别涉及一种合成孔径雷达(简称：SAR)在欠采样下的成像技术。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)一般工作于机载及星载平台，它属于一种高分辨微波成像系统并且具有全天候、全天时工作的优点，它广泛应用于海上安全领域，比如船只检测和监视等。但是实际雷达系统自身PRF的有限性以及非理想的天线方向图会导致SAR成像方法中存在着不可避免的方位模糊问题，而在欠采样情况下该问题会更加凸显。

目前已公开发表的文献中，SAR欠采样成像方位模糊抑制方法中有代表性的方法主要有基于卷积神经网络(Convolutional Neural Networks,CNN)的方法(参考文献1：Liu.Z,Wu.N,X.Liao,“SAR Image Restoration From Spectrum Aliasing by DeepLearning”,IEEE Access,vol.99,pp.1-1,2020)。此方法虽然能提升成像结果的分辨率、在无复杂背景的场景下抑制方位模糊引起的虚影，但是上述方法存在一些问题，比如处理背景复杂场景时，方位模糊不能很好地抑制，同时复杂背景的细节保留不能达到很好的完整性和准确性。

发明内容

为解决基于卷积神经网络(CNN)的SAR欠采样成像方法对复杂背景目标方位模糊抑制性能差、以及对原始图像细节保留不够完整和准确等问题，本发明提出了一种基于生成对抗网络(Generative Adversarial Networks，简称：GAN)方法的SAR欠采样成像方法，在有效提高成像质量的基础上，对细节的保留更完整、准确。

本发明采用的技术方案为：一种基于生成对抗网络的合成孔径雷达欠采样成像方法，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S-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。这里的待处理数据为在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。

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。

GAN网络中的判别网络采用马尔科夫判别器。

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。

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