[发明专利]一种基于生成对抗网络的逆合成孔径雷达成像方法

说明书

本发明公开了一种基于生成对抗网络的逆合成孔径雷达成像方法，GAN由生成器网络和判别器网络组成；生成器网络利用卷积层和残差网络模块提取特征表示和保持低维特征信息，利用反卷积层重建ISAR目标图像。判别器网络利用卷积层从生成器网络输出的ISAR图像中提取特征信息，实现ISAR图像的真伪判别。在网络训练阶段，利用判别器网络输出的训练误差更新生成器网络和判别器网络中各层的参数。训练好的生成器网络从GAN中分离，用于欠采样ISAR数据成像。在成像阶段，欠采样ISAR目标回波数据采用距离‑多普勒RD方法获得的低质量目标图像输入到生成器网络，相应的输出为高质量ISAR目标图像。本发明的成像质量和计算效率都优于传统距离多普勒成像方法和压缩感知成像结果。

技术领域

本发明涉及雷达信号处理技术领域，特别是一种基于生成对抗网络(GenerativeAdversarial Network,GAN)的逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像方法。

背景技术

逆合成孔径雷达是典型的成像雷达体制，主要用于获取非合作运动目标的高分辨率图像，是一种有效的目标识别手段。传统的雷达成像方法是距离-多普勒(RangeDoppler,RD)类成像方法,利用相干积累时间，即相干处理时间(Coherent ProcessingInterval,CPI)内的多普勒调制回波信号获得方位向高分辨。

2007年Baraniuk教授等人把(Compressive Sensing,CS)理论引入到雷达成像领域。此后，基于CS的ISAR成像方法受到国内外学者越来越多的关注。基于CS的ISAR成像方法能够降低雷达系统复杂度，利用非常少的数据成像。由于CS ISAR成像方法着重重建目标区域散射点，所以相应的成像结果具有对比度高，旁瓣少的优势，有利于后续的图像分析和目标识别。但同时CS ISAR成像方法性能仍然受到稀疏表示不准确，重建方法效率低等问题的限制。

2012年以来，深度学习(Deep Learning,DL)技术受到研究人员关注并开始在一些应用领域，如计算机视觉领域突显出强大的信息处理能力。在许多计算机视觉任务，如图像分类，图像目标检测与跟踪，图像重建等任务中都取得了传统机器学习方法无法企及的成绩。图像重建大部分工作围绕着提升光学图像重建和医学图像重建质量展开。在光学图像重建任务中，Baraniuk等人提出的级联自编码器，Dave和DeeplnverseNet,ReconNet等人提出的循环增强网络都取得了瞩目的图像重建性能。在医学图像重建任务中，Han等人提出的深度残差网络，Kyong Hwan Jin等人提出的具有多级分结构的CNN，Schlemper等人提出的深度级联的CNN以及Yang等人提出的ADMM网络(Basic-ADMM-Net)都获得了优于CS方法的成像结果。

随着DL技术的优势逐渐明朗，研究人员开始探索DL遥感领域的应用，试图利用DL技术为遥感领域任务解决提供新的途径。如基于DL的遥感图像超分辨，基于DL的遥感图像智能分割，基于DL的遥感图像高速目标检测与跟踪等。遥感图像重建任务国内外也有不少研究。2018年Nikonorov Artem教授团队利用深度CNN对超光谱仪捕获图像中固有的失真进行补偿，提高了超光谱仪获得的图像的质量。同年ClaasGrohnfeldt团队提出了一种条件生成对抗网络(cGAN)架构，用于融合SAR和光学多光谱(MS)图像数据，以生成云和无雾的MS光学数据。Lloyd H.Hughes团队，提出一种融合了自动编码器(AE)的生成对抗网络(AE-GAN)，用于SAR光学匹配数据生成逼真的SAR图像。与此同时，西安电子科技大学李运松团队提出深度差分CNN模型，该模型在实现高分辨高光谱图像重建的同时进一步增强空间信息并保留了光谱信息。国内北京大学的王龙刚团队提出了一种基于SRGAN的SAR图像的超分辨率(SR)重建方法用于在SAR图像超分辨重建。