[发明专利]一种基于深度学习的多频SAR图像解模糊方法

权利要求书

1.一种基于深度学习的多频SAR图像解模糊方法，其特征在于，利用多频图像确定主瓣位置，得到真实的目标位置，利用真实的目标位置得到多频模糊图像的解模糊结果；利用多频图像确定主瓣位置的方式为：

步骤1，以多频相乘以后图像的积分旁瓣比作为描述图像质量的指标；其中，多频相乘图像I(z_k)为各个频点图像I(z_k|f_i)的乘积：

其中，z_k为成像格点的高度向位置，f_i为载频，其中i为载频的下标，N_f为频点数，为全体频点；

步骤2，针对积分旁瓣比的图像指标，给定频点数为N_f，优选各频点的频率，得到最优频点组合；具体如下：

以dB表示的多频相乘以后图像的积分旁瓣比ISLR(f)为：

其中，积分旁瓣比定义为主瓣能量与栅瓣或旁瓣能量的比值；

主瓣能量P_mainlobe为：

栅瓣或旁瓣能量P_sidelobe为：

其中，K为图像中像素点总数，k₁为其主瓣起始下标，k₂为主瓣结束下标；

步骤3，迭代求解使得积分旁瓣比ISLR(f)取极小值的优化问题，得到最优频点组合；

步骤4、利用所述最优频点组合生成多频成像结果，并利用短时傅里叶变换进行时频转换，得到时频转换结果；

步骤5、将所述时频转换结果通过级联式U-Net网络进行网络恢复，确定主瓣位置。

2.如权利要求1所述的基于深度学习的多频SAR图像解模糊方法，其特征在于，所述U-Net网络由一个收缩路径和一个扩张路径组成；

其中，收缩路径遵循典型的卷积网络结构，其由两个重复的3*3卷积核组成，且均使用修正线性单元激活函数并利用最大池化操作进行下采样，在每一个下采样的步骤中，特征通道数量都加倍；

在扩张路径中，每一步都包含对特征图进行上采样；然后用卷积核进行卷积运算，用于减少一半的特征通道数量；接着级联收缩路径中相应的裁剪后的特征图；使用3*3的卷积核进行卷积运算，且均使用ReLU激活函数；在最后一层，利用1*1的卷积核进行卷积运算，将特征向量映射网络的输出层；对于一个U-Net网络来说总共有23个卷积层。

3.如权利要求1或2所述的基于深度学习的多频SAR图像解模糊方法，其特征在于，确定主瓣位置后，利用逆短时傅里叶变换进行无模糊图像恢复。

4.如权利要求1或2所述的基于深度学习的多频SAR图像解模糊方法，其特征在于，所述步骤1中，建立模糊图像模型时，未考虑方位向位置，且假设各个目标在同一距离向位置处。

5.如权利要求1或2所述的基于深度学习的多频SAR图像解模糊方法，其特征在于，所述优化问题为：

s.t.f_min＜f_i＜f_max (11)

其中f_opt为最优频点组合，f_min为可选频率的下限，f_max为可选频率的上限。

6.如权利要求5所述的基于深度学习的多频SAR图像解模糊方法，其特征在于，所述优化问题采用遗传算法求解；

在遗传算法中，取适应度函数为目标函数，迭代求解最优的频点组合。