论文部分内容阅读
雷达成像技术具有全天候、全天时的远距离观测能力,在军用和民用领域上都发挥着巨大的作用。在雷达成像中,提高雷达图像的分辨率对精细表征目标起着关键的作用。距离向分辨率取决于信号的带宽,而方位向分辨率通常取决于合成孔径长度。所以雷达成像分辨率不仅会受到硬件条件的限制,而且会受到传统雷达成像算法的影响。本文旨在利用深度学习方法提高雷达成像质量,研究内容主要包括逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)超分辨率成像、穿墙雷达成像、合成孔径雷达(Synthetic Aperture Radar,SAR)成像。第一部分研究基于深度学习的ISAR超分辨率成像。建立了基于深度学习的超分辨率模型,分析了影响深度学习超分辨率成像的若干重要因素。针对ISAR机动目标成像,提出了基于卷积神经网络的超分辨成像方法。通过仿真的方法生成了输入图像和参考图像。然后设计合适的卷积神经网络模型,从而通过卷积神经网络模型去拟合低分辨率时频分布图到高分辨率时频分布图之间的函数映射关系。最后将训练完成的卷积神经网络模型结合入ISAR机动目标成像流程中,从而有效提高了ISAR机动目标成像分辨率。第二部分研究基于深度学习的穿墙雷达成像。建立了基于深度学习的图像增强模型和超分辨率模型。针对穿墙雷达图像中存在栅瓣和旁瓣的问题,提出了基于卷积神经网络的图像增强方法。通过仿真的方法生成了不存在栅瓣和旁瓣的理想雷达图像。然后搭建合适的卷积神经网络模型去拟合原始雷达图像到理想雷达图像之间的函数映射关系,从而通过卷积神经网络模型提高雷达图像质量。而对于雷达图像中分辨率低的问题,本文通过卷积神经网络模型建立了低分辨雷达图像到高分辨雷达图像之间的函数映射关系,从而通过卷积神经网络模型有效提高了雷达图像分辨率。第三部分研究基于深度学习的SAR成像。建立了基于深度学习的图像增强模型。针对SAR图像中存在散焦的问题,提出了基于卷积神经网络的SAR图像增强方法。通过仿真的方法生成普通SAR图像和带有空变相位误差的SAR图像。然后搭建合适的卷积神经网络模型去拟合带有空变相位误差的SAR图像到普通SAR图像之间的函数映射关系,从而通过卷积神经网络模型有效提高了SAR图像质量。