论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动微波遥感系统,具备全天时、全天候的观测能力。随着军事和民用需求的提高,对SAR图像的分辨率提出了更高的要求。虽然增大发射信号带宽和合成孔径长度,可以提高SAR系统的理论分辨率,但硬件开发周期长、成本高且受限于相关技术的发展。利用数字信号处理技术提高SAR图像分辨率是一种成本低且可行的途径,也是当今研究的热点与难点。SAR自聚焦和稀疏成像是高分辨SAR成像处理中的两个关键技术。现有的SAR自聚焦方法在质量和速度上不能很好地均衡,还有些方法对强散射点依赖性强,普适性不好。传统的基于压缩感知的SAR成像方法迭代重构过程耗时且鲁棒性差,而现有的基于深度学习的SAR压缩成像方法无法快速适应新的观测数据。针对以上问题,本论文研究并发展了基于深度学习的SAR自聚焦与SAR稀疏成像的新技术与新方法,主要研究内容与成果有:1)设计了基于深度学习的SAR自聚焦框架和算法。针对传统的基于熵最小化的自聚焦算法需要反复迭代、计算量大的不足,设计了一种基于深度学习的SAR自聚焦框架。该框架使用深度神经网络从失焦的SAR图像中提取特征并估计相位误差,采用熵作为无监督的损失。训练完成后,模型从大量训练样例中学会了自聚焦,即可用于新的SAR图像聚焦,极大地降低了自聚焦时间。首先,基于该框架提出了一种基于深度卷积神经网络的自聚焦网络(AutoFocus network,AFnet)。其次,为了进一步提升性能,提出了一种逐级式SAR自聚焦网络模型(Progressive AutoFocus net-work,PAFnet),来分级预测不同阶的相位误差系数,在保证快速聚焦的同时,降低了问题的复杂度和网络学习的难度,提升了估计精度和图像聚焦质量。实验结果表明,相同批处理大小下,与传统基于熵最小化的自聚焦方法相比,AFnet方法在E5-2696v3 CPU上速度提升了6~35倍,在1080TI GPU上速度提升了 11~232倍。相同批处理大小下,与AFnet相比,PAFnet在E5-2696v3 CPU上速度提升了35%~40%,在1080TI GPU上速度提升了 23%~30%。2)设计了基于集成式卷积极速学习机的SAR自聚焦算法。针对基于深度学习的SAR自聚焦方法训练时间长的问题,结合极速学习机和集成学习理论,提出了两种基于集成卷积极速学习机的快速SAR自聚焦方法。通过集成多个基于卷积极速学习机的弱SAR自聚焦器,提升模型的整体聚焦性能。首先,将传统极速学习机扩展为卷积极速学习机以适应图像任务。其次,提出了一种新的基于度量的组合策略。最后,分别基于bagging与分治集成学习方法,提出了两种集成式自聚焦算法模型。在真实数据上的实验结果表明,该方法的训练时间不足上述基于深度学习方法的训练时间的2%。3)设计了基于复值卷积神经网络的精细化二维SAR自聚焦方法。针对复数SAR图像的二维自聚焦问题,设计了复数值卷积神经网络结构。采用粗聚焦的SAR图像作为训练样本,学习复值聚焦滤波器。利用图像域幅度损失和傅立叶域损失来保证网络输出数据与真实数据的一致性。利用熵损失来进一步改善图像聚焦质量。实验结果表明,该方法在聚焦质量(熵、对比度)和速度上均优于传统的方法。4)设计了基于深度学习与元学习的压缩感知SAR成像方法。针对传统压缩感知SAR成像方法重构耗时、对成像参数敏感、鲁棒性差的问题。提出了一种基于深度神经网络的鲁棒SAR压缩成像方法,利用网络来学习回波到场景的逆映射,该方法无需精确的参数信息,且重构过程只需要进行一次网络前向传播操作,无需迭代。进一步地,为提升模型性能,提出了基于元学习的深度压缩SAR成像方法。利用模型无关的元学习方法,从大量观测任务数据中,学习能够快速适应新任务的模型的解。实验结果表明,相同压缩采样率下,与传统方法相比,该方法重构速度快、重构的图像噪声水平低。面对新任务数据时,只需几步迭代,网络即可收敛。5)设计了基于复值迭代收缩阈值网络的稀疏SAR成像算法。针对传统匹配滤波类算法重构的SAR图像旁瓣和噪声水平高的问题,提出了基于深度展开式网络的稀疏SAR成像方法。首先,将原始实数值迭代收缩阈值算法(Iterative Shrinkage Thresh-old Algorithm,ISTA)算 法扩展 为复数值版本(Complex-valued Iterative Shrinkage Threshold Algorithm,CISTA)。其次,将图像退化模型以及CISTA中的超参数变为可学习的。最后,将CISTA的优化迭代过程进行深度展开,得到深度稀疏SAR成像网络(CISTAnet)。实验结果表明,与基于ISTA的稀疏SAR成像方法和匹配滤波类方法相比,该方法重构的图像具有更高的目标背景比,并且可以在稀疏成像的同时完成自聚焦。