【技术实现步骤摘要】
本专利技术属于合成孔径雷达成像和机器学习的领域，尤其涉及一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法。
技术介绍
1、合成孔径雷达(sar)起源于20世纪50年代，其工作原理是通过运动的sar系统平台来合成雷达的虚拟天线，然后对接收到的回波信号进行脉冲压缩等一系列的处理，最终实现对观测目标的高分辨率成像。sar相比其他雷达具有非常突出的优势，它最大的特点在于可以全天时、全天候地工作，即使在复杂的气象条件下也可以不间断地进行成像，甚至可以透过地表和植被获取隐藏在地下的信息。正是这些特点和优势使得sar在很多领域，如侦察、地球遥感、资源勘探、海洋环境监测、灾情预报等，受到了广泛的应用和发展。
2、sar图像的分辨率主要用来表征空间中可分辨两个相邻目标的能力，是衡量成像系统性能的一个重要参数，又可以分为距离向分辨率和方位向分辨率。一般来说，图像的分辨率越高，意味着其本身携带更多的信息，具有更丰富的细节。高分辨率sar图像不仅视觉质量更好，而且在后期图像处理任务中，也会有更好的表现。然而，通常情况下，sar图像的分辨率会受到以下两个因素影响而降低：第一是由于自身硬件性能受限，导致理论上获得的sar图像分辨率偏低；第二是由于在sar图像成像过程中复杂多变的外部条件，如平台的非理想运动、大气的扰动、系统噪声等，最终造成sar图像模糊、散焦和几何形变等，使得sar图像的分辨率进一步降低。
3、近年来，单幅光学图像的超分辨重建算法已逐渐成熟，尤其是基于深度学习的图像超分辨算法的提出。例如2023年8月18日
技术实现思路
1、专利技术目的，为解决上述
技术介绍
中存在的问题，本专利技术提出一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法。
2、技术方案，为了解决上述技术问题，本专利技术提出一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，该方法包括如下步骤：
3、步骤一、获取sar图像数据集，并对图像进行预处理；
4、步骤二、对所述sar图像数据集的每一张图像进行图像退化，每一张sar图像与一个模糊核进行卷积，再乘以相干斑噪声，最后进行下采样，得到对应的模糊图像；
5、步骤三、将所述sar图像作为高分辨图像，对应的模糊图像作为低分辨图像，根据所述sar图像和对应生成的模糊图像构建高分辨和低分辨的数据对集合；
6、步骤四、构建基于深度展开与卷积神经网络构建sar图像超分辨网络，并将所述的数据对集合输入到所述sar图像超分辨网络，对其进行训练，直至网络模型收敛，得到训练好的sar图像超分辨网络，所述sar图像超分辨网络包括基于卷积神经网络的去相干斑噪声网络和基于深度展开的去模糊去噪网络，其中，所述的基于卷积网络的去相干斑噪声网络为已训练好的网络，用于图像相干斑噪声的去噪处理；
7、步骤五、将需要进行超分辨的sar图像输入到所述训练后的sar图像超分辨网络中进行超分辨以得到高分辨的sar图像。
8、进一步的，步骤一中，所述对sar图像进行预处理包括：采用随机裁剪的方式统一sar图像的尺寸；将图像灰度化处理；图像像素值归一化。
9、进一步的，步骤二中，对所述sar图像数据集的每一张图像进行图像退化包括：将每一张sar图像与模糊核进行卷积，再乘以相干斑噪声，最后进行下采样，得到对应的模糊图像。
10、进一步的，步骤四中，所述sar图像超分辨网络训练具体如下：
11、首先将所述数据对集合中的原始图像、模糊图像以及模糊图像相关的模糊核、下采样倍数以及相干斑噪声的方差组成数据集合输入到所述的基于卷积神经网络的去相干斑噪声网络，得到具有高斯白噪声的模糊图像以及对应的高斯白噪声标准差组合到数据集合中；然后将组合后的数据集合输入到所述的基于深度展开的去模糊去噪网络；然后进行网络的训练，按照预设的训练次数进行参数的调整和优化直到网络收敛。
12、进一步的，步骤四中，所述的基于卷积神经网络的去相干斑噪声网络结构如下：模型由7个卷积层和3个全连接层组成；输入图像的像素值大小为n×n×1；进入卷积层提取特征，每个卷积层后有一层relu(rectified linear unit)激活函数，再进入一个步长为2的池化层，得到图像的尺寸为n×n×m，m表示内维扩展；其中有4个卷积层，每个卷积层在relu函数之前增加bn(batch normalization)层，目的是使得训练快速收敛；其中，每个卷积层中一维的卷积核大小为3×3；最后为网络的输出层，在卷积层之后使用全连接层，得到n×n×1的具有高斯白噪声的模糊图像和对应高斯白噪声的标准差。
13、进一步的，所述的基于深度展开的去模糊去噪网络结构包括如下：图像数据模块，图像先验模块和图像超参数模块，其中，所述图像数据模块用于对图像的去模糊，处理过程包括：对模糊核和模糊图像进行快速傅里叶变换；根据超参数模块提供的超参数分解模糊核和模糊图像并分别求均值；将模糊核均值和模糊图像均值进行相乘；将相乘后的结果除以超参数；对结果进行快速傅里叶逆变换，所述图像先验模块用于对图像的高斯白噪声去噪，使用去噪器resunet去噪，图像超参数模块提供给图像数据模块和图像先验模块所需的超参数，所述超参数模块包括3个全连接层。
14、进一步的，所述sar图像超分辨网络训练还包括：根据网络输出的sar超分辨图像以及对应的sar原始图像计算所述sar图像超分辨网络的损失函数；对所述损失函数进行梯度计算，根据结果反向传播所述sar超分辨网络的参数，直至收敛，得到训练好的sar图像超分辨网络。训练好的sar图像超分辨网络在实际sar成像系统中获得良好的超分辨效果，可用于实际场景。
15、有益效果，与现有技术相比，本专利技术的技术方案具有以下有益技术效果：
16、1)本专利技术相对于其他基于深度学习的sar图像超分辨方法，增加了运动模糊核和sar特有相干斑噪声的处理。
17、2)本专利技术通过构建基于卷积神经网络的去相干斑噪声网络，对sar图像去噪明显。相对于其他去噪方法，时间短，避免了复杂性。
18、3)本专利技术可以灵活处理实际不同情况的退化模型，可以通过调整下采样倍数、模糊核、噪声水平模拟实际情况下不同的退化效果。
19、4)网络的输入和输出都是图片，相比直接输入sa本文档来自技高网...
【技术保护点】
1.一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，步骤一中，所述对SAR图像进行预处理包括：采用随机裁剪的方式统一SAR图像的尺寸；将图像灰度化处理；图像像素值归一化。
3.根据权利要求1所述的一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，步骤二中，对所述SAR图像数据集的每一张图像进行图像退化包括：将每一张SAR图像与模糊核进行卷积，再乘以相干斑噪声，最后进行下采样，得到对应的模糊图像。
4.根据权利要求1所述的一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，步骤四中，所述SAR图像超分辨网络训练具体如下：
5.根据权利要求4所述的一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，步骤四中，所述的基于卷积神经网络的去相干斑噪声网络结构如下：模型由7个卷积层和3个全连接层组成；输入图像的像素值大小为N×N×1；进入卷积层
6.根据权利要求4所述的一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，所述的基于深度展开的去模糊去噪网络结构包括图像数据模块，图像先验模块和图像超参数模块，其中，所述图像数据模块用于对图像的去模糊，处理过程包括：对模糊核和模糊图像进行快速傅里叶变换；根据超参数模块提供的超参数分解模糊核和模糊图像并分别求均值；将模糊核均值和模糊图像均值进行相乘；将相乘后的结果除以超参数；对结果进行快速傅里叶逆变换，所述图像先验模块用于对图像的高斯白噪声去噪，使用去噪器ResUNet进行去噪，图像超参数模块提供给图像数据模块和图像先验模块所需的超参数，所述超参数模块包括3个全连接层。
7.根据权利要求4所述的一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，所述SAR图像超分辨网络训练还包括：根据网络输出的SAR超分辨图像以及对应的SAR原始图像计算所述SAR图像超分辨网络的损失函数；对所述损失函数进行梯度计算，根据结果反向传播所述SAR超分辨网络的参数，直至收敛，得到训练好的SAR图像超分辨网络。
...【技术特征摘要】
1.一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，步骤一中，所述对sar图像进行预处理包括：采用随机裁剪的方式统一sar图像的尺寸；将图像灰度化处理；图像像素值归一化。
3.根据权利要求1所述的一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，步骤二中，对所述sar图像数据集的每一张图像进行图像退化包括：将每一张sar图像与模糊核进行卷积，再乘以相干斑噪声，最后进行下采样，得到对应的模糊图像。
4.根据权利要求1所述的一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，步骤四中，所述sar图像超分辨网络训练具体如下：
5.根据权利要求4所述的一种基于深度展开与卷积神经网络的合成孔径雷达图像超分辨方法，其特征在于，步骤四中，所述的基于卷积神经网络的去相干斑噪声网络结构如下：模型由7个卷积层和3个全连接层组成；输入图像的像素值大小为n×n×1；进入卷积层提取特征，每个卷积层后有一层relu(rectified linear unit)激活函数，再进入一个步长为2的池化层，得到图像的尺寸为n×n×m，m表示内维扩展；其中，有4个卷积层，每个卷积层在relu函...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。