模型自适应的深度学习SAR三维成像方法发明专利

专利名称：模型自适应的深度学习SAR三维成像方法

专利类型：发明专利

专利申请号：CN202210413328.0

专利申请（专利权）人：北京理工大学
权利人地址：北京市海淀区中关村南大街5号

专利发明（设计）人：王岩,丁泽刚,刘常浩,曾涛

专利摘要：本发明涉及一种模型自适应的深度学习SAR三维成像方法，属于层析SAR三维成像技术领域。本发明所提方法在层析SAR三维网络中提出了引入观测矩阵权重因子，以适应三维成像中目标位置空变导致的观测矩阵空变特性，提升空变特性自适应能力；引入自适应阈值参量，以适应空变的目标散射模型，提高散射特性自适应能力。与传统深度学习稀疏重建方法相比，本方法能够解决模型空变问题，提高聚焦深度一个数量级；与传统的高分辨成像算法SL1MMER算法相比，可以提高成像处理效率一个数量级。

主权利要求：
1.一种模型自适应的深度学习SAR三维成像方法，其特征在于该方法的步骤包括：步骤一、根据SAR二维成像模型利用实测数据对观测场景进行二维SAR成像，生成层析SAR实测数据二维SAR复图像数据；
步骤二、在步骤一生成的二维SAR复图像数据中选取一幅复图像作为主图像，其余二维SAR复图像作为从图像，并将从图像基于主图像进行图像配准，获取配准后的实测数据二维SAR图像；
步骤三、利用实测数据的高度向成像模型生成实测数据观测矩阵Ls；
步骤四、利用步骤二获取的配准后的实测数据二维SAR图像基于SVD空间能量估计方法生成实测数据自适应阈值参量Ξs；
步骤五、随机生成K个仿真数据标签，其中第k个仿真数据标签的表示方式为 并将随机生成的K个仿真数据标签输入实测数据的高度向成像模型得到仿真数据高度维数据矢量s；
步骤六、利用数据标签对应的实测数据的高度向成像模型生成仿真数据观测矩阵Lf；
步骤七、利用步骤五得到的仿真数据高度维数据矢量s基于SVD空间能量估计方法生成仿真数据自适应阈值参量Ξf；
步骤八、生成模型自适应深度学习成像网络；
步骤九、利用步骤五生成的高度维数据矢量s和仿真数据标签、步骤六生成的仿真数据观测矩阵Lf、步骤七生成的仿真数据自适应阈值参量Ξf对步骤八所生成的模型自适应深度学习成像网络进行预训练；
步骤十、将步骤二生成的配准后的实测数据二维SAR图像、步骤三生成实测数据观测矩阵、步骤四生成的实测数据自适应阈值参量输入到步骤九预训练后的模型自适应深度学习成像网络中获得层析SAR三维图像；
所述的步骤一中，根据SAR二维成像模型利用实测数据对观测场景进行二维SAR成像时采用快速分解后向投影成像算法；
所述的步骤二中，以高度向孔径中心位置的图像作为主图像；进行配准时先利用相关系数法进行像素级配准，然后对主图像和从图像进行双线性插值，进行双线性插值时间隔为十分之一个像素，最后利用相关系数法进行亚像素级配准，获取配准后的实测数据二维SAR图像；
所述的步骤三中，生成实测数据观测矩阵Ls的方法为：根据SAR系统在空间位置的垂直基线Bs_all与每个成像点坐标计算斜距历程r，再根据Bs_all与r计算每个成像点的实测数据观测矩阵Ls如下：其中，λ为发射电磁波波长，v为高程采样向量；
所述的步骤四中，生成实测数据自适应阈值参量Ξs的方法为：通过构造Hankel矩阵将一维信号向量g构造成二维空间矩阵G如下所示：其中，g(i)表示第i个孔径对应的实测数据二维SAR图像中的像素点，i＝1,2,...,N；G为含噪信号的Hankel矩阵，Gs为理想信号的Hankel矩阵，Gw为噪声信号的Hankel矩阵，N＝p+q‑1，q≤p，构造时尽可能使得p、q的值接近；
对G进行SVD分解得到
选取前k个奇异值较大的矩阵分量进行构造信号空间，进行信号空间能量估计，1≤k≤
0.3q；
通过构造Γ矩阵，利用 生成自适应阈值参量Ξs：
+ T ‑1 T qp×N
其中Γ ＝(Γ Γ) Γ ∈R 表示Γ矩阵的伪逆；矩阵Γ的维度为N×pq，由q个p阶数的单位矩阵组成，表示为：所述的步骤五中，所述的s由相同的斜距‑方位单元的数据构成，长度为N，表示如下：s＝{s1,s2,...,si,...,sN}，si为第i个高度向孔径的回波数据，i＝1,2,...,N；
所述的步骤五中，随机生成K个仿真数据标签时通过随机散射点高度向分布数量、位置、幅度、初始相位随机生成，并且添加随机噪声；
所述的步骤五中，仿真数据高度维数据矢量
2.根据权利要求1所述的一种模型自适应的深度学习SAR三维成像方法，其特征在于：所述的步骤六中，生成仿真数据观测矩阵Lf的方法为：根据SAR系统在空间位置的垂直基线Bs_all与每个成像点坐标计算斜距历程r，再根据Bs_all与r计算每个成像点的仿真数据观测矩阵Lf如下：其中，λ为发射电磁波波长，v为高程采样向量。
3.根据权利要求1或2所述的一种模型自适应的深度学习SAR三维成像方法，其特征在于：所述的步骤七中，生成仿真数据自适应阈值参量Ξf的方法为：通过构造Hankel矩阵将一维信号向量g’构造成二维空间矩阵G’如下所示：其中，g’(i)表示第i个孔径对应的仿真数据二维SAR图像中的像素点，i＝1,2,...,N；
G’为含噪信号的Hankel矩阵，G’s为理想信号的Hankel矩阵，G’w为噪声信号的Hankel矩阵，N＝p+q‑1，q≤p，构造时尽可能使得p、q的值接近；
对G’进行SVD分解得到
选取前k个奇异值较大的矩阵分量进行构造信号空间，进行信号空间能量估计，1≤k≤
0.3q；
通过构造Γ矩阵，利用 生成自适应阈值参量Ξf：
+ T ‑1 T qp×N
其中Γ ＝(Γ Γ) Γ ∈R 表示Γ矩阵的伪逆；矩阵Γ的维度为N×pq，由q个p阶数的单位矩阵组成，表示为： 。
4.根据权利要求1或2所述的一种模型自适应的深度学习SAR三维成像方法，其特征在于：所述的步骤八中，生成模型自适应深度学习成像网络命名为MAda‑Net，MAda‑Net由M层网络模块组成，每层网络模块包括两个非线性层命名为Ψ1、Ψ2，还包括一个阈值激活层名命名为第t层的非线性层Ψ1、Ψ2，表达为：
T T
ψt1为γtLW
T T
ψt2为I‑γtLWWL
其中I为单位矩阵，W为自适应观测矩阵权重因子；γt为第t层的放缩因子，t＝1，2，...，M；
阈值激活层 为自适应坡型阈值函数AdaRAF，自适应坡型阈值函数AdaRAF的输入包括自适应阈值参量Ξ和高度维数据矢量η，自适应阈值参量分为仿真数据自适应阈值参量和实测数据自适应阈值参量，高度维数据矢量分为仿真数据高度维数据矢量和实测数据高度维数据矢量，θ阈值可训练阈值参数，θ的初值为正则化参数的倒数；
自适应坡型阈值函数AdaRAF的表达式为：
其中，β为坡度因子；
非线性层Ψ1与阈值激活层为 相连，阈值激活层为 与非线性层Ψ2相连，阈值激活层为 的输出与非线性层Ψ2的输出的和为每一层网络模块输出，整个MAda‑Net共由M层该网络模块首尾相连，得到模型自适应深度学习成像网络。
5.根据权利要求4所述的一种模型自适应的深度学习SAR三维成像方法，其特征在于：所述的步骤九中，模型自适应深度学习成像网络的能够训练的参数为{γ，W，θ，β}；预训练方法为：输入高度维数据矢量s、仿真数据标签、仿真数据观测矩阵Lf、仿真数据自适应阈值参量Ξf数据，然后通过模型自适应深度学习成像网络获得网络输出，将输出的结果与高度维数据矢量s、仿真数据标签、零矩阵进行Loss计算，反向传播，更新网络可训练参数，模型自适应深度学习成像网络的输出结果用 表示，Loss函数如下式所示：其中，MSELoss为均方误差损失函数，L1Loss为l1范数损失函数。 说明书 : 模型自适应的深度学习SAR三维成像方法技术领域[0001] 本发明涉及一种模型自适应的深度学习SAR三维成像方法，属于层析SAR三维成像技术领域。背景技术[0002] 合成孔径雷达(SAR)三维成像是传统二维SAR成像技术在雷达信息精细获取与感知领域的重要发展，基本原理是在传统的距离向、方位向之外，沿高度向形成一维新的合成孔径，可分辨重叠于二维SAR图像同一像素中的数个目标，能有效解决叠掩、顶底倒置等成像几何失真问题。SAR三维成像可满足地形起伏剧烈、建筑密集分布等区域的高精度成像需求，是SAR成像技术的前沿方向。[0003] 三维SAR成像中层析SAR面临着非均匀基线的高度向孔径常呈非均匀分布，相参处理复杂度高，高度维瑞利分辨率通常不满足成像需求，需采用非线性超分辨成像方法，例如稀疏重构算法，在较高信噪比条件下，可实现1.5‑25倍超分辨能力。但此类算法通常需求解病态的参数反演问题，设计复杂矩阵求逆、迭代优化等处理环节，具有复杂度高、时效性差等问题。[0004] 近年来关于人工智能的深入研究表明，深度学习方法具有强大的非线性问题求解能力，在确定数学模型的基础上，通过大量的仿真或实测数据训练，可实现高效高精度大规模非线性复杂问题快速求解。这为解决非线性超分辨成像方法存在的问题提供了新的思路。[0005] 然而，直接利用深度学习网络进行SAR三维成像存在问题：一方面，神经网络性能极大地依赖于网络的训练数据，但是对于层析SAR三维成像领域，三维数据少，标注难，难以满足网络的训练数据需求，导致网络泛化能力差；另一方面，在传统深度学习SAR三维成像网络中，观测模型均是固定不变的，而在实际中，目标地理位置空变将导致成像观测模型空变，真实的空变观测模型与成像网络中唯一固定训练的观测模型不匹配，导致成像网络处理精度低、鲁棒性差。无人机SAR大多天线小、波束宽，观测模型的空变性更为显著，对现有深度学习成像网络的负面影响更大，亟需通过网络结构创新加以解决。发明内容[0006] 本发明的技术解决问题是：克服现有技术的不足，提出一种模型自适应的深度学习SAR三维成像方法，该方法是一种信号处理与深度学习网络联合驱动下的一种混合架构，模型自适应主要包括两个方面：一方面，利用神经网络对软阈值迭代算法的等效实现思想，在网络中引入观测矩阵权重因子，以适应三维成像中目标位置空变导致的观测矩阵空变特性，提升空变特性自适应能力；另一方面，在网络非线性阈值函数中引入自适应阈值参量，以适应空变的目标散射模型，提高对散射特性自适应能力，该方法能够解决传统深度学习稀疏重建方法无法自适应空变成像模型、空变散射模型问题，可应用于层析SAR三维成像等领域，有助于提升三维SAR成像聚焦深度与成像效率。[0007] 本发明的技术解决方案是：[0008] 一种模型自适应的深度学习SAR三维成像方法，该方法的步骤包括：[0009] 步骤一、根据SAR二维成像模型利用实测数据对观测场景进行二维SAR成像，生成层析SAR实测数据二维SAR复图像数据；[0010] 步骤二、在步骤一生成的二维SAR复图像数据中选取一幅复图像作为主图像，其余二维SAR复图像作为从图像，并将从图像基于主图像进行图像配准，获取配准后的实测数据二维SAR图像；[0011] 步骤三、利用实测数据的高度向成像模型生成实测数据观测矩阵Ls；[0012] 步骤四、利用步骤二获取的配准后的实测数据二维SAR图像基于SVD空间能量估计方法生成实测数据自适应阈值参量Ξs；[0013] 步骤五、随机生成K个仿真数据标签，其中第k个仿真数据标签的表示方式为glkabel，并将随机生成的K个仿真数据标签输入实测数据的高度向成像模型得到仿真数据高度维数据矢量s；[0014] 所述的s由相同的斜距‑方位单元的数据构成，长度为N，表示如下：s＝{s1,s2,...,si,...,sN}，si为第i个高度向孔径的回波数据，i＝1,2,...,N；[0015] 步骤六、利用数据标签对应的实测数据的高度向成像模型生成仿真数据观测矩阵Lf；[0016] 步骤七、利用步骤五得到的仿真数据高度维数据矢量s基于SVD空间能量估计方法生成仿真数据自适应阈值参量Ξf；[0017] 步骤八、生成模型自适应深度学习成像网络；[0018] 步骤九、利用步骤五生成的高度维数据矢量s和仿真数据标签、步骤六生成的仿真数据观测矩阵Lf、步骤七生成的仿真数据自适应阈值参量Ξf对步骤八所生成的模型自适应深度学习成像网络进行预训练；[0019] 步骤十、将步骤二生成的配准后的实测数据二维SAR图像、步骤三生成实测数据观测矩阵、步骤四生成的实测数据自适应阈值参量输入到步骤九预训练后的模型自适应深度学习成像网络中获得层析SAR三维图像。[0020] 所述的步骤一中，根据SAR二维成像模型利用实测数据对观测场景进行二维SAR成像时采用快速分解后向投影(FFBP)成像算法；[0021] 所述的步骤二中，以高度向孔径中心位置的图像作为主图像；进行配准时先利用相关系数法进行像素级配准，然后对主图像和从图像进行双线性插值，进行双线性插值时间隔为十分之一个像素，最后利用相关系数法进行亚像素级配准，获取配准后的实测数据二维SAR图像；[0022] 所述的步骤三中，生成实测数据观测矩阵Ls的方法为：根据SAR系统在空间位置的垂直基线Bs_all与每个成像点坐标计算斜距历程r，再根据Bs_all与r计算每个成像点的实测数据观测矩阵Ls如下：[0023][0024] 其中，λ为发射电磁波波长，v为高程采样向量；[0025] 所述的步骤四中，生成实测数据自适应阈值参量Ξs的方法为：[0026] 通过构造Hankel矩阵将一维信号向量g构造成二维空间矩阵G如下所示：[0027][0028] 其中，g(i)表示第i个孔径对应的实测数据二维SAR图像中的像素点，i＝1,2,...,N；G为含噪信号的Hankel矩阵，Gs为理想信号的Hankel矩阵，Gw为噪声信号的Hankel矩阵，N＝p+q‑1，q≤p，构造时尽可能使得p、q的值接近；[0029] 对G进行SVD分解得到[0030][0031] 选取前k个奇异值较大的矩阵分量进行构造信号空间，进行信号空间能量估计，一般取1≤k≤0.3q；[0032][0033] 通过构造Γ矩阵，利用 生成自适应阈值参量Ξs：[0034][0035] 其中Γ+＝(ΓTΓ)‑1ΓT∈Rqp×N表示Γ矩阵的伪逆；矩阵Γ的维度为N×pq，由q个p阶数的单位矩阵组成，可以表示为：[0036][0037] 所述的步骤五中，随机生成K个仿真数据标签时通过随机散射点高度向分布数量、位置、幅度、初始相位随机生成，并且添加随机噪声；[0038] 所述的步骤五中，仿真数据高度维数据矢量[0039] 所述的步骤六中，生成仿真数据观测矩阵Lf的方法为：根据SAR系统在空间位置的垂直基线Bs_all与每个成像点坐标计算斜距历程r，再根据Bs_all与r计算每个成像点的仿真数据观测矩阵Lf如下：[0040][0041] 其中，λ为发射电磁波波长，v为高程采样向量；[0042] 所述的步骤七中，生成仿真数据自适应阈值参量Ξf的方法为：[0043] 通过构造Hankel矩阵将一维信号向量g’构造成二维空间矩阵G’如下所示：[0044][0045] 其中，g’(i)表示第i个孔径对应的仿真数据二维SAR图像中的像素点，i＝1,2,...,N；G’为含噪信号的Hankel矩阵，G’s为理想信号的Hankel矩阵，G’w为噪声信号的Hankel矩阵，N＝p+q‑1，q≤p，构造时尽可能使得p、q的值接近；[0046] 对G’进行SVD分解得到[0047][0048] 选取前k个奇异值较大的矩阵分量进行构造信号空间，进行信号空间能量估计，一般取1≤k≤0.3q；[0049][0050] 通过构造Γ矩阵，利用 生成自适应阈值参量Ξf：[0051][0052] 其中Γ+＝(ΓTΓ)‑1ΓT∈Rqp×N表示Γ矩阵的伪逆；[0053] 矩阵Γ的维度为N×pq，由q个p阶数的单位矩阵组成，可以表示为：[0054][0055] 所述的步骤八中，生成模型自适应深度学习成像网络命名为MAda‑Net，MAda‑Net由M层网络模块组成，每层网络模块包括两个非线性层命名为Ψ1、Ψ2，还包括一个阈值激活层名命名为 M优选30；[0056] 第t层的非线性层Ψ1、Ψ2，表达为：[0057] ψt1为γtLTWT[0058] ψt2为I‑γtLTWTWL[0059] 其中I为单位矩阵，W为自适应观测矩阵权重因子；γt为第t层的放缩因子，t＝1,2,...,M；[0060] 阈值激活层 为自适应坡型阈值函数AdaRAF，自适应坡型阈值函数AdaRAF的输入包括自适应阈值参量Ξ和高度维数据矢量η，自适应阈值参量分为仿真数据自适应阈值参量和实测数据自适应阈值参量，高度维数据矢量分为仿真数据高度维数据矢量和实测数据高度维数据矢量，θ阈值可训练阈值参数，θ的初值为正则化参数的倒数；[0061] 自适应坡型阈值函数AdaRAF的表达式为：[0062][0063] 其中，β为坡度因子；[0064] 非线性层Ψ1与阈值激活层为 相连，阈值激活层为 与非线性层Ψ2相连，阈值激活层为 的输出与非线性层Ψ2的输出的和为每一层网络模块输出，整个MAda‑Net共由M层该网络模块首尾相连，得到模型自适应深度学习成像网络；[0065] 整个模型自适应深度学习成像网络的可训练参数为{γ,W,θ,β}；[0066] 所述的步骤九中，预训练方法为：[0067] 输入高度维数据矢量s、仿真数据标签、仿真数据观测矩阵Lf、仿真数据自适应阈值参量Ξf数据，然后通过模型自适应深度学习成像网络获得网络输出，将输出的结果与高度维数据矢量s、仿真数据标签、零矩阵进行Loss计算，反向传播，更新网络可训练参数，模型自适应深度学习成像网络的输出结果用 表示，Loss函数如下式所示：[0068][0069] 其中，MSELoss为均方误差损失函数，L1Loss为l1范数损失函数。[0070] 本发明的优点在于：[0071] (1)本发明所采用的二维SAR成像方法能够高效率的进行SAR成像获取二维SAR图像数据。[0072] (2)本发明所采用的图像配准方法能够高精度的对二维SAR复图像数据进行亚像素级配准，能够满足三维SAR成像对配准精度的要求。[0073] (3)本发明将SAR三维成像的高度向恢复问题建模成深度学习回归模型，利用模型自适应深度学习成像网络进行求解，能够大幅提高SAR三维成像效率。[0074] (4)所提模型自适应深度学习成像网络中创新性引入观测矩阵权重因子，该因子的引入使得所提方法能够适应三维成像中目标位置空变导致的观测矩阵空变特性，提升空变特性自适应能力；[0075] (5)所提模型自适应深度学习成像网络中创新性引入自适应阈值参量，该因子的引入使得所提方法能够适应空变的目标散射模型，提高散射特性自适应能力。[0076] (6)与传统深度学习稀疏重建方法相比，本方法能够解决模型空变问题，提高聚焦深度一个数量级；与传统的高分辨成像算法SL1MMER算法相比，可以提高成像处理效率一个数量级，基于深度学习稀疏重建方法的三维SAR成像效率、聚焦深度能够得到巨大提升。[0077] (7)本发明成果可应用于层析SAR体制的三维SAR成像中。为高效率、高精度、高可靠性获得三维SAR图像提供了方法指导。附图说明[0078] 图1为本发明的优势示意图；[0079] 图2为本发明的方法流程图；[0080] 图3为FFBP算法的流程图；[0081] 图4为模型自适应深度学习成像网络结构图；[0082] 图5为实施例子中SAR数据获取几何与目标分布图；[0083] 图6为实施例子中二维SAR图像成像结果图；[0084] 图7为实施例子中二维SAR图像配准结果相关系数图；[0085] 图8为实施例子中获取得到的三维SAR成像结果图。具体实施方式[0086] 下面结合附图和实施例子对本发明方法的实施方式做详细说明。[0087] 本发明是一种基于模型自适应深度学习网络的层析SAR三维成像方法，流程图如图2所示，其具体步骤包括：[0088] 步骤一、实测数据处理：根据SAR二维成像模型利用实测数据对观测场景进行二维SAR成像，获取层析SAR实测数据二维SAR复图像数据。[0089] 根据实际场景中的二维SAR成像模型通过快速分解后向投影(FFBP)成像算法对成像场景内目标进行二维SAR成像，获取层析SAR实测数据二维SAR复图像数据。[0090] 下面进行FFBP算法流程介绍：[0091] 快速分解后向投影(FFBP)算法是目前最快的时域成像方法，基于回波数据进行二维成像。FFBP算法的基本原理是在完成各个子孔径极坐标网格的子图像的重建后，先进行各个子孔径的递归融合操作，最终在极坐标网格上形成了一个具有距离高分辨和角度高分辨的图像，再进行极坐标系到直角坐标系的转换，从而将位于极坐标网格的图像投影到地距平面的成像网格上。FFBP算法的实施步骤如图3所示。[0092] FFBP算法的实施步骤可以分为三个阶段。第一个阶段将整个孔径划分为若干个子孔径，并将已经完成距离向脉冲压缩后的回波数据投影到以各个子孔径中心为极点而建立的极坐标网格上，得到极坐标子图像。在第二个阶段中，将位于极坐标网格上的相邻的两个子图像进行基‑2递归融合，直至得到一个距离高分辨和角度高分辨的且位于极坐标网格上的图像。在最后一个阶段，进行极坐标到直角坐标的转换。将位于极坐标网格的图像投影到位于地距平面的成像网格上。然后对全孔径进行划分。[0093] 步骤二、实测数据处理：在步骤一生成的二维SAR复图像数据中选取一幅复图像作为主图像，将其余二维SAR复图像基于主图像进行图像配准，获取配准后的实测数据二维SAR图像。[0094] 利用相关系数法进行二维SAR图像配准，获取配准后的各基线下的实测数据二维SAR图像。[0095] 相关系数配准方法介绍如下：[0096] 由于观测几何和非理想因素影响，经过二维成像后的SAR图像的地物在主从两幅图像中的位置存在偏移，需要将其对齐，这是是后续进行高度向散射参数估计步骤的基础。因此，需要对各轨迹下的SAR图像进行图像配准。当配准精度达到0.1个像素分辨单元时，其影响可忽略不计。[0097] 使用相干系数法进行像素级配准，通过滑动窗口的方式进行配准。在主图像中选定一个目标区域，于从图像中计算相干系数确定同名点，根据确定的若干同名点进行多项式拟合，得到全图的偏移量分布，完成像素级配准。相干系数的公式如下：[0098][0099] 其中s1和s2表示两幅SAR图像，M和N代表滑动窗口大小，u和v代表窗口的滑动位置。实际应用中也可以构造新的相干系数，对高相干度的点进行对比度拉伸，扩大动态范围。[0100] 完成像素级配准后，先对主从图像进行双线性插值，间隔为十分之一个像素，相当于十倍的升采样，之后同样使用相关系数配准方法进行亚像素级配准，完成偏移量拟合，获取配准后的实测SAR复图像数据。[0101] 步骤三、实测数据处理：利用实测数据的高度向成像模型生成观测矩阵；利用步骤二获取的配准后的实测数据二维SAR图像基于SVD空间能量估计方法生成自适应阈值参量。[0102] 其中自适应阈值参量的生成方法为专利创新。[0103] 下面介绍如何进行观测矩阵与自适应阈值参量的生成：[0104] 1、观测矩阵[0105] 观测矩阵根据实测数据每个成像点坐标与层析SAR系统的空间位置生成。首先采用现有方法得到SAR系统在空间位置的垂直基线Bs_all，根据垂直基线Bs_all与每个成像点坐标计算斜距历程r，根据Bs_all与r可计算得到该点的观测矩阵L。如下式所示，[0106][0107] 其中，λ为发射电磁波波长，v为高程采样向量。[0108] 2、自适应阈值参量[0109] 记配准后的实测数据二维SAR图像为greal，下面介绍greal的自适应阈值参量生成方法。[0110] 首先通过构造Hankel矩阵将一维信号向量greal构造成二维空间矩阵G。[0111][0112] 其中，G、Gs、Gw分别为含噪信号、理想信号、噪声的Hankel矩阵，N＝p+q‑1，q≤p，构造时尽可能使得p、q的值接近。[0113] 对G进行SVD分解得到[0114][0115] 选取前k个奇异值较大的矩阵分量进行构造信号空间，进行信号空间能量估计，工程经验表明，一般取1≤k≤0.3q较合适。[0116][0117] 通过构造Γ矩阵，利用 生成自适应阈值参量Ξ[0118][0119] 其中Γ+＝(ΓTΓ)‑1ΓT∈Rqp×N表示Γ矩阵的伪逆。[0120] 步骤四、网络训练数据与标签生成：首先，随机生成数据标签g；其次，利用数据标签g与实测数据的高度向回波模型得到高度维数据矢量s，所述的s由相同的斜距‑方位单元的数据构成，长度为M，表示如下：s＝{s1,s2,...,sM}。根据步骤三所提观测模型与自适应阈值参量生成方法，进行观测矩阵L与自适应阈值参量Ξ的生成。本步骤完成了训练数据s、L、Ξ与数据标签glabel的生成。[0121] 该步骤生成训练数据s、L、Ξ与数据标签glabel；[0122] 首先，随机生成数据标签glabel。数据标签glabel通过随机散射点高度向分布数量、位置、幅度、初始相位随机生成，并且添加随机噪声。[0123] 训练数据中的观测矩阵L根据随机生成数据标签glabel的位置坐标与实测数据层析SAR系统的空间位置生成。生成方式同步骤三观测矩阵生成。[0124] 训练数据中的高度向信号s利用观测矩阵L数据标签glabel根据下式生成,[0125] s＝Lglabel[0126] 训练数据中的自适应阈值参量Ξ根据s生成，生成方式与步骤三自适应阈值参量生成方式相同。[0127] 至此，根据上述方法可生成训练数据s、L、Ξ与数据标签glabel若干。[0128] 步骤五、网络预训练：利用步骤四生成的训练数据s、L、Ξ与数据标签glabel，预训练所提模型自适应深度学习成像网络。[0129] 1、网络组成[0130] 所提模型自适应深度学习成像网络命名为MAda‑Net，MAda‑Net由30层网络模块组成，每层网络模块为两个非线性层命名为Ψ1、Ψ2，一个阈值激活层名命名为 具体网络结构如图4所示。[0131] 非线性层Ψ1、Ψ2，可表达为：[0132] ψ1→γkLTWT[0133] ψ2→I‑γkLTWTWL[0134] 其中I为单位矩阵，W为自适应观测矩阵权重因子。[0135] 阈值激活层为 可表达为：[0136][0137] 其中AdaRAF为自适应坡型阈值函数，Ξ为自适应阈值参量，θ为阈值可训练阈值参数。自适应坡型阈值函数表达为：[0138][0139] 其中β为坡度因子。[0140] 网络连接方面，非线性层Ψ1与阈值激活层为 相连，阈值激活层为 与非线性层Ψ2相连，阈值激活层为 的输出与非线性层Ψ2输出的求和为一层网络模块输出。整个MAda‑Net共由30层该网络模块首尾相连。[0141] 整个网络的可训练参数为{γ,W,θ,β}[0142] 2、训练策略[0143] 输入数据通过整个MAda‑Net网络获得网络输出，将输出的结果与输入信号、数据标签、零矩阵进行Loss计算，反向传播，更新网络可训练参数。将MAda‑Net的输出结果用表示，Loss函数如下式所示：[0144][0145] 其中，MSELoss为均方误差损失函数，L1Loss为l1范数损失函数。[0146] 步骤六、实测数据三维成像：将步骤二生成的配准后的二维SAR图像数据与步骤三生成的观测矩阵与自适应阈值参量输入到步骤五预训练的模型自适应深度学习成像网络获得层析SAR三维图像。[0147] 实施例[0148] 计算机仿真模拟X波段层析SAR三维成像。其中SAR数据获取几何与目标分布如图5所示。[0149] 雷达发射信号中心频率为10GHz(X波段),高度向基线总长度设置为40m，共生成20轨数据。信号带宽为500MHz，雷达距离观测场景中心最短斜距为1Km，信噪比SNR设置为10dB，图4中散射点的位置信息分布如表1所示。[0150] 表1仿真设置散射点位置坐标[0151]散射点序号 坐标/(x,y,z) 散射点序号 坐标/(x,y,z)A (0,0,0) E (0,2,1)B (‑2,0,0) F (0,2,1.5)C (‑2,0,2) G (2,3,2)D (‑2,0,4) H (2,3,4)[0152] 根据步骤1的方法，使用快速分解后向投影(FFBP)算法进行二维成像，获取20条基线下的二维成像结果，如图6所示。[0153] 根据基线去相关原则，选取第十条航迹的二维成像图作为主图像利用步骤2所提的相关系数法进行图像配准，各配准后子图像与主图像的相关系数如图7所示，相关系数图n表示第n幅子图像与主图像生成的相关系数结果。[0154] 根据步骤3的方法，进行数据观测矩阵以及自适应阈值参量的生成。[0155] 根据步骤4的方法，进行仿真数据及数据标签的的生成。生成数据共11万组，其中10万组用作训练集，1万组用作测试集。[0156] 按步骤5进行模型自适应深度学习成像网络的搭建，并进行网络的预训练，获取得到模型自适应深度学习三维成像网络预训练模型。[0157] 最后，按照步骤6将步骤二生成的配准后的各基线下的二维SAR成像结果、步骤三生成的数据观测矩阵以及自适应阈值参量，输入模型自适应深度学习三维成像网络预训练模型得到三维成像结果图，如图8所示。[0158] 至此完成了基于模型自适应深度学习网络的层析SAR三维成像方法的层析SAR三维成像。

专利地区：北京

专利申请日期：2022-04-20

专利公开日期：2024-06-18

专利公告号：CN114879188B