基于深度学习的机载舰船目标ISAR精细化成像方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114966693A(43)申请公布日2022.08.30(21)申请号202210851335.9(22)申请日2022.07.20(71)申请人南京信息工程大学地址210032江苏省南京市江北新区宁六路219号(72)发明人黄柏圣陈小娇(74)专利代理机构南京经纬专利商标代理有限公司32200专利代理师朱小兵(51)Int.Cl.G01S13/90(2006.01)权利要求书7页说明书11页附图3页(54)发明名称基于深度学习的机载舰船目标ISAR精细化成像方法(57)摘要本发明提出一种基于深度学习的机载舰船目标ISAR精细成像方法，属于雷达信号处理微波成像技术领域。本发明通过采用SAR粗聚焦成像、深度学习目标精确提取分割、ISAR精细聚焦成像、图像定标及实测数据验证，最终实现舰船目标的精细聚焦定标ISAR成像，与现有技术相比，本发明通过迁移学习的方法，利用深度神经网络U‑Net对粗聚焦的舰船目标SAR图像进行分割提取，高效提升了舰船目标分割提取的精准性，同时降低运算量，利于工程实现，提升舰船目标识别和精准分辨能力。CN114966693ACN114966693A权利要求书1/7页1.一种基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，包括以下步骤：S1、建立机载SAR对海面舰船目标成像几何模型；S2、将机载SAR的原始回波信号变换到距离时域，完成距离脉压处理，得到第一回波信号数据；S3、对第一回波信号数据进行划分和处理，获得多普勒中心频率的估计值，构造运动补偿函数，对第一回波信号数据进行距离FFT，并与运动补偿函数相乘，获得运动补偿后的第一校正数据；S4、对运动补偿后的第一校正数据进行距离走动校正，得到第二校正数据；S5、对第二校正数据在距离向做逆傅立叶变换，在方位向做傅立叶变换，并对其采用图像中值滤波处理，获得第三图像数据，即SAR粗聚焦数据；S6、采用深度神经网络U‑Net对第三图像数据进行端到端目标分割提取；S7、在方位向对目标分割所截取的数据做逆傅立叶变换处理，变换到距离方位时域得第四图像数据；S8、选取最优成像时间，对第四图像数据按相关法进行包络对齐处理，得到包络对齐后的一维距离像数据，即第五图像数据；S9、对包络对齐后的一维距离向数据进行相位相参性补偿处理，获得距离像序列数据；对该距离像序列数据进行keystone变换，对发生距离走动的散射点进行走动校正，获得第六图像数据；S10、定标参数估计：利用去调频斜率Dechirp算法对目标高分辨瞬时成像，输入信号为第六图像数据，最终得到方位成像处理结果；S11、对第六图像数据在方位信号进行加窗和加权处理，获得方位压缩后的数据，并对其进行图像量化处理；S12、图像定标：基于包括调频率样本在内的信息，估计图像距离和方位向刻度；S13、对第六图像数据进行逆傅立叶变换处理，将其变换到距离方位时域，根据图像定标参数结果，截取相应图像区域，输出精细ISAR图像。2.根据权利要求1所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，在步骤S3中，将第一回波信号数据数据在脉冲维划分成多个子块回波数据，2CN114966693A权利要求书2/7页在每个子块回波数据中取512个脉冲的回波数据，计算每个距离门所对应的相关系数，利用多普勒中心频率计算公式求取每个距离门所对应的多普勒中心频率，并排序，取中间值作为多普勒中心频率的估计，利用不模糊多普勒频率，计算模糊倍数，获得最终子块回波数据多普勒中心频率的估计值，构造运动补偿函数，对第一回波信号数据进行距离FFT，并与运动补偿函数相乘，获得运动补偿后的第一校正数据。3.根据权利要求2所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S3的具体步骤如下：（1）第1子块回波数据每个距离门所对应的多普勒中心频率采用原始回波数据最前面的512个脉冲估计，从第2子块开始，采用上一子块的最后512个脉冲来估计当前子块回波数据每个距离门所对应的多普勒中心频率，计算每个距离门的相关系数值，第个距离门所对应的相关系数值为其中，为当前子块回波数据所对应的方位门序号，为当前子块回波数据所对应的距离门序号，为当前子块回波信号数据，为当前子块回波信号数据的距离门数，为当前子块回波数据方位门数；（2）计算当前子块回波数据第个距离门所对应的多普勒中心频率：其中，为距离向频率，表示求角度；对每个距离门所对应的多普勒中心频率排序，取中间值作为当前子块回波数据多普勒中心频率的估计值；（3）考虑每个距离门所对应的多普勒中心频率模糊问题，不模糊多普勒频率为其中，为载机平台地速，为斜视角，为波长；模糊数为其中，为MATLAB函数，表示向下舍入到最接近的整数，最终多普勒中