基于非监督生成先验的超材料孔径编码去噪成像方法

本技术涉及雷达去噪，特别是涉及一种基于非监督生成先验的超材料孔径编码去噪成像方法。

背景技术：

1、超材料孔径编码成像技术是一种新型雷达前视成像技术，其结构简单易于集成，具有高分辨、全天时等诸多优点。超材料孔径编码成像技术不依赖于相对运动积累孔径实现横向高分辨，而是利用超材料编码天线对电磁波进行随机调制，在前视方向形成时空独立分布的辐射场。其原理是，发射机发射雷达信号照射反射式超材料编码天线，超材料编码天线的编码控制模块对入射电磁波在不同时刻加载不同的幅度、相位或频率随机调制因子，最终可以在前视目标区域形成时间、空间独立分布的辐射场。经过目标反射后，雷达回波由接收天线接收，最后将接收到的信号送入信号处理模块，通过对成像区域进行网格划分推演构造参考信号矩阵，利用计算成像的方式求解出目标散射系数。虽然超材料孔径编码成像技术具有诸多优势，但是在走向实际应用的过程中还存在一些需要解决的难点问题。比如，在复杂电磁环境下，网格平面外的强散射体会干扰目标散射系数的求解，在成像网格平面以噪声的形式存在，因此，如何提高在低信噪比下的成像质量需要提出新的求解模型和成像方法。

2、然而，目前的目前国内外针对低信噪比下超材料孔径编码成像技术的研究主要有两种，其一是论文-基于卷积神经网络的增强太赫兹孔径编码成像提出的利用卷积神经网络的太赫兹孔径编码增强成像方法，该方法通过构建一个端到端的神经网络来实现成像系统的隐式建模，利用网络强大的求逆能力和抗噪性能来实现低信噪比下的目标重构，以解决传统成像算法鲁棒性较差、计算求解复杂度较高等问题。结果显示，该方法实现了对成像系统隐式建模，不依赖复杂的先验知识，显著降低了成像计算复杂度，可以在不同信噪比下实现对不同稀疏度目标的重构。另外，与经典的优化迭代算法相比，该方法在低信噪比下可以实现对目标更高分辨率的重构。其二是国外论文提出的一种新的基于深度先验的成像方法。其方案如下，首先基于相干探测阵列对系统进行分析和建模，通过将目标建模在生成器范围内提出了基于深度先验的tcai模型。然后，设计了深度交替最小化(deep-am)算法，通过在目标空间和潜在变量空间之间交替投影来求解模型。从结果看，该方法能实现对不同稀疏度目标的高分辨率重建，同时提升压缩测量下的鲁棒性。该方法利用阵列接收和深度先验信息，大大减少了系统的采集和编码时间，此外，交替投影法还提高了潜在向量的恢复精度。但是在处理从回波到目标散射系数估计的逆问题时，基于端到端神经网络的方法虽然能够实现从回波信号对目标的快速恢复，但是一个良好训练的网络需要大量回波-图像的数据对，难以获取。同时该网络仅能针对该特定成像场景，当场景更换了之后需要新的数据训练新的网络。在第二个方法中对深度先验信息的提取可以在压缩测量和低信噪比条件下实现不同稀疏度目标的高分辨率重建，具有良好的抗噪性能和稳定性。另外该方法突破了场景约束，可以应用于不同的成像场景。但由于无法实现对生成模型范围之外的目标进行恢复，因此具有一定的局限性。并且在信噪比较高时，生成先验反而会干扰成像质量，使得其性能低于正则化方法。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升低信噪比下目标散射系数的重建精度的基于非监督生成先验的超材料孔径编码去噪成像方法。

2、一种基于非监督生成先验的超材料孔径编码去噪成像方法，所述方法包括：

3、构建超材料孔径编码成像系统；超材料孔径编码成像系统包括控制终端、编码控制模块、超材料孔径编码天线以及接收天线；

4、在成像平面进行网格划分，得到多个目标网格单元；预先获取雷达发射的线性调频信号，利用编码控制模块加载相位随机调制因子到超材料编码天线对线性调频信号进行相位调制后，在前视区域形成时空不相关的随机辐射场，利用基于距离时延的信号推演方法推导得到目标网格单元在任一时刻的参考信号；

5、根据所有网格单元在多个时刻的参考信号构建参考信号矩阵；基于生成器网络的孔径编码成像方法处理预先获取的高信噪比回波数据集，得到目标散射数据集；

6、利用回波数据、目标散射系数矢量、参考信号矩阵和测量噪声矢量构建超材料孔径编码成像模型；

7、将高信噪比的目标散射系数分布与低信噪比的目标散射系数分布的差异作为惩罚项构建差异损失函数，根据目标散射数据集和差异损失函数并利用生成对抗网络对超材料孔径编码成像模型进行求解和优化，得到目标图样最优估计。

8、在其中一个实施例中，获取回波数据的过程包括：控制终端驱动雷达发射端发射雷达信号照射到超材料编码天线表面，同时控制终端驱动编码控制模块对超材料编码天线在不同时刻对雷达信号加载不同的相位随机调制因子对入射的雷达信号进行随机相位调制，最终在目标区域形成时空非相关特征显著的探测信号，选取多种目标，探测信号经过目标反射后由雷达接收机经过多次采样和接收获得对应的回波数据。

9、在其中一个实施例中，线性调频信号为

10、

11、其中，fc是中心频率，a是信号幅度，k是调频率，t表示时刻，j表示虚数单元符号。

12、在其中一个实施例中，利用编码控制模块加载相位随机调制因子到超材料编码天线对线性调频信号进行相位调制后，在前视区域形成时空不相关的随机辐射场，利用基于距离时延的信号推演方法推导得到目标网格单元在任一时刻的参考信号，包括：

13、利用编码控制模块加载相位随机调制因子到超材料编码天线对线性调频信号进行相位调制后，在前视区域形成时空不相关的随机辐射场，利用基于距离时延的信号推演方法推导得到目标网格单元在任一时刻的参考信号为

14、

15、其中，q表示孔径编码天线总的调制单元个数，是第q个编码单元在tm时刻的相位调制因子，dtx,q,n表示发射机到第q个编码单元的距离与第q个编码单元到第n个成像网格的距离总和，dn,rx表示第n个成像网格到接收机的距离，fc是中心频率，a是信号幅度，k是调频率，t表示时刻，j表示虚数单元符号，m表示时刻的序号。

16、在其中一个实施例中，根据所有网格单元在多个时刻的参考信号构建参考信号矩阵，包括：

17、根据所有网格单元在多个时刻的参考信号构建参考信号矩阵为

18、

19、其中，n表示目标网格单元的总数，m表示时刻总数。

20、在其中一个实施例中，利用回波数据、目标散射系数矢量、参考信号矩阵和测量噪声矢量构建超材料孔径编码成像模型，包括：

21、利用回波数据、目标散射系数矢量、参考信号矩阵和测量噪声矢量构建超材料孔径编码成像模型为

22、sr＝s·β+ω

23、其中，ω∈rm×1是测量噪声矢量，sr∈rm×1表示雷达接收机经过m次采样和接收获得对应的回波数据，β表示目标散射系数矢量，s表示参考信号矩阵。

24、在其中一个实施例中，将高信噪比的目标散射系数分布与低信噪比的目标散射系数分布的差异作为惩罚项构建差异损失函数，还包括：

25、将高信噪比的目标散射系数分布与低信噪比的目标散射系数分布的差异作为惩罚项构建损失函数为

26、

27、其中，表示超材料孔径编码成像模型的预测回波，sr表示目标回波数据，表示θ参数下的卷积神经网络，表示在网格平面上高信噪比的目标散射系数分布与具有低信噪比的目标散射系数分布的差异，表示高信噪比的目标散射系数分布，表示低信噪比的目标散射系数分布，βset表示目标散射数据集，表示目标图样最优估计，λ表示平衡失真和对抗性损失的参数，β0是随机初始化生成的图样。

28、在其中一个实施例中，生成对抗网络包括生成器网络和判别器网络；根据目标散射数据集和差异损失函数并利用生成对抗网络对超材料孔径编码成像模型进行求解和优化，得到目标图样最优估计，包括：

29、根据rmsprop算法、目标散射数据集和预先设置生成器网络损失函数与鉴别器网络损失函数对所述生成对抗网络进行网络参数迭代更新，得到训练好的生成对抗网络；

30、将差异损失函数对超材料孔径编码成像模型进行求解和优化的过程比拟为利用训练好的生成对抗网络对超材料孔径编码成像模型进行求解和优化的过程，得到目标图样最优估计。

31、在其中一个实施例中，预先设置生成器网络损失函数为

32、

33、其中，表示参数下的深度卷积神经网络。

34、在其中一个实施例中，预先设置鉴别器网络损失函数为

35、

36、其中，γ表示梯度惩罚系数，表示梯度计算。

37、上述基于非监督生成先验的超材料孔径编码去噪成像方法，本技术基于超材料孔径编码成像体制，融合无监督恢复学习准则，并使用生成对抗网络实现该目标。利用鉴别器网络挖掘具有高信噪比的目标散射系数分布与具有低信噪比的目标散射系数分布的差异，并利用生成器网络实现低信噪比下目标散射系数的高精度重建。相较于基于监督学习的端到端神经网络方法，本发明采取非监督模式，无需构造成对的训练数据集，能减少工作量，同时该方法具有泛化性，可实现对数据集之外的目标成像。另外，相较于传统压缩感知算法，本发明能极大提高低信噪比下目标散射系数的重建精度。