基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法与流程
本发明涉及基于cv-refocusnet的sar三维转动舰船目标重聚焦方法，属于sar图像处理领域。
背景技术：
舰船目标在海上航行，受海情及自身运动影响，存在三维转动。同一舰船目标在静止状态下，成像结果较为清晰，而在三维转动状态下，成像结果存在很严重的模糊现象。这是由于海上舰船目标存在三维转动分量，在高海情下使得sar(合成孔径雷达)成像结果较为模糊，而且海情越高，模糊越严重。模糊的sar舰船目标图像为后续的信息提取与识别过程，带来了极大困难。
现有的sar信息提取与识别算法，均是在目标图像较为清晰的前提下，才有较为准确的识别结果；也就是说，对于较为模糊的成像结果，进行信息提取与识别的结果并不可靠。
技术实现要素：
针对现有技术中，对模糊的sar舰船目标图像无法识别获得可靠的结果的问题，本发明提供一种基于cv-refocusnet的sar三维转动舰船目标重聚焦方法。
本发明的一种基于cv-refocusnet的sar三维转动舰船目标重聚焦方法，包括，
基于三维舰船模型与射线追踪法仿真获得sar舰船目标图像，所述sar舰船目标图像包括作为样本的sar三维转动舰船目标图像和作为标签的sar静止舰船目标图像；将sar舰船目标图像分组为训练样本库与测试样本库；
构建复数域卷积神经网络cv-refocusnet架构，所述cv-refocusnet架构包括一个输入层、四个卷积层和四个反卷积层，其中第四个反卷积层作为输出层；cv-refocusnet架构的输入、输出、激活函数及权值均属于复数域；
采用训练样本库中的训练样本对cv-refocusnet架构进行训练，训练超参数，得到具有重聚集功能的cv-refocusnet网络模型；再采用测试样本库中的测试样本对cv-refocusnet网络模型进行测试，得到将sar三维转动舰船目标图像重聚集后的清晰sar舰船目标图像。
根据本发明的基于cv-refocusnet的sar三维转动舰船目标重聚焦方法，所述sar舰船目标图像的距离向分辨率为2.2484米，方位向分辨率为6.4456米，图像大小为128×128像素。
根据本发明的基于cv-refocusnet的sar三维转动舰船目标重聚焦方法，所述超参数包括：每批次训练样本数为32，共训练30000批次，学习率为0.001，优化方法为adam。
根据本发明的基于cv-refocusnet的sar三维转动舰船目标重聚焦方法，所述四个卷积层和四个反卷积层的卷积核大小均为4×4像素，步长为2像素；第一个卷积层共64个卷积核；第二个卷积层共128个卷积核；第三个卷积层共256个卷积核；第四个卷积层共512个卷积核；第一个反卷积层共256个卷积核；第二个反卷积层共128个卷积核；第三个反卷积层共64个卷积核；第四个反卷积层共1个卷积核。
根据本发明的基于cv-refocusnet的sar三维转动舰船目标重聚焦方法，所述训练样本与测试样本均为标准化后的sar复图像；sar复图像大小为128×128×1像素；
输入层对sar复图像进行处理后，传递至第一个卷积层；
第一个卷积层将输入的图像进行处理后输出64个64×64像素大小的复特征图；
第二个卷积层对第一个卷积层输出的复特征图进行处理，输出128个32×32像素大小的复特征图；
第三个卷积层对第二个卷积层输出的复特征图进行处理，输出256个16×16像素大小的复特征图；
第四个卷积层对第三个卷积层输出的复特征图进行处理，输出512个8×8像素大小的复特征图；
第一个反卷积层将第四个卷积层输出的复特征图进行反卷积，输出256个16×16像素大小的复特征图；
第二个反卷积层将第一个反卷积层输出的复特征图和第三个卷积层输出的复特征图按照特征图维度进行拼接，然后进行反卷积，输出128个32×32像素大小的复特征图；
第三个反卷积层将第二个反卷积层输出的复特征图和第二个卷积层输出的复特征图按照特征图维度进行拼接，然后进行反卷积，输出64个64×64像素大小的复特征图；
输出层将第三个反卷积层输出的复特征图和第一个卷积层输出的复特征图按照特征图维度进行拼接，然后进行反卷积，输出1个128×128像素大小的复特征图，作为重聚集后的清晰sar舰船目标图像。
根据本发明的基于cv-refocusnet的sar三维转动舰船目标重聚焦方法，所述四个卷积层和前三个反卷积层的激活函数均为ctanh激活函数。
根据本发明的基于cv-refocusnet的sar三维转动舰船目标重聚焦方法，所述ctanh激活函数定义如下：
f＝ctanh(a)＝tanh(ar)+jtanh(ai)，
即对于输入复图像a，分别对a的实部ar和虚部ai取tanh函数输出；f为ctanh激活函数的输出。
根据本发明的基于cv-refocusnet的sar三维转动舰船目标重聚焦方法，所述sar舰船目标图像的80％作为训练样本，20％作为测试样本。
本发明的有益效果：本发明基于深度学习技术及图像处理技术的快速发展而提出，通过大量sar样本的学习，实现较好的图像处理效果。它从复数域角度设计了cv-refocusnet深度学习网络架构，充分利用sar图像的幅度和相位信息，实现sar三维转动舰船目标重聚焦，得到清晰目标图像。
本发明方法通过sar样本生成、网络架构设计、重聚焦实现三个部分组成；sar样本生成部分负责生成sar三维转动舰船目标图像，构成训练样本库和测试样本库，网络架构设计部分给出cv-refocusnet网络架构，阐明网络设计细节，重聚焦实现部分基于cv-refocusnet，对sar三维转动舰船目标样本库进行训练测试，实现重聚焦功能。
本发明方法可使用于海洋观测场景下，对由于存在三维转动分量而产生模糊的舰船目标sar图像，实现重聚焦，进而得到清晰的sar舰船目标像，为后续sar图像处理提供保障，符合实际需求，实施方便。
本发明通过深度学习方法进行sar智能图像处理，并基于三维舰船模型与射线追踪法获取大量sar三维转动舰船目标仿真图像，保障了深度学习方法对于样本的大量需求，使得深度学习应用于sar图像处理领域成为可能。
本发明创新性的提出了cv-refocusnet进行sar三维转动舰船目标重聚焦，网络采用“端到端”的设计方式，输入为模糊的sar舰船目标图像，输出为重聚焦后的清晰sar舰船目标图像，为sar图像的进一步处理提供了保障，具有一定的方法优越性。
本发明利用sar成像技术、深度学习技术，更好的满足不同成像场景下的复杂sar重聚焦需求，对视角变化、仿射变换、噪声保持一定程度的稳定性。
附图说明
图1是本发明所述基于cv-refocusnet的sar三维转动舰船目标重聚焦方法的整体流程图；
图2是获得训练样本库与测试样本库的流程图；
图3是cv-refocusnet架构图；
图4是本发明实现图像目标重聚焦的流程图；
图5是仿真获得的sar三维转动舰船目标成像结果图；
图6是仿真获得的sar静止舰船目标成像结果图；
图7是采用本发明方法由图5重聚集后的成像结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
具体实施方式一、结合图1至图4所示，本发明提供了一种基于cv-refocusnet的sar三维转动舰船目标重聚焦方法，包括，
基于三维舰船模型与射线追踪法仿真获得sar舰船目标图像，所述sar舰船目标图像包括作为样本的sar三维转动舰船目标图像和作为标签的sar静止舰船目标图像；将sar舰船目标图像分组为训练样本库与测试样本库；
构建复数域卷积神经网络cv-refocusnet架构，所述cv-refocusnet架构包括一个输入层、四个卷积层和四个反卷积层，其中第四个反卷积层作为输出层；cv-refocusnet架构的输入、输出、激活函数及权值均属于复数域；
采用训练样本库中的训练样本对cv-refocusnet架构进行训练，训练超参数，得到具有重聚集功能的cv-refocusnet网络模型；再采用测试样本库中的测试样本对cv-refocusnet网络模型进行测试，得到将sar三维转动舰船目标图像重聚集后的清晰sar舰船目标图像。
本实施方式中cv-refocusnet架构中的全部元素均为复数。重聚焦实现部分基于cv-refocusnet，对sar三维转动舰船目标样本库进行训练测试，实现重聚焦功能，得到清晰的sar舰船目标像。cv-refocusnet架构能够处理复图像数据，将sar图像作为单一通道输入到网络中，网络的输入为模糊的sar三维转动舰船目标图像，网络的输出为重聚焦后的清晰的sar舰船目标图像，输入输出图像均为复图像，包含幅度和相位信息。
结合图2所示，作为样本的sar三维转动舰船目标图像的生成包括射线追踪与sar成像两部分。射线追踪部分基于舰船三维模型，利用射线追踪法获取到舰船目标在sar成像场景中的散射点空间坐标及散射强度；sar成像部分利用射线追踪部分得到的散射点信息，根据设置的雷达参数和三维转动参数，进行sar成像仿真，得到分别作为样本和标签的sar三维转动舰船目标图像与sar静止舰船目标图像。sar三维转动舰船目标成像结果示例如图5所示，sar静止舰船目标成像结果如图6所示；
仿真得到的大量sar图像构成仿真样本库，作为示例，可抽取其中的80％作为训练样本库，剩余的20％作为测试样本库。
重聚集实现包括训练和测试两部分。训练部分输入cv-refocusnet进行训练，测试部分输入cv-refocusnet进行测试。
作为示例，所述sar舰船目标图像的距离向分辨率为2.2484米，方位向分辨率为6.4456米，图像大小为128×128像素。
作为示例，所述超参数包括：每批次训练样本数为32，共训练30000批次，学习率为0.001，优化方法为adam。
进一步，结合图3所示，所述四个卷积层和四个反卷积层的卷积核大小均为4×4像素，步长为2像素；第一个卷积层共64个卷积核；第二个卷积层共128个卷积核；第三个卷积层共256个卷积核；第四个卷积层共512个卷积核；第一个反卷积层共256个卷积核；第二个反卷积层共128个卷积核；第三个反卷积层共64个卷积核；第四个反卷积层共1个卷积核。
卷积层的输入
其中
再进一步，结合图3所示，所述训练样本与测试样本均为标准化后的sar复图像；sar复图像大小为128×128×1像素；
输入层对sar复图像进行处理后，传递至第一个卷积层；
第一个卷积层将输入的图像进行处理后输出64个64×64像素大小的复特征图；
第二个卷积层对第一个卷积层输出的复特征图进行处理，输出128个32×32像素大小的复特征图；
第三个卷积层对第二个卷积层输出的复特征图进行处理，输出256个16×16像素大小的复特征图；
第四个卷积层对第三个卷积层输出的复特征图进行处理，输出512个8×8像素大小的复特征图；
第一个反卷积层将第四个卷积层输出的复特征图进行反卷积，输出256个16×16像素大小的复特征图；
第二个反卷积层将第一个反卷积层输出的复特征图和第三个卷积层输出的复特征图按照特征图维度进行拼接，然后进行反卷积，输出128个32×32像素大小的复特征图；
第三个反卷积层将第二个反卷积层输出的复特征图和第二个卷积层输出的复特征图按照特征图维度进行拼接，然后进行反卷积，输出64个64×64像素大小的复特征图；
输出层将第三个反卷积层输出的复特征图和第一个卷积层输出的复特征图按照特征图维度进行拼接，然后进行反卷积，输出1个128×128像素大小的复特征图，作为重聚集后的清晰sar舰船目标图像。
第一个反卷积层的输出和第三个卷积层的输出按照特征图维度进行拼接得到的新特征图作为第二个反卷积层的输入，第二个反卷积层的输出和第二个卷积层的输出按照特征图维度进行拼接得到的新特征图作为第三个反卷积层的输入，第三个反卷积层的输出和第一个卷积层的输出按照特征图维度进行拼接得到的新特征图作为第四个反卷积层的输入。
再进一步，所述四个卷积层和前三个反卷积层的激活函数均为ctanh激活函数。
本实施方式中，网络的全部元素(包括卷积核、反卷积核及激活函数)都属于复数域。
再进一步，所述ctanh激活函数定义如下：
f＝ctanh(a)＝tanh(ar)+jtanh(ai)，
即对于输入复图像a，分别对a的实部ar和虚部ai取tanh函数输出；f为ctanh激活函数的输出。
第四个反卷积层即输出层无激活函数。
由图7与图6的对比可以看出，采用本发明方法的重聚焦结果与静止成像结果高度符合，而且在局部比静止成像结果更加聚集，说明了基于cv-refocusnet对于sar三维转动舰船目标重聚焦的有效性，所以本发明方法可靠性高，效果较好。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。
- 还没有人留言评论。精彩留言会获得点赞！