一种基于零样本学习的雷达图像相干斑滤波方法及装置

本发明主要涉及到雷达信号处理，尤其是一种基于零样本学习的雷达图像相干斑滤波方法及装置。

背景技术：

1、雷达具有全天时全天候工作能力，广泛应用于海洋监测等领域。合成孔径雷达(synthetic aperture radar, sar)观测覆盖范围广、成像分辨率高，是遥感领域的主流传感器。

2、然而，雷达图像中相干斑效应给雷达图像解译和分析带来挑战，同时影响雷达图像中人造目标的信息提取，进而影响人造目标的检测与识别精度。随着深度学习理论和技术的发展，基于深度学习的sar图像相干斑滤波速度和性能超越了经典的相干斑滤波方法。但是基于深度学习的sar图像相干斑滤波算法大多利用多时相雷达图像或者由光学图像仿真得到多张带噪图像训练深度网络模型，然而这两种方式数据获取难度大，训练得到的深度学习相干斑滤波模型泛化性不足。

技术实现思路

1、针对现有技术存在的技术问题，本发明提出一种基于零样本学习的雷达图像相干斑滤波方法及装置。

2、为实现上述目的，本发明采用的技术方案如下：

3、一方面，本发明提供一种基于零样本学习的雷达图像相干斑滤波方法，包括：

4、获取雷达图像数据，进行子视分解，得到子视雷达图像，构建雷达图像训练数据集；

5、构建基于子视分解的自监督雷达图像相干斑滤波网络模型，所述自监督雷达图像相干斑滤波网络模型包括cnn相干斑滤波模块和自监督模块，cnn相干斑滤波模块用于对输入网络模型的子视雷达图像进行特征提取和相干斑滤波，所述自监督模块基于输入的子视雷达图像及其对应的相干斑滤波结果构建子视损失函数；

6、使用雷达图像训练数据集中的子视雷达图像训练所述自监督雷达图像相干斑滤波网络模型，当子视损失函数满足设定条件时，获得训练好的雷达图像相干斑滤波模型；

7、将待进行相干斑滤波的雷达图像数据输入所述训练好的雷达图像相干斑滤波模型实现相干斑滤波。

8、进一步地，雷达图像训练数据集通过以下步骤获得：获取雷达图像数据，在距离向频域和方位向频域上对其进行子视划分，得到个子视雷达图像，，，表示方位向划分的第幅和距离向划分的第幅子视雷达图像；选取与雷达图像数据能量最为接近的个子视雷达图像，构建得到雷达图像训练数据集。

9、进一步地，所述cnn相干斑滤波模块有两个，分别为第一cnn相干斑滤波模块和第二cnn相干斑滤波模块，两个cnn相干斑滤波模块的权重共享；在雷达图像训练数据集中选取当前与原始雷达图像能量最接近的两个子视雷达图像分别为第一子视雷达图像和第二子视雷达图像，第一子视雷达图像输入到第一cnn相干斑滤波模块得到第一子视雷达图像对应的相干斑滤波结果，第二子视雷达图像输入到第二cnn相干斑滤波模块中得到第二子视雷达图像对应的相干斑滤波结果。

10、进一步地，所述cnn相干斑滤波模块包括n个卷积单元，所述第一个卷积单元包含一个卷积层和一个激活层；第二个至第n个卷积单元均包含一个卷积层、一个批归一化层和一个激活层，所述第一个卷积单元连接输入，n个卷积单元依次串联，同时通过长跳线将输入与第n个卷积单元的输出相连后作为cnn相干斑滤波模块的输出。

11、进一步地，所述子视损失函数，为

12、；

13、其中，和分别代表当前选取的与原始雷达图像能量最接近的两个子视雷达图像，，，，，下标与不同时成立，代表矩阵的范数，代表子视雷达图像的对应的相干斑滤波结果。

14、进一步地，关于损失函数需要满足的设定条件，本领域技术人员根据情况设定。在一实施例中，所述设定条件为：当前子视损失函数的值最小且当前子视损失函数的值与上一轮计算得到的子视损失函数的值的差值小于0.001。

15、另一方面，本发明提供一种基于零样本学习的雷达图像相干斑滤波装置，包括：

16、第一模块，用于获取雷达图像数据，进行子视分解，得到子视雷达图像，构建雷达图像训练数据集；

17、第二模块，用于构建基于子视分解的自监督雷达图像相干斑滤波网络模型，所述自监督雷达图像相干斑滤波网络模型包括cnn相干斑滤波模块和自监督模块，cnn相干斑滤波模块用于对输入网络模型的子视雷达图像进行特征提取和相干斑滤波，所述自监督模块基于输入的子视雷达图像及其对应的相干斑滤波结果构建子视损失函数；

18、第三模块，用于使用雷达图像训练数据集中的子视雷达图像训练所述自监督雷达图像相干斑滤波网络模型，当子视损失函数满足设定条件时，获得训练好的雷达图像相干斑滤波模型；

19、第四模块，用于将待进行相干斑滤波的雷达图像数据输入所述训练好的雷达图像相干斑滤波模型实现相干斑滤波。

20、另一方面，本发明提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

21、获取雷达图像数据，进行子视分解，得到子视雷达图像，构建雷达图像训练数据集；

22、构建基于子视分解的自监督雷达图像相干斑滤波网络模型，所述自监督雷达图像相干斑滤波网络模型包括cnn相干斑滤波模块和自监督模块，cnn相干斑滤波模块用于对输入网络模型的子视雷达图像进行特征提取和相干斑滤波，所述自监督模块基于输入的子视雷达图像及其对应的相干斑滤波结果构建子视损失函数；

23、使用雷达图像训练数据集中的子视雷达图像训练所述自监督雷达图像相干斑滤波网络模型，当子视损失函数满足设定条件时，获得训练好的雷达图像相干斑滤波模型；

24、将待进行相干斑滤波的雷达图像数据输入所述训练好的雷达图像相干斑滤波模型实现相干斑滤波。

25、另一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

26、获取雷达图像数据，进行子视分解，得到子视雷达图像，构建雷达图像训练数据集；

27、构建基于子视分解的自监督雷达图像相干斑滤波网络模型，所述自监督雷达图像相干斑滤波网络模型包括cnn相干斑滤波模块和自监督模块，cnn相干斑滤波模块用于对输入网络模型的子视雷达图像进行特征提取和相干斑滤波，所述自监督模块基于输入的子视雷达图像及其对应的相干斑滤波结果构建子视损失函数；

28、使用雷达图像训练数据集中的子视雷达图像训练所述自监督雷达图像相干斑滤波网络模型，当子视损失函数满足设定条件时，获得训练好的雷达图像相干斑滤波模型；

29、将待进行相干斑滤波的雷达图像数据输入所述训练好的雷达图像相干斑滤波模型实现相干斑滤波。

30、相比现有技术，本发明的技术效果：

31、本发明首先对原始雷达图像在距离向频域和方位向频域上进行子视分解，得到子视雷达图像，并选取两幅与原始雷达图像能量最接近的子视雷达图像。然后通过自监督相干斑滤波网络模型分别对两幅子视雷达图像进行特征提取和相干斑估计，最后利用构建的子视损失函数，引导网络学习到与两幅子视雷达图像最为接近的干净雷达图像。本发明能够充分利用复数雷达图像的相位信息，实现无需参考真值的雷达图像自监督相干斑滤波，并提高雷达图像相干斑滤波速度和雷达图像的质量。