[发明专利]智能微波凝视关联成像方法、设备及存储介质

说明书

本发明公开了一种智能微波凝视关联成像方法、设备及存储介质，方法包括：在预置时空随机辐射场照射下，通过微波凝视关联成像系统获取已知相互正交目标场景集的散射回波数据，与对应目标场景的标签，由散射回波数据和标签共同构成数据集的训练集、验证集和测试集；构建机器学习人工神经网络，建立输入目标散射回波数据与输出目标微波图像的直接映射智能关联成像神经网络模型；对直接映射关联成像神经网络模型训练与验证后，输入测试集中未知散射回波数据，通过直接映射关联成像神经网络模型预测得出与未知散射回波数据对应的目标微波成像。本发明无需预置随机辐射场的演算与测试，解决了传统微波凝视关联成像算法的过于复杂、非常耗时的难题。

技术领域

本发明涉及微波成像领域，尤其涉及一种智能微波凝视关联成像方法。

背景技术

微波成像是通过在微波频段获取目标电磁散射信息来完成的，它具有全天候、大范围的成像能力，在遥感、重要军事目标调查等方面有广泛的应用。真实孔径雷达成像可以实现对观测区域的连续观测，但其方位分辨率受到其天线孔径大小的限制，因此，只能应用于低分辨率成像。合成孔径雷达和逆合成孔径雷达成像是依靠雷达和目标之间的相对运动来合成大的天线孔径来实现高分辨率成像的，因此无法实现在观测现场长时间的凝视成像。微波凝视关联成像是一种新的成像体制，其核心思想是构造波束内辐射场的随机时空涨落变化，利用多个随机辐射场样本和回波数据的关联处理来实现波束内目标分辨，可以超越其天线孔径大小的限制进行超分辨率凝视成像。

微波凝视关联成像的成像结果受到时空随机辐射场和相关重建算法的计算精度的影响。一方面，时空随机辐射场的精确计算取决于雷达系统的精确先验知识，然而，在实际的微波凝视关联成像系统中，总是存在着系统误差，如发射和接收阵列的位置误差，雷达系统的时间同步和频率同步误差等。近年来，针对每一个不同的影响因素，研究者提出了相应的解决方案。针对阵元幅相误差，周小利从贪婪迭代和稀疏贝叶斯学习的角度，分别提出了基于正交匹配追踪(OMP)迭代和稀疏贝叶斯学习(SBL)迭代的幅相误差自校正方法，求解目标的散射系数，然后利用最小二乘估计阵元的幅相误差。针对阵元位置误差，基于基追踪(BP)的交替迭代成像算法被提出，以对阵元位置误差进行补偿。针对每路发射通道每个脉冲的随机相位、幅度、同步等因素引起的误差，曹凯程等人将其视为对辐射场矩阵的加性扰动，并提出了基于FOCUSS和TV-TLS的迭代优化方法，分别估计出扰动矩阵和目标的散射系数，从而获得更好的成像质量。总体来说，为了使成像模型适配，这些方法只是单一解决其中一个因素，然而，所有的系统参数都要精确知道才可以精确计算辐射场。

另一方面，在微波凝视关联成像重建算法中，何学智和孟青泉等人提出了Tikhonov正则化、截断奇异值分解（TSVD）方法、总方差正则化算法，通过限制观测矩阵中较小的奇异值成分，增强了问题求解的稳定性。对于稀疏目标，OMP、SBL等稀疏重建方法被应用于微波凝视关联成像，取得了较好的成像效果。而这些成像优化算法仍然存在计算复杂度高、成像时间长的问题。

有鉴于此，特提出本发明。

发明内容

本发明的目的是提供了一种智能微波凝视关联成像方法、设备及存储介质，其无需预置随机辐射场的演算与测试，解决了传统微波凝视关联成像算法过于复杂、非常耗时的难题。

本发明的目的是通过以下技术方案实现的：

在预置时空随机辐射场照射下，通过微波凝视关联成像系统获取已知相互正交目标场景集的散射回波数据，与对应目标场景的标签，由散射回波数据和标签共同构成数据集的训练集和验证集；

构建一个机器学习人工神经网络，依据输入的目标散射回波数据与输出的标签来建立直接映射关联成像神经网络模型；