[发明专利]基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法

权利要求书

1.一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法，其特征在于，包括以下步骤：

第一步：对海面舰船尾迹模型进行建模，将海面舰船尾迹分解为湍流尾迹、开尔文尾迹以及海面模型，然后将三者分别建模后再经过线性叠加得到总的海面舰船尾迹模型；

第二步：设定仿真雷达参数，利用弹跳射线法实现SAR图像快速成像，通过对不同的舰船参数进行仿真来实现构建数据集，并将数据集划分为一定比例的训练集与测试集，以SAR图像作为训练样本的输入，以舰船尾迹的仿真参数作为训练标签，对每张SAR图像标注对应的标签；

第三步：搭建改进的残差轻量网络，将训练样本与训练标签同时送入到网络中进行训练，然后将经过训练的网络用于检测未知SAR样本的舰船参数，同时对估计结果进行精度与参数量的评估。

2.根据权利要求1所述的方法，其特征在于，第二步中，所搭建的数据集以不同的舰船速度V_S、舰船长度L、舰船宽度B以及舰船吃水深度D作为随机变量进行生成舰船尾迹SAR图像。

3.根据权利要求1所述的方法，其特征在于，第三步中，搭建改进的残差轻量网络，步骤如下：

对于输入的尾迹SAR图像，首先选择通过7×7的大卷积核来提取底层的特征，该特征包括图像的轮廓、细节以及纹理；在7×7卷积操作之后，引入非局部运算来计算图像中特征不同位置的关联度，增强全局特征感知；然后通过3×3的最大池化，消除非极大值；此后经过4个Conv_x层，每个包括四层3×3普通卷积层，输出通道数分别为64、128、256和512，将四层普通3×3卷积过程更新为3×3的逐通道卷积过程与1×1的逐点卷积过程；随后通过卷积块注意模块来增强网络顶层相关特征提取能力，此后经过平均池化输出512通道数的1×1尺寸特征；最后将其通过一个全连接层FC直接输出舰船参数。

4.根据权利要求3所述的方法，其特征在于，所述非局部运算过程的具体方法如下：

假设输入SAR图像特征任意位置处的索引序号为i，对特征进行处理，根据下列关系重新定义i处的特征

其中，x_i是i处的输入特征，x_j表示j处的输入特征，y_i是i处的输出特征，把一元函数g(·)当作一种线性转化，则有

g(x_j)＝W_gx_j

其中，W_g是待学习的权重矩阵，可以通过空间域的1×1卷积实现，函数f(·,·)是衡量i与j处的相似度函数，表示形式为

归一化因子表示为

5.根据权利要求1所述的方法，其特征在于，第一步中，建立舰船湍流尾迹模型，在舰船行驶路径之后距离尾迹x距离处，湍流尾迹的宽度W(x)为

其中，L为舰船长度，B为舰船宽度，a＝5；

湍流高度S(k)衰减模型为

其中，k为能量谱对应的波数，V_S为船速，L′为速度积分长度，E(k)＝ξ^2/3k^-5/3，ξ＝9.0×10^-6，y为垂直于船身方向的位置。

6.根据权利要求5所述的方法，其特征在于，第一步中，建立舰船开尔文尾迹模型，在舰船行驶路径之后距离尾迹x距离处，湍流尾迹的宽度W(x)为

其中，为尾迹波浪高度，Re表示取实部，θ为波传播方向相对于x轴的夹角，为相位系数，是传播方向波分量的波数，A(θ)为舰船自由波谱，A(θ)满足

其中，H(K,θ)为Kochin函数，S_H为舰船表面，z为吃水深度，水流强度σ(x,y,z)可以表示为

其中，f是舰船的船体特征方程

其中，d为侧壁吃水深度。