一种结合门单元和迁移学习的逆合成孔径雷达成像方法与流程

1.本发明属于雷达信号处理技术领域，是一种用于稀疏isar成像的方法。


背景技术：

2.isar(inverse synthetic aperture radar,逆合成孔径雷达)可以在全天候全天时条件下获得运动目标的高分辨率图像，是非合作目标监视和识别的重要工具。传统的rd(range doppler,距离多普勒)方法利用fft实现目标方位向成像。rd成像方法成像效率高，但其成像结果易受到旁瓣干扰。稀疏isar成像方法能够利用极少的测量值重建出旁瓣干扰小，图像对比度高的目标图像。然而，稀疏isar成像方法的成像质量和效率分别受到稀疏表示不准确和迭代重建过程耗时的限制。
3.学习好的cnns(convolutional neural networks，卷积神经网络系统)能够自动地找到未知雷达数据的最优特征表示。但这些cnns都只有单一的特征前向传递路径，缺乏将ofrs(original feature representations,网络浅层特征表示)直接传递到网络重建层的路径。由于ofrs对于目标细节重建很有效，而在这些cnns中ofrs并未得到充分的利用，这限制了目标细节重建的质量。fcnn(fully convolutional neural network,全卷积神经网络)引入sks(skip connections，跳跃连接)来建立额外的路径，将ofrs直接地传递到网络重建层。然而，sks传递的ofrs不可避免地包含了虚假散射点的特征信息，这使得最终重建的目标图像中容易出现虚假散射点。


技术实现要素：

4.本发明所要解决的技术问题是：针对背景技术的缺陷，在fcnn中引入gu(gate unit，门单元)，形成改进后的fcnn称为g-fcnn，对g-fcnn应用tl(transfer learning,迁移学习)策略进行训练，基于训练好的g-fcnn，提出一种基于g-fcnn的isar稀疏成像方法，输入低质量的isar目标初始图像，输出聚焦较好的成像结果。。
5.本发明为解决上述技术问题采用以下技术方案：
6.本发明提出一种结合门单元和迁移学习的逆合成孔径雷达成像方法，包括以下步骤：
7.s1、构建全卷积神经网络fcnn：利用卷积层、最大化池化层、bn层、激活函数层、反卷积层和跳跃连接sk链接构建逆合成孔径雷达isar降采样数据成像的fcnn；
8.s2、构建g-fcnn：在fcnn的基础上，引入门单元gu，构建g-fcnn；g-fcnn输入为isar降采样数据通过两维快速傅里叶变换fft获得的初始图像，输出为最终的isar成像结果；
9.s3、利用电磁仿真软件构建雷达照射目标的电磁仿真环境和设置相应的雷达参数，计算得到仿真的雷达回波，构建大规模的isar仿真训练数据集；
10.s4、基于步骤s3生成的大规模isar仿真训练数据集，在给定损失函数形式后，结合反向传播和梯度下降算法，对g-fcnn进行预训练；
11.s5、利用小规模isar实测训练数据集，对步骤s4预训练好的g-fcnn中的参数进行
微调，获得参数最优的g-fcnn；
12.s6、利用g-fcnn实现未知isar降采样数据成像，isar降采样数据两维fft得到初始图像作为微调好的g-fcnn的输入，g-fcnn的输出为最终的成像结果。
13.进一步的，本发明所提出的结合门单元和迁移学习的逆合成孔径雷达成像方法，步骤s1中构造fcnn，具体包括：
14.首先，利用3
×
3的卷积核提取多个特征数据，并且利用bn层和激活函数层减少特征数据与输入数据的偏差，利用运算核为2
×
2的最大化池化层对特征数据降维；
15.其次，在特征数据重建的流程中，利用反卷积层重建特征数据，反卷积核大小为2
×
2，同时利用bn层和relu激活函数减少重建的特征数据与降维的特征数据的误差；
16.fcnn中具有三级结构，每一级中都采用sk建立网络浅层和网络深层的映射，在网络的最后一层也加入sk，将初始图像与网络重建的特征数据求和。
17.进一步的，本发明所提出的结合门单元和迁移学习的逆合成孔径雷达成像方法，步骤s2中构建g-fcnn，具体如下：
18.在fcnn的基础上，采用1
×
1卷积层实现门单元机制：
[0019][0020]
其中，bs表示fps层中级联的网络浅层特征表示ofrs，其中s＝1,2,3表示级数，表示卷积核为1
×
1门函数，表示卷积操作的权重参数，表示偏差，权重参数控制在s级中可以进一步向前传递的ofrs数量，表示的是在s级中通过门单元的ofrs。
[0021]
进一步的，本发明所提出的结合门单元和迁移学习的逆合成孔径雷达成像方法，步骤s3中构建大规模isar仿真训练数据集，具体如下：
[0022]
利用电磁仿真软件feko中的cadfeko，设计与实测yak-42目标相似的三维模型，仿真模型尺度与实测目标尺度一致，仿真目标的材质设置为理想的电导体，
[0023]
在feko中，将仿真模型至于全局坐标系oxyz中，设置雷达参数，对仿真模型表面划分网格后，设置目标散射回波计算方法，计算得到仿真的雷达回波。
[0024]
进一步的，本发明所提出的结合门单元和迁移学习的逆合成孔径雷达成像方法，利用两种方式计算接收的回波：
[0025]
第一种方式是对反射回波直接进行两维的fft，得到仿真目标的图像，将这种方式的目标图像称为标签图像；
[0026]
第二种方式是对反射回波在距离向和方位向随机降采样，对降采样的数据执行两维fft得到仿真目标的图像，这种方式得到的目标图像称为初始图像；
[0027]
一副初始图像和一副标签图像构成isar仿真训练数据集中的一个训练样本，将所有仿真训练样本划分为训练集和验证集，用于g-fcnn的预训练。
[0028]
进一步的，本发明所提出的结合门单元和迁移学习的逆合成孔径雷达成像方法，步骤s4中，是以最小均方误差函数作为损失函数，在设置好损失函数后，结合批量的梯度下降和反向传播算法，更新g-fcnn参数，对g-fcnn进行预训练。
[0029]
进一步的，本发明所提出的结合门单元和迁移学习的逆合成孔径雷达成像方法，步骤s4中，以最小均方误差函数作为损失函数，具体为：
[0030]
[0031]
其中，i表示第i个训练样本，是网络输出的重建结果，表示第i个训练样本中的初像，{w}表示网络参数集合，f(
·
)表示cnn网络描述的函数，σi表示第i个样本的标记图像，l({w})表示的是重建的均方误差。
[0032]
进一步的，本发明所提出的结合门单元和迁移学习的逆合成孔径雷达成像方法，步骤s5中，小规模isar实测训练数据集是由isar实测目标图像构成的集合，实测训练数据集中每一个训练样本同样包括一副isar实测数据初始图像和一副标签图像；
[0033]
小规模的isar实测训练数据集结合步骤s4的最小均方误差函数，对预训练好的g-fcnn进行微调，获得面向未知isar目标成像任务而言最优的g-fcnn。
[0034]
进一步的，本发明所提出的结合门单元和迁移学习的逆合成孔径雷达成像方法，步骤s6中，利用g-fcnn实现isar实测的目标数据成像，对运动补偿后isar的数据进行距离向和方位向的随机降采样，降采样数据二维fft后得到初始图像，将初始图像作为微调好的g-fcnn的输入，g-fcnn的输出为最终的成像结果。
[0035]
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0036]
本发明在fcnn中引入门单元gu，构成g-fcnn。gu具有可学习的能力，能够强化有效特征表示，弱化无效的特征表示，进而自主决定哪些ofrs可以进一步前向传递。
[0037]
同时，本发明对g-fcnn应用tl策略。首先利用大规模isar仿真训练数据集对g-fcnn进行预训练，然后再利用现有的小规模isar实测训练数据集对g-fcnn进行微调。仿真isar训练数据集包含了充分的仿真目标的通用特征(如，仿真目标的结构特征等)，使得g-fcnn可以从实测isar训练数据集上学习到实测雷达目标的特有特征(如，实测目标的细节特征等)。基于训练好的g-fcnn，g-fcnn输入的是低质量的isar目标初始图像，相应的输出为聚焦较好的成像结果。
[0038]
实测isar数据成像结果表明，本发明提出的基于g-fcnn的成像方法，在图像质量和定量评价方面优于目前最优的基于cnn的isar成像方法。
附图说明
[0039]
图1是用于isar稀疏成像的g-fcnn网络结构图。
[0040]
图2是yak-42与feko仿真的yak-42飞机模型图。
[0041]
图3是yak-42模型与部分大规模雷达仿真数据集的标签图像。
[0042]
图4是飞机数据1通过rd方法和g-fcnn、cnn和fcnn成像的结果。
[0043]
图5是飞机数据2通过rd方法和g-fcnn、cnn和fcnn成像的结果。
具体实施方式
[0044]
下面结合附图对本发明的技术方案做进一步的详细说明。
[0045]
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0046]
本发明在fcnn中引入gu(gate unit，门单元)，形成改进后的fcnn称为g-fcnn。门单元具有可学习的能力，能够强化有效特征表示，弱化无效的特征表示，进而自主决定哪些
ofrs可以进一步前向传递。
[0047]
g-fcnn不仅具有fcnn的多级分解和多通道滤波，且g-fcnn中引入了门单元，因此g-fcnn的架构比fcnn更复杂。现有的小规模isar实测训练数据集中训练样本有限，不能保证g-fcnn中的参数达到最优。因此，本发明对g-fcnn应用tl(transfer learning,迁移学习)策略。首先利用大规模isar仿真训练数据集对g-fcnn进行预训练，然后再利用现有的小规模isar实测训练数据集对g-fcnn进行微调。仿真isar训练数据集包含了充分的仿真目标的通用特征(如，仿真目标的结构特征等)，使得g-fcnn可以从实测isar训练数据集上学习到实测雷达目标的特有特征(如，实测目标的细节特征等)。基于训练好的g-fcnn，g-fcnn输入的是低质量的isar目标初始图像，相应的输出为聚焦较好的成像结果。
[0048]
本发明提出一种结合门单元和迁移学习的逆合成孔径雷达成像方法，在fcnn架构基础上引入门单元，构建g-fcnn；同时利用tl获得面向成像目标任务而言最优的g-fcnn。具体包括以下步骤：
[0049]
步骤1、构建fcnn。
[0050]
利用卷积层、最大化池化层、bn层、激活函数层、反卷积层和sks等构建fcnn。具体操作如下：首先利用3
×
3的卷积核提取多个特征数据，并且利用bn层和relu函数减少特征数据与输入数据的偏差。利用运算核为2
×
2的最大化池化层对特征数据降维。在特征数据重建的流程中，利用反卷积层重建特征数据，反卷积核大小为2
×
2。同时利用bn层和relu激活函数减少重建的特征数据与降维的特征数据的误差。fcnn中具有三级结构，每一级中都采用sk建立网络浅层和网络深层的映射。在网络的最后一层加入sk，将初始图像与网络重建的特征数据求和。
[0051]
步骤2、构建g-fcnn。
[0052]
在fcnn的基础上，引入门单元，构建g-fcnn。g-fcnn输入为降采样的isar回波数据获得的初像，输出的为最终的isar成像结果。门单元可以自适应学习，学习好的门单元可以对通过sk前向传递的ofrs进行加权处理，强化有用特征表示，弱化无效特征表示。利用采用1
×
1卷积层实现门单元机制：
[0053][0054]
其中bs表示fps层中级联的ofrs，其中s＝1,2,3表示级数。表示卷积核为1
×
1门函数，表示卷积操作的参数，表示偏差。门单元中的权重参数控制了在s级中有多少ofrs可以进一步向前传递。表示的是在s级中通过门单元的ofrs。
[0055]
本发明构建的g-fcnn如图1所示，具体结构为：
[0056]
第一层为卷积层c1，c1中有64个3
×
3的滤波器进行步长为1的卷积操作，在卷积结束后通过一个bn层归一化卷积层输出，然后利用relu函数对bn层输出非线性激活；
[0057]
第二层为卷积层c2，c2中有64个3
×
3的滤波器进行步长为1的卷积操作，在卷积结束后通过一个bn层归一化卷积层输出，然后利用relu函数对bn层输出非线性激活；
[0058]
第三层为池化层p1，在池化的过程中使用最大池化操作，p1层的运算核为2
×
2，步长为2；
[0059]
第四层为卷积层c3，c3中有128个3
×
3的滤波器进行步长为1的卷积操作，在卷积结束后通过一个bn层归一化卷积层输出，然后利用relu函数对bn层输出非线性激活；
[0060]
第五层为池化层p2，在池化的过程中使用最大池化操作，池化层的运算核为2
×
2，步长为2；
[0061]
第六层为卷积层c4，c4中有256个3
×
3的滤波器进行步长为1的卷积操作，在卷积结束后通过一个bn层归一化卷积层输出，然后利用relu函数对bn层输出非线性激活；
[0062]
第七层为卷积层fp3，fp3中有256个3
×
3的滤波器进行步长为1的卷积操作，在卷积结束后通过一个bn层归一化卷积层输出，然后利用relu函数对bn层输出非线性激活；此外，sk将p2层的输出传递至fp3层，与其中的256个特征表示级联后，fp3中共有512个特征表示；
[0063]
第八层为门单元层c5，c5共有512个1
×
1的卷积核；
[0064]
第九层为反卷积层d1，d1中有128个2
×
2的滤波器进行步长为1的反卷积操作，在反卷积结束后通过一个bn层归一化反卷积层输出，然后利用relu函数对bn层输出非线性激活；
[0065]
第十层为fp2层，fp2层中有128个3
×
3的滤波器进行步长为1的卷积操作，在卷积结束后通过一个bn层归一化卷积层输出，然后利用relu函数对bn层输出非线性激活；此外，sks将p1层和c3层的输出传递至fp2层，与其中的128个特征表示级联后，fp2中共有384个特征表示；
[0066]
第十一层为门单元层c6，c6共有384个1
×
1的卷积核；
[0067]
第十二层为反卷积层d2，d2中有64个2
×
2的滤波器进行步长为1的反卷积操作，在反卷积结束后通过一个bn层归一化反卷积层输出，然后利用relu函数对bn层输出非线性激活；
[0068]
第十三层为fp1层，fp1中有64个3
×
3的滤波器进行步长为1的反卷积操作，在反卷积结束后通过一个bn层归一化反卷积层输出，然后利用relu函数对bn层输出非线性激活；此外，sks将c1层和c2层的输出传递至fp1层，与其中的64个特征表示级联后，fp1中共有192个特征表示；
[0069]
第十四层为门单元层c7，c7共有192个1
×
1的卷积核；
[0070]
第十五层为卷积层c8，c8中有1个3
×
3的滤波器进行步长为1的卷积操作，在卷积结束后通过一个bn层归一化卷积层输出，然后利用relu函数对bn层输出非线性激活；
[0071]
第十六层为求和层，初始图像和c8的输出逐像素求和，得到最终的图像重建结果。
[0072]
第十七层为损失函数层，计算第十六层的输出与训练样本中的标签图像的误差，接着通过反向传播和梯度下降算法更新网络参数。
[0073]
步骤3、构建大规模的仿真isar训练数据集。
[0074]
在电磁仿真软件feko中设计动目标三维模型，构建雷达照射目标的电磁仿真环境和设置相应的雷达参数，计算得到仿真的雷达回波。首先构建动目标的三维模型。具体步骤为：
[0075]
构建目标仿真模型：利用feko中的几何模块构造yak-42的三维模型。模型的材质设计为理想的电导体，模型的尺寸与真实的yak-42一致。图2的右侧给出的是仿真yak-42模型的图像。注意到本发明实验可用的实测雷达数据为yak-42飞机，因此本发明构建仿真yak-42的雷达数据来保证大规模仿真训练数据集中的成像目标与小规模实测训练数据集中的成像目标一致。
[0076]
划分模型表面网格：将模型表面划分为多个三角网格，网格的三角形边长为0.042m。
[0077]
设置雷达参数：假设仿真模型被放置在一个全局坐标系(oxyz)中，如图3所示。仿真模型被平面波照射。在远场假设下，仿真模型的反射回波通过大数p0法计算得到，并被位于目标模型周围的接收器采集。发射平面波频带为8.75ghz～9.25ghz，频率采样个数为100。仰角θ从45
°
开始到90
°
结束，增量为1
°
，俯仰采样数为45
°
。对于每个俯仰角θ的采样，方位角都为360
°
。方位角采样间隔为0.05
°
。反射回波方位角每5
°
处理一次。
[0078]
在一次处理中，两种方式用于积累目标散射回波。第一种是对回波采用两维fft，得到仿真目标的图像，称为标签图像。图3给出了仿真目标的部分标签图像。第二种方式是对回波在距离向和方位向两维随机降采样，然后应用两维fft得到仿真目标的图像，称为初始图像。由于降采样的回波间无法完全相干积累，得到的初始图像质量很差。
[0079]
一副标签图像和一副初始图像一起组成一个训练样本。因此，对于每一个俯仰角θ的采样，共可以得到72个训练样本。
[0080]
根据以上步骤，我们总共生成了3240(45
×
72)个训练样本。将俯仰角为50
°
、60
°
、70
°
、80
°
和90
°
的样本划分到验证集，其余的样本划分到训练集。这种划分方式使得训练集和验证集中样本的俯仰角都均匀地分布在45
°‑
90
°
之间，进而减少训练集和验证集中样本分布的差异。仿真数据集的详情如表1-1所示。
[0081]
表1-1.雷达训练数据集1
[0082]
数据集数据尺寸训练集验证集仿真数据集100
×
1002880(88％)360(12％)
[0083]
步骤4、基于步骤步骤3生成的大规模仿真isar训练数据集，在给定损失函数形式后，结合反向传播和梯度下降算法，对g-fcnn进行预训练。
[0084]
给出预训练g-fcnn所需的损失函数，并通过训练算法更新网络参数。本发明以最小均方误差函数作为损失函数：
[0085][0086]
其中i表示第i个训练样本。是网络输出的重建结果，表示第i个训练样本中的初像，{w}表示的是网络参数集合，f(
·
)表示cnn网络描述的函数，σi表示第i个样本的标记图像。l({w})表示的是重建的均方误差。
[0087]
结合批量的梯度下降和反向传播算法，更新网络参数，对g-fcnn进行预训练。预训练过程的超参数设置如表1-2所示。
[0088]
表1-2.g-fcnn训练的超参数设置1
[0089]
训练过程学习率学习策略训练间隔迭代次数预训练10e-5固定的学习率1440180
[0090]
步骤5、利用小规模实测isar训练数据集对步骤步骤4预训练好的g-fcnn进行网络层的微调，获得面向成像目标任务而言性能最优的g-fcnn。
[0091]
小规模isar实测训练数据集是由isar实测目标图像构成的集合。每一个训练样本包括一副isar实测目标数据的初始图像和一副相应的标签图像。微调过程中，初始图像作为预训练好的g-fcnn的输入数据。通过上述方法构建得700个训练样本。将训练样本分为训
练集和验证集，训练集包含600个样本，验证集包含100个样本。实测数据集的详情如表2-1所示。
[0092]
表2-1.雷达训练数据集2
[0093]
数据集数据尺寸训练集验证集实测数据集100
×
100600(86％)100(14％)
[0094]
利用小规模的isar实测训练数据集结合式(2)中的最小均方误差函数对预训练好的g-fcnn进行微调，获得面向目标成像任务而言最优的g-fcnn。微调过程的超参数设置如表2-2所示。
[0095]
表2-2.g-fcnn训练的超参数设置2
[0096]
训练过程学习率学习策略训练间隔迭代次数微调10e-5固定的学习率30050
[0097]
步骤6、利用g-fcnn实现未知目标雷达数据成像。
[0098]
对isar回波数据距离向和方位向的两维随机降采样，经过两维fft后得到初始图像。将获得的初始图像作为训练完成的g-fcnn的输入，g-fcnn的输出为最终的成像结果。
[0099]
最后，将g-fcnn成像的结果与最优的基于cnn的isar成像方法的成像结果，在成像质量和成像特性等方面进行详细的比较，给出定性和定量的对比分析结果。
[0100]
本发明具体实施时，主要分为预训练阶段和微调阶段。
[0101]
首先需要构建g-fcnn网络架构，如图1所示。g-fcnn包含收缩部分(c1到fp3)和扩展部分(c5到c8)。g-fcnn具有三级结构，每一级间通过sk建立起网络浅层和网络深层的链接，用于直接将ofrs传递到网络深层。同时，sk还可以减少网络反向传播梯度时梯度消失现象的发生，有助于网络浅层参数的更新。此外，g-fcnn中引入门单元用来强化ofrs中的有用特征，弱化无效的特征。
[0102]
在g-fcnn的预训练阶段，要构造预训练g-fcnn的仿真isar训练数据集。
[0103]
首先要搭建yak-42的三维模型，如图2所示。仿真yak-42的尺度要和实际的yak-42尺度一致。模型的材质设置为理想的电导体。
[0104]
然后对模型表面进行网格划分，划分后模型表面为许多三角片构成。接着将仿真三维目标置于全局坐标系oxyz下，设置雷达参数，获得仿真目标的散射回波。
[0105]
最后对散射回波处理，得到初始图像和标签图像。图3给出了仿真目标雷达回波生成的部分标签图像。
[0106]
一副初始图像和一副标签图像构成一个训练样本。将所得的所有训练样本划分为训练集和验证集，用于g-fcnn预训练。
[0107]
设计好预训练的超参数和损失函数，对g-fcnn进行预训练。预训练好的g-fcnn可以融入仿真yak-42的先验信息，例如结构特征信息。
[0108]
在g-fcnn微调阶段，以预训练好的g-fcnn为基础，利用小规模的实测isar数据集对g-fcnn进行重新训练。实测isar数据集中的训练样本由实测isar图像构成。同样采用最小均方误差损失函数对重建结果进行评价，并对误差反向传播，进而通过随机梯度下降算法微调g-fcnn的网络参数。
[0109]
利用微调好的g-fcnn对未知的实测isar数据成像。在g-fcnn的成像时，两维随机降采样的回波数据经过二维fft得到的初始图像作为g-fcnn的输入，g-fcnn的输出为最终
的成像结果。
[0110]
实施实例
[0111]
为了验证g-fcnn中引入的门单元的有效性，将g-fcnn的成像结果与cnn和fcnn成像结果比较。此外，为了说明仿真数据的有效性和tl策略的优势，将经过tl获得的g-fcnn称为g-fcnnsr。将由仿真训练数据集和实测训练数据集分别训练的g-fcnn称为g-fcnns和g-fcnnr。
[0112]
如表3所示，利用两组不同于实测训练数据集中数据的yak-42飞机数据，称之为飞机数据1和飞机数据2，来验证本发明所涉及的深度成像网络的成像性能。两组数据分别经过25％和10％的降采样。
[0113]
表3.用于验证g-fcnn性能的实测雷达数据参数
[0114]
yak-42飞机数据数据大小采样率飞机数据1100
×
10025％(2500)飞机数据2100
×
10010％(1000)
[0115]
图4中的(a)为传统rd方法对飞机数据1的全数据成像的结果。图4中的(b)-(f)为g-fcnns、g-fcnnsr、g-fcnnr、fcnn和cnn成像方法对yak-42飞机数据1的25％数据成像的结果。
[0116]
从图4中的(b)中我们可以直观地看到，利用仿真数据训练的g-fcnns对实测的yak-42飞机数据稀疏成像时可行的。g-fcnns可以提供较好的飞机目标图像，这是因为g-fcnns从仿真训练数据集中学习了仿真yak-42飞机的外形、结构等通用特征。
[0117]
对比图4中的(b)和(c)可以很容易发现，g-fcnnsr重建的飞机边缘要好于g-fcnns重建的。这是因为g-fcnnsr融入了yak-42飞机模型的通用特征，因而可以在微调阶段指导g-fcnnsr更好地从实测的训练数据集中学习到实测yak-42飞机特有的特征。与通用特征相比，特有特征包含更准确的yak-42飞机的细节信息，从而能够提供更好目标边缘重建。
[0118]
对比图4中的(d)、(e)和(f)可以看出，g-fcnnr的结果中的虚假散射点数量相对于fcnn和cnn结果中的虚假散射点数量较少。这是因为g-fcnnr中的经过学习的门单元可以自主地强化有效的ofrs，弱化无用的ofrs，进而传递更准确的浅层特征和抑制了更多的虚假散射点在目标图像中出现。
[0119]
图5为飞机数据2通过rd成像方法和g-fcnn，cnn以及fcnn成像方法获得的目标图像。对比图5中的(b)和(c)可以看出，g-fcnnsr重建的结果相较于g-fcnns的重建结果具有更好的目标边缘。对比图5中的(d)、(e)和(f)可知，g-fcnnr的重建结果具有最少的虚假散射点数，如图中蓝色圆圈所示，这也验证了g-fcnn中门单元的有效性。
[0120]
除了对成像结果的视觉效果对比，本发明对成像结果进行定量评价。图像评价函数包括基于“真值”的图像评价函数和传统的图像评价函数。基于“真值”的评价指标具体包括：fa(false alarm,虚警)和rrmse(relative root mean square error,相对均方根误差)。fa用于评估错误重建的散射点数，rrmse用于评估散射点振幅的重构误差。由于没有真值图像，将实验中采用全数据获得的聚焦好、质量高的rd图像作为“真值”图像，实际衡量的是所有方法相对rd成像结果的质量评价。传统的成像质量评估指标包括：tcr(target-to-clutter ratio,目标杂波比)，ent(entropy ofthe image,图像熵)和ic(image contrast,图像对比度)。
[0121]
利用上述图像评价函数对图4和图5中的成像结果进行定量评价，评价结果如表4所示。
[0122]
表4.不同成像方法重建图像的质量评价
[0123] 成像方法farrmsetcr(db)entic g-fcnns720.268159.10345.43398.7784yak-42g-fcnnr1680.394850.26125.50578.3654数据集1g-fcnn
sr
320.257468.80435.10789.8582 fcnn850.336650.25665.56008.3574 cnn860.341650.33615.66218.1222 g-fcnns310.269166.74475.050510.8862yak-42g-fcnnr600.198660.97725.39358.8795数据集2g-fcnn
sr
230.196069.38285.20139.4995 fcnn880.341260.22355.233110.3365 cnn880.341260.22355.233110.3365
[0124]
由表4可知，基于g-fcnnsr的成像方法的fa和rrmse值与其他方法相比最小，说明基于g-fcnnsr的成像方法重建的图像中虚假散射点数最少，幅值重构误差最小。从表4第4、第5、第6列可以看出，基于g-fcnnsr的成像结果tcr和ic最高，ent最小。这与图4、图5所示图像的视觉对比结果一致。
[0125]
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。