一种基于ALISTA的SAR成像方法与流程

一种基于alista的sar成像方法
技术领域
1.本发明涉及深度学习领域，更具体地，涉及一种基于alista的sar成像方法。


背景技术：

2.稀疏微波信号处理作为一种最新的微波技术，其将稀疏信号处理引入微波技术中，相较于传统微波技术，具有更低的数据率和系统复杂度，使其成为了近几年微波技术中的研究热点。
3.ista(iterative shrinkage threshold algorithm)是一种经典的稀疏信号处理算法，主要解决的是最小化l2范数的问题,但ista需要在测试过程中不断的人为调节参数，以及不同的回波信号就要设置不同的参数，工作量大，需要进行不断的调节。于是在ista的基础上出现了lista(learned iterative shrinkage threshold algorithm)就是应用深度学习来训练ista中应该人为设定的参数，但对于雷达信号而言，lista需要训练的矩阵过于庞大，对硬件的需求成本高，不太好应用于sar稀疏成像算法方面。alista就是在lista的基础上将权重矩阵进行固定的最新研究，其极大的降低了需要训练参数的数目和系统复杂度。但该算法提出之初，仅仅对该算法进行了一些初步的验证，并没有深入该算法的应用领域。
4.现有的技术中，中国发明专利cn108375769a公开了“一种结合sar成像和isar成像的雷达成像方法”，公开日为2018年08月07日，包括：成像准备，确定各次sar成像和isar成像的相关参数；成像测试，按照确定的参数进行测试；结合成像，以各次sar成像测试结果为基础，结合sar成像和isar成像，获取满足要求的雷达成像结果；该发明中，综合sar成像便于进行目标-背景分离、isar成像孔径角较大的优势，使得在一般外场条件下可以获取目标高分辨力雷达图像，并可以在避免固定位置的干扰目标对成像结果造成影响，同时获得高于普通sar成像的分辨率，但是无法分析迭代，无法利用深度学习来学习权重矩阵。


技术实现要素：

5.本发明为解决现有的传统稀疏成像算法系统复杂度较高，成像速度较慢；普通ista算法需要人为设置参数，调试过程复杂，人力成本大；lista算法虽然可以利用深度学习来学习权重矩阵，但只适用于小型矩阵，并不适用于sar成像的技术缺陷，提供了一种基于alista的sar成像方法。
6.为实现以上发明目的，采用的技术方案是：
7.一种基于alista的sar成像方法，包括以下步骤：
8.s1：根据数据集生成观测矩阵；
9.s2：根据观测矩阵生成初始雷达信号；
10.s3：，引入alista算法构建深度学习网络，将初始雷达信号进行预处理，输入深度学习网络的训练集进行训练；
11.s4：对初始雷达信号进行预处理，然后输入训练好的深度学习网络的测试集；
12.s5：采用nmse算法来评估测试集的初始雷达信号输出的图像结果。
13.上述方案中，将观测矩阵生成的初始雷达信号输入深度学习网络，在深度学习网络引入alista算法，来进一步降低系统复杂度的同时提升成像效果，之后将稀疏雷达信号进行训练，生成输出图像，最后采用nmse算法进行评估。
14.优选的，在步骤s1中，采用mstar数据集的图像数据，根据雷达信号的特性，将图像展开，生成一个具有方位向和距离向的观测矩阵。
15.优选的，采用mstar数据集的t72图像数据，其图像数据的大小为(128，128)，根据雷达数据的特性，将图像展开为(128*128，1)的数据，生成一个方位向采样点数为401，距离向采样点数为126的观测矩阵。
16.优选的，所述mstar数据集的图像数据为t72图像数据。
17.优选的，在步骤s2中，所述观测矩阵的大小为(401*126，128*128)，利用该观测矩阵，生成大小为(401*126，1)的初始雷达信号。
18.优选的，在步骤s3中，所述深度学习网络的表达式为损失函数为loss＝||x
pred-x
label
||2，学习率为0.01。
19.优选的，所述深度学习网络的表达式通过alista算法改写：
20.将alista算法引入sar成像，将sar成像看作矩阵形式的模型：s＝ψx n，ψ为观测矩阵，s再通过稀疏矩阵θ稀疏后的sar信号变成：s
*
＝θs n0＝θψx n0，其归类为最优化问题：令φ＝θψ，alista算法改写成
21.优选的，所述深度学习网络利用python的tensorflow框架构建。
22.优选的，所述深度学习网络的层数为n∈(1,14)。
23.优选的，在步骤s5中，所述nmse算法为优选的，在步骤s5中，所述nmse算法为表示测试集输出的成像结果，x
*
表示测试集图像真实值，e表示求期望。
24.上述方案中，首先，稀疏信号处理主要研究的问题可以近似看作是：s＝dx n，s表示稀疏信号，d表示稀疏矩阵。为了得到x的近似解x，比较经典的是利用最优化算法来解决以下问题：
[0025][0026]
而求解该问题的算法中最经典的就是ista算法，其通过不断迭代来逼近最理想的x，第k次迭代的公式为：
[0027][0028]
l》λ
max
(d
t
d),λ
max
(a)表示a的最大特征值，h
θ
(x)表示软收缩阈值函数：
[0029]hθ
(x)＝sign(x)*max(|x|-θ,0)
[0030]
a*b表示矩阵的点乘操作。当(γ为定义的一个数)时，ista结束迭代，此时的输出x
k 1
可以近似于样本图像信息x
*
。
[0031]
为了引入深度学习来避免人为设置参数，我们令
[0032]
上式可改写为：
[0033][0034]
令上式变成：
[0035][0036]
此时即为常见的alista算法。
[0037]
与现有技术相比，本发明的有益效果是：
[0038]
本发明提供的一种基于alista的sar成像方法，将观测矩阵生成的初始雷达信号输入深度学习网络，在深度学习网络引入alista算法，来进一步降低系统复杂度的同时提升成像效果，之后将稀疏雷达信号进行训练，生成输出图像，最后采用nmse算法进行评估。
附图说明
[0039]
图1为本发明的方法流程图；
[0040]
图2为本发明的alisa算法深度神经网络结构图；
[0041]
图3为本发明的alista算法、ista算法与显示的成像效果图；
[0042]
图4为本发明的alista算法和ista算法的成像对比图。
具体实施方式
[0043]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0044]
以下结合附图和实施例对本发明做进一步的阐述。
[0045]
实施例1
[0046]
如图1所示，一种基于alista的sar成像方法，包括以下步骤：
[0047]
s1：根据数据集生成观测矩阵；
[0048]
s2：根据观测矩阵生成初始雷达信号；
[0049]
s3：，引入alista算法构建深度学习网络，将初始雷达信号进行预处理，输入深度学习网络的训练集进行训练；
[0050]
s4：对初始雷达信号进行预处理，然后输入训练好的深度学习网络的测试集；
[0051]
s5：采用nmse算法来评估测试集的初始雷达信号输出的图像结果。
[0052]
上述方案中，将观测矩阵生成的初始雷达信号输入深度学习网络，在深度学习网络引入alista算法，来进一步降低系统复杂度的同时提升成像效果，之后将稀疏雷达信号进行训练，生成输出图像，最后采用nmse算法进行评估。
[0053]
优选的，在步骤s1中，采用mstar数据集的图像数据，根据雷达信号的特性，将图像展开，生成一个具有方位向和距离向的观测矩阵。
[0054]
优选的，采用mstar数据集的t72图像数据，其图像数据的大小为(128，128)，根据雷达数据的特性，将图像展开为(128*128，1)的数据，生成一个方位向采样点数为401，距离
向采样点数为126的观测矩阵。
[0055]
优选的，所述mstar数据集的图像数据为t72图像数据。
[0056]
优选的，在步骤s2中，所述观测矩阵的大小为(401*126，128*128)，利用该观测矩阵，生成大小为(401*126，1)的初始雷达信号。
[0057]
优选的，在步骤s3中，所述深度学习网络的表达式为损失函数为loss＝||x
pred-x
label
||2，学习率为0.01。
[0058]
优选的，所述深度学习网络的表达式通过alista算法改写：
[0059]
将alista算法引入sar成像，将sar成像看作矩阵形式的模型：s＝ψx n，ψ为观测矩阵，s再通过稀疏矩阵θ稀疏后的sar信号变成：s
*
＝θs n0＝θψx n0，其归类为最优化问题：令φ＝θψ，alista算法改写成
[0060]
优选的，所述深度学习网络利用python的tensorflow框架构建。
[0061]
优选的，所述深度学习网络的层数为n∈(1,14)。
[0062]
优选的，在步骤s5中，所述nmse算法为优选的，在步骤s5中，所述nmse算法为表示测试集输出的成像结果，x
*
表示测试集图像真实值，e表示求期望。
[0063]
实施例2
[0064]
如图2所示，一种基于alista的sar成像方法，将观测矩阵生成的初始雷达信号输入深度学习网络，在深度学习网络引入alista算法，来进一步降低系统复杂度的同时提升成像效果，之后将稀疏雷达信号进行训练，生成输出图像，最后采用nmse算法进行评估，采用mstar数据集的图像数据，根据雷达信号的特性，将图像展开，生成一个具有方位向和距离向的观测矩阵φ；采用mstar数据集的t72图像数据，其图像数据的大小为(128，128)，根据雷达数据的特性，将图像展开为(128*128，1)的数据，生成一个方位向采样点数为401，距离向采样点数为126的观测矩阵φ；所述mstar数据集的图像数据为t72图像数据；所述观测矩阵φ的大小为(401*126，128*128)，利用该观测矩阵φ，生成大小为(401*126，1)的初始雷达信号。
[0065]
所述sar成像模型中：
[0066]
初始雷达信号表示为s＝ψx n，ψ为初始矩阵，n为噪声，s为初始雷达信号，x为真实值；
[0067]
稀疏雷达信号表示为s
*
＝θs n0＝θψx n0，s*为稀疏雷达信号，θ为稀疏矩阵，n0为稀疏之后的噪声。
[0068]
层数为n∈(1,14)的alista的深度学习网络，表达式为
[0069]
实施例3
[0070]
如图3和图4所示，采用mstar数据集中的t72进行测试，通过将alista算法和ista算法进行对比，对比图如图3所示，可以很明显的看出alista算法成像结果相较于ista算法而言更接近真实值，成像效果更好。
[0071]
将成像结果与真实值采用计算nmse的公式来进一步的对比，
[0072][0073]
表示测试集输出的成像结果，x
*
表示测试集图像真实值，e表示求期望。
[0074]
如图4可以看出，随着网络的层数n从1层慢慢增加到14层，alista算法的nmse的值下降的更多，而nmse的值越小，代表成像结果与真实值越接近，即alista和ista在相同层数的情况下，具有更好的成像效果。
[0075]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。