基于HQS深度展开的ISAR图像超分辨方法及装置

基于hqs深度展开的isar图像超分辨方法及装置
技术领域
1.本技术涉及isar图像处理技术领域，特别是涉及一种基于hqs深度展开的isar图像超分辨方法及装置。


背景技术：

2.逆合成孔径雷达(inverse synthetic aperture radar,isar)图像超分辨方法在isar目标检测、识别和分类等任务中起到的作用至关重要。
3.但是在实际应用中，往往会出现所获取的isar图像分辨率往往不高的问题，这大大影响了后续的isar目标检测识别的效率。因此，用获得的低分辨率isar图像生成出高分辨率isar图像的超分辨方法亟待研究。
4.目前，现有的isar图像超分辨方法主要分为两大类，分别是基于模型的isar图像超分辨方法和基于深度学习的isar图像超分辨方法。基于模型的isar图像超分辨方法从数理基础出发，该类超分辨isar图像算法具有良好的可解释性和泛化性能，并可以利用已知的先验信息，但缺点是所生成的超分辨isar图像的质量非常有限。基于深度学习的方法已经在isar图像超分辨得到了广泛的研究与应用，该类isar图像的超分辨算法具有很好的基于数据驱动的性能，但缺点是不具备良好的可解释性和泛化性能。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种具有良好性能的同时，兼具了良好的可解释性和泛化性能的基于hqs深度展开的isar图像超分辨方法及装置。
6.一种基于hqs深度展开的isar图像超分辨方法，所述方法包括：
7.获取图像数据集，所述图像数据集中包括多张通过逆合成孔径雷达得到的isar样本图像，并对各所述isar样本图像进行预处理；
8.根据所述图像数据集生成模糊核库，并将所述图像数据集中的每一张isar样本图像与所述模糊核库中随机挑选的一个模糊核进行卷积操作得到对应的模糊图像；
9.根据各所述isar样本图像以及各isar样本图像对应生成的模糊图像构建高分辨率—低分辨率的配对数据集，所述配对数据集中包括多个数据对，各所述数据对分别由一张isar样本图像以及对应的模糊图像构成；
10.基于半二次分裂算法的更新迭代计算框架构建isar图像超分辨网络，并将所述配对数据集输入所述isar图像超分辨网络对其进行训练，得到训练好的isar图像超分辨网络，其中所述isar图像超分辨网络包括超参数生成网络、图像去模糊单元以及图像去噪网络，所述超参数生成网络生成分别供所述图像去模糊单元以及图像去噪网络进行运算的超参数，所述图像去模糊单元以及图像去噪网络以交替迭代的方式对输入图像进行去模糊以及去噪处理，以输出高分辨图像；
11.获取待进行超分辨的isar图像，将所述isar图像输入已训练好的isar图像超分辨网络中对其进行超分辨得到高分辨率的isar图像。
12.在其中一实施例中，所述对各所述isar样本图像进行预处理包括：统一各所述isar样本图像的尺寸。
13.在其中一实施例中，所述根据所述图像数据集生成模糊核库包括，根据所述图像数据集中的预处理后的isar样本图像随机生成模糊核，且所述模糊核包括高斯模糊核以及运动模糊核，其中所述高斯模糊核包括各向同性模糊核以及各向异性模糊核。
14.在其中一实施例中，在将所述图像数据集中的每一张isar样本图像与所述模糊核库中随机挑选的一个模糊核进行卷积操作得到对应的模糊图像之后，还对所述模糊图像进行处理，包括：
15.根据预设的图像缩放倍数以及高斯白噪声对所述模糊图像依次进行下采样以及加噪声处理。
16.在其中一实施例中，将所述配对数据集输入所述isar图像超分辨网络具体包括：
17.将所述数据对中的模糊图像以及与所述模糊图像相关的模糊核、图像缩放倍数以及高斯白噪声的标准差输入所述isar图像超分辨网络中；
18.所述超参数生成网络根据所述图像缩放倍数以及高斯白噪声的标准差生成第一超参数以及第二超参数；
19.将所述第一超参数、模糊核以及模糊图像输入所述图像去模糊单元，得到去模糊中间图像；
20.将所述去模糊中间图像以及第二超参数输入所述图像去噪网络中，得到去噪中间图像；
21.再由所述图像去模糊单元以及图像去噪网络交替的对所述去噪中间图像进行预设次数的迭代计算，得到重构isar样本图像。
22.在其中一实施例中，迭代计算的预设次数为6-8次。
23.在其中一实施例中，所述超参数网络包括三层全连接层。
24.在其中一实施例中，所述图像去噪网络为u-net学习网络。
25.在其中一实施例中，将所述配对数据集输入所述isar图像超分辨网络对其进行训练还包括：
26.根据所述重构isar样本图像以及对应的isar样本图像计算所述isar图像超分辨网络的损失函数；
27.对所述损失函数进行梯度计算，根据计算结果反向修正所述isar图像超分辨网络中的超参数生成网络以及图像去噪网络的参数，直至收敛，得到训练好的isar图像超分辨网络。
28.一种基于hqs深度展开的isar图像超分辨装置，所述装置包括：
29.图像数据集获取模块，用于获取图像数据集，所述图像数据集中包括多张通过逆合成孔径雷达得到的isar样本图像，并对各所述isar样本图像进行预处理；
30.模糊图像生成模块，用于根据所述图像数据集生成模糊核库，并将所述图像数据集中的每一张isar样本图像与所述模糊核库中随机挑选的一个模糊核进行卷积操作得到对应的模糊图像；
31.配对数据集构建模块，用于根据各所述isar样本图像以及各isar样本图像对应生成的模糊图像构建高分辨率—低分辨率的配对数据集，所述配对数据集中包括多个数据
对，各所述数据对分别由一张isar样本图像以及对应的模糊图像构成；
32.isar图像超分辨网络训练模块，用于基于半二次分裂算法的更新迭代计算框架构建isar图像超分辨网络，并将所述配对数据集输入所述isar图像超分辨网络对其进行训练，得到训练好的isar图像超分辨网络，其中所述isar图像超分辨网络包括超参数生成网络、图像去模糊单元以及图像去噪网络，所述超参数生成网络生成分别供所述图像去模糊单元以及图像去噪网络进行运算的超参数，所述图像去模糊单元以及图像去噪网络以交替迭代的方式对输入图像进行去模糊以及去噪处理，以输出高分辨图像；
33.isar图像超分辨模块，用于获取待进行超分辨的isar图像，将所述isar图像输入已训练好的isar图像超分辨网络中对其进行超分辨得到高分辨率的isar图像。
34.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
35.获取图像数据集，所述图像数据集中包括多张通过逆合成孔径雷达得到的isar样本图像，并对各所述isar样本图像进行预处理；
36.根据所述图像数据集生成模糊核库，并将所述图像数据集中的每一张isar样本图像与所述模糊核库中随机挑选的一个模糊核进行卷积操作得到对应的模糊图像；
37.根据各所述isar样本图像以及各isar样本图像对应生成的模糊图像构建高分辨率—低分辨率的配对数据集，所述配对数据集中包括多个数据对，各所述数据对分别由一张isar样本图像以及对应的模糊图像构成；
38.基于半二次分裂算法的更新迭代计算框架构建isar图像超分辨网络，并将所述配对数据集输入所述isar图像超分辨网络对其进行训练，得到训练好的isar图像超分辨网络，其中所述isar图像超分辨网络包括超参数生成网络、图像去模糊单元以及图像去噪网络，所述超参数生成网络生成分别供所述图像去模糊单元以及图像去噪网络进行运算的超参数，所述图像去模糊单元以及图像去噪网络以交替迭代的方式对输入图像进行去模糊以及去噪处理，以输出高分辨图像；
39.获取待进行超分辨的isar图像，将所述isar图像输入已训练好的isar图像超分辨网络中对其进行超分辨得到高分辨率的isar图像。
40.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
41.获取图像数据集，所述图像数据集中包括多张通过逆合成孔径雷达得到的isar样本图像，并对各所述isar样本图像进行预处理；
42.根据所述图像数据集生成模糊核库，并将所述图像数据集中的每一张isar样本图像与所述模糊核库中随机挑选的一个模糊核进行卷积操作得到对应的模糊图像；
43.根据各所述isar样本图像以及各isar样本图像对应生成的模糊图像构建高分辨率—低分辨率的配对数据集，所述配对数据集中包括多个数据对，各所述数据对分别由一张isar样本图像以及对应的模糊图像构成；
44.基于半二次分裂算法的更新迭代计算框架构建isar图像超分辨网络，并将所述配对数据集输入所述isar图像超分辨网络对其进行训练，得到训练好的isar图像超分辨网络，其中所述isar图像超分辨网络包括超参数生成网络、图像去模糊单元以及图像去噪网络，所述超参数生成网络生成分别供所述图像去模糊单元以及图像去噪网络进行运算的超
参数，所述图像去模糊单元以及图像去噪网络以交替迭代的方式对输入图像进行去模糊以及去噪处理，以输出高分辨图像；
45.获取待进行超分辨的isar图像，将所述isar图像输入已训练好的isar图像超分辨网络中对其进行超分辨得到高分辨率的isar图像。
46.上述基于hqs深度展开的isar图像超分辨方法及装置，通过深度展开半二次分裂算法，在原半二次分裂算法更新迭代的计算框架中，引入深度神经网络进行学习，在保证了isar图像超分辨算大具有良好的性能的同时，兼具了良好的可解释性和泛化性能，并且可以利用已知的先验信息，在具有先验信息的情况下具有良好信号。
附图说明
47.图1为一个实施例中基于hqs深度展开的isar图像超分辨方法的流程示意图；
48.图2为一个实施例中各向同性高斯模糊核的示意图；
49.图3为一个实施例中各向异性高斯模糊核的示意图；
50.图4为一个实施例中运动模糊核的示意图；
51.图5为一个实施例中isar图像超分辨网络的结构示意图；
52.图6为一个实施例中u-net网络结构的示意图；
53.图7为实验中不同模糊核/噪声等级条件下的isar图像超分辨网络性能测试的结果示意图；
54.图8为实验中不同超分辨方法中网络模型不同迭代次数的测试结果示意图；
55.图9为实验中isar图像超分辨网络迭代中间结果的示意图；
56.图10为实验中isar图像超分辨方法客户化结果的对比示意图；
57.图11为一个实施例中基于hqs深度展开的isar图像超分辨装置的结构框图；
58.图12为一个实施例中计算机设备的内部结构图。
具体实施方式
59.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
60.如图1所示，提供了一种基于hqs深度展开的isar图像超分辨方法，包括以下步骤：
61.步骤s100，获取图像数据集，图像数据集中包括多张通过逆合成孔径雷达得到的isar样本图像，并对各isar样本图像进行预处理；
62.步骤s110，根据图像数据集生成模糊核库，并将图像数据集中的每一张isar样本图像与模糊核库中随机挑选的一个模糊核进行卷积操作得到对应的模糊图像；
63.步骤s120，根据各isar样本图像以及各isar样本图像对应生成的模糊图像构建高分辨率—低分辨率的配对数据集，配对数据集中包括多个数据对，各数据对分别由一张isar样本图像以及对应的模糊图像构成；
64.步骤s130，基于半二次分裂算法的更新迭代计算框架构建isar图像超分辨网络，并将配对数据集输入所述isar图像超分辨网络对其进行训练，得到训练好的isar图像超分辨网络，其中isar图像超分辨网络包括超参数生成网络、图像去模糊单元以及图像去噪网
络，超参数生成网络生成分别供所述图像去模糊单元以及图像去噪网络进行运算的超参数，图像去模糊单元以及图像去噪网络以交替迭代的方式对输入图像进行去模糊以及去噪处理，以输出高分辨图像；
65.步骤s140，获取待进行超分辨的isar图像，将isar图像输入已训练好的isar图像超分辨网络中对其进行超分辨得到高分辨率的isar图像。
66.在本实施例中，基于半二次方分裂法(half quadratic splitting，hqs)的交替迭代计算模型，引入深度学习网络对isar图像进行超分辨处理，使得该处理方式在保证有效性和实效性良好的同时，可解释性强、泛化能力好等优点。在本文中
67.在步骤s100中，首先通过isar雷达对不同目标进行探测得到多张的isar样本图像，并对各isar样本图像进行预处理，对各isar样本图像的尺寸进行统一，在一些实施例中，可以将每张isar样本图像大小调整为256x256。
68.在步骤s110中，根据图像数据集中的预处理后的isar样本图像随机生成模糊核，且模糊核包括高斯模糊核以及运动模糊核，其中，高斯模糊核包括各向同性模糊核以及各向异性模糊核。
69.具体的，在生成图像模糊核(模糊核)时，需要对其参数进行设置，在本实施例中，对模糊核的类型没有明确要求。图像模糊核主要可以分为高斯模糊核和于东模糊核两个大类。高斯模糊核可以任意使用各向同性模糊核以及各向异性模糊核，分别如图2以及图3所示，其中，模糊核的方差和旋转角度也可以任意设置。
70.具体的，对运动模糊核的类型同样没有进行限制，在后续对本方法通过仿真数据进行验证时采用了主流的公开运动模糊核进行测试，如图4所示。
71.在本实施例中，在根据isar样本图像以及模糊核生成模糊图像之后，还对该模糊图像进行处理，包括：根据预设的图像缩放倍数以及高斯白噪声对模糊图像依次进行下采样以及加噪声处理。
72.实际上将isar样本图像依次通过与模糊核进行卷积、下采样以及加噪声操作是将高清的isar样本图像退化得到低清图像的过程，也就是根据isar样本图像生成与自身相关的低分辨率图像，该退化过程如下公式所示：
[0073][0074]
在公式(1)中，x表示高清图像也就是isar样本图像，表示将高清图像x与模糊核k进行卷积操作，
↓s表示对卷积处理后的图像进行下采样操作，其中s表示缩放倍数，n表示加上的加性高斯白噪声，y表示最后得到的退化图像也就是模糊图像。
[0075]
在本实施例中，对图像进行的缩放倍数以及加上的高斯白噪声大小均可根据实际情况进行设定。在一些实施例中，缩放倍数通常选择2、3和4倍缩放。而加上的噪声中的高斯白噪声均值为0，标准差为0.01,0.03，幅度在[0,1]之间。以上这些数值并不是该方法可运用的唯一数值，根据应用的不同情况可对缩放倍数以及高斯白噪声的大小进行调整，以匹配对应应用场景。
[0076]
在步骤s120中，在构建配对数据集时，将一张isar样本图像以及对应的模糊图像构成一数据对，其中isar样本图像为高分辨率图像，而对应的模糊图像为低分辨率图像。
[0077]
在步骤s130中，基于半二次分裂算法的更新迭代计算框架构建isar图像超分辨网
络包括：首先对需要求解的isar图像超分辨的优化问题进行重新设计数据求解方案，在半二次方分裂求解该优化问题的基础上提出本技术中的方法。
[0078]
其中，需要求解的isar图像超分辨的优化问题可以定义为：
[0079][0080]
在公式(2)中，φ(x)为高清图像x的先验信息项，λ为先验项的系数。
[0081]
接着，使用半二次方分裂法对优化问题进行重新设计，在优化问题中引入中间变量z，这样优化问题可以重新定义为：
[0082][0083]
在公式(3)中，μ为惩罚系数。
[0084]
在交替迭代最小化的优化框架下，上述优化问题可以分解成两个子问题交替迭代求解，也就是将公式(3)分解为两个公式，并进行交替迭代求解：
[0085][0086]
在公式(4)和(5)中，x与z的角标k表示迭代次数，α＝μσ2，φ(x)使用的是对x的1的范数，即φ(x)＝||x||1。
[0087]
基于上述交替迭代最小化的优化框架，就是公式(4)和公式(5)，构建isar图像超分辨网络，如图5所示，该网络(isar图像超分辨网络，也就是图中的uhqs net)中包括三个部分：参数生成网络(hpnet)、图像去模糊单元(dcnet)以及图像去噪网络(dnnet)，超参数生成网络生成分别供图像去模糊单元以及图像去噪网络进行运算的超参数。
[0088]
在本实施例中，将配对数据集输入isar图像超分辨网络具体包括：将数据对中的模糊图像y以及与模糊图像y相关的模糊核k、图像缩放倍数s以及高斯白噪声的标准差σ输入isar图像超分辨网络中。超参数生成网络根据图像缩放倍数s以及高斯白噪声的标准差σ生成第一超参数α，(α＝μσ
·2)以及第二超参数β。将第一超参数α、模糊核k以及模糊图像y输入图像去模糊单元，得到去模糊中间图像zk。将去模糊中间图像zk以及第二超参数β输入图像去噪网络中，得到去噪中间图像xk。再由图像去模糊单元以及图像去噪网络交替的对去噪中间图像进行预设次数的迭代计算，得到重构isar样本图像xk。
[0089]
具体的，图像去模糊单元直接由公式(4)导出得到，对公式(4)的z求导后，令导数等于0可以得到z的解析解：
[0090][0091]
在公式(6)中，γ(
·
)和γ-1
(
·
)分别表示快速傅里叶变换和快速傅里叶逆变换。表示γ(
·
)的共轭复数，表示不同部分之间的元
素集乘法算子，则表示s
×
s大小的块平均采样。
[0092]
通过模糊图像通过图像去模糊单元可以得到之前设置的中间变量z，也就是去模糊中间图像，同时在公式(6)中用zk表示。在这里可以将去模糊中间图像理解为超分辨过程中的中间过程图像，紧接着该图像输入图像去噪网络中进行去噪处理得到去噪中间图像。
[0093]
在本实施例中，图像去噪网络为深度学习模型采用u-net深度学习网络，也就是将利用公式(5)进行求解的过程由深度学习网络替代，该网络的结构如图6所示。
[0094]
如图5所示，可以看出在isar图像超分辨网络中包括多个图像去模糊单元以及图像去噪网络交替排列，以迭代的形式对模糊图像进行去模糊以及去噪，最终得到高清isar样本图像的重构图像。
[0095]
在本实施例中，迭代计算的预设次数为6-8次。
[0096]
在本实施例中，超参数网络包括三层全连接层。
[0097]
在本实施例中，在对isar图像超分辨网络对其进行训练还包括：根据重构isar样本图像以及对应的模糊图像计算isar图像超分辨网络的损失函数，对损失函数进行梯度计算，根据计算结果反向修正所述isar图像超分辨网络中的超参数生成网络以及图像去噪网络的参数，直至收敛，得到训练好的isar图像超分辨网络。
[0098]
具体的，通过将配对数据集中的模糊图像在isar图像超分辨网络中反复迭代，进一步提高了网络的性能，较好的利用isar图像退化的信息，包括模糊核和噪声等级，具有很好的泛化性能。isar图像超分辨网络中的各参数可通过网络损失函数进行调节
[0099]
网络损失函数考虑到isar图像往往具有稀疏性，网络训练所用的损失函数使用1范数，l
1-norm和2范数，l
2-norm。损失函数表示为：
[0100]
l＝||x
sr-x
gt
||
p
ꢀꢀ
(7)
[0101]
在公式(7)中，x
sr
表示isar图像超分辨网络的输出结果，x
gt
表示isar超高分辨标签，p＝1,2。
[0102]
在对isar图像超分辨网络进行训练时，从图5中还可以看出，输入至网络中的模糊图像的尺寸被放大了(图5中的y0所示)，放大至与输出的高分辨图像尺寸一致。
[0103]
最后，训练好的isar图像超分辨网络可以将isar图像进行超分辨得到超高分辨率的isar图像。
[0104]
在本文中，还通过实验对本文中提出的基于hqs深度展开的isar图像超分辨方法，(下文简称本方法)的效果进行验证，该效果包括对不同模糊核和噪声等级不同的isar图像超分辨场景。
[0105]
实验条件：
[0106]
基于pytorch框架构建isar图像超分辨网络，所用计算硬件平台为nvidia rtx 3090gpu。将isar图像超分辨网络在公开的isar图像数据集上进行训练、测试。该数据集包含3000张isar图像。里面包括有三种不同姿态角对应的三种不同目标所成出的isar图像。从3000张isar图像中随机抽取300张作为测试集。
[0107]
实验内容：
[0108]
将isar图像超分辨网络进行充分训练后，测试了本方法对于不同模糊核和不同噪声等级情况下的网络性能。实验结果如图7所示，在图中可以看出本方法的性能要明显好于
原半二次分裂法和传统基于深度学习的方法srgan。并且，基于1范数和2范数测试了两种不同的训练策略，在实验结果中发现基于2范数训练策略模型性能更佳。
[0109]
接着，对这些方法的迭代过程进行展开进行对比实验，如图8所示。在图8中可以看到，在迭代初期(前四次)时，本方法的性能甚至出现了性能的下降，性能并没有超过传统的半二次分裂法。从迭代的第五次开始本方法的性能开始超过其他对比方法，并且性能仍然在稳步上升。本方法迭代的中间可视化结果图如图9所示，最终可视化结果如图10所示。
[0110]
通过实验结果可以发现，本方法通过深度展开半二次分裂算法，在原半二次分裂算法更新迭代的计算框架中，引入深度神经网络进行学习，在保证了isar图像超分辨算法具有良好的性能的同时，兼具了良好的可解释性和泛化性能，并且可以利用已知的先验信息，在具有先验信息的情况下具有良好性能。
[0111]
上述基于hqs深度展开的isar图像超分辨方法中，通过深度展开半二次分裂算法，在原半二次分裂算法更新迭代的计算框架中，引入深度神经网络进行学习，使得本方法可解释性强：所使用的半二次分裂法这种基于数学模型的方法，从数学底层出发，对多个变量进行交替迭代，每一步的迭代操作都有明确的物理含义，这样的好处在于可以在迭代求解的过程中，引入和利用已有的先验知识。泛化能力好：以半二次分裂法为基础进行深度展开的好处在于，对于退化模型的参数的类型，包括不同模糊核的类型和不同的噪声等级，本方法都有着很好的泛化性能。有效性和时效性好：通过对半二次分裂法进行深度展开，引入深度神经网络在已有配对数据的情况下进行充分训练，使得网络可以具备良好的数据驱动的性能，同时本方法的多次迭代是在一个端到端的训练模型框架下，这使得模型具有非常好的时效性，在实际应用中十分高效。
[0112]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0113]
在一个实施例中，如图11所示，提供了一种基于hqs深度展开的isar图像超分辨装置，包括：图像数据集获取模块200、模糊图像生成模块210、配对数据集构建模块220、isar图像超分辨网络训练模块230和isar图像超分辨模块240，其中：
[0114]
图像数据集获取模块200，用于获取图像数据集，所述图像数据集中包括多张通过逆合成孔径雷达得到的isar样本图像，并对各所述isar样本图像进行预处理；
[0115]
模糊图像生成模块210，用于根据所述图像数据集生成模糊核库，并将所述图像数据集中的每一张isar样本图像与所述模糊核库中随机挑选的一个模糊核进行卷积操作得到对应的模糊图像；
[0116]
配对数据集构建模块220，用于根据各所述isar样本图像以及各isar样本图像对应生成的模糊图像构建高分辨率—低分辨率的配对数据集，所述配对数据集中包括多个数据对，各所述数据对分别由一张isar样本图像以及对应的模糊图像构成；
[0117]
isar图像超分辨网络训练模块230，用于基于半二次分裂算法的更新迭代计算框架构建isar图像超分辨网络，并将所述配对数据集输入所述isar图像超分辨网络对其进行
训练，得到训练好的isar图像超分辨网络，其中所述isar图像超分辨网络包括超参数生成网络、图像去模糊单元以及图像去噪网络，所述超参数生成网络生成分别供所述图像去模糊单元以及图像去噪网络进行运算的超参数，所述图像去模糊单元以及图像去噪网络以交替迭代的方式对输入图像进行去模糊以及去噪处理，以输出高分辨图像；
[0118]
isar图像超分辨模块240，用于获取待进行超分辨的isar图像，将所述isar图像输入已训练好的isar图像超分辨网络中对其进行超分辨得到高分辨率的isar图像。
[0119]
关于基于hqs深度展开的isar图像超分辨装置的具体限定可以参见上文中对于基于hqs深度展开的isar图像超分辨方法的限定，在此不再赘述。上述基于hqs深度展开的isar图像超分辨装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0120]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于hqs深度展开的isar图像超分辨方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0121]
本领域技术人员可以理解，图12中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0122]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0123]
获取图像数据集，所述图像数据集中包括多张通过逆合成孔径雷达得到的isar样本图像，并对各所述isar样本图像进行预处理；
[0124]
根据所述图像数据集生成模糊核库，并将所述图像数据集中的每一张isar样本图像与所述模糊核库中随机挑选的一个模糊核进行卷积操作得到对应的模糊图像；
[0125]
根据各所述isar样本图像以及各isar样本图像对应生成的模糊图像构建高分辨率—低分辨率的配对数据集，所述配对数据集中包括多个数据对，各所述数据对分别由一张isar样本图像以及对应的模糊图像构成；
[0126]
基于半二次分裂算法的更新迭代计算框架构建isar图像超分辨网络，并将所述配对数据集输入所述isar图像超分辨网络对其进行训练，得到训练好的isar图像超分辨网络，其中所述isar图像超分辨网络包括超参数生成网络、图像去模糊单元以及图像去噪网络，所述超参数生成网络生成分别供所述图像去模糊单元以及图像去噪网络进行运算的超参数，所述图像去模糊单元以及图像去噪网络以交替迭代的方式对输入图像进行去模糊以及去噪处理，以输出高分辨图像；
[0127]
获取待进行超分辨的isar图像，将所述isar图像输入已训练好的isar图像超分辨网络中对其进行超分辨得到高分辨率的isar图像。
[0128]
在一个实施例中，提供了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：
[0129]
获取图像数据集，所述图像数据集中包括多张通过逆合成孔径雷达得到的isar样本图像，并对各所述isar样本图像进行预处理；
[0130]
根据所述图像数据集生成模糊核库，并将所述图像数据集中的每一张isar样本图像与所述模糊核库中随机挑选的一个模糊核进行卷积操作得到对应的模糊图像；
[0131]
根据各所述isar样本图像以及各isar样本图像对应生成的模糊图像构建高分辨率—低分辨率的配对数据集，所述配对数据集中包括多个数据对，各所述数据对分别由一张isar样本图像以及对应的模糊图像构成；
[0132]
基于半二次分裂算法的更新迭代计算框架构建isar图像超分辨网络，并将所述配对数据集输入所述isar图像超分辨网络对其进行训练，得到训练好的isar图像超分辨网络，其中所述isar图像超分辨网络包括超参数生成网络、图像去模糊单元以及图像去噪网络，所述超参数生成网络生成分别供所述图像去模糊单元以及图像去噪网络进行运算的超参数，所述图像去模糊单元以及图像去噪网络以交替迭代的方式对输入图像进行去模糊以及去噪处理，以输出高分辨图像；
[0133]
获取待进行超分辨的isar图像，将所述isar图像输入已训练好的isar图像超分辨网络中对其进行超分辨得到高分辨率的isar图像。
[0134]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0135]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0136]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。