技术领域
[0001] 本
发明涉及雷达
信号处理技术领域，特别是一种基于生成对抗网络(Generative Adversarial Network,GAN)的逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像方法。
背景技术
[0002] 逆合成孔径雷达是典型的
成像雷达体制，主要用于获取非合作运动目标的高
分辨率图像，是一种有效的目标识别手段。传统的雷达成像方法是距离-多普勒(Range Doppler,RD)类成像方法,利用相干积累时间，即相干处理时间(Coherent Processing Interval,CPI)内的多普勒调制回波信号获得方位向高分辨。
[0003] 2007年Baraniuk教授等人把(Compressive Sensing,CS)理论引入到雷达成像领域。此后，基于CS的ISAR成像方法受到国内外学者越来越多的关注。基于CS的ISAR成像方法能够降低雷达系统复杂度，利用非常少的数据成像。由于CS ISAR成像方法着重重建目标区域散射点，所以相应的成像结果具有
对比度高，旁瓣少的优势，有利于后续的
图像分析和目标识别。但同时CS ISAR成像方法性能仍然受到稀疏表示不准确，重建方法效率低等问题的限制。
[0004] 2012年以来，
深度学习(Deep Learning,DL)技术受到研究人员关注并开始在一些应用领域，如
计算机视觉领域突显出强大的信息处理能
力。在许多计算机视觉任务，如图像分类，图像目标检测与
跟踪，图像重建等任务中都取得了传统
机器学习方法无法企及的成绩。图像重建大部分工作围绕着提升光学图像重建和医学图像重建
质量展开。在光学图像重建任务中，Baraniuk等人提出的级联自
编码器，Dave和DeeplnverseNet,ReconNet等人提出的循环增强网络都取得了瞩目的图像重建性能。在医学图像重建任务中，Han等人提出的深度残差网络，Kyong Hwan Jin等人提出的具有多级分结构的CNN，Schlemper等人提出的深度级联的CNN以及Yang等人提出的ADMM网络(Basic-ADMM-Net)都获得了优于CS方法的成像结果。
[0005] 随着DL技术的优势逐渐明朗，研究人员开始探索DL遥感领域的应用，试图利用DL技术为遥感领域任务解决提供新的途径。如基于DL的遥感图像超分辨，基于DL的遥感图像智能分割，基于DL的遥感图像高速目标检测与跟踪等。遥感图像重建任务国内外也有不少研究。2018年Nikonorov Artem教授团队利用深度CNN对超
光谱仪捕获图像中固有的失真进行补偿，提高了超光谱仪获得的图像的质量。同年ClaasGrohnfeldt团队提出了一种条件生成对抗网络(cGAN)架构，用于融合SAR和光学多光谱(MS)图像数据，以生成
云和无雾的MS光学数据。Lloyd H.Hughes团队，提出一种融合了自动编码器(AE)的生成对抗网络(AE-GAN)，用于SAR光学匹配数据生成逼真的SAR图像。与此同时，西安
电子科技大学李运松团队提出深度差分CNN模型，该模型在实现高分辨高光谱图像重建的同时进一步增强空间信息并保留了光谱信息。国内北京大学的王龙刚团队提出了一种基于SRGAN的SAR图像的超分辨率(SR)重建方法用于在SAR图像超分辨重建。
[0006] 相对而言，在DL技术在成像中的探讨并不多，美国伦斯勒理工学院Yazici教授最早将DL技术引入到雷达成像领域，实现了基于DL的无源雷达成像。与此同时，国内的国防科技大学秦玉亮等人率先将DNN应用于雷达成像中，利用复数的全连接层，复数的卷积层和复数的激活函数层构建了5层的复数DNN，实现了欠
采样的雷达回
波数据成像。2019年，全
卷积神经网络被构建且在欠采样ISAR数据成像质量和效率方法都取得了优于
压缩感知ISAR成像方法的表现。
发明内容
[0007] 本发明所要解决的技术问题是克服
现有技术的不足而提供一种基于生成对抗网络的逆合成孔径雷达成像方法，本发明提出的基于GAN的成像网络能够重建高质量的ISAR图像。
[0008] 本发明为解决上述技术问题采用以下技术方案：
[0009] 根据本发明提出的一种基于生成对抗网络的逆合成孔径雷达成像方法，包括以下步骤：
[0010] 步骤S1、构造训练GAN的逆合成孔径雷达ISAR数据集；
[0011] 步骤S2、利用卷积层，反卷积层，批量归一化BN层，激活函数层以及特征拼接、残差连接策略构建GAN的生成器网络；利用卷积层，BN层，激活函数层，平坦层和全连接层构建GAN的判别器网络；
[0012] 步骤S3、基于步骤S1生成的训练GAN的逆合成孔径雷达ISAR数据集，在给定损失函数形式后，结合反向传播和Adam
算法，学习GAN的参数；当GAN的训练损失足够小，并趋于稳定，则停止网络参数更新，此时获得满足任务要求的GAN；
[0013] 步骤S4、利用GAN的生成器网络实现ISAR欠采样数据成像。
[0014] 作为本发明所述的一种基于生成对抗网络的逆合成孔径雷达成像方法进一步优化方案，步骤S1具体如下：对ISAR回波数据在距离向上设定256个距离
门，方位向上设置不同的回波脉冲起始
位置和脉冲采样间隔，采集256个回波脉冲，得到大小为256×256的ISAR回波数据矩阵；在此
基础上，通过数据矩阵的距离向随机移动策略，得到多组数据；
[0015] 在GAN训练过程中，结合反向传播策略和Adam算法更新GAN参数；对每组数据的距离向和方位向上随机降采样并直接进行成像，获得初像；将初像作为GAN的输入数据，将每组数据经过RD算法得到的聚焦好、图像质量高的成像结果作为期望输出，即作为目标图像；初像和目标图像构成一个训练样本；通过该方法构建得多个训练样本，多个训练样本即为训练GAN的逆合成孔径雷达ISAR数据集。
[0016] 作为本发明所述的一种基于生成对抗网络的逆合成孔径雷达成像方法进一步优化方案，步骤S2中，
[0017] 生成器网络用于从输入初像提取最优特征表示并重建出成像结果，该网络由收缩部分和扩展部分构成；收缩部分利用卷积层和残差网络模
块对输入初像提取特征数据，并进行
降维操作；扩展部分利用反卷积进行特征表示重建；在扩展部分中，对收缩、扩展过程中同尺寸的特征表示进行级联，并利用残差网络模块和卷积对级联后的特征表示进行特征提取；在网络的最后一层加入残差学习机制，将初像与网络重建的特征数据在网络最后求和，得到最终的ISAR成像结果；
[0018] 判别器网络用于对GAN的生成器网络输出的生成图像进行真伪
鉴别，即判断生成图像是否接近目标图像；利用卷积以及残差网络模块对输入样本进行特征数据提取，并进行降维操作；最后将二维特征数据通过Flatten层进行一维化，并通过两层的全连接层对卷积提取的所有局部特征进行整合后经Sigmoid激活函数输出判别结果。
[0019] 作为本发明所述的一种基于生成对抗网络的逆合成孔径雷达成像方法进一步优化方案，步骤S3中损失函数分为生成器网络的损失函数和判别器网络的损失函数两部分；
[0020] 生成器网络的损失函数包括基于特征空间的图像生成损失函数和对抗损失函数；图像生成损失函数为均方差损失函数形式lMSE，用来计算生成ISAR图像与标签ISAR图像之间的重建误差，如式(1)所示；对抗损失函数lLS为最小二乘损失函数，用于在判别器中计算生成图像判定的标签与真实图像标签的误差，如式(2)所示；两部分损失函数分别乘以加权系数，再相加构成生成器损失函数LG，如(3)所示；
[0021]
[0022]
[0023] LG＝0.5lMSE+0.5lLS (3)
[0024] 其中，i表示第i个训练样本，n为批量随机梯度下降操作中一个批次的样本数；表示第i个训练样本中的初像，σi表示第i个样本的目标图像，G(·)表示GAN的生成器网络输出，D(·)表示判别器网络输出；
[0025] 判别器网络的损失函数LD由两部分最小二乘损失函数构成，如(4)所示；第一部分用于计算判别器对生成图像判定的标签与虚假图像标签的误差；第二部分用于对目标图像判定的标签与真实图像标签的误差：
[0026]
[0027] 在反向传播策略中采用Adam算法更新GAN参数；采用交替更新方式训练生成器网络和判别器网络，即，更新一方网络参数时，固定另一方网络参数不变；当GAN训练损失足够小且稳定，则GAN训练完成，得到满足任务要求的网络。
[0028] 作为本发明所述的一种基于生成对抗网络的逆合成孔径雷达成像方法进一步优化方案，步骤S4中，利用GAN的生成器网络实现ISAR欠采样数据成像，是对ISAR数据在距离向和方位向上进行采样率为原来的25％的随机降采样，并对二维随机降采样的ISAR回波数据采用距离-多普勒RD方法成像得到低质量图像，称为初像；将初像作为训练完成的GAN的生成器网络的输入，生成器网络的输出为最终的成像结果。
[0029] 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：
[0030] (1)本发明提出利用GAN来实现欠采样ISAR数据成像，本发明所提出的GAN具有以下特点：首先，引入残差网络块，借此加深网络层数获取更丰富的特征信息，同时避免网络层数加深带来的梯度消失问题；其次，在生成器损失中加入基于特征空间的损失，引导生成器更好地生成接近真实样本的重建图像；最后，使用带步幅的卷积代替
池化层，在减少空间位置信息的损失同时减少稀疏梯度的可能性；
[0031] (2)通过构建具有多个隐层的GAN和生成包含大量同类型ISAR目标图像的
训练数据集，来学习GAN生成器和判别器的各层参数；在此基础上，利用训练好的GAN的生成器实现ISAR成像；经过学习后的GAN的生成器能够建立输入的低质量目标初像与高质量目标图像之间的映射关系，所以本发明提出的基于GAN的成像网络能够重建高质量的ISAR图像。
附图说明
[0032] 图1是GAN的成像原理图。
[0033] 图2是生成器网络结构图。
[0034] 图3是判别器网络结构图。
[0035] 图4是全数据RD成像结果。
[0036] 图5是不同方法成像结果；其中，(a)是25％数据GAN成像结果，(b)是25％数据OMP成像结果，(c)是25％数据GKF成像结果，(d)是25％数据零空间L1范数最小
化成像结果。
具体实施方式
[0037] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体
实施例对本发明进行详细描述。
[0038] 本发明具体实施时，按照图1所示的流程进行。分为训练阶段和成像阶段。
[0039] 在GAN的训练阶段，首先要构造训练GAN的数据集。构造ISAR数据集时，对ISAR回波数据在距离向上设定256个
距离门，方位向上设置不同的回波脉冲起始位置与脉冲采样间隔，采集256个回波脉冲，从而得到多个ISAR回波数据矩阵，大小都为256×256。紧接着对获得的ISAR回波数据采用距离向随机移动的策略，生成多组数据。对每组数据的距离向和方位向上随机降采样并采用RD算法进行成像，获得初像。将每组数据经过RD算法得到的聚焦好的图像作为目标图像。一个初像和一个目标图像构成GAN的一个训练样本，通过上述方法构建得1600个训练样本。
[0040] 其次是构造GAN，并通过训练数据集来学习GAN的参数。构造GAN生成器网络如图2所示，判别器网络如图3所示。生成器网络用来从对输入初像提取最优特征表示并降维，并通过低维的特征数据重建出最后的成像结果。生成器网络由从输入初始提取特征表示的收缩部分和利用特征表示重建图像的扩展部分构成。判别器网络对GAN生成器网络输出的生成图像进行“真伪”鉴别，即判断生成图像是否接近目标图像。
[0041] GAN的构建包含生成器网络和判别器网络两部分。生成器网络和判别器网络的结构和功能具体阐述如下：
[0042] 生成器网络用来从输入初始图像中提取最优特征表示并重建出最后的成像结果。生成器网络分为收缩部分和扩展部分。
[0043] 收缩部分有六个阶段。在第一阶段中，利用步长为1，大小为3×3的卷积核对输入初始图像提取64个特征数据；第二至五阶段中，各阶段都先利用一个残差网络模块依次提取64、128、256、512个特征数据，然后再对提取的特征表示执行降维的操作。第六阶段利用一个残差网络模块提取1024个特征数据。
[0044] 扩展部分有五个阶段。在第一至四阶段中，各阶段都先利用一个反卷积重建模块执行重建特征数据操作，依次重建出512、256、128、64个特征数据，将获得的重建特征数据与收缩部分中各阶段提取的特征数据进行拼接(各阶段特征拼接对象分别为收缩部分中的第五、四、三和二阶段获得的特征数据)，并将拼接的特征数据利用一个残差网络模块依次提取512、256、128、64个特征数据，作为下一阶段的重建对象；在第五阶段，利用一个步长为1、卷积核大小为1×1的卷积层进行特征提取，并与初始图像逐点求和，得到输出。
[0045] 在生成器网络中，残差网络模块由三个步长为1，卷积核大小为3×3的卷积层组成，降维操作采用一个步长为2，卷积核大小为3×3的卷积层完成；反卷积重建模块由一个步长为2，卷积核大小为3×3的反卷积层组成，反卷积后执行BN操作，使用ReLU作为激活函数。在生成器网络中除最后一层卷积外均执行BN操作，使用ReLU作为激活函数。最后一层卷积层使用Tanh作为激活函数。
[0046] 判别器网络对GAN生成器网络输出的生成图像进行“真伪”鉴别，即衡量生成器网络输出的生成图像与目标图像之间的误差。判别器网络分六阶段完成。在第一阶段，利用一个步长为1、卷积核大小为3×3的卷积层对输入的生成图像提取64个特征数据；在第二至五阶段种，各阶段都先利用一个残差网络模块对前一层输出依次提取64、128、256、512个特征数据，然后再对提取的特征表示执行降维的操作；第六阶段，先利用一个残差网络模块提取1024个特征数据，再将特征数据通过Flatten层进行一维化，并通过两层的全连接层进行特征综合后作为Sigmoid激活函数的输入，Sigmoid的输出为判别结果。
[0047] 在判别器网络中，残差网络模块由两个步长为1、卷积核大小为3×3的卷积层组成；降维采用一个步长为2、卷积核大小为3×3的卷积操作完成。在判别器网络中，在每个卷积后均加入BN层，同时使用LeakyReLU作为激活函数；第一个全连接层使用LeakyReLU作为激活函数，第二个全连接层使用Sigmoid作为激活函数。
[0048] 接着设计GAN的损失函数，并结合反向传播算法和Adam
优化算法更新GAN神经元权值。生成器网络和判别器网络的训练过程采用交替更新方式，即，更新一方参数时，固定另一方参数。判别器网络参数每更新三次时，生成器网络参数更新一次。当GAN的训练损失足够小且稳定，则GAN训练完成，得到满足任务要求的网络。
[0049] 在成像阶段，提取GAN中的生成器网络进行成像。将采样率降为原来的25％的ISAR数据生成的初像作为训练完成的生成器网络的输入，生成器网络输出为最终的成像结果。最终的成像结果如图5中的(a)所示。
[0050] 实施实例
[0051] 图4给出的是ISAR全数据采用RD方法成像的结果。
[0052] 选取新的不同于训练集的ISAR回波数据，进行25％降采样，采用训练好的生成器网络进行成像，结果如图5中的(a)所示。
[0053] 为了验证成像方法的有效性，将GAN的成像结果与
正交匹配追踪(Orthogonal Matching Pursuit,简称OMP)，零空间L1范数最小化(Null-Space L1 Norm Minimization)，贪婪卡尔曼滤波(Greedy Kalman Filtering,简称GKF)的图像重建结果进行比较。这些方法的成像结果如图5中的(b)-(d)所示。
[0054] 对比图4和图5中的(a)可知，GAN使用25％数据得到的成像结果，与全数据通过RD方法的成像结果非常接近。对比图5中的(a)-(d)可以看出，GAN的成像结果中背景中的杂散点更少，飞机的主体可以清晰辨识。在图5中的(b)-(d)中，OMP，,GKF零空间L1范数最小化方法不能够完全清晰地重建出飞机的主体部分，且伴随着较强的虚假散射点干扰。
[0055] 采用图像评价函数对图5进行评判，并对各方法的计算时间进行统计，结果如表1所示。
[0056] 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：虚警(False Alarm,简称FA)，漏检(Missed Detection,简称MD)和相对均方根误差(Relative Root Mean Square Error,简称RRMSE)。FA用于评估错误重建的散射点数，MD用于评估未被重建出来的正确散射点，RRMSE用于评估散射点振幅的重构误差。由于没有Ground truth图像，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：目标杂波比(Target-to-Clutter Ratio,简称TCR)，图像熵(Entropy of the Image,简称ENT)和
图像对比度(Image Contrast,简称IC)。
[0057] 从表1中可以看出，GAN成像的FA值和MD值最小，意味着以全数据RD良好聚焦图像为参考时，GAN成像结果中错误重建的散射点数和未被重建的散射点数量最少。这与图5中的(a)和图5中的(b)-图5中的(d)之间的对比一致。此外，注意到零空间L1最小算法由于强调稀疏特性重构，MD值最大。继续比较RRMSE指标发现，GAN的图像RRMSE最小，说明散射点幅度重建误差最小。与其它方法相比，GAN成像结果的TCR明显高于OMP和GKF方法的成像结果，表明目标对背景杂波的对比度强、背景抑制更充分，而且图像熵值小，对比度大。
[0058] 各方法的计算时间如表1最后一列所示，网络一旦训练好，GAN成像的时间可达7秒量级，效率明显高于其它方法。
[0059] 表1.25％欠采样数据在不同成像方法下的成像结果的定量评价
[0060] 方法 FA MD RRMSE TCR(dB) ENT IC Times(s)GAN 3 63 0.1944 80.5971 4.3622 10.4814 7.34717
OMP 91 83 0.3146 49.1832 4.9304 7.9220 36.0520
GKF 51 93 0.2567 54.515 4.6464 9.0974 236.4908
零空间L1范数最小 19 116 0.2534 63.7124 4.2482 11.3440 523.5010
[0061] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。
