基于组字典学习的逆合成孔径雷达成像方法

基于压缩感知(compressive sensing, CS)的逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像方法可以使用非常少的数据来获得高质量的图像。但基于CS的ISAR成像方法中目标场景不准确的稀疏表示限制了成像方法的性能。结合字典学习(dictionary learning, DL)技术的CS ISAR成像方法能够寻找到目标场景图像块的最优稀疏表示,提高成像质量,但每一个图像块被单独考虑,而忽略了彼此之间的相互依赖关系。为了实现进一步提高成像质量的目标,针对ISAR图像分块重建的问题,首次提出一种基于组字典学习(group dictionary learning,GDL)的ISAR成像方法。将具有相似结构的图像块聚类并构建出多个图像块组,利用奇异值分解(singular value decomposition, SVD)从图像块组中学习出最优组稀疏变换字典。学习好的组稀疏变换字典可以寻找到待重建图像块组的最优稀疏表示,进而重建出高质量的目标场景图像。实验结果表明:与现有的CS ISAR成像方法相比,基于GDL的ISAR成像方法能获得更好的成像效果,并具有更高的计算效率。     

基于复数深度神经网络的逆合成孔径雷达成像方法

压缩感知（Compressive sensing， CS）理论框架下逆合成孔径雷达（Inverse syntheitic operture radar， ISAR）成像的结果具有超分辨、无旁瓣干扰等特点，但CS ISAR成像方法性能仍然受到稀疏表示不准确和图像重建方法效率低等限制。基于深度神经网络（Deep neural network， DNN）的欠采样或不完整信号重建方法取得了瞩目的表现。DNN能够自主学习最优网络参数并挖掘出输入数据的抽象高层特征表示，但目前已有的DNN都为实数域的模型，无法直接用于复数形式数据处理。为了利用DNN的优势提高ISAR欠采样数据成像的质量，本文通过级联不同类型的复数网络层的方式，构建具有多级分解能力的复数深度神经网络（Complex value DND， CV-DNN），利用CV-DNN实现ISAR成像。实验结果表明，基于CV-DNN的ISAR成像方法在成像质量和计算效率方面都优于传统压缩感知成像方法。