声明：本篇文章是阅读《Inverse synthetic aperture radar imaging using complex-value deep neural network》论文所作的笔记

文章目录

逆合成孔径雷达的概念
复值神经网络
ISAR传统的成像方法
- RD成像算法
- RID成像算法
- 基于压缩感知(CS)理论的成像方法
深度神经网络(DNN)的介绍
- 什么是CV-DNN
- 为什么要用CV-DNN
- 本篇论文中的神经网络结构
- 训练的参数设置
- - 数据集
  - 超参数的设置
  - 损失函数
实验结果
- 数据描述
- 图像质量评估指标
- - 对成像性能的定量评估，使用两种类型指标：
  - - 基于”真实值”的度量
    - 评估图像质量的常规度量
- 成像结果与分析
结论
参考资料：

逆合成孔径雷达的概念

合成孔径雷达和逆合成孔径雷达，其成像可以获得反映目标大小、形状、结构及姿态等细节信息的二维及三维高分辨率雷达图像，是解决目标识别问题的一种重要的技术手段
合成孔径雷达和逆合成孔径雷达都是利用目标相对运动进行成像的
合成孔径雷达：主要针对的是运动平台上固定目标和场景进行成像，其自身运动规律是可知的或基本可知的
逆合成孔径雷达：主要针对的是非合作目标进行成像，其自身运动的不确定性给运动补偿带来了困难

复值神经网络

复值神经网络包括两部分，第一部分依次由多层复值卷积层、复值批量标准化层、平均池化层，第二部分由全连接层组成
复值神经网络中对于复值卷积是使用实值来模拟复数算数，其中输入数据为h=x+iy，卷积核矩阵为w=a+ib，x，y为实向量，a，b为实数矩阵，，复值的卷积过程为：wb=(ax-by)+i(bx+ay)，其中卷积核矩阵中a、b均为1n维的矩阵，输入x、y均为m维的输入向量

ISAR传统的成像方法

RD成像算法

RD成像假定目标位于一个转动平台上，目标以均匀角速度做旋转运动，通过发射大时宽带宽积的信号来获得距离向的高分辨率，而方位向的高分辨率则依赖于目标与雷达视线之间大的相对转角，转角越大，方位分辨率越高，接着对回波进行距离压缩得到一维距离向的历程，然后对距离像历程的方位向做快速傅里叶变换(FFT)即可得到目标的二维图像

RID成像算法

ISAR成像的目标一般为非合作目标，在观测时间内，目标可能会包含非机动等平稳运动，因此RD算法就不再适用
RID算法在距离向的处理和RD算法一致，在方位向上利用短时傅里叶变换等时频变换方法获得目标的瞬时多普勒分布信息，从而获的目标的二维高分辨率图像

基于压缩感知(CS)理论的成像方法

基于压缩感知(CS)理论的ISAR成像技术是近年来发展起来的一个热点，当信号具有稀疏性是，可以通过远低于Nyquist等传统方法的数据样本对信号重建，完全颠覆了传统的Nyquist采样定理中的采样频率必须大于等于两倍的信号带宽，这样采样所需的决定因素由原来的信号带宽变为信号的信息结构和内容，更符合客观规律，但是目标场景的稀疏表示的可用性或适当性以及图像的重建算法的较低计算的效率限制了基于CS的ISAR成像方法的性能和应用

深度神经网络(DNN)的介绍

什么是CV-DNN

前面已经介绍了，就不再赘述

为什么要用CV-DNN

为什么要用复数神经网络，实数网络在图像领域中取得极大的成功，但是，在音频中，信号特征大多数是复数，简单分离实部虚部、或者考虑幅度和相位角都会丢失了复数原本的关系，因此就会出现了深度复数网络，能对复数的输入数据进行卷积、激活、批规范化等操作

本篇论文中的神经网络结构

本文的CV-DNN由三部分组成，分别是CConv1-1至CConv1-4，CConv2-1至CDeConv1和CConv3-1和CDeConv2。
CV-DNN的第一部分由四个复杂的卷积层组成，其中CConv1-2层后面是一个复杂的激活函数层。复数激活函数是心形函数。第一部分中每个卷积层使用的卷积核的大小分别为77、33、77、71.每个卷积层生成的特征图的数量分别为16、64、16和1
CV-DNN的第二部分从CPooling1层开始。CPooling1层使用大小为22的复杂池化内核对CConv1-2执行最大池化，并生成大小为5050的128个特征层表示，CConv2-1层使用大小为77的复杂卷积内核生成大小为5050的64个特征表示。CDeConv1层使用大小为22的复杂卷积核生成1个大小为100100的特征表示
CV-DNN的第三部分从CPooling2层开始。CPooling2层使用大小为22的复杂池化内核对CConv1-3执行最大池化，并生成大小为5050的128个特征层表示，CConv3-1层使用大小为77的复杂卷积内核生成大小为5050的16个特征表示。CDeConv1层使用大小为22的复杂卷积核生成1个大小为100100的特征表示
最后将CDeConv1层、CConv1-4层和CDeConv2进行累计计算得出重建的图像

训练的参数设置

数据集

训练数据由训练集和验证集组成，训练集和验证集分别由600个示例和180个示例组成。每个示例包括初始图像和标签图像，其中标签图像是聚焦良好的RD图像
标签图像和初始图像是从ISAR数据生成的。ISAR数据由在C波段(频率为4.0~8.0GHz)ISAR收集，传输的波形为400MHz。在接收信号处理中使用了去线性调频处理，并且进行了运动补偿(基于最小熵的全局范围对其算法和改进的相位梯度算法)。
标签图像是使用RD算法从ISAR回波中形成标签图像，而初始图像是使用欠采样的ISAR测量的值通过简单的二维傅里叶变换形成的

超参数的设置

损失函数

实验结果

数据描述

ISAR数据由在C波段(频率为4.0~8.0GHz)ISAR收集，传输的波形为400MHz。在接收信号处理中使用了去线性调频处理，并且进行了运动补偿(基于最小熵的全局范围对其算法和改进的相位梯度算法)。
数据的大小为100*100，即100个测距单元和100个慢时采样，对应于10<>4个测量值。在运动补偿后，数据在范围和跨范围维度中均被随机欠采样，欠采样率为25%，从而导致2500次测量

图像质量评估指标

对成像性能的定量评估，使用两种类型指标：

一种是基于”真实值”的度量
一种是用于评估图像质量的常规度量

基于”真实值”的度量

基于”真实值”的度量是基于重建图像与参考图像(代表”真实值”图像)的比较，由于没有非合作平面目标的真实图像，因此使用常规的RD方法使用完整的数据作为图像重建的高质量图像
在基于”真实值”的评估中使用的指标如下：
1. 虚警(FA)：表示存在于图像重构中，但是不存在于参考图像的散射体数量
2. 漏检(MD)：表示在新生成的图像中未重构但在参考图像中重构的散射体的数量
3. 相对均方误差(RRMSE)：表示测量散射体振幅的重构误差

评估图像质量的常规度量

对成像性能的定量评估，使用两种类型的指标，一种类型的度量是基于"真实值"的度量，另一种是用于评估图像质量的常规度量

基于"真实值"的评估基于重建图像与参考图像(代表"真实值"图像)的比较，由于没有非合作平面目标的真实图像，因此使用的通过常规RD方法使用完整数据作为参考图像重建的高质量图像。在评估中使用的指标为虚警(FA)、漏检(MD)和相对均方根误差(RRMSE)。FA表示在图像中重构但在参考图像中不存在的散射体的数量。MD表示在新生成的图像中未重构但在参考图像中重构的散射体的数量。RRMSE测量散射体振幅的重构误差
用于评估图形质量的常规指标是目标杂波比(TCR)、图像熵(ENT)和图像对比度(IC)，TCR的定义如下：

成像结果与分析

结论

新提出的用于ISAR成像的CV-DNN的方法，与CS重建算法相比，新的成像方法可以使用更少的数据获得更好的结果，并且基于CV-DNN的成像方法具有很高的计算效率

参考资料：

https://blog.csdn.net/weixin_43702663/article/details/91044610
<<一种基于压缩感知的ISAR成像方法>>李文静，陈红卫
http://www.xjishu.com/zhuanli/62/202010173742.html
《ISAR高分辨率成像方法综述》金胜，朱天林

使用复值深度神经网络逆合成孔径雷达成像相关推荐

isar舰船 matlab,舰船目标你合成孔径雷达成像分析
对海上非平稳目标进行ISAR2维成像第10卷第3期 2009年6月空军工程大学学报(自然科学版)JOURNALOFAIRFORCEENGINEERINGUNIVERSITY(NATU ...
基于深度学习的合成孔径雷达自聚焦
文章目录引言什么是合成孔径雷达什么是自聚焦经典自聚焦方法基于机器学习的方法基于极速学习机的方法基于深度学习的SAR自聚焦代码附录引言本文全面介绍合成孔径雷达自聚焦概念和方法.想获取 ...
合成孔径雷达成像算法与实现(信号处理基础知识点)
最近由于学业上需要,重新学习了<合成孔径雷达成像算法与实现>一书,其中第二章是信号处理基础,在此记录下学习过程. 一.信号处理基本概念 1.卷积与相关卷积: 相关: 卷积从几何解 ...
Python实现《合成孔径雷达成像——算法与实现》图3.13
Python实现<合成孔径雷达成像--算法与实现>图3.13. import matplotlib.pyplot as plt import numpy as np import math ...
【雷达图像】SAR合成孔径雷达成像及处理【含Matlab源码 307期】
⛄一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[雷达图像]SAR合成孔径雷达成像及处理[含Matlab源码 307期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方式2: 付费专 ...
Python实现《合成孔径雷达成像——算法与实现》图4.4
Python实现<合成孔径雷达成像--算法与实现>图4.4. import matplotlib.pyplot as plt import numpy as np import math ...
【新书推荐】【2019.09】溢油合成孔径雷达成像机理
[2019.09]溢油合成孔径雷达成像机理Synthetic Aperture Radar Imaging Mechanism for Oil Spills,共300页. 如果需要电子版,请联系QQ: ...
合成孔径雷达成像matlab,合成孔径雷达成像Matlab仿真研究.doc
合成孔径雷达成像Matlab仿真研究.doc 合成孔径雷达成像Matlab仿真研究摘要: 计算机仿真是现代雷达研究中的重要技术之一,针对合成孔径雷达(SAR)成像中影响仿真结果的因素,从分析SAR ...
Python实现《合成孔径雷达成像——算法与实现》图2.8和2.9
Python实现<合成孔径雷达成像--算法与实现>图2.8和2.9. import matplotlib.pyplot as plt import numpy as np import m ...

使用复值深度神经网络逆合成孔径雷达成像