融合深度学习和凸优化迭代求解策略的逆合成孔径雷达成像方法

作者：李泽; 汪玲^*; 胡长雨

来源：中国图象图形学报, 2019, 24(11): 2045-2056.

• 成像
• 压缩感知
• 逆合成孔径雷达
• 凸优化
• 深度神经网络
• 深度交替方向乘子法网络

目的针对基于压缩感知(CS)的逆合成孔径雷达(ISAR)成像方法的成像质量和应用一直受到目标场景稀疏性好坏和迭代重建耗时长限制的问题,提出一种基于交替方向乘子法网络(ADMMN)的ISAR成像方法。方法根据交替方向乘子法(ADMM)求解稀疏假设下CS ISAR成像模型时采取的分裂变量的策略,将凸优化迭代求解过程映射到一个多级的深度神经网络,构建出ADMMN。ADMMN通过训练学习欠采样的ISAR测量数据与高质量目标图像之间的映射关系,借此实现ISAR欠采样数据成像。结果实验采用仿真卫星数据和实测飞机数据,两种数据的采样率分别为25%和10%。实验结果表明,相较于典型的CS ISAR正交匹配追踪(OMP)成像方法和贪婪卡尔曼滤波(GKF)成像方法,ADMMN成像方法能够更准确地重建目标区域散射点,在虚警(FA)、漏检(MD)和相对均方根误差(RRMSE)等成像质量评估指标上均有改善。在卫星数据成像实验中,相比于OMP和GKF,ADMMN在RRMSE指标上分别降低了49. 8%和26. 5%。在飞机数据成像实验中,相比于OMP和GKF,ADMMN在RRMSE指标上分别降低了68. 7%和74. 9%。此外,在验证ADMMN先验信息依赖性的实验中,分别采用卫星训练数据和飞机训练数据训练好的两种ADMMN,都能够对10%的飞机目标测量数据成像。结论融合深度学习和凸优化迭代求解策略的ADMMN ISAR成像方法能够使用非常少的数据获得高质量的成像结果,且成像效率高。

• 单位
  南京航空航天大学; 电子信息工程学院