背景技术：

2.合成孔径雷达(synthetic aperture radar，sar)是一种能够不受天气、光照等条件限制，全天时全天候工作的高分辨雷达，它在距离向和方位向分别通过脉冲压缩和合成孔径技术得到目标成像区域二维高分辨图像。由于其全天候、全天时、高分辨的优点，sar技术成为了各国都十分重视并大力发展的微波成像技术。最初，sar主要广泛应用在机载和星载，随着科学技术水平的提升和国家发展需求，sar目前也已经广泛应用在车载、弹载、地基等多种平台。3.在sar成像过程中，运动即是答案又是问题。在sar成像过程中，通过雷达平台与目标的相对运动信息来得到目标的方位高分辨，但雷达平台和成像目标的非理想运动会使得最终成像图像发生散焦现象，使得图像的可读信息大大降低，严重的影响了图像质量。针对运动误差导致的图像散焦问题，现今有许多优秀的处理自聚焦算法，例如：图像偏移(map draft，md)算法、相位梯度自聚焦(phase gradient autofocus，pga)算法。该类自聚焦算法通过回波信号本身的信息进行对误差相位的估计以及对该相位进行补偿，其中pga算法是目前应用最为广泛的自聚焦方法，该算法基于点目标成像模型，通过在成像场景中寻找若干个特显点，并基于这些点的散焦情况进行自聚焦处理，该算法能够处理绝大多数的sar图像散焦问题。4.假如成像场景中出现直线、圆弧等延展目标时，当雷达的成像观测角度不足时，部分点目标的聚焦效果不良或出现干涉相消的现象，于是提出了参数化模型成像的概念，但使用这些模型的成像前提均是雷达进行理想运动，一旦针对该类物体的雷达雷达出现运动误差，与常规散射点不同的是，该类模型的运动相位误差存在散射点滑动导致的调制现象，使用常规pga自聚焦算法对延展目标模型进行聚焦处理时会将目标散射特性调制相位当作运动相位误差而导致相位误差过补偿，从而造成了运动相位误差估计错误，导致聚焦图像效果不佳，严重影响图像解译。

技术实现要素：

5.有鉴于此，本发明提供了一种基于生成对抗网络的sar智能参数化自聚焦方法，能够解决传统sar自聚焦算法处理延展目标时会由于目标散射特性导致过聚焦现象的问题，大幅提升目标区域含有延展目标的自聚焦效果。6.实现本发明的技术方案如下：7.一种基于生成对抗网络的sar智能参数化自聚焦方法，包括以下步骤：8.步骤一、建立延展目标参数化回波模型和误差模型，分析得出运动误差与目标参数的耦合关系和目标散射特性相位与目标参数的映射关系；9.步骤二、基于sar观测几何，采用后向投影算法，生成目标的散焦和聚焦图像对；10.步骤三、将所述图像对输入生成对抗网络进行训练，获取目标散焦和聚焦图像的映射关系；11.步骤四、将实测目标散焦图像输入训练好的生成对抗网络，得到实测目标的聚焦图像，进而估计出目标参数；12.步骤五、基于估计出的目标参数、延展目标参数化回波模型和误差模型，将运动误差与目标参数解耦；随后，采用相位梯度自聚焦算法估计并补偿运动误差，获取聚焦良好的图像。13.进一步地，所述运动误差与目标参数的耦合关系，对于直线、圆弧等延展目标具体为：传统自聚焦方法处理直线、圆弧等延展目标时，会由于延展目标散射特性而产生目标散射特性调制相位，并将其当作运动相位误差，即将目标散射特性调制相位与真实运动误差相位发生耦合，进而发生过补偿现象。14.进一步地，所述目标散射特性相位与目标参数的映射关系，对于圆弧目标具体为：15.由于圆弧目标散射特性导致雷达在观测圆弧目标时，仅能对航迹经过的圆心角对应圆弧成像，使用相位梯度自聚焦方法会将由于圆弧滑动散射特性导致的滑动散射特性相位估计为运动误差；圆弧目标回波与圆心目标回波在斜距域上相差目标圆弧半径rc，圆弧上的滑动散射点的斜距误差等效为圆心上的固定散射点的斜距误差，通过估计圆弧半径参数将圆弧回波映射为圆心回波，再进行常规自聚焦方法即可估计出真实相位误差。16.进一步地，所述目标散射特性相位与目标参数的映射关系，对于直线目标具体为：17.雷达在直线法线主瓣范围外时，目标仅表征为两端点，雷达在直线法线主瓣范围内时，目标表征为完整直线；使用相位梯度自聚焦方法会将由于直线分布散射特性导致的分布散射跳变相位估计为运动误差；通过估计直线目标的长度和法线角度参数，并在理想航迹下对模拟目标进行常规自聚焦方法可以估计所述跳变相位，使用真实估计相位减去该跳变相位实现运动误差相位的解耦合。18.有益效果：19.1、本发明在延展目标参数化成像模型的基础上，建立延展目标的sar参数化回波模型和运动误差模型，可以得出运动误差与目标参数耦合关系、目标散射特性相位与目标参数的映射关系。20.2、本发明针对传统方法无法从散焦图像中估计出延展目标参数的问题，提出了基于生成对抗网络架构的延展目标参数估计的方法，可在运动误差下获取目标散焦‑聚焦图像对映射关系，并从中反演出目标参数，最终对运动误差和延展目标参数进行解耦。附图说明21.图1为基于生成对抗网络的sar智能参数化自聚焦方法的流程框图。22.图2为目标成像几何示意图，(a)圆弧成像模型,(b)直线成像模型。23.图3为圆弧目标误差模型示意图，(a)圆弧误差模型,(b)直线误差模型。24.图4为圆弧目标散焦聚焦图像对示意图，(a)散焦圆弧，(b)聚焦圆弧。25.图5为生成对抗网络示意图。26.图6为网络估计目标参数示意图。27.图7为实施例中的场景示意图，(a)实施例中圆弧的场景示意图,(b)实施例中直线的场景示意图。28.图8为实施例中圆弧的不同方法及真值的成像结果，(a)bp算法结果，(b)常规pga补偿结果，(c)本发明技术结果，(d)目标真值。29.图9为实施例中直线的不同方法及真值的成像结果，(a)bp算法结果，(b)常规pga补偿结果，(c)本发明技术结果，(d)目标真值。具体实施方式30.下面结合附图并举实施例，对本发明进行详细描述。31.本发明提供一种基于生成对抗网络的sar智能参数化自聚焦方法，首先，建立延展目标的sar参数化回波模型和运动误差模型，从中分析得出运动误差与目标参数耦合关系和目标散射特性相位与目标参数的映射关系。由于解耦运动误差需要目标参数，于是，通过训练生成对抗网络(generative adversarial networks，gan)来得到目标的散焦聚焦图像对的映射关系，并将估计目标参数使用在运动误差与目标参数解耦中，最后使用常规相位梯度自聚焦算法估计真实运动相位误差，实现目标图像的聚焦。本发明可大幅提升目标区域含有延展目标的自聚焦效果，有助于提升sar图像的质量。32.本发明流程图如图1所示，其具体步骤包括：33.步骤一、建立延展目标参数化回波模型和误差模型，分析得出运动误差与目标参数耦合关系和目标散射特性相位与目标参数的映射关系。34.延展目标主要由线、面目标组成，而在雷达成像过程中，面目标会退化为线目标。因此，本发明采用最基本的单元——线目标(直线、曲线)来代表延展目标，其中曲线目标进一步简化最基本的圆弧目标。35.如图2(a)所示，圆弧延展目标可以通过圆弧半径rc，圆弧圆心坐标(xc,yc)，曲线段角度φ(规定与x轴正方向平行为0°，逆时针为正)进行表征，如图2(b)所示，直线延展目标可以通过直线长度l，直线中心坐标(x,y)，直线法线角φc(规定与x轴正方向平行为0°，逆时针为正)进行表征。36.圆弧目标回波模型通过驻定相位原理可以求解为：[0037][0038]其中fr为距离向频域，fc为载频，c为光速，θ(ta)为ta时刻的雷达航迹角，br为距离带宽，rect(.)为门函数，j(θ)为雷达航迹角为θ时刻，雷达至圆心的距离，即其中(x,y)为雷达航迹角为θ时刻的雷达坐标。[0039]观察式(1)可以知道由于圆弧目标散射特性导致雷达在观测圆弧目标时，仅能对航迹经过的圆心角对应圆弧成像。[0040]其对应时域表达式为(忽略绝对幅度和常数相位且雷达观察角度处于圆弧主瓣范围内)[0041][0042]其中tr为距离向时间，sinc(.)为辛格函数。[0043]观察式(2)能观察到圆弧目标回波与圆心目标回波在斜距域上相差一个目标圆弧半径rc，即可以通过该关系将圆弧目标回波映射至圆心散射点回波。[0044]直线目标回波模型可以求解为:[0045][0046]其中f为距离向频率，θ为雷达航迹角，ll为直线长度，ε是过直线法线主瓣范围，r0(θ)、r1(θ)、r2(θ)分别为雷达到目标中心点、目标上端点、目标下端点的斜距历程。[0047]可以从回波模型分析得出，在雷达在直线法线主瓣范围外时，目标仅表征为两端点，但雷达在直线法线主瓣范围内时，目标表征为完整直线。[0048]如图3(a)所示，建立圆弧目标的误差模型，通过几何关系可知，目标斜距误差为：[0049][0050]其中rr(ta)为实际航迹下目标斜距历程，ri(ta)为理想航迹下目标斜距历程，(xr(ta)，yr(ta))为实际航迹雷达坐标，(xi(ta)，yi(ta))为理想航迹雷达坐标。[0051]该式与圆心散射点处的斜距误差相同，即通过建模可知圆弧上的滑动散射点的斜距误差等效为圆心上的固定散射点的斜距误差，即可以通过估计圆心固定散射点的运动误差来等效估计圆弧滑动散射点的运动误差。[0052]如图3(b)所示，当雷达以理想航迹运行时，传统固定散射点模型中回波的相位历程为：[0053][0054]此处(x0(0),y0(0))为孔径中心时刻散射点坐标，ri_1(ta)为散射点斜距历程，λ为雷达波长。[0055]根据直线目标散射模型，直线回波实际的相位历程为：[0056][0057]其中ri_j(ta)表示两端点斜距历程，ri_0(ta)表示直线中心斜距历程，(xj(0),yj(0))表示两端点坐标。[0058]使用相位梯度自聚焦方法会将由于目标散射特性导致的相位跳变估计为运动误差，该相位可以表示为：[0059][0060]通过估计直线的长度和法线角度参数，并在理想航迹下对模拟目标进行常规自聚焦方法可以估计出上述的错误估计相位，并使用真实估计相位减去该相位实现运动误差相位的解耦合。[0061]步骤二、建立圆迹sar仿真成像模型，生成目标的散焦和聚焦图像对。[0062]首先构建圆迹sar仿真成像模型几何结构，通过经典后向投影(backprojection，bp)成像算法对成像场景内目标进行成像。通过添加随机幅值的多频正弦相位运动误差与否来产生目标散焦聚焦图像对。在设计目标的参数时，通过在一定合理范围内随机选取圆心坐标(xc,yc)、圆弧半径rc、曲线段角度φ、直线长度l、直线中心坐标(x,y)、直线倾角φc等表征参数，使生成的图像对种类更加丰富，从而增强网络的泛化能力。如图4(a)和(b)所示为生成圆弧数据集中某一散聚焦图像对。[0063]步骤三、将生成的图像对输入至生成对抗网络进行训练，获取目标散焦和聚焦图像的映射关系。[0064]如图5为生成对抗网络模型，其中g为生成网络，d为判别网络，该模型通过生成网络和判别网络的零和博弈来拟合输入输出数据分布映射关系，生成对抗网络的最终目标为：[0065][0066]其中：[0067][0068]其中目标散焦图像数据满足分布为z～pprior，经过生成网络后满足分布z～pg(z)，目标聚焦图像数据分布满足z～pdata，通过迭代分别训练判别网络和生成网络：[0069]1.通过约束训练判别网络，使判别网络能够区别出pdata(x)与pg(x)分布差异；[0070]2.通过约束训练生成网络，使生成网络能够生成数据分布pg(x)与pdata(x)判别差异最小。具体推导为：[0071][0072]式(8)后两项描述的为pg(x)和pdata(x)的相对熵(又称kl散度)，kl散度用来描述两者数据分布差异。当生成器g最优时，生成器能够在输入pprior之后生成pg与pdata一样，即pg＝pdata，实现输入输出数据分布拟合，得到上式最小值为：[0073][0074]经过网络的训练过程，最终实现pprior至pdata的映射，即散焦图像至聚焦图像的映射关系。[0075]步骤四、将真实目标散焦图像输入训练好的生成网络，从中估计出目标参数。[0076]如图6所示，将真实散焦圆弧图像prin输入至步骤三中训练好的生成网络g*，以圆弧目标为例，估计的半径参数可以表示为：[0077]pg(rc')＝g*(prin)ꢀꢀꢀ(12)[0078]式(12)表示从网络输出结果中，根据图像的形状提取目标圆弧半径估计值rc′。将真实散焦直线图像plin输入至步骤三中训练好的生成网络g*，估计的直线的相关参数可以表示为：[0079]pg(l,φ)＝g*(plin)ꢀꢀꢀ(13)[0080]式(13)表示从网络输出结果中，根据图像的形状提取直线目标的长度ll和角度φ。[0081]步骤五、基于目标估计参数、延展目标参数化回波模型和误差模型，将运动误差与目标参数解耦；随后，采用相位梯度自聚焦算法估计并补偿运动误差，获取聚焦良好的图像。[0082]以圆弧目标为例：将网络解耦出的圆弧半径参数rc′(rc′≈rc)，应用在圆弧目标回波斜距映射为对应圆心处回波中，其可以表示为：[0083][0084]其次对该圆心散射点数据进行相位梯度自聚焦算法估计出真实运动相位，最后补偿误差相位得到目标圆弧聚焦图像。[0085]至此，实现了基于生成对抗网络的sar智能参数化自聚焦方法。[0086]实施例[0087]如图7(a)所示，在场景中放置一个圆弧目标，目标的参数如表1所示。[0088]表1实施例子中图7(a)中圆弧目标的参数[0089][0090]如图7(b)所示，在场景中放置一个直线目标，目标的参数如表2所示。[0091]表2实施例子中图7(b)中直线目标的参数[0092][0093]上述例子雷达参数如表3所示[0094]表3实施例子中雷达参数[0095]雷达参数数值单位载频13.5ghz带宽2.0ghz俯仰角30deg方位角[‑38.4,38.4]deg观测距离130m[0096]首先对图7(a)的圆弧目标进行处理：依照表1、表3中的参数以及式步骤一中的(1)，我们可以得到图7所示场景的目标回波。使用后向投影算法对该目标回波进行成像，可以得到图8(a)所示的成像结果，可以看出添加运动误差之后，成像结果中圆弧目标发生散焦，目标能量集中在边缘点，导致目标信息缺失十分严重。[0097]接下来，对该结果使用常规pga算法进行运动误差估计补偿处理可以得到图8(b)，从图中可以很明显看出，常规pga算法在处理圆弧目标时会出现过聚焦现象，将目标聚焦为一个散射点目标，严重扭曲了目标真实结构，极大地影响了目标的解译。[0098]最后，将散焦成像图像输入至训练完成的生成网络中进行目标半径参数的解耦，在输出图像中可以估计得到目标圆弧半径rc′＝0.395m。将解耦出的圆弧半径参数rc′应用圆弧回波映射中，并使用常规相位梯度自聚焦算法对映射后的圆心回波估计真实运动误差并补偿可以得到图8(c)的聚焦图像结果，可以很直观的看出目标的形状即为圆弧，十分真实还原了目标特征，大大提升了图像的可解译性。[0099]其次对图7(b)中的直线目标进行处理：首先将散焦直线图像输入至网络进行参数估计，估计目标参数为：l＝0.365m、通过该参数构建理想航迹下该目标的回波，对该回波进行常规pga处理，能够估计出只由于直线目标散射特性导致的相位误差，紧接着再次使用pga估计真实散焦直线目标的相位误差(即运动航迹误差加直线目标散射特性导致的相位误差)，估计误差减去第一次估计的相位误差即得到了真实的估计运动误差相位并补偿，最终实现直线目标自聚焦，图9为类似图8的各方法对比结果，分析与图8类似，通过本发明均可实现延展目标的自聚焦。[0100]因此，本发明所提技术能够解决常规自聚焦方法无法处理延展目标的聚焦问题，能够很好的处理场景内含有延展目标的自聚焦问题。[0101]综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。