本發(fā)明屬于遙感成像，具體涉及雙極化sar成像遙感應(yīng)用。

背景技術(shù)：

1、合成孔徑雷達(synthetic?aperture?radar,sar)具有全天時全天候工作能力，廣泛應(yīng)用于對地觀測等領(lǐng)域。相比全極化sar成像模式，星載sar系統(tǒng)獲取的雙極化sar數(shù)據(jù)較多，且雙極化sar成像模式具有更大的觀測幅寬和更高的分辨率。

2、極化目標(biāo)分解是極化sar目標(biāo)解譯識別的重要方法，廣義極化目標(biāo)分解是一種基于模型的全極化sar目標(biāo)分解方法，其通過引入表征目標(biāo)散射結(jié)構(gòu)姿態(tài)信息的物理參量，建立了精細化散射模型，顯著改善解譯性能，實現(xiàn)多姿態(tài)人造目標(biāo)的極化辨識。但是其采用非線性優(yōu)化方法，計算復(fù)雜度高?？焖購V義極化目標(biāo)分解方法通過將非線性優(yōu)化過程轉(zhuǎn)化為線性求解，實現(xiàn)模型參數(shù)的反演，然而其計算耗時仍然較長。上述極化目標(biāo)分解方法是基于全極化sar數(shù)據(jù)設(shè)計，而基于雙極化sar數(shù)據(jù)的目標(biāo)分解方法較少。針對目前星載sar系統(tǒng)中全極化sar數(shù)據(jù)相對較少，而雙極化sar數(shù)據(jù)越來越多，因此亟需建立一套針對雙極化sar數(shù)據(jù)的目標(biāo)分解方法。

3、目前針對雙極化sar數(shù)據(jù)的目標(biāo)分解方法較少，尤其是基于模型的目標(biāo)分解方法。在已有基于模型的雙極化sar目標(biāo)分解方法中，目前沒有方法能將雙極化sar數(shù)據(jù)分解為二次散射分量、奇次散射分量和體散射分量，且這些方法無法有效分解有取向人造目標(biāo)的二次散射分量，存在體散射分量過估計問題。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，本發(fā)明提供一種基于模型和學(xué)習(xí)輔助的雙極化sar目標(biāo)分解方法，其特征在于，所述方法包括如下步驟：

2、s1、構(gòu)建雙極化sar數(shù)據(jù)和散射分量配對數(shù)據(jù)集；

3、s2、構(gòu)建融合殘差連接和空洞卷積的神經(jīng)網(wǎng)絡(luò)；

4、s3、利用雙極化sar數(shù)據(jù)和散射分量配對數(shù)據(jù)集訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)；

5、s4、利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對其他區(qū)域和其他傳感器的雙極化sar數(shù)據(jù)進行目標(biāo)分解。

6、進一步，對全極化sar數(shù)據(jù)進行抽取得到雙極化sar數(shù)據(jù)，對全極化sar數(shù)據(jù)進行快速廣義極化目標(biāo)分解得到散射分量。

7、進一步，所述構(gòu)建雙極化sar數(shù)據(jù)和散射分量配對數(shù)據(jù)集時，所述雙極化sar數(shù)據(jù)分為hh-vh、vv-hv和hh-vv三種，每一種雙極化sar數(shù)據(jù)都對應(yīng)四種散射分量，所述四種散射分量為：二次散射分量、奇次散射分量、體散射分量和螺旋散射分量。

8、進一步，所述融合殘差連接和空洞卷積的神經(jīng)網(wǎng)絡(luò)包括七層卷積層，且在第一層至第六層卷積層后都設(shè)置有relu激活函數(shù)，所有卷積層的卷積核大小均為3×3，每層卷積層的空洞率分別為1、2、3、4、3、2和1，第一層卷積層的輸入通道數(shù)為4輸出通道數(shù)為64，第二層至第六層卷積層的輸入和輸出通道數(shù)均為64，第七層卷積層的輸入通道數(shù)為64輸出通道數(shù)為4；其中，第一層的輸出和第三層的輸出作殘差，將殘差輸出送入第四層卷積層，第四層卷積層的輸出與第六層卷積層的輸出作殘差，將殘差輸出送入第七層卷積層后輸出。

9、進一步，利用雙極化sar數(shù)據(jù)和散射分量配對數(shù)據(jù)集訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)時，損失函數(shù)為：

10、loss＝||fθ(xdual)-xdecomp||p；

11、其中，‖·‖p代表計算矩陣的p范數(shù)，p∈[0,2]，fθ(·)表示所述卷積神經(jīng)網(wǎng)絡(luò)，xdual表示雙極化sar數(shù)據(jù)，xdecomp表示散射分量。

12、進一步，本發(fā)明還提供一種電子設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述雙極化sar目標(biāo)分解方法的步驟。

13、進一步，本發(fā)明還提供一種計算機可讀存儲介質(zhì)，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時實現(xiàn)上述雙極化sar目標(biāo)分解方法的步驟。

14、本發(fā)明的有益效果為：

15、本發(fā)明提出了一種基于模型和學(xué)習(xí)輔助的雙極化sar目標(biāo)分解方法，實現(xiàn)基于模型的雙極化sar目標(biāo)分解，能夠準(zhǔn)確的獲取二次散射分量、奇次散射分量和體散射分量。首先基于已有的全極化sar數(shù)據(jù)，使用快速廣義極化目標(biāo)分解方法計算其二次散射分量、奇次散射分量、體散射分量和螺旋散射分量。其次構(gòu)建雙極化sar數(shù)據(jù)至散射分量之間的映射集合。然后設(shè)計融合殘差連接和空洞卷積核的神經(jīng)網(wǎng)絡(luò)，使用構(gòu)建的映射集合訓(xùn)練神經(jīng)網(wǎng)絡(luò)。最后使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對其他區(qū)域和其他傳感器的雙極化sar數(shù)據(jù)進行測試，得到這些雙極化sar數(shù)據(jù)的散射分量。

16、本發(fā)明所述方法采用快速廣義極化目標(biāo)分解結(jié)果為真值，能夠有效估計取向人造目標(biāo)的二次散射分量，降低對體散射分量的過估計，提供了基于模型的雙極化sar目標(biāo)分解新思路，具備較高的實用性。

技術(shù)特征：

1.一種基于模型和學(xué)習(xí)輔助的雙極化sar目標(biāo)分解方法，其特征在于，所述方法包括如下步驟：

2.根據(jù)權(quán)利要求1所述的雙極化sar目標(biāo)分解方法，其特征在于，對全極化sar數(shù)據(jù)進行抽取得到雙極化sar數(shù)據(jù)，對全極化sar數(shù)據(jù)進行快速廣義極化目標(biāo)分解得到散射分量。

3.根據(jù)權(quán)利要求2所述的雙極化sar目標(biāo)分解方法，其特征在于，所述構(gòu)建雙極化sar數(shù)據(jù)和散射分量配對數(shù)據(jù)集時，所述雙極化sar數(shù)據(jù)分為hh-vh、vv-hv和hh-vv三種，每一種雙極化sar數(shù)據(jù)都對應(yīng)四種散射分量，所述四種散射分量為：二次散射分量、奇次散射分量、體散射分量和螺旋散射分量。

4.根據(jù)權(quán)利要求1所述的雙極化sar目標(biāo)分解方法，其特征在于，所述融合殘差連接和空洞卷積的神經(jīng)網(wǎng)絡(luò)包括七層卷積層，且在第一層至第六層卷積層后都設(shè)置有relu激活函數(shù)，所有卷積層的卷積核大小均為3×3，每層卷積層的空洞率分別為1、2、3、4、3、2和1，第一層卷積層的輸入通道數(shù)為4輸出通道數(shù)為64，第二層至第六層卷積層的輸入和輸出通道數(shù)均為64，第七層卷積層的輸入通道數(shù)為64輸出通道數(shù)為4；其中，第一層的輸出和第三層的輸出作殘差，將殘差輸出送入第四層卷積層，第四層卷積層的輸出與第六層卷積層的輸出作殘差，將殘差輸出送入第七層卷積層后輸出。

5.根據(jù)權(quán)利要求1所述的雙極化sar目標(biāo)分解方法，其特征在于，利用雙極化sar數(shù)據(jù)和散射分量配對數(shù)據(jù)集訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)時，損失函數(shù)為：

6.一種電子設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1-5任一項所述方法的步驟。

7.一種計算機可讀存儲介質(zhì)，用于存儲計算機指令，其特征在于，所述計算機指令被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-5任一項所述方法的步驟。

技術(shù)總結(jié)
一種基于模型和學(xué)習(xí)輔助的雙極化SAR目標(biāo)分解方法。屬于遙感成像技術(shù)領(lǐng)域，具體涉及雙極化SAR成像遙感應(yīng)用技術(shù)領(lǐng)域。所述方法包括如下步驟：S1、構(gòu)建雙極化SAR數(shù)據(jù)和散射分量配對數(shù)據(jù)集；S2、構(gòu)建融合殘差連接和空洞卷積的神經(jīng)網(wǎng)絡(luò)；S3、利用雙極化SAR數(shù)據(jù)和散射分量配對數(shù)據(jù)集訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)；S4、利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對其他區(qū)域和其他傳感器的雙極化SAR數(shù)據(jù)進行目標(biāo)分解。本發(fā)明所述方法采用快速廣義極化目標(biāo)分解結(jié)果為真值，能夠有效估計取向人造目標(biāo)的二次散射分量，降低對體散射分量的過估計，提供了基于模型的雙極化SAR目標(biāo)分解新思路，具備較高的實用性。

技術(shù)研發(fā)人員：鄧均午,于春輝,徐婧,張士偉,劉芫嘍
受保護的技術(shù)使用者：長光衛(wèi)星技術(shù)股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2