稀疏正则驱动的超分辨SAR图像重建OA北大核心CSTPCD

由于数据特性和散斑噪声影响,合成孔径雷达(Synthetic Aperture Radar,SAR)成像在传统数据驱动应用中存在瓶颈,特征可解释性弱。同时单纯模型驱动方法难以对复杂问题进行建模,灵活性差。针对上述问题,提出了一种稀疏正则驱动的超分辨SAR成像目标重建网络(SAR Target Reconstruction Network,SAR-TR-Net)。针对目标重建任务,从成像角度建模,将SAR复图像数据以及回波复数据引入模型驱动框架。然而SAR成像的信号处理过程包含矩阵乘法运算,并且成像模型中的观测矩阵也不能进行近似。为了适应成像模型的特殊性,设计了一种基于矩阵乘法约束的稀疏驱动框架,指导网络结构设计以实现数据模型双驱动的SAR图像重建。同时,在SAR-TR-Net卷积层采用交叉卷积结构保留原始SAR相位历程,提升了对复数据的特征提取能力。仿真和实测SAR数据验证结果表明,所提方法在目标杂波比、图像熵等量化指标上可以与成熟的模型驱动方法比拟,且在运行时间方面表现出色。