英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
基于深度卷积神经网络的微波SAIR成像方法
摘要
微波综合孔径干涉式辐射计（SAIR）具有很强功能，可获得微波频率下大气和地球表面的高分辨率遥感信息。由于通过干涉测量技术进行的微波SAIR成像重建过程存在硬件不确定性，先验信息有限和噪声干扰的问题，因此需要用专门的校准策略来减少成像误差、提高重建的准确性。在本文中，我们提出了基于深度卷积神经网络（CNN）学习框架的SAIR图像反演方法。该方法中将SAIR的干涉测量结果用信号编码表示，将SAIR成像用相应的解码表示。用具有附加完全连接层的深度CNN框架从干涉测量样本中自主学习解码表示并执行SAIR成像。并借助具有超参数的监督学习正向模型更准确的获得涉及多个系统特征的SAIR实际成像图片。我们通过大量的数值实验证明了提出的成像方法的性能：与传统的手工傅里叶变换和稀疏正则化重构成像方法相比，基于深度学习的成像方法在图像质量，计算效率和噪声抑制方面均具有优势。
关键词：卷积神经网络（CNN），深度学习（DL），成像方法，微波综合孔径干涉辐射计（SAIRs）。
一、引言
微波综合孔径干涉辐射计（SAIR）是无源传感器，用于地球的高分辨率微波遥感[1]。基于合成孔径技术，SAIR使用具有较小物理尺寸天线的稀疏阵列来实现所需的高空间分辨率，而不是使用常规的大型实孔径天线阵列。SAIR仪器具有灵活的配置和可用于不同平台的轻重量等优势，例如使用孔径合成（MIRAS）的微波成像辐射仪（MIRAS）[2]和土壤水分和海洋盐度（SMOS）辐射仪[3]，已经获取了很多大气和地球表面的气象和气候遥感数据。当前对SAIR的研究主要在于开发具有更高微波频率的仪器，并且可以在地球静止轨道上工作，用于进行连续的全球温度和湿度监测以及实时的数值天气预报，例如NASA喷气推进实验室的GeoSTAR [4]、[5]，欧洲空间研究与技术中心（ESA）的对地静止大气探测仪（GAS）[6]、[7]和中国科学院国家空间科学中心的对地静止干涉微波探测仪（GIMS）[8]、[9]。
干涉测量原始数据导致的微波SAIR成像问题已得到很大程度上的解决[10] – [12]，目前的主要问题在于硬件不确定性、有限的先验信息和噪声干扰[13]，尤其是面对现实天气预报应用的实时和动态成像需求[14]、[15]。实现SAIR系统成像的反问题已经被证明是不适定的（病态的）。所以对傅立叶逆变换需要专门的校准方法来改善重建性能。在过去的几十年中，迭代正则化方法是解决病态反问题的主要方法[16]、[17]，并成功用于SAIR成像中以获取更准确的结果[18] – [20]。另外，随着压缩感知（CS）理论[21]、[22]的出现，稀疏迭代正则化方法被开发并应用于SAIR成像，通过减少数据量获得更好的图像质量[23] – [25]。然而，在稀疏迭代正则化方法中，前向运算符和伴随运算符的计算成本仍然很高，难以实现实时SAIR成像。此外，因为手工设置有效的先验信息和调整折衷参数的难度较大，迭代正则化方法在实践中很难实施。
近年来，深度学习（DL）[26]的实现，使其成为解决科学和工程学中许多问题的最新技术，包括自然语言处理[27]、目标识别[28]和图像分类[29]。特别是在遥感图像处理领域，深度卷积神经网络（CNN）架构[30]在高光谱/ SAR图像分类和目标识别方面取得了惊人的成功[31]-[35]。CNN体系结构由多个卷积层以及非线性和池化层组成，可用于直接执行图像分类或其他特征提取任务。经典的CNN架构可以通过定义第一个网络层的输入和最后一个网络层的输出来实现分类或特征提取功能。这种网络体系结构拓宽了我们解决成像反问题的思想。在医学MRI成像中已经报道了使用深层CNN架构解决反问题的一些方法[35]，[36]。这些方法建立在已知的正则化模型上，采用CNN架构来解决正则化问题。
受到数据驱动的深度学习（DL）框架[37]的启发，本文将SAIR的SAIR干涉测量解释为从辐射亮度温度（BT）分布域到干涉测量数据域的信号编码表示。相应地，SAIR成像被解释为逆解码表示。基于此数据映射关系，我们提出了一种基于深度学习的CNN-SAIR成像方法，称为SAIR-CNN，其结构的输入为干涉测量数据，输出为微波SAIR图像数据。拟议的SAIR-CNN结构包含两个全链接（FC）层和三个卷积与以前使用CNN框架解决逆成像重建问题的工作相反[38]-[40]，提出的SAIR-CNN方法不是建立在已知的正则化模型上，而是自主学习数据驱动的成像模型。这使得所提出的方法利用了所有现有信息和系统功能，而无需为实际应用手工选择。实验结果表明，提出的SAIR-CNN方法在图像质量，计算效率和噪声抑制方面均达到了卓越的性能。
与以前使用CNN框架解决逆成像重建问题的工作相反[38]-[40]，提出的SAIR-CNN方法不是建立在已知的正则化模型上，而是自主学习数据驱动的成像模型。这使得所提出的方法利用了所有现有信息和系统功能，而无需为实际应用手工选择。实验结果表明，提出的SAIR-CNN方法在图像质量，计算效率和噪声抑制方面均达到了卓越的性能。
本文的其余部分安排如下。第二部分回顾了微波SAIR的理论框架。第三部分讨论了经典的CNN，并提出了所建议的SAIR-CNN方法的详细信息。第四部分讨论了SAIR-CNN方法的成像实验结果，第五部分总结本文。
二、微波天线的理论框架
致力于高分辨率微波遥感的微波SAIR成像系统首先通过细化阵列中的成对空间分离的小天线测量的来自观测场景的辐射信号之间的互相关值，即可见度函数样本。然后，SAIR成像系统根据可见性函数重建高分辨率BT分布图像。可见度函数的干涉测量可以认为是微波SAIR成像的直接问题，定义为
其中（xi;，eta;）是方向余弦坐标，（u，v）是采样的空间频率坐标（基线），r（·）是边缘清洗函数，说明了接收器频率的空间去相关效应对于理想的窄带接收器，响应可以近似为1。是工作频率，T（xi;，eta;）定义为经修改的微波SAIR BT图像
其中TB（xi;，eta;）是微波BT图像在方向余弦坐标（xi;，eta;）上的函数，Tr是接收器的物理温度，Omega;和Fn（xi;，eta;）是束流角和归一化电压模式，假设天线相同，则选择阵列中的天线。因此，在理想情况下，经过修改的微波SAIR BT图像与可见度函数之间存在傅立叶变换关系，这是SAIR成像的基本数学基础。
然而，通过积分方程定义了（1）中的微波SAIR成像的直接问题，并且将采样的空间频率限制在由天线阵列配置确定的有限离散傅立叶域中。因此，微波SAIR成像的相应反问题，即从测得的可见性函数重建BT分布图像的估计，通常没有直接而稳定的解决方案。为了解决不适定的逆问题，通过求解线性系统方程，在SAIR成像中使用了迭代正则化方法。
其中G矩阵是从观测到的场景数据空间到描述（1）中的傅立叶变换关系的傅立叶域数据空间的离散线性算子。对于正则化方法，G矩阵是关键参数之一，因为它可能导致各种错误的不受控制的传播。应该指出的是，每当G矩阵条件不佳或所观察场景的先验信息受到限制时，正则化解就会遇到困难。 在本文中，提出的SAIR-CNN方法将不依赖于G矩阵来建立成像模型，而是从可见性函数样本和微波SAIR图像数据中自主学习数据驱动的成像模型，从而避免了手工制作引起的不受控制的传播误差建模[13]。
由于不同的SAIR天线阵列配置具有不同的复杂度和UV采样方案，因此SAIR成像系统使用特定类型的天线阵列，这些天线阵列应具有相似的无混叠视场（AF-FOV）和空间分辨率，以进行不同重建的公平性能比较。实验中使用的天线阵列配置为：T形阵列为121个元素，Y形阵列为61个元素，圆形阵列为61个元素。
所选的阵列布局及其对应的UV采样方案如图1所示。由于空间分辨率由最大基线范围决定，因此可以清楚地看到Y形阵列以更少的元素实现了相同的空间分辨率。 还众所周知，当天线间距相同时，Y形阵列可以获得比矩形和圆形阵列更大的AF-FOV，因此Y形阵列的天线间距设置为，而 T形和圆形阵列的天线间距都设置为0.5lambda;，以确保它们在仿真中具有相似的AF-FOV。
图1.天线阵列配置和UV采样网格
（a）T形阵列（b）Y形阵列（c）圆形阵列（d）紫外线采样栅格
表I列出了实验中微波SAIR系统的其他特定参数。应该指出，假设SAIR接收通道是理想的窄带宽，则将（1）中的边缘清洗功能设置为1。 将微波InSAR BT图像模拟到由不同天线阵列配置生成的每个UV采样网格，以形成测得的可见度函数样本。
表1微波模拟参数
|
参数 |
值 |
|
中心频率 |
50.3GHz |
|
带宽 |
300MHz |
|
图像像素大小 |
128128 |
|
灰度值 |
(0,255) |
|
亮温 |
2.73~300K |
三、基于深层CNN的成像方法
本节简要介绍了DL和经典的CNN，然后介绍了SAIR-CNN的有效训练过程和体系结构。
A.深度学习
DL是一种具有多种表示形式的机器学习方法。传统的机器学习方法只能处理原始格式的输入数据。因此，他们通常需要大量的先验信息，专家策略和参数设置，才能为机器学习系统设计特征或表示提取器以对输入数据的模式进行分类。 DL方法可以仅使用原始数据，并从原始数据中自动提取特征以进行检测或分类。 DL方法由可以从一个级别提取到更高抽象级别的特征的简单且非线性的多层模块组成，DL方法可以通过级联此类模块来获得非常复杂的特征提取器。对于识别任务，较高级别的功能对于区分和抑制原始数据上不相关的变化非常重要。通常，DL方法被归类为前馈神经网络。随着DL的发展，一些有效的网络体系结构被广泛采用，例如FC层网络，CNN和递归神经网络（RNN）。这些体系结构还可以用作开发更复杂的深度网络的基本单元。
为了将DL方法应用于微波SAIR成像，我们首先介绍CNN的基本概念，该概念已在图像处理领域取得了许多最新性能。 CNN自然地适合于网络体系结构方面的图像处理，因为它利用了图像的二维矩阵结构。图2显示了用于图像分类的经典深度CNN体系结构。如图2所示，经典深度CNN包括输入层，几个级联卷积层，池化层，FC层和输出层。输入层和输出层之间的所有层都是隐藏层。卷积层可以通过执行卷积以获得特征图来提取特征。具体来说，特征图中的每个元素都通过多个卷积过滤器连接到先前图层中的补丁，该过滤器由一组学习的权重组成，称为过滤器库。然后，将这些卷积滤波器的结果之和馈入非线性激活函数。同一要素图中的所有元素都使用相同的过滤器库。在数学上，卷积层是输入xsube;CN的仿射映射，其中滤波器组wsube;CMtimes;N和偏置项bsube;CN被定义为
其中输出是输入的学习特征图，符号lowast;表示离散卷积，而是激活函数，例如修正线性单元（ReLU）函数。卷积滤波器和激活函数根据感知器的概念一起形成一个人工神经元。然后，将池化层连接到卷积层对特征图进行下采样以减小空间尺寸。通常，将卷积层和池化层的几个阶段堆叠在一起。这是因为对于图像识别任务，CNN的第一个学习的特征层通常表示特定方向上图像的局部边缘特征，第二个学习的特征层表示由边缘特征形成的局部图案特征，第三个学习的特征层表示零件的特征通过局部图案的结合形成的物体，随后的层表示由零件特征形成的物体特征。因此，CNN中的每个高级学习特征层都由较低级别的特征组成。通过这些级联的学习特征层，CNN可以利用自然图像的属性来形成原始输入的分层表示，并完成分类任务。 CNN中第k个学习要素层的输出可以写成
令L：Omega;→Gamma;是从输入定义的特征空间到隐藏层的范围到输出空间的映射。然后，深度网络输出Y由下式给出：
将原始数据xOmega;映射到输出空间YGamma;的过程称为前向传播。通过级联层形成正向传播转换，深层CNN能够表示从原始输入数据空间到任意定义的输出数据空间的更复杂的映射，并且获得了巨大的成功。这些成功的表示法是根据通用逼近定理进行解释的，理论上证明了深前向传播网络可以近似任何映射函数并适合任何训练数据，而不论映射是否线性，因为人工神经元中的权重为网络，同时激活函数具有近似非线性映射的能力。
图2.用于图像分类的经典深度CNN架构
对于DL，关键过程是使用一组训练数据X和相应的地面真实输出数据Y来训练关于损失函数的权重Wsube;CMtimes;N。经典损失函数是范数误差项：
特别地，的最小值通常被认为是具有局部最小值和鞍点的非凸优化问题。解决此优化问题最广泛采用的方法是具有以下更新的梯度下降：
其中l表示第l次更新，eta;是学习率。用梯度下降法训练权重的过程称为反向传播，这是深度CNN学习的基本方法。
通过CNN进行反向传播的梯度就像通过网络的一层一样简单，然后允许从输出到输入训练每一层的滤波器组中的所有权重。不同的参数更新方案引入了梯度项nabla;wE（wl）的不同计算。对于大型训练数据集，最强大的参数更新方案是随机梯度下降（SGD）。最近的理论结果强烈表明，SGD可以通过在较差的局部极小值和鞍点处跳出陷阱来几乎达到最佳解决方案[26]。
由于CNN中输出层的定义是由特定问题决定的，因此DL是一种目标驱动的方法。训练深度网络中的所有权重以构造输出目标特征空间，这与特定问题有关。因此，通过定义输出空间，可以扩展DL，而不再局限于分类或识别任务。实际上，由于直接成像的过程可以被视为正向传播，因此可
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238159]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
