基于深度学习的合成孔径雷达自聚焦

引言

本文全面介绍合成孔径雷达自聚焦概念和方法。想获取更为详尽的描述，请参考以下几篇论文, 如果数据或代码对你的研究有用，欢迎为我们的库点赞，也欢迎引用我们的论文（见附录）.

• 基于深度学习的合成孔径雷达高分辨成像
• Dataset or Bagging-ECELMs: Fast SAR Autofocus based on Ensemble Convolutional Extreme Learning Machine, 2021
• AFnet and PAFnet: Fast and Accurate SAR Autofocus Based on Deep Learning, 2022

什么是合成孔径雷达

合成孔径雷达 (Synthetic Aperture Radar, SAR) 的概念最早由 Carl Wiley 于1951年提出. 利用目标与雷达间的相对运动形成的虚拟孔径，实现方位维的高分辨成像（相对与实孔径天线）。

什么是自聚焦

SAR 自聚焦旨在从 SAR 接收数据中自动估计失焦参数（相位误差，Phase Error，PE），并补偿至原图像中，实现聚焦。相位误差产生的因素很多，偏轨运动、高度变化、大气影响以及成像处理时的参数误差等都会带来不同类型不同程度的相位误差，相位误差会带来图像几何失真、分辨率、对比度和信噪比的下降，从而导致 SAR 图像失焦，此过程可以建模为未失焦的图像与模糊滤波器卷积的结果。一般来讲，相位误差分类可以分为低频相位误差和高频相位误差两类。低频相位误差通常包括线性相位误差（Linear Phase Error，LPE）、二次相位误差（Quadratic Phase Error，QPE）和三次相位误差（Cubic Phase Error，CPE），主要由传感器偏置，运动速度，观测位置误差以及算法处理误差等因素导致，低频相位误差主要影响主瓣。高频相位误差主要包括正弦相位误差（Sinusoidal Phase Error，SPE）和宽带随机相位误差（Wideband Random Phase Error，WRPE），高频相位误差主要影响旁瓣。

经典自聚焦方法

主要分为两大类：

1. 基于幅度的估计方法：该类方法包含视错位（Map Drift Algorithm，MDA）和基于度量指标优化（Metric-based）的两类方法，其中，视错位法又称子视图法，使用两视子视图可以校正 2 阶的相位误差，使用多视子视图可以校正 2 阶以上的相位误差。基于度量指标优化的方法又可分为基于最大化对比度、最小化熵和最小范数类方法，这类方法将自聚焦问题看作数学优化问题，通过迭代优化的方式求解；

2. 基于相位的估计方法：该类方法包含相位梯度法（Phase Gradient Algorithm，PGA）和相位差分法（Phase Difference Algorithm，PDA），其中，PGA 算法源自聚束式 SAR，后来被扩展至条带式 SAR 中，该方法可以校正任意阶的相位误差。

基于子视图的 SAR 自聚焦方法具备速度快的特点，但相位误差阶数上限受限于子孔径大小。基于相位梯度的方法，速度快，但性能受窗口大小影响且对高频相位误差（多周期正弦，宽带随机）补偿能力较弱。基于度量指标优化的方法，可以很好地补偿任意频率的相位误差，但计算量大，耗时长，且对不同失焦程度的 SAR 图像，学习率参数设置不同，人工干预过多

两大类传统方法的详细原理介绍，请参考本人博士论文基于深度学习的合成孔径雷达高分辨成像 。

基于机器学习的方法

本人率先发展了基于机器学习的方法，相对于传统方法的优点是：1）无需迭代速度快；2）测试过程无参，人工干预少（不需要调整学习率、迭代次数等参数）；3）深度模型为无监督训练方法，不需要真值样本。缺点是聚焦质量略微差于最好的传统方法（最小熵法MEA），但远优于MDA和PGA类。

基于极速学习机的方法

提出的第一个基于机器学习的方法，简单粗暴，将相位误差估计问题看作回归问题，直接使用多个极速学习机回归，然后使用提出的新的集成准则得到最终的回归预测结果。论文发表在Remote Sensing上Fast SAR Autofocus based on Ensemble Convolutional Extreme Learning Machine, 2021 ，在论文中描述了数据集的构建过程，如果你想使用该数据集，请引用该论文，谢谢！

基于深度学习的SAR自聚焦

此处介绍所提AFnet和PAFnet模型，其它模型参见本人博士论文基于深度学习的合成孔径雷达高分辨成像 。AFnet思路很简单如下图，与传统的MEA方法一样，先对相位误差建模，一般建模为多项式模型，然后用一个神经网络去学习多项式系数，用这个系数和多项式相位误差模型生成相位误差，用此误差矫正图像，计算图像的熵或者对比度，通过最小化熵或最大化对比度实现自聚焦和网络参数的学习。训练完成后网络具备自动从图像中提取相位误差系数的功能，进一步地可以矫正相位误差实现自聚焦。

PAFnet将AFnet里的多项式系数分级估计，如下图，对于一个七阶多项式，使用3个自聚焦器分别估计（2，3），（4，5），（6，7）阶系数。每个自聚焦器都具有与AFnet相似的结构，不同的是网络配置和多项式阶数。这样做的优势是网络先估计并矫正低阶的相位误差，再估计并矫正更高阶的相位误差，降低了误差估计的难度，提升了估计精度。更为详细的介绍和实验结果请参考论文 基于深度学习的合成孔径雷达高分辨成像和 AFnet and PAFnet: Fast and Accurate SAR Autofocus Based on Deep Learning, 2022

代码附录

AutofocusSAR里包含所提基于深度学习的自聚焦方法的数据集、代码，详细说明见主页，如果数据或代码对你的研究有用，欢迎为我们的库点赞，也欢迎引用我们的论文：

@phdthesis{Liu2021DLSARI,
  title={基于深度学习的合成孔径雷达高分辨成像},
  author={刘志},
  school={西安电子科技大学},
  address={西安},
}

@article{Liu2021Fast,
  title={Fast SAR Autofocus Based on Ensemble Convolutional Extreme Learning Machine},
  author={Liu, Zhi and Yang, Shuyuan and Feng, Zhixi and Gao, Quanwei and Wang, Min},
  journal={Remote Sensing},
  volume={13},
  number={14},
  pages={2683},
  year={2021},
  publisher={Multidisciplinary Digital Publishing Institute}
}

@article{Liu2022PAFnet,
  title={AFnet and PAFnet: Fast and Accurate SAR Autofocus Based on Deep Learning},
  author={Liu, Zhi and Yang, Shuyuan and Gao, Quanwei and Feng, Zhixi and Wang, Min and Jiao, Licheng},
  journal={IEEE Transactions on Geoscience and Remote Sensing},
  year={2022},
  volume={60},
  number={},
  pages={1-13},
  doi={10.1109/TGRS.2022.3217063}
}