论文部分内容阅读
近年来国内外反恐形势日益严峻,危害性公共事件时有发生,对我国新时期的安防任务以及安检新技术提出了新的更高的要求。毫米波无源探测成像技术具有优良的技术性能,在上述领域具有重要应用价值。但受限于研制成本和部分部件的生产工艺水平,使得系统获取的成像结果的分辨率较低,无法优良地满足相应的检测识别等处理和操作。改善图像分辨率的一个有效的重要手段是成像超分辨处理。针对毫米波频段成像这一具体应用背景,传统超分辨算法的适用性并不好。所以,研究设计新的适用算法具有重要的技术意义和应用价值。本论文以相关领域的科研项目为依托,主要研究了基于深层卷积神经网络和基于生成对抗网络的毫米波成像超分辨算法,主要内容包括:(1)针对传统超分辨算法在毫米波成像上应用效果不佳的问题,分析归理了基于深度学习的超分辨算法的优势。研究了毫米波无源成像系统的退化过程及相关影响因子,得到了估计的系统成像退化模型。(2)针对已有的深度学习超分辨算法模型存在着深度浅、网络性能不佳、实时性较差等问题,提出了针对毫米波成像的深层卷积神经网络超分辨算法(SuperResolution Algorithm Using Deeper Convolutional Network,SRA-DCN)。该算法利用了相应的残差模块、递归模块和快速卷积模块,解决了网络参数激增、梯度爆炸等问题,并提高了算法处理的实时性和重建结果的准确度。(3)针对深度学习超分辨算法以均方误差作为网络损失函数带来的平滑效应问题,研究了感知损失函数,并作出改进:使用激活函数处理前的特征进行损失计算,避免了激活后特征稀疏性对重建准确度带来的不利影响。(4)针对以均方误差作为损失函数进行训练的网络,在大超分辨因子的情况下重建的图像存在直观视觉效果不佳的问题,提出了针对毫米波成像的生成对抗网络超分辨算法(Super-Resolution Algorithm Using Generative Adversarial Net-work,SRA-GAN)。设计了相应的稠密连接残差单元,使用改进的感知损失和网络融合策略来训练网络。该算法在大超分辨因子时对毫米波图像的超分辨重建结果评价指标值更高,而且具有更好的人眼视觉效果。通过仿真和实验获取的数据验证了本论文提出的算法在毫米波成像超分辨处理中的有效性和优越性。