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。通过实际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（SAIR）

Abstract

Microwave Synthetic Aperture Interferometric Radiometer (SAIR) has a strong function to obtain high-resolution remote sensing information of the atmosphere and the earth's surface at microwave frequencies. Due to the problems of hardware uncertainty, limited prior information and noise interference in the microwave SAIR imaging reconstruction process by interferometry, a special calibration strategy is needed to reduce imaging errors and improve reconstruction accuracy. In this paper, we propose a SAIR image inversion method based on a deep convolutional neural network (CNN) learning framework. In this method, the SAIR interferometric measurement results are represented by signal encoding, and the SAIR imaging is represented by corresponding decoding. A deep CNN framework with additional fully connected layers is used to autonomously learn decoded representations from interferometric samples and perform SAIR imaging. And with the help of super-parameter supervised learning forward model to obtain more accurate SAIR actual imaging pictures involving multiple system features. We have proved the performance of the proposed imaging method through a large number of numerical experiments: Compared with the traditional manual Fourier transform and sparse regularization reconstruction imaging method, the imaging method based on deep learning is in terms of image quality, computational efficiency and noise suppression All have advantages.

Key Words：Convolutional Neural Network (CNN); Deep Learning (DL); Imaging methods; Microwave Synthetic Aperture Interference Radiometer (SAIR)

目 录

第1章 绪论 2

第2章 微波天线的理论框架 4

第3章 基于深层CNN的成像方法 8

3.1深度学习原理 8

3.2逆向成像的深度学习原理 10

3.3 SAIR-CNN原理描述 11

3.4 SAIR-CNN网络架构 14

3.5数据集预处理和网络实施 15

第4章 实验结果与讨论 16

第5章 结论 23

参考文献 24

致谢 27

第1章 绪论

通过接收物体微波波段辐射信号对目标进行成像和测量的高灵敏度仪器称为微波辐射计。传统的实孔径辐射计由单个天线通道辅以机械扫描实现成像，其空间分辨率受限于天线物理尺寸，同时由于需要机械扫描，实时成像困难。微波综合孔径辐射计（SAIR）是一种无源传感器，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。微波综合孔径辐射计具有配置灵活，重量轻的优点，可以在不同平台上使用。目前使用孔径合成的微波成像辐射仪（MIRAS）^[2]和土壤水分和海洋盐度辐射仪（SMOS）^[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可以在地球静止轨道上工作的具有更高微波频率的仪器，并可以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]。

由于干涉测量原始数据引起的微波综合孔径辐射计成像问题已得到很大程度上的解决^{[10] – [12]}，当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]。实践证明，实现SAIR系统成像的反问题是不适定的（病态的）。因此，对傅立叶逆变换需要专门的校准方法，以提高重建性能。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]}。此外，随着压缩感知（CS）理论^[21]-[22]的出现，稀疏迭代正则化方法得以开发并应用于SAIR成像，以通过减少数据量来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，由于手工设置有效的先验信息和调整折衷参数的难度较大，因此在实践中难以实施迭代正则化方法。

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]。特别的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解决成像逆问题的思路。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]。将这些方法建立在已知的正则化模型上，可以采用CNN架构来解决难以解决的正则化问题。