本发明提出一种基于深度学习的机载舰船目标ISAR精细成像方法，属于雷达信号处理微波成像技术领域。本发明通过采用SAR粗聚焦成像、深度学习目标精确提取分割、ISAR精细聚焦成像、图像定标及实测数据验证，最终实现舰船目标的精细聚焦定标ISAR成像，与现有技术相比，本发明通过迁移学习的方法，利用深度神经网络U‑Net对粗聚焦的舰船目标SAR图像进行分割提取，高效提升了舰船目标分割提取的精准性，同时降低运算量，利于工程实现，提升舰船目标识别和精准分辨能力。
1.一种基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，包括以下步骤：S1、建立机载SAR对海面舰船目标成像几何模型；
S2、将机载SAR的原始回波信号 在距离向进行傅里叶变换，并与下式参考函数相乘，做逆傅里叶变换到距离时域，完成距离脉压处理，得到第一回波信号数据 ；
S3、将第一回波信号数据 在脉冲维划分成多个子块回波数据，在每个子块回波数据中取512个脉冲的回波数据，计算每个距离门所对应的相关系数，利用多普勒中心频率计算公式求取每个距离门所对应的多普勒中心频率，并排序，取中间值作为多普勒中心频率的估计，利用不模糊多普勒频率 ，计算模糊倍数，获得最终子块回波数据多普勒中心频率的估计值；构造运动补偿函数，对第一回波信号数据 进行距离FFT，并与运动补偿函数相乘，获得运动补偿后的第一校正数据 ；
S4、对运动补偿后的第一校正数据 进行距离走动校正，得到第二校正数据；
S5、对第二校正数据在距离向做逆傅立叶变换，在方位向做傅立叶变换，并对其采用图像中值滤波处理，获得第三图像数据 ，即SAR粗聚焦数据；
S6、采用深度神经网络U‑Net对第三图像数据 进行端到端目标分割提取；
S7、在方位向对目标分割所截取的数据 做逆傅立叶变换处理，变换到距离方位时域得第四图像数据 ；
S8、选取最优成像时间，对第四图像数据按相关法进行包络对齐处理，得到包络对齐后的一维距离像数据 ，即第五图像数据；
S9、对包络对齐后的一维距离向数据 进行相位相参性补偿处理，获得距离像序列数据 ；对该距离像序列数据进行keystone变换，对发生距离走动的散射点进行走动校正，获得第六图像数据 ；
S10、定标参数估计：利用去调频斜率Dechirp算法对目标高分辨瞬时成像，输入信号为第六图像数据 ，最终得到方位成像处理结果；具体处理步骤如下：（1）、设定第 个距离单元信号调频率范围为 ， 表示调频率的最小值， 表示调频率的最大值， 为搜索步长，搜索范围事先输入，通过4次迭代搜索实现对调频率精确估计值 ；
（2）、由估计的调频率构造分量信号，并估计调频分量的峰值位置信息，计算公式如下：其中， 为海明窗函数， 为最大值索引， 表示所求得的最大值；
（3）、由调频分量的主峰位置确定左右截止点 和 ；
（4）、估计线性调频分量信号，计算公式如下：其中， 表示形成指定维数的零矩阵， 为插值倍数， 代表方位门数，表示复数符号， 为移位函数， 为分解次数， 表示求绝对值； 和 分别为调频分量主峰位置左右截止点，为调频率精确估计值， 、 、 、 为相应公式计算结果，为调频率精确校正后的图像数据， 为调频率精确估计值最终结果， 为调频率精确校正之前图像数据的幅度值；
得到第1个调频分量后，重复（1）（4）步骤，继续分解，直到达到设置的分解个数 和剩~余能量百分比；
S11、对第六图像数据 在方位信号进行加窗和加权处理，获得方位压缩后的数据，并对其进行图像量化处理；
S12、图像定标：基于包括调频率样本在内的信息，估计图像距离和方位向刻度；
S13、对第六图像数据 进行逆傅立叶变换处理，将其变换到距离方位时域，根据图像定标参数结果，截取相应图像区域，输出精细ISAR图像。
2.根据权利要求1所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S3的具体步骤如下：（1）第1子块回波数据每个距离门所对应的多普勒中心频率 采用原始回波数据最前面的512个脉冲估计，从第2子块开始，采用上一子块的最后512个脉冲来估计当前子块回波数据每个距离门所对应的多普勒中心频率 ，计算每个距离门的相关系数值，第 个距离门所对应的相关系数值为其中， 为当前子块回波数据所对
应的方位门序号， 为当前子块回波数据所对应的距离门序号， 为当前子块回波信号数据，为当前子块回波信号数据的距离门数， 为当前子块回波数据方位门数；
（2）计算当前子块回波数据第 个距离门所对应的多普勒中心频率 ：其中， 为距离向频率， 表示求角度；对每个距离门所对应的多普勒中心频率排序，取中间值作为当前子块回波数据多普勒中心频率的估计值 ；
（3）考虑每个距离门所对应的多普勒中心频率 模糊问题，不模糊多普勒频率 为其中，为载机平台地速， 为斜视角，为波长；模糊数 为其中， 为MATLAB函数，表示向下舍入到最接近的整数，最终多普勒中心频率估计值为；
（4）对当前子块回波信号数据在距离向FFT，并与下式运动补偿函数 相乘，完成运动补偿处理，获得运动补偿后的第一校正数据 ，，
其中， 表示运动补偿函数，表示复数符号， 表示指数函数。
3.根据权利要求2所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S4具体步骤如下：将运动补偿后的第一校正数据 乘以如下参考函数 ，得到距离走动校正的数据，即第二校正数据
其中， 为表示方位慢时间 时舰船目标到机载SAR平台之间的距离， 为发射信号载频，为光速。
4.根据权利要求3所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S5具体步骤如下：（1）对第二校正数据 在距离向做IFFT，方位向做FFT，其中，为距离快时间， 为方位向频率；
（2）利用图像中值滤波的方法对 进行去噪处理，获得SAR粗聚焦的第三图像数据，图像的中值滤波表示为：其中，为滤波窗口， 表示对窗口内的灰度值求中值， 为数据 第 行第列值。
5.根据权利要求4所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S6采用深度神经网络 模型，对SAR粗聚焦的第三图像数据 进行端到端目标分割提取，具体步骤如下：（1）目标函数优化
采用目标掩蔽与预测的交叉熵损失作为损失函数，其表达式如下：其中，为真实值， 为预测标签值，对于前景即目标，标签值为1，对于背景，标签值为
采用迁移学习的方法，首先在kaggle公司的Carvana Image Masking Challenge数据集上进行训练；然后利用RSOD Dataset数据集，对模型参数进行训练，得到最终的模型，预训练时设置批次为1，学习率为0.1，训练 200 个轮回后保存模型参数，用于之后的训练；
加载预训练的参数到模型中，以同样的训练参数，对第三图像数据 进行训练，实现舰船目标的提取分割；
分别计算舰船目标的最小距离单元 、最大距离单元 、最小方位单元 和最大方位单元 ，结合 数据，对数据截取窗口进行合理设置，使得目标分割所截取的数据的距离门数 和方位门数 满足下式：其中， 为距离门数序号， 为方位门数序号， 、取整数，使和 取值分别满足2的 次幂和2的 次幂。
6.根据权利要求5所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S8中最优成像时间选取的具体步骤如下：（1）采用滑窗 ，以及步骤S3中多普勒中心频率估计的方法，针对第四图像数据估计每个滑窗时刻的多普勒中心频率估计 ，得到时间多普勒曲线，对应滑窗时刻，为滑窗方位门数；
（2）求多普勒曲线相邻多普勒中心频率之差的绝对值；
（3）取多普勒曲线中相邻绝对值间多普勒中心之差绝对值最大的时间区段作为ISAR的最优成像时间的选取区段。
7.根据权利要求6所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S8中，设置滑窗对齐的累积脉冲序数为 ，对第四图像数据 ，按相关法进行包络对齐，具体处理步骤如下：（1）从第2个一维距离像开始，按下式求系数序列 ；
为对齐后的数据， ， 表示方位门序号 所对应的距离门数据，表示滑窗移动步长， 表示滑窗对齐的累积脉冲序数，符号 表示求共轭， 为移位函数， 表示求绝对值；
（4）对第 进行移动对齐，得到包络对齐后的一维距离像数据 ，即第五图像数据：其中， ， 。
8.根据权利要求7所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S9中，对第五图像数据 进行相位相参性补偿处理，使得方位成像具备相参性，具体处理步骤如下：（1）利用第五图像数据 计算幅度方差 并排序，计算公式如下：其中， 为求方差，为求均值， 为从小到大排序， 为排序后的幅度方差值，为 在 中所对应的索引位置；
（2）利用排序结果 选取用来相位补偿的距离单元，输入阈值 要经过比较确认，计算公式如下：其中， 和 分别表示不大于阈值 对应的距离单元位置， 为MATLAB函数，表示找到某个值所处的行列位置序号；
（3）利用选取的距离单元对一维距离像序列进行相位补偿得到距离像序列数据 ，计算公式如下：，
基于深度学习的机载舰船目标ISAR精细化成像方法
技术领域
[0001] 本发明属于雷达信号处理微波成像技术领域，具体涉及一种用于机载雷达舰船目标ISAR精细成像与目标识别的方法。
背景技术
[0002] 光学方法和雷达传感器是探测海面舰船的主要手段，采用光学方法得到的海面舰船成像分辨率高，易于识别，缺陷是受恶劣环境影响大；相对于光学方法，雷达传感器具有全天候、全天时、不受天气限制等显著优点，因此在舰船目标检测领域受到广泛关注。
[0003] SAR(Synthetic Aperture Radar，合成孔径雷达)具有全天时、全天候、不受天气限制、高分辨等优点外，在军事应用中还具有广泛应用前景；然而SAR成像针对的是静止目标，舰船目标在SAR图像上是散焦的；因此，基于舰船目标的非合作性，采用ISAR(Inverse Synthetic Aperture Radar，逆合成孔径雷达)成像手段对舰船目标进行处理，以得到舰船聚焦图像。
[0004] 在实际情况中，雷达平台和舰船目标均在运动，所以得到的雷达回波里具有SAR和ISAR成分，使得成像环境十分复杂；加之舰船目标存在横滚、俯仰和偏航，在多个舰船目标的情况下，由于运动特性不同，因此无法单独使用SAR对多个舰船目标同时成像，且在同一雷达波束内存在距离上和方位上分不开的多个舰船目标，单独使用ISAR成像，从距离向和方位向上是无法从混合回波中分离出每一个舰船目标的回波信号，也不可能同时对每个舰船目标进行运动补偿。
[0005] 当前舰船目标ISAR成像方法面临目标分割提取不精准、算法步骤繁琐、运算量大、图像定标误差大等难题，难以精细化聚焦成像，不利于工程实现及实际应用需求。
发明内容
[0006] 本发明所要解决的技术问题是针对以上现有技术存在的不足，提出一种基于深度学习的机载舰船目标ISAR精细成像方法，考虑采用SAR粗聚焦成像、深度学习目标精确提取分割、ISAR精细聚焦成像、图像定标及实测数据验证，实现舰船目标的精细聚焦定标ISAR成像，降低运算量，利于工程实现，提升舰船目标识别和精准分辨能力。
[0007] 本发明为解决以上技术问题，采用以下技术方案：
[0008] 本发明提出了一种基于深度学习的机载舰船目标ISAR精细化成像方法，包括以下步骤：
[0009] S1、建立机载SAR对海面舰船目标成像几何模型；
[0010] S2、将机载SAR的原始回波信号变换到距离时域，完成距离脉压处理，得到第一回波信号数据 ；
[0011] S3、对第一回波信号数据 进行划分和处理，获得多普勒中心频率的估计值，构造运动补偿函数，对第一回波信号数据 进行距离FFT，并与运动补偿函数相乘，获得运动补偿后的第一校正数据 ；
[0012] S4、对运动补偿后的第一校正数据 进行距离走动校正，得到第二校正数据；
[0013] S5、对第二校正数据 在距离向做逆傅立叶变换，在方位向做傅立叶变换，并对其采用图像中值滤波处理，获得第三图像数据 ，即SAR粗聚焦数据；
[0014] S6、采用深度神经网络U‑Net对第三图像数据 进行端到端目标分割提取；
[0015] S7、在方位向对目标分割所截取的数据 做逆傅立叶变换处理，变换到距离方位时域得第四图像数据 ；
[0016] S8、选取最优成像时间，对第四图像数据 按相关法进行包络对齐处理，得到包络对齐后的一维距离像数据 ，即第五图像数据；
[0017] S9、对包络对齐后的一维距离向数据 进行相位相参性补偿处理，获得距离像序列数据 ；对该距离像序列数据进行keystone变换，对发生距离走动的散射点进行走动校正，获得第六图像数据 ；
[0018] S10、定标参数估计：利用去调频斜率Dechirp算法对目标高分辨瞬时成像，输入信号为第六图像数据，最终得到方位成像处理结果；
[0019] S11、对第六图像数据 在方位信号进行加窗和加权处理，获得方位压缩后的数据 ，并对其进行图像量化处理；
[0020] S12、图像定标：基于包括调频率样本在内的信息，估计图像距离和方位向刻度；
[0021] S13、对第六图像数据 进行逆傅立叶变换处理，将其变换到距离方位时域，根据图像定标参数结果，截取相应图像区域，输出精细ISAR图像。
[0022] 本发明采用以上技术方案，与现有技术相比具有如下技术效果：
[0023] （1）通过迁移学习的方法，利用深度神经网络U‑Net对粗聚焦的舰船目标SAR图像进行分割提取，高效提升了舰船目标进行分割提取的精准性。
[0024] （2）采用深度学习目标分割提取、成像时间优选、定标参数估计、图像量化及图像定标等方法，实现了舰船目标ISAR精细化成像。
[0025] （3）通过实测数据对本发明所提方法进行了验证，利于工程实现。
[0026] （4）本发明所提方法对多舰船目标的情况，同样也适用，利于应用拓展。
附图说明
[0027] 图1 是本发明处理流程图。
[0028] 图2 为机载SAR对海面舰船目标成像几何模型图。
[0029] 图3 为基于多普勒中心估计的成像时间最优选取结果图。
[0030] 图4 是本发明舰船ISAR精细成像处理结果图（图中：横坐标为方位门数序号，纵坐标为距离门数序号）。
[0031] 图5 是现有技术舰船ISAR成像量化定标处理结果图（图中：横坐标为方位门数序号，纵坐标为距离门数序号）。
[0032] 图6 为本发明舰船ISAR精细成像量化定标处理结果图（图中：横坐标为方位门数序号，纵坐标为距离门数序号）。
具体实施方式
[0033] 为使得对本发明的技术解决方案更加明晰的展示，下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
[0034] 本实施例是基于深度学习的机载舰船目标ISAR精细化成像方法，利用X波段机载舰船ISAR实测数据对本发明算法进行了验证，参照处理流出图1，具体实施方案步骤如下：
[0035] 一、建立机载SAR对海面舰船目标成像几何模型。
[0036] 机载SAR对海面舰船目标成像几何模型如图2所示，图中， 分别表示坐标轴的轴和坐标轴原点，A为机载ISAR平台， 为舰船目标， 为表示方位慢时间 时舰船目标到机载ISAR平台之间的距离。
[0037] 机载SAR发射线性调频(LFM)信号，则可得到海面舰船目标的瞬时斜距 和机载SAR的原始回波信号 ，其表达式为
[0038]
[0039]
[0040] 其中，表示复数符号，表示机载SAR的载机速度， 表示方位慢时间，表示时刻机载SAR的载机高度， 表示 时舰船目标在 轴的速度分量， 表示 时舰船目标在 轴的速度分量，表示 时舰船目标在 轴的速度分量，表示机载SAR波束射线指向的斜视角， 表示机载SAR波束中心线扫过舰船目标时的斜距，为光速，为距离块时间，表示机载斜视SAR发射线性调频信号的调频率，为波长， 表示机载SAR发射线性调频信号的方位窗函数， 表示机载SAR发射线性调频信号的窗函数， 表示指数函数。
[0041] 二、将机载SAR的原始回波信号变换到距离时域，完成距离脉压处理。
[0042] 将原始回波信号 在距离向进行傅里叶变换（FFT），并与下式参考函数相乘，并做逆傅里叶变换（IFFT），变换到距离时域，完成距离脉压处理，得到第一回波信号数据 。
[0043]
[0044] 其中，为距离向频率， 为汉明窗。
[0045] 三、对第一回波信号数据 进行划分和处理，并与构造对运动补偿函数相乘，获得运动补偿后的第一校正数据 。
[0046] 将第一回波信号数据 在脉冲维划分成多个子块回波数据，在每个子块回波数据中取512个脉冲的回波数据，计算每个距离门所对应的相关系数，利用多普勒中心频率计算公式求取每个距离门所对应的多普勒中心频率，并排序，取中间值作为多普勒中心频率的估计，利用不模糊多普勒频率 ，计算模糊倍数，获得最终子块回波数据多普勒中心频率的估计值，构造运动补偿函数，对第一回波信号数据 进行距离FFT，并与运动补偿函数相乘，获得运动补偿后的第一校正数据 。具体步骤如下：
[0047] （1）第1子块回波数据每个距离门所对应的多普勒中心频率 采用原始回波数据最前面的512个脉冲估计，从第2子块开始，采用上一子块的最后512个脉冲来估计当前子块回波数据每个距离门所对应的多普勒中心频率 ，计算每个距离门的相关系数值，第 个距离门所对应的相关系数值为
[0048]
[0049] 其中， 为当前子块回波数据所对应的方位门序号， 为当前子块回波数据所对应的距离门序号， 为当前子块回波信号数据，为当前子块回波信号数据的距离门数， 为当前子块回波数据方位门数。
[0050] （2）计算当前子块回波数据第 个距离门所对应的多普勒中心频率 ：
[0051]
[0052] 其中， 为距离向频率， 表示求角度。对每个距离门所对应的多普勒中心频率 排序，取中间值作为当前子块回波数据多普勒中心频率的估计值 。
[0053] （3）考虑每个距离门所对应的多普勒中心频率 模糊问题，不模糊多普勒频率为
[0054]
[0055] 其中，为载机平台地速， 为斜视角，为波长。模糊数 为
[0056]
[0057] 其中， 为MATLAB函数，表示向下舍入到最接近的整数，因此，最终多普勒中心频率估计值 为
[0058] 。
[0059] （4）对当前子块回波信号数据在距离向FFT，并与下式运动补偿函数 相乘，完成运动补偿处理，获得运动补偿后的第一校正数据 ：
[0060]
[0061] 其中 表示运动补偿函数，表示复数符号， 表示指数函数。
[0062] 四、对运动补偿后的第一校正数据 进行距离走动校正，得到第二校正数据。
[0063] 将运动补偿后的第一校正数据 乘以如下参考函数 ，得到第二校正数据
[0064]
[0065] 其中， 为表示方位慢时间 时舰船目标到机载SAR平台之间的距离， 为发射信号载频。
[0066] 五、对第二校正数据 在距离向做逆傅立叶变换，在方位向做傅立叶变换。
[0067] 对第二校正数据 在距离向做IFFT，方位向做FFT：
[0068]
[0069] 其中，为距离快时间， 为方位向频率。
[0070] 六、对 进行图像中值滤波处理。
[0071] 利用图像中值滤波的方法对 进行去噪处理，获得SAR粗聚焦的第三图像数据 ，图像的中值滤波表示为：
[0072]
[0073] 其中，为滤波窗口，大小为 ， 表示对窗口内的灰度值求中值， 为数据 第 行第 列值。
[0074] 七、采用深度神经网络U‑Net对中值滤波处理后的图像数据进行目标分割提取。
[0075] 采用深度神经网络U‑Net模型，对第三图像数据 进行端到端目标分割提取，具体步骤如下：
[0076] （1）目标函数优化
[0077] 采用目标掩蔽（mask）与预测的交叉熵损失作为损失函数，其表达式如下：
[0078]
[0079] 其中，为真实值，为预测标签值，对于前景即目标，标签值为1，对于背景，标签值为0， 表示求以10为底的对数。
[0080] （2）预训练
[0081] 采用迁移学习的方法，首先在kaggle公司的Carvana Image Masking Challenge数据集上进行训练。然后利用RSOD Dataset数据集，对模型参数进行训练，得到最终的模型。Carvana Image Masking Challenge数据集包含5000 多个分割标注样本，预训练时设置批次为1，学习率为0.1，训练 200 个轮回后保存模型参数，用于之后的训练。
[0082] （3）训练
[0083] 加载预训练的参数到模型中，以同样的训练参数，对第三图像数据 进行训练，实现舰船目标的提取分割，在经过100 个轮回之后，模型已经能够取得较好的预测效果。
[0084] （4）舰船目标进行边界检测
[0085] 分别计算舰船目标的最小距离单元 、最大距离单元 、最小方位单元 和最大方位单元 ，结合 数据，对数据截取窗口进行合理设置，使得目标分割所截取的数据 的距离门数 和方位门数 满足下式：
[0086]
[0087]
[0088] 其中， 为距离门数序号， 为方位门数序号，、取整数，使和 取值分别满足2的 和 次幂。
[0089] 八、在方位向对目标分割所截取的数据 做IFFT处理，变换到距离方位时域得到第四图像数据 。
[0090] 九、最优成像时间选取。
[0091] 所谓最优，是指能够获得高质量(图像清晰，聚焦好)目标像的时间段，在该观测时间内，目标上各散射点回波信号的多普勒频率恒定，处理结果如图3所示，本实施例选取优选区间1。具体步骤如下：
[0092] （1）采用滑窗（ ， 为滑窗方位门数16）及步骤3中多普勒中心频率估计的方法，针对第四图像数据 估计每个滑窗时刻的多普勒中心频率估计 ，得到时间多普勒曲线， 对应滑窗时刻；
[0093] （2）求多普勒曲线相邻多普勒中心频率之差的绝对值；
[0094] （3）取多普勒曲线中相邻绝对值间多普勒中心之差绝对值最大的时间区段作为ISAR的最优成像时间的选取区段。
[0095] 十、对目标截取数据，按相关法进行包络对齐处理。
[0096] 设置滑窗对齐的累积脉冲序数为 ，本实施方案设为16，对第四图像数据，按相关法进行包络对齐，具体处理步骤如下：
[0097] （1）从第2个一维距离像开始，按下式求系数序列 ；
[0098]
[0099] 其中， ，
[0100] 为对齐后的数据， ， 表示方位门序号所对应的距离门数据，表示滑窗移动步长， 表示滑窗对齐的累积脉冲序数，符号 表示求共轭，为移位函数， 表示求绝对值。
[0101] （2）按下式求系数序列 的最大值索引 ；
[0102]
[0103] 其中， 表示求最大值， 表示所求得的最大值。
[0104] （3）计算移动单元数 ；
[0105] ；
[0106] （4）对 进行移动对齐，得到包络对齐后的一维距离像数据 ，即第五图像数据：
[0107]
[0108] 其中， ， 。
[0109] 十一、对第五图像数据 进行相位相参性补偿处理，使得方位成像具备相参性，具体处理步骤如下：
[0110] （1）利用第五图像数据 计算幅度方差 并排序，计算公式如下：
[0111]
[0112]
[0113] 其中， 为求方差， 为求均值， 为从小到大排序， 为排序后的幅度方差值， 为 在 中所对应的索引位置。
[0114] （2）利用排序结果 选取用来相位补偿的距离单元，输入阈值 要经过比较确认，计算公式如下：
[0115]
[0116]
[0117] 其中， 和 分别表示不大于阈值 对应的距离单元位置， 为MATLAB函数，表示找到某个值所处的行列位置序号。
[0118] （3）利用选取的距离单元对一维距离像序列进行相位补偿得到距离像序列数据，计算公式如下：
[0119]
[0120]
[0121]
[0122]
[0123] 其中， 表示求角度， 表示共轭。
[0124] 十二、对相位补偿后的距离像序列数据 进行keystone变换，对发生距离走动的散射点进行走动校正，获得第六图像数据 。
[0125] 十三、定标参数估计
[0126] 利用去调频斜率（Dechirp）算法对目标高分辨瞬时成像，输入信号为keystone变换后的第六图像数据 ，最终得到方位成像处理结果 、 、 ，具体处理步骤如下：
[0127] （1）设定第 个距离单元信号调频率范围为 ， 表示调频率的最小值， 表示调频率的最大值， 为搜索步长，搜索范围事先输入，通过4次迭代搜索实现对调频率精确估计值 。
[0128] （2）由估计的调频率构造分量信号，并估计调频分量的峰值位置信息，计算公式如下：
[0129]
[0130]
[0131]
[0132] 其中， 为海明窗函数， 为最大值索引， 表示所求得的最大值。
[0133] （3）由调频分量的主峰位置确定左右截止点 和 ；
[0134] （4）估计线性调频分量信号，计算公式如下：
[0135]
[0136]
[0137]
[0138]
[0139]
[0140]
[0141]
[0142]
[0143]
[0144]
[0145]
[0146]
[0147] 其中， 表示形成指定维数的零矩阵， 为插值倍数， 代表方位门数，表示复数符号， 为移位函数， 为分解次数， 表示求绝对值； 和 分别为调频分量主峰位置左右截止点，为调频率精确估计值， 、 、 、 为相应公式计算结果，为调频率精确校正后的图像数据， 为调频率精确估计值最终结果， 为调频率精确校正之前图像数据的幅度值。
[0148] 得到第1个调频分量后，重复（1）（4）步骤，继续分解，直到达到设置的分解个数~和剩余能量百分比。
[0149] 十四、方位压缩：
[0150] 对第六图像数据 在方位信号进行加窗和加权处理，获得方位压缩后的数据，公式如下：
[0151] 。
[0152] 十五、图像量化，具体步骤如下：
[0153] （1）对 进行量化处理，计算公式如下：
[0154] ， 为一输入的固定次幂；
[0155] （2）对矩阵 在大小为 （ 为滤波窗尺寸）的窗内均值滤波，对超出范围的窗边界按照实际大小确定开窗大小计算均值，得到 ；
[0156] （3）对图像 进行二值化处理；
[0157] （4）根据二值化结果确定目标的径向范围，计算公式如下：
[0158]
[0159]
[0160]
[0161] 其中， 为MATLAB函数，表示找到某个值所处的行列位置序号， 为行位置序号， 为列位置序号， 为行位置序号最大值， 为行位置序号最小值。
[0162] 十六、图像定标：基于调频率 样本等信息,估计图像距离和方位向刻度 、 、 ，计算公式如下：
[0163]
[0164]
[0165]
[0166]
[0167]
[0168]
[0169]
[0170]
[0171]
[0172]
[0173]
[0174]
[0175] 其中， 表示所求得的最大值， 表示最大值索引，为波长、 为重频，为距离分辨率， 为截取的目标长度， 是利用最小二乘法拟合， 为方位门数，取512，其余参数为相应公式计算结果，为约定参数，一般取1。
[0176] 十七、对第六图像数据 做IFFT，变换到距离方位时域，根据图像定标参数结果，截取相应图像区域，输出精细ISAR图像，如图4所示（图中横坐标为方位门数序号，纵坐标为距离门数序号）。
[0177] 图5为现有技术量化定标处理结果，图6为本发明量化定标处理结果（图中横坐标为方位门数序号，纵坐标为距离门数序号），相比舰船目标ISAR成像处理结果来看，本发明实现了机载舰船目标ISAR精细化成像，拓展了机载舰船目标ISAR成像应用，利于海面舰船目标检测与精准识别。
[0178] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，但是在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
