CN114757823B 一种光学合成孔径动态变阵成像系统及成像方法 （西安电子科技大学）

一种光学合成孔径动态变阵成像系统及成本发明涉及一种光学合成孔径动态变阵成模块包括依次连接的光学合成孔径动态变阵和利用孔径阵列的旋转以及基线伸缩的动态变阵图像复原模块利用训练完成深度学习模型对多缩的变阵方式用小孔径稀疏系统实现等效打大2所述多帧图像采集模块包括依次连接的光学合成孔径动态变阵和所述基线为所述孔径阵列的外接圆的圆心与所述子孔径的圆心之间所述图像复原模块利用训练完成深度学习模型对所述多帧图像进行复原得到复原图所述输入映射模块用于对输入的所述多帧图像进行初级特征提取，得到初级特征图；所述编码器模块包括级联的LeWinTransformer块和下采样层，所述编码器模块用于对所和LeWinTransformer块，所述解码器模块用于对所述融合特征图进行学习恢复得到一维3.根据权利要求1所述的光学合成孔径动态变阵成像系统，其特征在于，所述LeWin孔径阵列形成的X型基线为非对称式，较长基线与较短基线之间的差值与子孔径的直径相输入映射模块用于对输入的多帧图像进行初级特征提取，得到初级特块包括级联的LeWinTransformer块和下采样层，编码器模块用于对初级特征图进行特征34积只是等效单孔径系统的部分填充，对空间频率中低部分的响应降低或产生混叠与抑制，[0007]所述多帧图像采集模块包括依次连接的光学合成孔径动[0008]所述图像复原模块利用训练完成深度学习模型对所述多帧图像进行复原得到复5旋转角度为τ/8-τ/2。[0012]在本发明的一个实施例中，在动态变阵过程中，所述基线的伸缩步长为40mm-[0014]在本发明的一个实施例中，所述深度学习模型采用Uformer网络结构，所述[0016]所述编码器模块包括级联的LeWinTransformer块和下采样层，所述编码器模块[0017]所述解码器模块包括级联的上采样层和LeWinTransformer块，所述解码器模块[0019]在本发明的一个实施例中，所述LeWinTransformer块为局部增强窗口述四孔径阵列形成的X型基线为非对称式，较长基线与较短基线之间的差值与子孔径的直6[0028]上述说明仅是本发明技术方案的概述，为了能够更清楚[0032]图4是本发明实施例提供的一种光学合成孔径动态变阵的初始阵列、孔径排列示[0034]图6是本发明实施例提供的多种光学合成孔径动态变阵与等效孔径MTF对比示意用孔径阵列的旋转以及基线伸缩的动态变阵方式，以实现探测器对待测物的多帧图像采78-π/2，也就是孔径阵列整体的旋转角度范围为0～2π,每次旋转在前一次的基础上的旋转8发明实施例提供的多种光学合成孔径动态变阵与等效孔径MTF对比示意图。从图中可以看根据获取的特征学习恢复图像，解码器模块的LeWinTransformer块获取的特征为上采样的特征以及通过跳接从编码器的LeWinTransformer块获取图9所示，图9是本发明实施例提供的一种LeWinTransformer块的结构示意图，该LeWinTransformer块包括基于窗口的多头自注意力模块(Window-basedMulti-headSelf-Attention，W-MSA)和局部增强前向网络(Locally-enhancedFeed-ForwardNetwork，9[0067]在本实施例中，LeWinTransformer块通过在特征映射上使用非重叠窗口的自注NVIDIATITANXp。[0073]仿真采用的数据集为NWPU-RESISC45，是由西北工业大学(NWPU)创建的REmote传验证本实施例的深度学习模型(Uformer)的复原能力，分别采用传统算法维纳滤波和基础[0082]请参见图10，图10是本发明实施例提供的Y型和环型阵列系统不同网络复原效果孔径阵列形成的X型基线为非对称式，较长基线与较短基线之间的差值与子孔径的直径相