甘鳳嬌，羅成高，彭 龍，梁傳英，王宏強(qiáng)

(1. 國防科技大學(xué) 電子科學(xué)學(xué)院， 湖南 長沙 410073； 2. 中國人民解放軍78118部隊(duì)， 四川 成都 610000)

高分辨雷達(dá)成像技術(shù)在軍事和民用領(lǐng)域有迫切的應(yīng)用需求，而太赫茲(0.1～10 THz)[1-2]雷達(dá)是實(shí)現(xiàn)高分辨成像的重要途徑。相比于光學(xué)雷達(dá)成像，太赫茲波對云霧、煙塵、衣服等具有更強(qiáng)的穿透性，相比于微波雷達(dá)成像，太赫茲波波長短、帶寬大，能實(shí)現(xiàn)更高分辨率的成像。傳統(tǒng)的太赫茲雷達(dá)成像主要通過平臺(tái)與目標(biāo)之間的相對運(yùn)動(dòng)來實(shí)現(xiàn)方位、俯仰向的高分辨率，其系統(tǒng)結(jié)構(gòu)復(fù)雜，成本高昂，難以實(shí)現(xiàn)前視凝視成像。因此基于太赫茲雷達(dá)成像和孔徑編碼成像的優(yōu)勢提出了太赫茲孔徑編碼成像技術(shù)。它主要是通過孔徑編碼來改變目標(biāo)區(qū)域太赫茲波空間幅相分布來獲取目標(biāo)散射系數(shù)空間分布的一種成像方式，其在末制導(dǎo)、無損檢測、安檢成像等領(lǐng)域有一定的潛在應(yīng)用價(jià)值。

2013年，美國杜克大學(xué)首次提出基于超材料孔徑的計(jì)算成像方法，該方法利用頻率掃描取代機(jī)械掃描，并在K波段實(shí)現(xiàn)了二維成像[3]。2016年，東南大學(xué)提出了基于可編程超表面微波段的成像方案，實(shí)現(xiàn)了對簡單目標(biāo)的成像[4-5]。2018年，浙江大學(xué)提出了基于隨機(jī)場照明的微波成像系統(tǒng)，可以根據(jù)待成像目標(biāo)尺寸和分辨率需求靈活設(shè)計(jì)系統(tǒng)參數(shù)，并搭建了實(shí)驗(yàn)系統(tǒng)進(jìn)行了成像驗(yàn)證[6]。國防科技大學(xué)在太赫茲孔徑編碼成像技術(shù)方面開展了持續(xù)深入的研究，2017年率先在國內(nèi)提出了太赫茲孔徑編碼成像方案[7]，隨后對孔徑編碼的編碼策略、高分辨近場三維成像以及孔徑編碼無相位成像等進(jìn)行了研究并取得了一系列創(chuàng)新性研究成果[8-10]。

上述研究有力地推動(dòng)了太赫茲孔徑編碼成像技術(shù)的發(fā)展，但其成像過程均依賴矩陣方程的計(jì)算求解，在太赫茲頻段，由于分辨率較高，需要對成像目標(biāo)進(jìn)行精細(xì)化網(wǎng)格剖分，建立的矩陣成像方程規(guī)模龐大，這使得基于優(yōu)化迭代思想的計(jì)算成像方法極為復(fù)雜，同時(shí)基于優(yōu)化迭代的成像算法魯棒性差，難以在低信噪比下實(shí)現(xiàn)高分辨成像。為此，本文考慮引入深度神經(jīng)網(wǎng)絡(luò)來解決這些問題。近年來，深度學(xué)習(xí)已成為各個(gè)領(lǐng)域的研究熱點(diǎn)，在回歸問題的求解上也獲得了一系列的研究成果。2017年，美國麻省理工學(xué)院首次提出通過訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)來解決計(jì)算成像中的求逆問題，并在無透鏡成像中進(jìn)行了驗(yàn)證實(shí)驗(yàn)[11]。隨后美國加利福尼亞大學(xué)利用卷積神經(jīng)網(wǎng)絡(luò)從強(qiáng)度測量中恢復(fù)相位信息對全息圖進(jìn)行了重構(gòu)，對孿生像和自干擾進(jìn)行了抑制[12]。2019年，中國科學(xué)院也驗(yàn)證了深度神經(jīng)網(wǎng)絡(luò)在鬼成像中的優(yōu)越性[13]?；诖耍疚恼{(diào)查了基于卷積神經(jīng)網(wǎng)絡(luò)的太赫茲孔徑編碼成像算法在低信噪比下的成像性能。該算法利用卷積操作提取回波信號特征進(jìn)行編碼，然后在成像域進(jìn)行解碼，最終實(shí)現(xiàn)目標(biāo)的反演。

1 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)和數(shù)學(xué)模型構(gòu)建

1.1 基于單輸入多輸出技術(shù)的太赫茲孔徑編碼成像系統(tǒng)

針對安檢與反恐等近距離成像的應(yīng)用需求，基于透射式孔徑編碼天線設(shè)計(jì)了一種單發(fā)多收的太赫茲孔徑編碼成像(Terahertz Coded Aperture Imaging, TCAI)系統(tǒng)，如圖1所示。該系統(tǒng)主要包括系統(tǒng)控制終端、矢量網(wǎng)絡(luò)分析儀、發(fā)射機(jī)、編碼模塊、孔徑編碼天線、接收陣列。

圖1 太赫茲孔徑編碼成像系統(tǒng)Fig.1 TCAI system

系統(tǒng)控制終端同時(shí)控制矢量網(wǎng)絡(luò)分析儀和編碼模塊，其中矢量網(wǎng)絡(luò)分析儀通過外接發(fā)射機(jī)和接收陣列來收發(fā)太赫茲信號，孔徑編碼天線在編碼模塊的驅(qū)使下對入射太赫茲波信號的相位或者振幅進(jìn)行隨機(jī)調(diào)制，獲得時(shí)空獨(dú)立的隨機(jī)輻射場。然后經(jīng)過目標(biāo)反射的偽隨機(jī)信號被接收陣列接收。與此同時(shí)，系統(tǒng)控制終端結(jié)合發(fā)射信號和成像系統(tǒng)結(jié)構(gòu)參數(shù)，進(jìn)行輻射場信號推演，得到參考信號矩陣。最終將參考信號矩陣和回波信號送入系統(tǒng)控制終端利用計(jì)算成像思想實(shí)現(xiàn)目標(biāo)的反演。其中，成像平面從方位維和俯仰維被剖分為M個(gè)成像網(wǎng)格。

1.2 成像數(shù)學(xué)模型構(gòu)建

假設(shè)太赫茲孔徑編碼成像系統(tǒng)發(fā)射線性調(diào)頻信號，其形式可表示為：

(1)

式中，St(t)是發(fā)射單元在t時(shí)刻的發(fā)射信號，fc是中心頻率，A是信號幅度，j為虛數(shù)單位，K是調(diào)頻率。

發(fā)射的太赫茲波信號首先照射到孔徑編碼天線的表面，如果孔徑編碼包含Q個(gè)編碼陣元，那么到達(dá)第q個(gè)編碼陣元的太赫茲波信號為：

(2)

式中，dTx,q表示第q個(gè)編碼陣元與發(fā)射天線之間的距離。經(jīng)過編碼天線調(diào)整后，第m(m=1,2,…,M)個(gè)網(wǎng)格單元處tn時(shí)刻的輻射場信號為：

(3)

式中，dq,m為第q個(gè)編碼單元到成像平面第m個(gè)網(wǎng)格單元的距離，Aq(tn)和φq(tn)是第q個(gè)編碼單元在tn時(shí)刻的幅度調(diào)制因子和相位調(diào)制因子。對于幅度調(diào)制編碼天線，φq(tn)≡1；對于相位調(diào)制編碼天線，Aq(tn)≡1。

經(jīng)過目標(biāo)散射后，tn時(shí)刻到達(dá)第h個(gè)接收天線的回波信號可寫為：

(4)

式中：βm是成像平面中第m個(gè)網(wǎng)格的散射系數(shù)；Sh(tn)是第h個(gè)接收天線對應(yīng)的參考信號矩陣，結(jié)合方程(3)可寫為式(5)形式。

(5)

式中，dm,h是第m個(gè)網(wǎng)格到第h個(gè)接收天線的距離。

綜上，在tn時(shí)刻基于單輸入多輸出技術(shù)的太赫茲孔徑編碼成像系統(tǒng)的數(shù)學(xué)模型可寫為：

Sr(tn)=S(tn)·β

(6)

(7)

由于成像系統(tǒng)進(jìn)行了N次孔徑編碼和時(shí)間采樣，基于單輸入多輸出技術(shù)的太赫茲孔徑編碼成像系統(tǒng)的數(shù)學(xué)模型可寫為：

Sr=S·β+ω

(8)

式中：Sr為基于單輸入多輸出技術(shù)的太赫茲孔徑編碼成像系統(tǒng)對應(yīng)的回波信號矢量，Sr=[Sr(t1),Sr(t2),…,Sr(tN)]T；S為基于單輸入多輸出技術(shù)的太赫茲孔徑編碼成像系統(tǒng)對應(yīng)的參考信號矩陣，S=[S(t1)，S(t2)，…，S(tN)]T；ω為添加到回波信號中的白高斯測量噪聲，ω=[ω1,ω2,…,ωN·H]T。

從成像模型的推導(dǎo)過程中可以看出，方程(8)的求解主要依賴參考信號矩陣S的推導(dǎo)以及它的行與行、列與列之間的非相關(guān)性。編碼天線調(diào)制能力越強(qiáng)，S的非相關(guān)性越強(qiáng)，目標(biāo)散射系數(shù)的求解就越精確。

2 目標(biāo)散射系數(shù)的求解方法和成像網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練

2.1 目標(biāo)散射系數(shù)的求解方法

在之前的太赫茲孔徑編碼成像中，目標(biāo)散射系數(shù)求解問題被看成一個(gè)優(yōu)化問題。其通常需要一定的先驗(yàn)信息和大量的優(yōu)化迭代來重建目標(biāo)。然而基于卷積神經(jīng)網(wǎng)絡(luò)的太赫茲孔徑編碼成像方法利用生成的訓(xùn)練數(shù)據(jù)訓(xùn)練成像網(wǎng)絡(luò)，然后利用網(wǎng)絡(luò)從回波信號中精確反演目標(biāo)。兩種方法的處理框架如圖2所示。虛線表示經(jīng)典成像算法的求解框架，其中參考信號矩陣通過輻射場推演得到；實(shí)線表示提出的成像算法的處理框架。在這里離線成像網(wǎng)絡(luò)被看成一種強(qiáng)大的映射操作，而這種映射操作可以通過大量蘊(yùn)含系統(tǒng)配置和參數(shù)的輸入輸出例子學(xué)習(xí)得到，其數(shù)學(xué)表達(dá)式可以寫為：

findβ

s.t.β=G(Sr)

(9)

其中，G是需要訓(xùn)練的離線網(wǎng)絡(luò)。

圖2 太赫茲孔徑編碼成像處理框架的比較Fig.2 Comparison of processing frameworks for TCAI

根據(jù)式(7)可以看出，參考信號矩陣的規(guī)模龐大，然而在太赫茲頻段，由于分辨率較高，需要對成像目標(biāo)進(jìn)行精細(xì)化網(wǎng)格剖分，建立的矩陣成像方程規(guī)模將更龐大，這使得基于優(yōu)化迭代思想的成像算法計(jì)算極為復(fù)雜，同時(shí)參考信號矩陣難以精確估計(jì)。因此提出利用大量的輸入輸出示例來訓(xùn)練網(wǎng)絡(luò)，從而修復(fù)建模誤差和增強(qiáng)算法的魯棒性，最終實(shí)現(xiàn)低信噪比下的高分辨成像。

2.2 成像網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練

卷積神經(jīng)網(wǎng)絡(luò)是一種局部連接、權(quán)重共享的前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，對于圖像處理有出色表現(xiàn)。因此考慮利用卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)回波信號到目標(biāo)圖像的映射。成像網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)如圖3所示，其包含了提取回波信號淺層特征和高層特征的卷積層和下采樣層，避免梯度消失的批標(biāo)準(zhǔn)化處理層，增加網(wǎng)絡(luò)表達(dá)能力的激活層，其中的激活函數(shù)是修正線性函數(shù)ReLU(x)=max{0,x}，完成特征融合的上采樣和連接操作，以及實(shí)現(xiàn)特征域到成像域轉(zhuǎn)換的傳輸層。

圖3 太赫茲孔徑編碼成像網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 Schematic diagram of network structure for TCAI

深度網(wǎng)絡(luò)具有強(qiáng)大的求逆能力，但這種能力是由其包含的大量自由參數(shù)和靈活的網(wǎng)絡(luò)結(jié)構(gòu)提供的。因此網(wǎng)絡(luò)設(shè)計(jì)好后，網(wǎng)絡(luò)的訓(xùn)練和模型參數(shù)的優(yōu)化是兩個(gè)極其重要問題。

對于成像網(wǎng)絡(luò)的訓(xùn)練，其實(shí)際就是最小化損失函數(shù)，讓預(yù)測目標(biāo)一直不斷地逼近真實(shí)目標(biāo)的過程。其主要包括計(jì)算殘差的前向傳播過程和通過優(yōu)化參數(shù)使得殘差最小化的后向傳播過程。在前向傳播過程中，信號從輸入層向輸出層單向傳播，然后通過損失函數(shù)計(jì)算殘差。在后向傳播過程中，將殘差從輸出層向隱藏層反向傳播，直至傳播到輸入層。通過求得的殘差對成像模型的參數(shù)進(jìn)行更新，最終通過不斷迭代獲得一個(gè)穩(wěn)定的成像模型。下面以全連接神經(jīng)網(wǎng)絡(luò)為例簡單地描述太赫茲孔徑編碼成像的前向傳播和后向傳播過程，如圖4所示。

根據(jù)圖4中的描述，網(wǎng)絡(luò)的前向傳播過程可以表示為：

Zl=Wlσ(Zl-1)

(10)

式中，Zl表示第l層(l=1,2,…,L)經(jīng)過激活函數(shù)之前的輸出，Wl表示第l層的權(quán)重矩陣，σ表示激活函數(shù)。在訓(xùn)練過程中，針對要解決的問題選取均方誤差損失函數(shù)來度量神經(jīng)網(wǎng)絡(luò)的預(yù)測目標(biāo)β*和真實(shí)目標(biāo)β之間的差異，其表達(dá)式如式(11)所示。

圖4 太赫茲孔徑編碼成像網(wǎng)絡(luò)的前向傳播和后向傳播示意圖Fig.4 Schematic representation of forward and backward propagation of TCAI network

(11)

=[(Wl+1)Tδl+1⊙σ′(Zl)](aL-1)T

=δl(aL-1)T

(12)

式中，⊙是阿達(dá)馬積，δl=?E/?Zl表示第l層誤差，δl+1表示l+1層誤差，σ′表示激活函數(shù)的導(dǎo)數(shù)。

對于網(wǎng)絡(luò)參數(shù)的更新，采用自適應(yīng)矩估計(jì)的方法，即Adam算法[14]。該方法能基于訓(xùn)練數(shù)據(jù)迭代地更新神經(jīng)網(wǎng)絡(luò)權(quán)重。它和經(jīng)典的隨機(jī)梯度下降不同, 經(jīng)典的隨機(jī)梯度下降方法保持單一的學(xué)習(xí)率更新所有權(quán)重，而Adam算法通過計(jì)算梯度的一階矩估計(jì)和二階矩估計(jì)為不同的參數(shù)設(shè)計(jì)獨(dú)立的自適應(yīng)性學(xué)習(xí)率。假設(shè)在第l層的第e-1批數(shù)據(jù)時(shí)更新的參數(shù)為We，那么在第l層的e批數(shù)據(jù)參數(shù)更新可以表示為：

(13)

(14)

(15)

式中：β1和β2分別是一階矩估計(jì)的指數(shù)衰減率和二階矩估計(jì)的指數(shù)衰減率；ε是一個(gè)平滑項(xiàng)，其作用是防止分母為零；?E/?We-1表示的是損失函數(shù)在l層的e-1批數(shù)據(jù)中所有數(shù)據(jù)對權(quán)重梯度的均值。

從式(3)中可以看出，Adam算法在更新參數(shù)的時(shí)候考慮了所有的歷史情況對現(xiàn)在參數(shù)更新的影響，既保證了下降梯度方向的正確性，又為每一個(gè)參數(shù)設(shè)置合適的下降步長，使得網(wǎng)絡(luò)快速平穩(wěn)地收斂到合適的狀態(tài)。

綜上，網(wǎng)絡(luò)的整個(gè)訓(xùn)練過程是先對神經(jīng)網(wǎng)絡(luò)各層參數(shù)即各層的權(quán)重矩陣和偏置項(xiàng)進(jìn)行初始化，設(shè)置好訓(xùn)練的最大迭代次數(shù)、每個(gè)訓(xùn)練批的大小和學(xué)習(xí)率。再從訓(xùn)練數(shù)據(jù)中取出一批數(shù)據(jù)，從該批中取出一個(gè)數(shù)據(jù)，包括輸入回波信息以及對應(yīng)的真實(shí)目標(biāo)。然后將回波信號送入輸入端得到各層的輸出參數(shù)。再根據(jù)網(wǎng)絡(luò)的預(yù)測目標(biāo)和真實(shí)目標(biāo)計(jì)算網(wǎng)絡(luò)的損失函數(shù)以及計(jì)算損失函數(shù)對輸出層的誤差，利用相鄰層之間的誤差遞推公式計(jì)算每一層的誤差，利用每一層的誤差求出損失函數(shù)對每一層參數(shù)的導(dǎo)數(shù)。接著循環(huán)完所有的批數(shù)據(jù)并將它們求和，利用Adam算法更新各層的參數(shù)。最后迭代循環(huán)使網(wǎng)絡(luò)收斂至合適的解。整個(gè)訓(xùn)練過程的如圖5所示。

圖5 太赫茲孔徑編碼成像網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練流程圖Fig.5 Flowchart of network structure training for TCAI

3 仿真實(shí)驗(yàn)結(jié)果

基于卷積神經(jīng)網(wǎng)絡(luò)的太赫茲孔徑編碼成像系統(tǒng)參數(shù)見表1。發(fā)射的太赫茲信號的中心頻率為340 GHz，孔徑編碼天線采用了離散相位調(diào)制，因此Ap(tn)≡1。根據(jù)文獻(xiàn)[15]中的研究, 目標(biāo)的稀疏度可以用L1范數(shù)和L2范數(shù)來表征。

(16)

顯然稀疏度的取值在0和1之間；當(dāng)且僅當(dāng)β只包含一個(gè)非零分量時(shí)，稀疏度為1；當(dāng)且僅當(dāng)所有分量相等時(shí)，稀疏度為0。訓(xùn)練數(shù)據(jù)的生成主要利用式(8)通過仿真來得到，其中一部分?jǐn)?shù)據(jù)用于驗(yàn)證網(wǎng)絡(luò)，一部分?jǐn)?shù)據(jù)用于訓(xùn)練網(wǎng)絡(luò)，二者的比例為1 ∶10。最終網(wǎng)絡(luò)的訓(xùn)練在一臺(tái)GPU NVIDIA 2080的臺(tái)式電腦上完成。成像算法的代碼利用了MATLAB和Tensorflow。

表1 太赫茲孔徑編碼成像系統(tǒng)參數(shù)

為了驗(yàn)證系統(tǒng)高分辨特性和設(shè)計(jì)的合理性，分析了參考信號矩陣S。隨機(jī)輻射場分布、空間非相關(guān)性以及時(shí)間非相關(guān)性分布如圖6所示。從結(jié)果中可以看出輻射場分布的非相關(guān)性強(qiáng)，隨機(jī)性強(qiáng)，其非常有利于高分辨太赫茲孔徑編碼成像。

(a) 隨機(jī)輻射場分布(a) Distribution of random radiation fields

(b) 空間相關(guān)函數(shù)(b) Spatially correlated functions

(c) 時(shí)間相關(guān)函數(shù)(c) Time correlated functions圖6 參考信號矩陣的分布特性Fig.6 Distribution characteristics of the reference signal matrix

為了驗(yàn)證本文方法的成像性能，在不同信噪比下對不同稀疏度目標(biāo)進(jìn)行了仿真實(shí)驗(yàn)，其中目標(biāo)的稀疏度分別為0.958 6，0.777 2，0.463 0，0.656 3。成像結(jié)果如圖7所示，從圖中可以看出：成像網(wǎng)絡(luò)能夠較好地重建各種目標(biāo)，其成像性能與目標(biāo)的稀疏度有關(guān)，其關(guān)系是隨著稀疏度的減小目標(biāo)成像結(jié)果變差。對于不同信噪比下的目標(biāo)成像，可以看出隨著信噪比的增加網(wǎng)絡(luò)的成像性能不斷增加。值得一提的是，網(wǎng)絡(luò)能夠在SNR=-5 dB的信噪比下對擴(kuò)展目標(biāo)成像，雖然成像結(jié)果失真且存在偽散射點(diǎn)，但是基本的語義信息都得到了正確的恢復(fù)。

為了進(jìn)一步驗(yàn)證本文方法的優(yōu)越性，在SNR=5 dB的條件下考察了不同成像方法對不同稀疏度目標(biāo)的重建，成像結(jié)果如圖8所示。其中，原始目標(biāo)的稀疏度分別為0.870 4，0.796 5，0.712 1，0.645 8。從實(shí)驗(yàn)結(jié)果中可以看出，不論對于稀疏目標(biāo)還是擴(kuò)展目標(biāo)，本文方法在低信噪比下相比經(jīng)典的正交匹配追蹤(Orthogonal Matching Pursuit, OMP)算法[16]、全變分增廣拉格朗日交替方向算法(Total Variation Augmented Lagrangian Alternating Direction Algorithm, TVAL3)[17]和稀疏貝葉斯學(xué)習(xí)(Sparse Bayesian Learning, SBL)成像算法[18]能夠得到更高分辨率的重構(gòu)目標(biāo)。

圖7 不同稀疏度目標(biāo)在不同信噪比下的成像結(jié)果Fig.7 Imaging results for different sparse targets at different SNRs

圖8 SNR=5 dB時(shí)不同成像算法的性能比較Fig.8 Comparison of the performance of different imaging algorithms at SNR=5 dB

4 討論

上述實(shí)驗(yàn)證明了基于卷積神經(jīng)網(wǎng)絡(luò)的太赫茲孔徑編碼成像算法在低信噪比下具有良好的成像性能。接下來討論成像網(wǎng)絡(luò)的泛化性能，進(jìn)一步的仿真實(shí)驗(yàn)在混合國家標(biāo)準(zhǔn)與技術(shù)研究所數(shù)據(jù)集[19](Mixed National Institute of Standards and Technology database, MNIST)上進(jìn)行，結(jié)果如圖9所示。

圖9 成像網(wǎng)絡(luò)在SNR=5 dB時(shí)在MNIST的重建結(jié)果Fig.9 Reconstruction results of the imaging network on MNIST when SNR=5 dB

可以看出，本文成像網(wǎng)絡(luò)在MNIST測試集上具有良好的重建性能，雖然重建目標(biāo)存在許多偽散射點(diǎn)，但重建目標(biāo)的語義信息與原始目標(biāo)高度一致。另外，為了進(jìn)一步評價(jià)成像網(wǎng)絡(luò)的泛化性能，從MNIST中隨機(jī)選取了50個(gè)不同稀疏度的目標(biāo)進(jìn)行了50次蒙特卡洛實(shí)驗(yàn)，并計(jì)算了其皮爾遜相關(guān)系數(shù)。在SNR=5 dB時(shí)，其50次的皮爾遜相關(guān)系數(shù)均值為0.764 7，由此可知本文成像網(wǎng)絡(luò)具有良好的泛化性能。

5 結(jié)論

本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的太赫茲孔徑編碼增強(qiáng)成像方法，該方法實(shí)現(xiàn)了對成像系統(tǒng)隱式建模，不依賴復(fù)雜的先驗(yàn)知識(shí)，顯著降低了成像計(jì)算復(fù)雜度，在低信噪比下提高了成像分辨率。首先建立了太赫茲孔徑編碼成像系統(tǒng)數(shù)學(xué)模型，分析了成像處理框架，然后設(shè)計(jì)了卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并介紹了網(wǎng)絡(luò)的訓(xùn)練方法，最后給出了仿真實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文方法相比經(jīng)典的成像算法在低信噪比下對不同稀疏度目標(biāo)的重構(gòu)有一定優(yōu)勢。本文方法在末制導(dǎo)、無損檢測、安檢等領(lǐng)域具有一定的潛在應(yīng)用價(jià)值。