1.基于深度卷积神经网络模型的SAR图像目标形状生成方法，其特征在于，包括以下具体步骤：步骤1，加载图像数据；

步骤2，参数初始化，设置以下参数的数值：时间步长timestep、最大迭代次数iter、滤波算子窗口大小W、批次大小batch_size、基本学习率Lr；

步骤3，对图像进行二维高斯卷积操作，再进行平滑处理；

步骤4，将图像灰度值归一化到[0,255]范围内；

步骤5，通过深度学习的思想进行目标形状的初始化；

步骤6，设计迭代区域合并算法；

步骤7，应用Procrustes分析方法对初始目标形状结果进行排列对齐；

步骤8，利用k‑means算法对已对齐的样本数据进行分类，并设计基于稀疏表示的目标形状生成算法，得到稀疏编码模型；

步骤9，基于步骤8得到的稀疏编码模型，使用正交匹配追踪算法得到目标形状结果s；

步骤5包括如下步骤：

步骤5‑1，设计深度卷积神经网络模型；所述深度卷积神经网络由一系列成对的卷积层、最大池层和几个充分连接层组成；卷积池层用于学习局域多层特征，最大池层获取每个特征图中相邻区域的最大值，充分连接层学习更高阶特征表示，最后一层输出类别的概率分布；

步骤5‑2，所述深度卷积神经网络模型，主要由两个卷积层、两个最大池化层以及两个全连接层组成，输入图像块的大小为55×55，第1个卷积层的卷积核大小为6×6，卷积核滑动步长为1，卷积后得到图像尺寸为50×50，第1个最大池化层的池化窗大小为2×2，池化窗滑动步长为2，池化后得到图像尺寸为25×25，第2个卷积层的卷积核大小为4×4，卷积核滑动步长为1，卷积后得到图像尺寸为22×22；第2个最大池化层的池化窗大小为2×2，池化窗滑动步长为2，池化后得到图像尺寸为11×11，第2个最大池化层后跟着两个全连接层，两个全连接层的维度都为1024，最后为输出层，即Softmax层；

步骤5‑3，DCNN训练过程：选取具有特定尺寸的目标图像块的原始像素值作为训练对象，图像块中心为像素本身，并对目标区域的几何中心进行标注；图像块的概率值的正负取决于标注区域与图像块之间的中心值距离dt，假设阈值为dt0，如果dt

步骤6包括如下步骤：

步骤6‑1，基于生成的概率图P，首先计算距离图Dt，其中每个像素对应一个值，该值用来衡量距离背景的最短距离；

步骤6‑2，基于距离图Dt，应用H‑minima变换求目标最小值，即通过与设定的阈值h进行比较，消除低于阈值h的局部极小值，以消除部分噪声对图像的影响；对于概率图P上的每个连接区域，基于不同的距离值，采用迭代方式来扩展各个标记值，直至所有的标记合并融合；

步骤6‑3，在融合过程中，记录在下一次迭代过程中待融合的标记值；

步骤6‑4，应用简单的形态学运算平滑标记值，以有效地保存区域的形状，并作为初始目标形状结果。

2.根据权利要求1所述的基于深度卷积神经网络模型的SAR图像目标形状生成方法，其特征在于，所述步骤8包括如下步骤：步骤8‑1，假设n个样本数据中有k个不同目标类别，构造紧形状字典D＝[D1,D2,...,i iDk]，第i类样本数据对应的字典表示为Di＝[βi,1,...,βi,n]，其中n 表示第i类样本数据的个数；基于稀疏度的形状建模的目标包括一个紧形状字典D和一个稀疏系数已对齐的形状s表示为： ε表示残差；

步骤8‑2，通过最小化局域约束的综合平方差来建模；稀疏编码目标函数表示为：式中，第一项构成L2E标准，对极端值具

鲁棒性；第二项用来约束使用加权稀疏编码的基元的局域表征，这项约束通过使用具有相似度保持性的邻域字典基元；式中的约束 用来保证平移不变性，λ是正则项参数；

步骤8‑3，随机选取一组目标形状构成紧形状字典D；

步骤8‑4，采用基于映射的梯度下降法来获取最小化以更新紧形状字典D；

步骤8‑5，固定字典，使用局域约束的线性编码算法来求解系数 其中，邻域基元被定义为形状和字典基元之间的欧式距离；

步骤8‑6，计算每次迭代前后的重构误差和综合平方差值；

步骤8‑7，返回步骤8‑3，直至重构误差和综合平方差值在字典基元再次更新之前达到最小，输出系数 和紧形状字典D。