1.一种基于卷积神经网络的SAR图像压缩方法，其特征在于，在卷积网络的自编码器之上，采用图像增强处理的数据集与自适应的优化策略，具体步骤如下：步骤1：SAR图像数据集的构建与预处理：

在对SAR原始数据进行成像之后，全部裁剪成统一大小的图像；再挑选含特征信息的图像，构建初始的训练集和测试集；通过二维小波变换，对初始的训练集运用图像增强技术；

步骤2：自编解码器卷积网络的构建：

自编解码器卷积网络分为四个部分，分别为输入层、编码器、解码器、输出层；其中，编码器通过多层卷积以及残差结构完成对SAR图像的压缩编码；而解码器通过多层的转置卷积和残差结构完成对编码图像的解码；

步骤3：失真优化：

通过自编解码器前向传播压缩恢复后的图像与原始图像的均方误差来计算网络的损失，再进行反向传播更新权重矩阵，不断地训练和优化。

2.根据权利要求1所述的一种基于卷积神经网络的SAR图像压缩方法，其特征在于，所述步骤1中，通过haar小波，把图像信号分解成不同子带：对低频子带进行非线性图像增强，用以增强目标的对比度，抑制背景；而对高频部分进行小波去噪处理，减少噪声对图像的影响；再将小波重构回图像信号，完成最终训练集的构建。

3.根据权利要求1所述的一种基于卷积神经网络的SAR图像压缩方法，其特征在于，所述自编解码器卷积网络通过层层的卷积进行图像的压缩，再通过层层的反卷积进行图像的重构，并采用残差模块加强深度网络的梯度性，对编码压缩部分网络和解码重构部分网络进行联合优化；利用上述网络，以预处理后的SAR图像作为训练样本，训练得到针对SAR图像的压缩网络；所述自编解码器卷积网络具体结构为：输入层：

(1)读取数据，依次从训练集中和测试集中读取SAR灰度图像信息；

(2)归一化，将原图像8位存储的int型转为32位存储的float型，再对每一位数据除以

255；

(3)格式转换，将图像格式从三维矩阵转换成四维矩阵；

编码器：

(1)卷积层：设置通道数为64，卷积核大小为5，步长为2，进行填充；

(2)激活层：采用Relu的激活函数，对每一位数据进行非线性映射，维持梯度；

(3)残差模块Resnet：设x为输入特征图，经过卷积后被映射为F(x)，再经过一层卷积变为F′(x)，然后将F′(x)与原始输入x累加，得到整个残差结构的输出；

解码器：

(1)反卷积层：反卷积层与卷积层相对应，设置通道数为64，卷积核大小为5，步长为2，进行填充；

(2)激活层：采用Relu的激活函数，与编码器中激活层相同；

(3)残差模块Resnet：与编码器中采用的残差模块相同；

输出层：

(1)格式转换，将图像格式从四维矩阵转换成三维矩阵；

(2)反归一化，对每一位数据乘以255，将32位的float型输出四舍五入转为图像8位存储的int型；

(3)存储图像，根据图像的大小，依次从矩阵中保存相应的解压后的图像。

4.根据权利要求1所述的一种基于卷积神经网络的SAR图像压缩方法，其特征在于，所述步骤3的损失函数采用MSE，优化器选用的是Adam，训练时的批尺寸大小设置为5。