CN111626961B - 一种基于生成对抗网络的雷达图像杂波抑制方法及系统 - Google Patents

一种基于生成对抗网络的雷达图像杂波抑制方法及系统 Download PDF

Info

Publication number
CN111626961B
CN111626961B CN202010472498.7A CN202010472498A CN111626961B CN 111626961 B CN111626961 B CN 111626961B CN 202010472498 A CN202010472498 A CN 202010472498A CN 111626961 B CN111626961 B CN 111626961B
Authority
CN
China
Prior art keywords
module
clutter
radar image
attention
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010472498.7A
Other languages
English (en)
Other versions
CN111626961A (zh
Inventor
陈小龙
牟效乾
黄勇
关键
薛永华
张海
张�林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202010472498.7A priority Critical patent/CN111626961B/zh
Publication of CN111626961A publication Critical patent/CN111626961A/zh
Application granted granted Critical
Publication of CN111626961B publication Critical patent/CN111626961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种基于生成对抗网络的雷达图像杂波抑制方法及系统。该抑制方法包括：将雷达回波数据转换为雷达图像；所述雷达图像包括训练集和测试集；构建CSGAN生成对抗网络模型；所述CSGAN生成对抗网络模型包括残差注意力生成器和判决器；通过所述训练集对所述CSGAN生成对抗网络模型进行训练，得到优化后的对抗网络模型；通过所述测试集对所述优化后的对抗网络进行训练，得到杂波抑制模型；通过所述杂波抑制模型对实测雷达图像进行杂波抑制。本发明通过对生成对抗网络生成器的设计建立了CSGAN模型，实现对雷达图像中杂波的抑制，完整保留目标的图像。

Description

一种基于生成对抗网络的雷达图像杂波抑制方法及系统
技术领域
本发明涉及雷达图像处理领域，特别是涉及一种基于生成对抗网络的雷达图像杂波抑制方法及系统。
背景技术
雷达目标检测不仅受噪声的影响，而且受由陆地、海面或大气产生的雷达杂波的制约，杂波背景下的目标检测是雷达图像处理中的重要内容，也是一直以来的难点，有着重要的研究意义。杂波对目标检测的干扰主要体现在以下三个方面：一是，目标反射系数较小会造成目标回波信号微弱，回波的信杂比较低，目标回波图像容易被强杂波掩盖，造成目标的漏检；二是，强杂波的幅度类似于目标回波，易引起虚警；三是，杂波也有着一定的速度，如海杂波或气象杂波，其多普勒不为零，对目标的检测造成了进一步的干扰。
传统的杂波抑制方法主要是先从信号的角度抑制杂波，方法有杂波幅度建模、时域积累抑制、以动目标显示(MTI)、动目标检测(MTD)为代表的频域对消处理、小波变换、奇异值分解等等。然而，面对复杂多样的环境和气象条件，以及复杂的目标特性，杂波建模和模型参数估计的难度加大，上述信号处理方法不能够很好地完成杂波抑制任务。近两年来至今，生成对抗网络现已广泛应用于数据样本的生成、数据增强、图像去噪、超分辨重建、图像修复等领域。然而，不同于噪声，杂波具有复杂的幅度和频谱特性，现有生成对抗网络不能较好地完成去杂波的任务。
发明内容
本发明的目的是提供一种基于生成对抗网络的雷达图像杂波抑制方法及系统，通过对生成对抗网络生成器的设计建立了CSGAN模型，实现对雷达图像中杂波的抑制，完整保留目标的图像。
为实现上述目的，本发明提供了如下方案：
一种基于生成对抗网络的雷达图像杂波抑制方法，所述抑制方法包括：
将雷达回波数据转换为雷达图像；所述雷达图像包括训练集和测试集，所述训练集包括无杂波雷达图像数据集和仿真杂波图像数据集，所述测试集包括实测杂波雷达图像；
构建CSGAN生成对抗网络模型；所述CSGAN生成对抗网络模型包括残差注意力生成器和判决器；所述残差注意力生成器包括：上采样模块、下采样模块、位置归一化模块、瞬间捷径模块、基本注意力残差模块、首尾卷积激活模块以及损失函数；
通过所述训练集对所述CSGAN生成对抗网络模型进行训练，得到优化后的对抗网络模型；
通过所述测试集对所述优化后的对抗网络进行训练，得到杂波抑制模型；
通过所述杂波抑制模型对实测雷达图像进行杂波抑制。
可选的，所述上采样模块和所述下采样模块用于对所述雷达图像进行重建。
可选的，所述位置归一化模块用于提取雷达图像的特征张量中的矩信息，公式如下
Figure BDA0002514779770000021
Figure BDA0002514779770000022
其中，Xb,c,h,w为雷达图像的特征张量，μb,h,w为特征张量的通道均值，σb,h,w为特征张量的通道方差，L为特征张量的总通道数，c为通道，w为宽度，h为高度，b为批次大小，ε为常数；
所述瞬间捷径模块通过提取矩信息与后续的网络层进行跳变连接，公式如下：
Figure BDA0002514779770000023
其中，
Figure BDA0002514779770000024
为输出的新特征张量，γ、β分别为位置归一化中提取的均值和方差，f(·)为基本注意力残差模块的函数表示。
可选的，所述首尾卷积激活模块包括生成器首尾的卷积层和激活层，所述首尾卷积激活模块用于对输入图像的初步特征提取和对输出特征的卷积和激活。
可选的，所述通过所述训练集对所述CSGAN生成对抗网络模型进行训练，得到优化后的对抗网络模型，具体包括：
将所述训练集输入至所述CSGAN生成对抗网络模型中；
通过所述残差注意力生成器的迭代优化以及所述判决器的对抗完成训练，得到优化后的对抗网络模型。
可选的，所述通过所述测试集对所述优化后的对抗网络进行训练，得到杂波抑制模型，具体包括：
将所述测试集输入至所述优化后的对抗网络模型中，得到杂波抑制比；
选择所述杂波抑制比高于阈值的生成器作为最优训练效果的杂波抑制模型。
本发明还提供了一种基于生成对抗网络的雷达图像杂波抑制系统，所述抑制系统包括：
转换单元，用于将雷达回波数据转换为雷达图像；所述雷达图像包括训练集和测试集，所述训练集包括无杂波雷达图像数据集和仿真杂波图像数据集，所述测试集包括实测杂波雷达图像；
构建单元，用于构建CSGAN生成对抗网络模型；所述CSGAN生成对抗网络模型包括残差注意力生成器和判决器；所述残差注意力生成器包括：上采样模块、下采样模块、位置归一化模块、瞬间捷径模块、基本注意力残差模块、首尾卷积激活模块以及损失函数；
第一训练单元，用于通过所述训练集对所述CSGAN生成对抗网络模型进行训练，得到优化后的对抗网络模型；
第二训练单元，用于通过所述测试集对所述优化后的对抗网络进行训练，得到杂波抑制模型；
抑制单元，用于通过所述杂波抑制模型对实测雷达图像进行杂波抑制。
可选的，所述上采样模块和所述下采样模块用于对所述雷达图像进行重建。
可选的，所述位置归一化模块用于提取雷达图像的特征张量中的矩信息，公式如下
Figure BDA0002514779770000041
Figure BDA0002514779770000042
其中，Xb,c,h,w为雷达图像的特征张量，μb,h,w为特征张量的通道均值，σb,h,w为特征张量的通道方差，L为特征张量的总通道数，c为通道，w为宽度，h为高度，b为批次大小，ε为常数；
所述瞬间捷径模块通过提取矩信息与后续的网络层进行跳变连接，公式如下：
Figure BDA0002514779770000043
其中，
Figure BDA0002514779770000044
为输出的新特征张量，γ、β分别为位置归一化中提取的均值和方差，f(·)为基本注意力残差模块的函数表示。
可选的，所述首尾卷积激活模块包括生成器首尾的卷积层和激活层，所述首尾卷积激活模块用于对输入图像的初步特征提取和对输出特征的卷积和激活。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)减少对于数据集样本数量的依赖，实现小样本的高效生成对抗训练；
(2)相比现有基于GAN的去噪方法有更强的杂波抑制性能和更好的泛化能力，可以较好地完成杂波抑制工作；
(3)可以提取图像中的关键目标信息，并加以增强，保证在完成杂波抑制任务的同时使目标得以完整保留。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于生成对抗网络的雷达图像杂波抑制方法的流程图；
图2为本发明实施例CSGAN生成对抗网络模型的结构图；
图3为本发明实施例基于生成对抗网络的雷达图像杂波抑制系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于生成对抗网络的雷达图像杂波抑制方法及系统，通过对生成对抗网络生成器的设计建立了CSGAN模型，实现对雷达图像中杂波的抑制，完整保留目标的图像。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，一种基于生成对抗网络的雷达图像杂波抑制方法包括以下步骤：
步骤101：将雷达回波数据转换为雷达图像；所述雷达图像包括训练集和测试集，所述训练集包括无杂波雷达图像数据集和仿真杂波图像数据集，所述测试集包括实测杂波雷达图像。
采集多种观测条件和区域下的雷达回波数据，确保采集数据样本的多样性，将回波数据信息转换为图像信息，构建测试数据集C，采集晴朗天气无杂波的雷达回波数据，构建无杂波图像训练数据集A，在数据集A的基础上叠加不同强度的仿真杂波，构建仿真杂波雷达图像训练数据集B，数据集A和B组成配对训练数据集，训练数据集A和B与测试数据集C组成了复杂多样的雷达图像训练和测试数据集。
步骤102：构建CSGAN生成对抗网络模型。如图2所示，所述CSGAN生成对抗网络模型包括残差注意力生成器和判决器；所述残差注意力生成器包括：上采样模块、下采样模块、位置归一化模块、瞬间捷径模块、基本注意力残差模块、首尾卷积激活模块以及损失函数。
(1)上采样和下采样模块
上下采样模块包括上采样模块和下采样模块两部分，设雷达图像张量为x，则第i个雷达图像张量为xi，P＝{x1，x2，x3，…，xi，…xn}为输入生成器网络的雷达图像的集合，将输入下采样输送到下一个模块进行特征提取和增强处理，然后输入到上采样模块进行重建，上采样和下采样模块能够使生成器去杂波后输出图像，即输入原始杂波图像到生成器后能够输出重建的雷达图像从而实现去杂波的目的，而不是像普通的神经网络一样输出向量。
(2)位置归一化PONO和瞬间捷径MS模块
位置归一化(Positional Normalization,PONO)是一种新的归一化方法，由于它是基于通道的归一化方法，因此具有平移、缩放的不变性，可以与其他归一化方法共同使用，从而达到提取特征张量中的矩信息的目的，其公式如下，
Figure BDA0002514779770000061
Figure BDA0002514779770000062
其中，Xb,c,h,w为输入图像的特征张量，μb,h,w为特征张量的通道均值，σb,h,w为特征张量的通道方差，L为特征张量的总通道数，c为通道，w为宽度，h为高度，b为批次大小，ε为一常数，防止σb,h,w为0。
瞬间捷径(Moment Shortcut,MS)通过提取矩信息μb,h,w、σb,h,w与后续的网络层进行跳变连接，增强对特征的提取性能。
Figure BDA0002514779770000071
其中，
Figure BDA0002514779770000072
为输出的新特征张量，γ、β分别为位置归一化中提取的均值和方差，f(·)为基本注意力残差模块的函数表示。
(3)基本注意力残差模块
该模块由三部分组成：残差网络模块、通道注意力模块CAM、空间注意力模块SAM。残差网络能够通过学习残差函数来构造一个新的恒等映射，提高神经网络的特征提取效率和特征信息的完整性。注意力模块可以通过训练实现模型权重的合理分配，关注图像和特征张量中的重点信息，忽略和少关注不重要的信息。注意力模块是通过关注图像空间和通道中的目标信息，忽略和少关注杂波信息，使得在抑制杂波的同时保证目标信息的完整。
①残差网络模块
该部分包括卷积模块和残差连接，卷积模块由两个卷积层和一个dropout层组成，残差连接的功能是将最初输入的特征与经过卷积模块、通道注意力模块、空间注意力模块处理后的特征相加从而使整个基本模块构成残差网络。残差连接如下式所示，
Featurenew＝Featureold+fs(fc(fcb(Featureold)))
其中，Featureold表示输入基本模块的特征，Featurenew表示基本模块处理后输出的新特征，fcb(·)表示卷积模块的函数，fc(·)表示通道注意力模块的函数，fs(·)表示空间注意力模块的函数。
②通道注意力模块
通道注意力模块是通过关注图像通道中的目标信息，忽略杂波信息，提取目标信息和抑制杂波，如下所示，
fc(y)＝sigmoid[MLP(AvgPool(y))+MLP(MaxPool(y))]
其中，MLP(y)＝Fc2(relu(Fc1(y)))，relu(·)表示relu激活函数，sigmoid[·]表示sigmoid激活函数，AvgPool(·)表示平均池化函数，MaxPool(·)表示最大池化函数，Fc1(·)、Fc2(·)为全连接层函数，y为输入到该模块的特征张量，y＝fcb(Featureold)。
③空间注意力模块
空间注意力模块是通过关注图像空间维度中的目标信息，忽略杂波信息，提取目标信息和抑制杂波。
fs(z)＝sigmoid(conv(AvgPool(z)；MaxPool(z))
其中，conv(·)为卷积层函数，z为输入到该模块的特征张量，z＝fc(y)。
(4)首尾卷积激活FLCAM模块
包括生成器首尾的卷积层和激活层，用来对输入图像的初步特征提取和对输出特征的卷积和激活，是生成器的基本组成部分之一。其中，生成器首部的激活函数使用的是relu函数，尾部的激活函数使用的是tanh函数。
(5)损失函数
包括对抗损失和内容损失，对抗损失函数可选Vanilla、LSGAN、WGAN-GP三种中的一种，内容损失如下所示，
Lc(G)＝Ex,y[||y-G(x)||1]
其中，Lc(G)是关于生成器生成图像与真实图像差异的内容损失函数，G为生成器函数，x为杂波图像张量，y为x对应的真值目标图像张量，Ex,y为关于x及y的期望，||y-G(x)||1为目标图像样本与生成图像的1范数。
步骤103：通过所述训练集对所述CSGAN生成对抗网络模型进行训练，得到优化后的对抗网络模型。
将构建的训练数据集A和B输入至建立的CSGAN模型中，生成器模型通过不断的迭代优化并与判决器的对抗完成模型的训练。
步骤104：通过所述测试集对所述优化后的对抗网络进行训练，得到杂波抑制模型。
调整模型的初始训练参数并进行迭代优化，经过测试数据集C测试后，选择杂波抑制比CSR高于阈值η(η为可调门限，根据需求设定)的RAG生成器作为最优训练效果的最终杂波抑制模型，杂波抑制比CSR表示去除杂波的平均功率与原目标的功率之比，反映杂波的抑制程度，最大比值小于1，取对数后CSR的值小于0dB且为负，值越大且越接近0说明杂波抑制效果越好，CSR公式如下，
Figure BDA0002514779770000091
其中，
Figure BDA0002514779770000092
Figure BDA0002514779770000093
式中，C为图像累计去除的平均杂波幅度，S1为原图像中目标的平均幅度，P、Q分别是原图像和去杂波后的图像，Pij、Qij分别是原图像和去杂波后图像的像素值，A、B分别是图像的长和宽，maxNPij为原图像幅度最高。
步骤105：通过所述杂波抑制模型对实测雷达图像进行杂波抑制。
如图3所示，本发明还提供了一种基于生成对抗网络的雷达图像杂波抑制系统，所述抑制系统包括：
转换单元301，用于将雷达回波数据转换为雷达图像；所述雷达图像包括训练集和测试集，所述训练集包括无杂波雷达图像数据集和仿真杂波图像数据集，所述测试集包括实测杂波雷达图像。
构建单元302，用于构建CSGAN生成对抗网络模型；所述CSGAN生成对抗网络模型包括残差注意力生成器和判决器；所述残差注意力生成器包括：上采样模块、下采样模块、位置归一化模块、瞬间捷径模块、基本注意力残差模块、首尾卷积激活模块以及损失函数。
所述上采样模块和所述下采样模块用于对所述雷达图像进行重建。
所述位置归一化模块用于提取雷达图像的特征张量中的矩信息，公式如下
Figure BDA0002514779770000094
Figure BDA0002514779770000101
其中，Xb,c,h,w为雷达图像的特征张量，μb,h,w为特征张量的通道均值，σb,h,w为特征张量的通道方差，L为特征张量的总通道数，c为通道，w为宽度，h为高度，b为批次大小，ε为常数；
所述瞬间捷径模块通过提取矩信息与后续的网络层进行跳变连接，公式如下：
Figure BDA0002514779770000102
其中，
Figure BDA0002514779770000103
为输出的新特征张量，γ、β分别为位置归一化中提取的均值和方差，f(·)为基本注意力残差模块的函数表示。
所述首尾卷积激活模块包括生成器首尾的卷积层和激活层，所述首尾卷积激活模块用于对输入图像的初步特征提取和对输出特征的卷积和激活。
第一训练单元303，用于通过所述训练集对所述CSGAN生成对抗网络模型进行训练，得到优化后的对抗网络模型。
第二训练单元304，用于通过所述测试集对所述优化后的对抗网络进行训练，得到杂波抑制模型。
抑制单元305，用于通过所述杂波抑制模型对实测雷达图像进行杂波抑制。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于生成对抗网络的雷达图像杂波抑制方法，其特征在于，所述抑制方法包括：
将雷达回波数据转换为雷达图像；所述雷达图像包括训练集和测试集，所述训练集包括无杂波雷达图像数据集和仿真杂波图像数据集，所述测试集包括实测杂波雷达图像；
构建CSGAN生成对抗网络模型；所述CSGAN生成对抗网络模型包括残差注意力生成器和判决器；所述残差注意力生成器包括：上采样模块、下采样模块、位置归一化模块、瞬间捷径模块、基本注意力残差模块、首尾卷积激活模块以及损失函数；
通过所述训练集对所述CSGAN生成对抗网络模型进行训练，得到优化后的对抗网络模型；
通过所述测试集对所述优化后的对抗网络进行训练，得到杂波抑制模型；
通过所述杂波抑制模型对实测雷达图像进行杂波抑制；
其中，基本注意力残差模块由残差网络模块、通道注意力模块和空间注意力模块组成；
残差网络模块包括卷积模块和残差连接，卷积模块由两个卷积层和一个dropout层组成，残差连接的功能是将最初输入的特征与经过卷积模块、通道注意力模块、空间注意力模块处理后的特征相加从而使整个基本模块构成残差网络，残差连接如下式所示，
Featurenew＝Featureold+fs(fc(fcb(Featureold)))
其中，Featureold表示输入基本模块的特征，Featurenew表示基本模块处理后输出的新特征，fcb(·)表示卷积模块的函数，fc(·)表示通道注意力模块的函数，fs(·)表示空间注意力模块的函数；
通道注意力模块是通过关注图像通道中的目标信息，忽略杂波信息，提取目标信息和抑制杂波，如下所示：
fc(y)＝sigmoid[MLP(AvgPool(y))+MLP(MaxPool(y))]
其中，MLP(y)＝Fc2(relu(Fc1(y)))，relu(·)表示relu激活函数，sigmoid[·]表示sigmoid激活函数，AvgPool(·)表示平均池化函数，MaxPool(·)表示最大池化函数，Fc1(·)、Fc2(·)为全连接层函数，y为输入到该模块的特征张量，y＝fcb(Featureold)；
空间注意力模块是通过关注图像空间维度中的目标信息，忽略杂波信息，提取目标信息和抑制杂波，如下所示：
fs(z)＝sigmoid(conv(AvgPool(z)；MaxPool(z))
其中，conv(·)为卷积层函数，z为输入到该模块的特征张量，z＝fc(y)。
2.根据权利要求1所述的基于生成对抗网络的雷达图像杂波抑制方法，其特征在于，所述上采样模块和所述下采样模块用于对所述雷达图像进行重建。
3.根据权利要求1所述的基于生成对抗网络的雷达图像杂波抑制方法，其特征在于，所述位置归一化模块用于提取雷达图像的特征张量中的矩信息，公式如下
Figure FDA0003816662170000021
Figure FDA0003816662170000022
其中，Xb,c,h,w为雷达图像的特征张量，μb,h,w为特征张量的通道均值，σb,h,w为特征张量的通道方差，L为特征张量的总通道数，c为通道，w为宽度，h为高度，b为批次大小，ε为常数；
所述瞬间捷径模块通过提取矩信息与后续的网络层进行跳变连接，公式如下：
Figure FDA0003816662170000023
其中，
Figure FDA0003816662170000024
为输出的新特征张量，γ、β分别为位置归一化中提取的均值和方差，f(·)为基本注意力残差模块的函数表示。
4.根据权利要求1所述的基于生成对抗网络的雷达图像杂波抑制方法，其特征在于，所述首尾卷积激活模块包括生成器首尾的卷积层和激活层，所述首尾卷积激活模块用于对输入图像的初步特征提取和对输出特征的卷积和激活。
5.根据权利要求1所述的基于生成对抗网络的雷达图像杂波抑制方法，其特征在于，所述通过所述训练集对所述CSGAN生成对抗网络模型进行训练，得到优化后的对抗网络模型，具体包括：
将所述训练集输入至所述CSGAN生成对抗网络模型中；
通过所述残差注意力生成器的迭代优化以及所述判决器的对抗完成训练，得到优化后的对抗网络模型。
6.根据权利要求1所述的基于生成对抗网络的雷达图像杂波抑制方法，其特征在于，所述通过所述测试集对所述优化后的对抗网络进行训练，得到杂波抑制模型，具体包括：
将所述测试集输入至所述优化后的对抗网络模型中，得到杂波抑制比；
选择所述杂波抑制比高于阈值的生成器作为最优训练效果的杂波抑制模型。
7.一种基于生成对抗网络的雷达图像杂波抑制系统，其特征在于，所述抑制系统包括：
转换单元，用于将雷达回波数据转换为雷达图像；所述雷达图像包括训练集和测试集，所述训练集包括无杂波雷达图像数据集和仿真杂波图像数据集，所述测试集包括实测杂波雷达图像；
构建单元，用于构建CSGAN生成对抗网络模型；所述CSGAN生成对抗网络模型包括残差注意力生成器和判决器；所述残差注意力生成器包括：上采样模块、下采样模块、位置归一化模块、瞬间捷径模块、基本注意力残差模块、首尾卷积激活模块以及损失函数；
第一训练单元，用于通过所述训练集对所述CSGAN生成对抗网络模型进行训练，得到优化后的对抗网络模型；
第二训练单元，用于通过所述测试集对所述优化后的对抗网络进行训练，得到杂波抑制模型；
抑制单元，用于通过所述杂波抑制模型对实测雷达图像进行杂波抑制；
其中，基本注意力残差模块由残差网络模块、通道注意力模块和空间注意力模块组成；
残差网络模块包括卷积模块和残差连接，卷积模块由两个卷积层和一个dropout层组成，残差连接的功能是将最初输入的特征与经过卷积模块、通道注意力模块、空间注意力模块处理后的特征相加从而使整个基本模块构成残差网络，残差连接如下式所示，
Featurenew＝Featureold+fs(fc(fcb(Featureold)))
其中，Featureold表示输入基本模块的特征，Featurenew表示基本模块处理后输出的新特征，fcb(·)表示卷积模块的函数，fc(·)表示通道注意力模块的函数，fs(·)表示空间注意力模块的函数；
通道注意力模块是通过关注图像通道中的目标信息，忽略杂波信息，提取目标信息和抑制杂波，如下所示：
fc(y)＝sigmoid[MLP(AvgPool(y))+MLP(MaxPool(y))]
其中，MLP(y)＝Fc2(relu(Fc1(y)))，relu(·)表示relu激活函数，
Figure FDA0003816662170000041
表示sigmoid激活函数，AvgPool(·)表示平均池化函数，MaxPool(·)表示最大池化函数，Fc1(·)、Fc2(·)为全连接层函数，y为输入到该模块的特征张量，y＝fcb(Featureold)；
空间注意力模块是通过关注图像空间维度中的目标信息，忽略杂波信息，提取目标信息和抑制杂波，如下所示：
fs(z)＝sigmoid(conv(AvgPool(z)；MaxPool(z))
其中，conv(·)为卷积层函数，z为输入到该模块的特征张量，z＝fc(y)。
8.根据权利要求7所述的基于生成对抗网络的雷达图像杂波抑制系统，其特征在于，所述上采样模块和所述下采样模块用于对所述雷达图像进行重建。
9.根据权利要求7所述的基于生成对抗网络的雷达图像杂波抑制系统，其特征在于，所述位置归一化模块用于提取雷达图像的特征张量中的矩信息，公式如下
Figure FDA0003816662170000042
Figure FDA0003816662170000043
其中，Xb,c,h,w为雷达图像的特征张量，μb,h,w为特征张量的通道均值，σb,h,w为特征张量的通道方差，L为特征张量的总通道数，c为通道，w为宽度，h为高度，b为批次大小，ε为常数；
所述瞬间捷径模块通过提取矩信息与后续的网络层进行跳变连接，公式如下：
Figure FDA0003816662170000051
其中，
Figure FDA0003816662170000052
为输出的新特征张量，γ、β分别为位置归一化中提取的均值和方差，f(·)为基本注意力残差模块的函数表示。
10.根据权利要求7所述的基于生成对抗网络的雷达图像杂波抑制系统，其特征在于，所述首尾卷积激活模块包括生成器首尾的卷积层和激活层，所述首尾卷积激活模块用于对输入图像的初步特征提取和对输出特征的卷积和激活。
CN202010472498.7A 2020-05-29 2020-05-29 一种基于生成对抗网络的雷达图像杂波抑制方法及系统 Active CN111626961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010472498.7A CN111626961B (zh) 2020-05-29 2020-05-29 一种基于生成对抗网络的雷达图像杂波抑制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010472498.7A CN111626961B (zh) 2020-05-29 2020-05-29 一种基于生成对抗网络的雷达图像杂波抑制方法及系统

Publications (2)

Publication Number Publication Date
CN111626961A CN111626961A (zh) 2020-09-04
CN111626961B true CN111626961B (zh) 2022-10-28

Family

ID=72259172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010472498.7A Active CN111626961B (zh) 2020-05-29 2020-05-29 一种基于生成对抗网络的雷达图像杂波抑制方法及系统

Country Status (1)

Country Link
CN (1) CN111626961B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214929B (zh) * 2020-09-27 2022-12-02 电子科技大学 针对间歇采样重复转发式干扰的雷达干扰抑制方法
CN112711032B (zh) * 2020-12-07 2022-05-13 中国人民解放军海军航空大学 一种基于图数据和gcn的雷达目标检测方法及系统
CN113222017A (zh) * 2021-05-12 2021-08-06 中国科学院空天信息创新研究院 探地雷达数据生成方法、控制装置、系统及存储介质
CN113341408B (zh) * 2021-06-02 2022-07-01 中国人民解放军海军航空大学 一种基于穿墙雷达杂波抑制的成像方法及系统
CN113449850A (zh) * 2021-07-05 2021-09-28 电子科技大学 一种海面监视雷达杂波智能抑制方法
CN113702923B (zh) * 2021-08-27 2023-07-18 电子科技大学 一种雷达杂波模拟方法及电子设备
CN114966600B (zh) * 2022-07-29 2022-10-28 中南大学 一种探地雷达B-scan图像杂波抑制方法及系统
CN116385319B (zh) * 2023-05-29 2023-08-15 中国人民解放军国防科技大学 一种基于场景认知的雷达图像相干斑滤波方法及装置
CN117217103B (zh) * 2023-11-09 2024-03-15 南京航空航天大学 基于多尺度注意力机制的星载sar海杂波生成方法及系统
CN117706514B (zh) * 2024-02-04 2024-04-30 中南大学 基于生成对抗网络的杂波消除方法、系统及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110276745A (zh) * 2019-05-22 2019-09-24 南京航空航天大学 一种基于生成对抗网络的病理图像检测算法
CN110807749A (zh) * 2019-11-06 2020-02-18 广西师范大学 基于密集多尺度生成对抗网络的单幅图像去雨滴方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110276745A (zh) * 2019-05-22 2019-09-24 南京航空航天大学 一种基于生成对抗网络的病理图像检测算法
CN110807749A (zh) * 2019-11-06 2020-02-18 广西师范大学 基于密集多尺度生成对抗网络的单幅图像去雨滴方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
""Residual Channel Attention Generative Adversarial Network for Image Super-Resolution and Noise Reduction "";Jie Cai等;《arXiv》;20200428;第1-10页 *
"Positional Normalization";Boyi Li等;《33rd Conference on Neural Information Processing Systems (NeurIPS 2019)》;20191231;第1-13页1-10 *

Also Published As

Publication number Publication date
CN111626961A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN111626961B (zh) 一种基于生成对抗网络的雷达图像杂波抑制方法及系统
CN101482617B (zh) 基于非下采样轮廓波的合成孔径雷达图像去噪方法
CN110148420A (zh) 一种适用于噪声环境下的语音识别方法
CN110348288B (zh) 一种基于77GHz毫米波雷达信号的手势识别方法
CN113707176B (zh) 一种基于声信号及深度学习技术的变压器故障检测方法
CN112001306A (zh) 基于深度卷积对抗生成神经网络的脑电信号解码方法
CN113376600B (zh) 一种基于RSDNet的行人雷达回波去噪方法
CN112287784B (zh) 一种基于深度卷积神经网络与特征融合的雷达信号分类方法
CN110490816B (zh) 一种水下异构信息数据降噪方法
CN111899750B (zh) 联合耳蜗语音特征和跳变深层神经网络的语音增强算法
Qin et al. Radar waveform recognition based on deep residual network
CN113269691B (zh) 一种基于卷积稀疏进行噪声仿射拟合的sar图像去噪方法
CN116013344A (zh) 一种多种噪声环境下的语音增强方法
CN114428234A (zh) 基于gan和自注意力的雷达高分辨距离像降噪识别方法
CN114509731A (zh) 一种基于双阶段深度网络的雷达主瓣抗干扰方法
Liu et al. SAR image specle reduction based on a generative adversarial network
Zhou et al. Deep denoising method for side scan sonar images without high-quality reference data
CN109085547A (zh) 一种表层穿透雷达回波信号的去噪方法和相关装置
CN113822363B (zh) 一种基于二次有理核函数的卷积神经网络时延估计方法
CN102509268B (zh) 基于免疫克隆选择的非下采样轮廓波域图像去噪方法
CN114282576A (zh) 基于时频分析及去噪的雷达信号调制格式识别方法及装置
Chen et al. Research on sonar image denoising method based on fixed water area noise model
CN112230200A (zh) 一种基于激光雷达回波信号的改进型组合降噪方法
Nagendra et al. A Novel approach to denoise an image using CNN
Li et al. Multi-task encoder with attention mechanism to remove noise from GPR signal

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant