CN113960551A - 一种针对sar图像的杂波图像生成方法和目标检测方法 - Google Patents
一种针对sar图像的杂波图像生成方法和目标检测方法 Download PDFInfo
- Publication number
- CN113960551A CN113960551A CN202111004359.2A CN202111004359A CN113960551A CN 113960551 A CN113960551 A CN 113960551A CN 202111004359 A CN202111004359 A CN 202111004359A CN 113960551 A CN113960551 A CN 113960551A
- Authority
- CN
- China
- Prior art keywords
- clutter
- image
- imaginary part
- countermeasure network
- real part
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000001514 detection method Methods 0.000 title claims description 49
- 238000012549 training Methods 0.000 claims abstract description 122
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 230000009466 transformation Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 239000002131 composite material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 102100024506 Bone morphogenetic protein 2 Human genes 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 101000762366 Homo sapiens Bone morphogenetic protein 2 Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005571 horizontal transmission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9004—SAR image acquisition techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种针对SAR图像的杂波图像生成方法，包括：将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部；组合杂波实部和杂波虚部得到杂波图像；其中，实部生成对抗网络和虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用实部训练集和虚部训练集分别训练一生成对抗网络得到的。本发明能够生成与真实杂波特性相同的杂波图像，满足SAR图像地物杂波等杂波的统计研究需求。
Description
技术领域
本发明属于雷达技术领域，具体涉及一种针对SAR图像的杂波图像生成方法和目标检测方法。
背景技术
随着微电子和通信技术的发展，越来越多的多频、多极化、多视角机载或星载SAR(Synthetic Aperture Radar，合成孔径雷达)平台研制成功，获取了大量有用的数据，数据分析及SAR图像解译的需求越来越迫切。
众所周知，杂波是雷达信号处理的固有环境。在SAR图像中，除了感兴趣的目标回波之外，其余均可视为杂波，包括自然杂波，如草地、森林、河流等，以及人造杂波，如建筑物和道路等。雷达的基本任务之一就是在杂波背景下进行信号处理。研究SAR图像杂波的统计特性对于SAR图像的解译有着重要的理论意义和应用价值。研究杂波的统计特性，不仅可以对地物的散射机理有更深层次的理解，而且可以有效地指导SAR图像相干斑抑制、分类、分割以及目标检测算法的实现等。比如，在SAR图像目标检测时，可以将SAR图像中已有的目标图像和根据杂波的统计特性建模生成的杂波图像合成得到新的SAR图像，以用于SAR图像目标检测网络的训练，等等。
目前，对SAR图像地物杂波进行统计建模受到了各国的高度重视，很多著名的研究机构投入了大量的人力和物力从事SAR图像地物杂波统计建模的研究工作。现有的经典方法是以参量模型为核心，该方法首先给出图像杂波区域数据的幅度值可能服从的几种概率分布，然后通过实际的图像杂波数据的幅度值对概率分布模型的参数进行估计，并按照一定的准则选择最优的概率分布模型，最后利用最优的概率分布模型生成杂波图像。该方法理论基础完备，物理意义清晰，然而该方法的建模过程复杂，涉及很多超参数，很难使用有限的统计分布对复杂场景的地物杂波进行精准的拟合，因此，生成的杂波图像难以与真实杂波特性相符。
发明内容
为了解决现有技术中存在的上述问题，本发明实施例提供了一种针对SAR图像的杂波图像生成方法、装置、电子设备及存储介质，以及一种针对SAR图像的目标检测方法。本发明要解决的技术问题通过以下技术方案实现：
第一方面，本发明实施例提供了一种针对SAR图像的杂波图像生成方法，所述方法包括：
将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部；
组合所述杂波实部和所述杂波虚部得到杂波图像；
其中，所述实部生成对抗网络和所述虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络得到的。
第二方面，本发明实施例提供了一种针对SAR图像的杂波图像生成装置，所述装置包括：
杂波实部和杂波虚部获得模块，用于将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部；
杂波图像获得模块，用于组合所述杂波实部和所述杂波虚部得到杂波图像；
其中，所述实部生成对抗网络和所述虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络得到的。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，其中，
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现本发明实施例所提供的针对SAR图像的杂波图像生成方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例所提供的针对SAR图像的杂波图像生成方法的步骤。
第五方面，本发明实施例提供了一种针对SAR图像的目标检测方法，所述方法包括：
获取待检测的SAR图像；
将所述SAR图像输入预先训练完成的目标检测网络，得到所述SAR图像的目标检测结果；
其中，所述目标检测网络是利用具有标记信息的原始样本集和扩展样本集合并训练得到的；所述扩展样本集基于所述原始样本集中的目标切片图像与预先生成的不同杂波图像的结合得到；每个杂波图像是将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部组合得到的；所述实部生成对抗网络和所述虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络得到的。
本发明实施例所提出的针对SAR图像的杂波图像生成方法，预先提取大量SAR图像的杂波切片图像的实部数据和虚部数据，分别用于训练一生成对抗网络，得到训练完成的实部生成对抗网络和虚部生成对抗网络。之后，通过将不同的随机噪声分别输入训练完成的实部生成对抗网络和虚部生成对抗网络，能够分别得到杂波实部和杂波虚部，将杂波实部和杂波虚部进行组合能够得到一杂波图像。本发明实施例所提出的方法不依赖于电磁计算，可以实现参数自适应，因而能够避免复杂的建模，减小计算量。通过一次性构建的实部生成对抗网络和虚部生成对抗网络，能够反复用于杂波图像生成，操作便利、可实现性较好。并且，本发明实施例同时利用了雷达回波复数据的幅度信息和相位信息，通过分别利用生成对抗网络的学习训练，能够学习真实杂波在幅度和相位方面的特征，从而能够准确拟合复杂场景下的真实杂波特性，生成与真实杂波特性相同的杂波图像，能够满足SAR图像地物杂波等杂波的统计研究需求。
并且，本发明实施例针对训练样本受限条件下的SAR图像目标检测，还提出了一种针对SAR图像的目标检测方法。预先提取大量SAR图像的杂波切片图像的实部数据和虚部数据，分别用于训练一生成对抗网络，得到训练完成的实部生成对抗网络和虚部生成对抗网络。之后，通过将不同的随机噪声分别输入训练完成的实部生成对抗网络和虚部生成对抗网络，将得到的杂波实部和杂波虚部进行组合能够得到一杂波图像。本发明实施例的杂波图像生成方法不依赖于电磁计算，可以实现参数自适应，因而能够避免复杂的建模，减小计算量。通过一次性构建的实部生成对抗网络和虚部生成对抗网络，能够反复用于杂波图像生成，操作便利、可实现性较好。并且，本发明实施例同时利用了雷达回波复数据的幅度信息和相位信息，通过分别利用生成对抗网络的学习训练，能够学习真实杂波在幅度和相位方面的特征，从而能够准确拟合复杂场景下的真实杂波特性，生成与真实杂波特性相同的杂波图像。本发明实施例所提出的针对SAR图像的目标检测方法，在有限的原始样本集基础上，通过对原始样本集中目标切片图像进行方位变化，并将方位变化后的图像与预先生成的不同杂波图像进行结合，可以得到新增的扩展样本集。本发明实施例无需高昂的数据采集成本，利用图像处理等手段则可以简便地实现增加训练样本的目的。通过利用原始样本集和扩展样本集合并训练能够提高目标检测网络的训练精度，避免陷入因为缺少训练样本而出现的局部最优解现象，能够提高训练完成的目标检测网络对未知SAR图像的目标检测精度。
附图说明
图1为本发明实施例所提供的一种针对SAR图像的杂波图像生成方法的流程示意图；
图2为本发明实施例所提供的一种针对SAR图像的杂波图像生成方法中所使用的实部生成对抗网络和虚部生成对抗网络的获得过程的流程示意图；
图3为部分真实SAR杂波实部热点图示例；
图4为部分真实SAR杂波虚部热点图示例；
图5为本发明实施例生成的SAR杂波的杂波实部热点图示例；
图6是本发明实施例生成的SAR杂波的杂波虚部热点图示例；
图7为本发明实施例在网络训练期间生成的杂波图像和真实杂波图像的幅度的平均JS散度差异变化图；
图8为本发明实施例生成的杂波图像和所选取的真实杂波的行向空间自相关图；
图9为本发明实施例生成的杂波图像和所选取的真实杂波的列向空间自相关图；
图10为本发明实施例所提供的一种针对SAR图像的杂波图像生成装置的结构示意图；
图11为本发明实施例所提供的一种电子设备的结构示意图；
图12为本发明实施例所提供的一种针对SAR图像的目标检测方法的流程示意图。
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。
为了获得具有与真实杂波相同特性的SAR图像的杂波图像，本发明实施例提供了一种针对SAR图像的杂波图像生成方法、装置、电子设备及存储介质。
需要说明的是，本发明实施例所提供的一种针对SAR图像的杂波图像生成方法的执行主体可以为一种针对SAR图像的杂波图像生成装置，该装置可以运行于电子设备中。其中，该电子设备可以为一服务器或终端设备，当然并不局限于此。
第一方面，本发明实施例提供了一种针对SAR图像的杂波图像生成方法。如图1所示，可以包括如下步骤：
S1，将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部。
S2，组合所述杂波实部和所述杂波虚部得到杂波图像。
其中，所述实部生成对抗网络和所述虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络得到的。
本发明实施例中，预先训练得到所述实部生成对抗网络和所述虚部生成对抗网络，在每一次需要生成杂波图像时，仅需要将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，将所述实部生成对抗网络得到的杂波实部，和所述虚部生成对抗网络得到的杂波虚部进行组合，即可得到一杂波图像。因此，对预先训练得到的所述实部生成对抗网络和所述虚部生成对抗网络，反复多次使用，能够得到大量的杂波图像。
为了便于理解本发明实施例的方案，首先对所述实部生成对抗网络和所述虚部生成对抗网络的获得过程进行说明，请参见图2，图2为本发明实施例所提供的一种针对SAR图像的杂波图像生成方法中所使用的实部生成对抗网络和虚部生成对抗网络的获得过程的流程示意图。所述实部生成对抗网络和所述虚部生成对抗网络的获得过程，包括以下步骤：
S01，获取SAR图像集。
本发明实施例中，可以利用SAR系统针对一场景区域采集大量的回波数据，并存储在存储硬核中，通过数据传输、数据复制等形式，获取SAR系统已录取的回波数据，即得到SAR图像集。其中，场景区域可以为地面区域，也可以为海洋区域等等，可以根据需要进行选择。
在此，对本发明实施例所使用的SAR系统的类型并不做限制，比如可以为机载雷达系统等等。
当然，除了根据实际场景区域采集雷达回波数据外，本发明实施例也可以直接获取现有的SAR图像集，这都是合理的。
S02，对所述SAR图像集中的每个SAR图像提取杂波切片图像，由得到的所有杂波切片图像构成杂波切片图像集。
本领域技术人员可以理解的是，SAR图像中除了目标以外，往往存在大面积的杂波区域，可以通过图像截取方式从SAR图像中不含有目标的杂波区域中提取出一部分得到杂波切片图像。为了便于后续统一处理，可选的一种实施方式中，杂波切片图像可以具有统一的尺寸，比如128×128等等。
S03，提取所述杂波切片图像集中每个杂波切片图像的实部数据和虚部数据，由提取到的所有实部数据构成实部训练集，由提取到的所有虚部数据构成虚部训练集。
由于SAR图像为复数据形式，所得到的杂波切片图像也为复数据形式。提取杂波切片图像的实部可以得到该复数据的幅度信息，提取杂波切片图像的虚部可以得到该复数据的相位信息。提取复数据的实部数据和虚部数据属于现有技术，在此不做赘述。
实部训练集由不同的杂波切片图像的幅度信息构成，虚部训练集由不同的杂波切片图像的相位信息构成。
S04，利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络，得到训练完成的实部生成对抗网络和虚部生成对抗网络。
具体的，所述生成对抗网络，包括：
一个生成器和一个判别器。
根据生成对抗网络GAN的概念，生成器以G表示，即generator，其负责生成图像。判别器以D表示，即discriminator，其负责判断生成器生成的图像是不是真图像。在GAN的训练过程中，生成器的目标就是尽量生成真实的图像片去欺骗判别器。而判别器的目标就是尽量把生成器生成的图像和真实的图像分别开来。因此，G和D构成了一个动态的“博弈过程”。
以所述实部生成对抗网络为例，本领域技术人员可以理解的是，所述实部生成对抗网络利用所述实部训练集训练完成，所述实部训练集表征的是真实的杂波幅度信息。在训练过程中，所述实部生成对抗网络的生成器所生成的图像，通过判别器不断地将其与表示杂波幅度信息的真实图像进行判别比较，最终使得生成器恢复了所述实部训练集的数据分布，即所生成的图像与真实杂波的幅度信息相符，判别器再也无法将生成的图像判别为假，则实部生成对抗网络达到收敛，实现训练完成。利用训练完成的实部生成对抗网络，输入一随机噪声，其生成器即可输出与真实杂波的幅度信息相符的图像，本发明实施例称之为杂波实部。其中，本发明实施例的随机噪声可以利用随机函数生成。
同理，虚部生成对抗网络训练完成后，输入另一不同的随机噪声，其生成器即可输出与真实杂波的相位信息相符的图像，本发明实施例称之为杂波虚部。
因此，本发明实施例将杂波实部和杂波虚部结合起来得到的杂波图像具有与真实杂波相同的特性。
本发明实施例可以选取现有的任意一种生成对抗网络训练得到实部生成对抗网络和虚部生成对抗网络，可选的一种实施方式中，所述生成对抗网络，包括：W-GAN。
其采用的损失函数为：
其中，G表示生成器；D表示判别器；E表示求取均值；y表示真实数据；
表示生成器生成的数据；
表示y和
之间的随机采样；preal表示真实数据分布；pgen表示生成数据分布；λ表示加权值；
表示求取梯度；|·||2表示2范数。
当然，本发明实施例的所述生成对抗网络也可以为DCGAN、WGAN-GP、ConditionalGAN等，当使用不同的生成对抗网络时，对应的网络结构和损失函数具有差异。
在本发明实施例中，虚部生成对抗网络具有与实部生成对抗网络相同的网络结构和损失函数，但是虚部生成对抗网络的网络参数根据输入数据自适应变化；其中，网络参数包括网络层的权重等。
本发明实施例所提出的针对SAR图像的杂波图像生成方法，预先提取大量SAR图像的杂波切片图像的实部数据和虚部数据，分别用于训练一生成对抗网络，得到训练完成的实部生成对抗网络和虚部生成对抗网络。之后，通过将不同的随机噪声分别输入训练完成的实部生成对抗网络和虚部生成对抗网络，能够分别得到杂波实部和杂波虚部，将杂波实部和杂波虚部进行组合能够得到一杂波图像。本发明实施例所提出的方法不依赖于电磁计算，可以实现参数自适应，因而能够避免复杂的建模，减小计算量。通过一次性构建的实部生成对抗网络和虚部生成对抗网络，能够反复用于杂波图像生成，操作便利、可实现性较好。并且，本发明实施例同时利用了雷达回波复数据的幅度信息和相位信息，通过分别利用生成对抗网络的学习训练，能够学习真实杂波在幅度和相位方面的特征，从而能够准确拟合复杂场景下的真实杂波特性，生成与真实杂波特性相同的杂波图像，能够满足SAR图像地物杂波等杂波的统计研究需求。
为了说明本发明实施例方法的有效性，以下以实验数据进行说明。
(一)实验条件
本发明实施例利用MSTAR SAR实测数据进行验证，MSTAR数据集是由MSTAR计划公布的用于科学研究的SAR图像数据集，是常用于科学评价SAR自动目标识别系统性能的数据集。MSTAR数据集共包括10类地面战术目标，分别为BTR70(装甲运输车)、D7(推土机)、ZSU_234(自行高炮)、BRDM_2(装甲侦察车)、T72(坦克)、BTR_60(装甲运输车)、2S1(自行榴弹炮)、ZIL131(货运卡车)、T62(坦克)和BMP2(步兵战车)，各种类别的目标还具有不同的型号，同类但不同型号的目标在配备上有些差异，但总体散射特性相差不大。
采集该数据集的传感器为高分辨率的聚束式合成孔径雷达，该雷达的分辨率为0.3m×0.3m。工作在X波段，所用的极化方式为HH极化(水平发射水平接收)方式。样本数量为345个，从小型建筑物、车辆等人造单一对象的SAR数据中裁剪出尺寸大小为128×128的杂波切片图像，对提出的针对SAR图像的杂波图像生成方法进行验证，实验运行系统为Intel(R)Core(TM)i9-10940X CPU@3.30GHz和NVIDIA GeForce RTX 3060 GPU，64位Windows10操作系统，仿真软件采用Python3.7。
(二)实验内容和结果分析
现有技术中，对SAR图像地物杂波进行统计建模主要是利用仿真手段实现建模生成仿真的杂波图像。杂波仿真的主要任务是输出能够逼真的反映目标所处电磁散射环境，本发明实施例重点解决SAR图像复杂电磁环境的地物杂波仿真问题。本发明实施例所提出的方法可以理解为一种使用深度学习的非相参模型的SAR图像杂波仿真方法。
首先对MSTAR数据中提取的杂波切片图像这种复数据进行实部和虚部提取，用得到的实部训练集和虚部训练集分别进行生成对抗网络的训练直至收敛，得到实部生成对抗网络和虚部生成对抗网络。利用本发明实施例方法通过向实部生成对抗网络输入一随机噪声，得到杂波实部；通过向虚部生成对抗网络输入另一随机噪声，得到杂波虚部；将得到的杂波实部和杂波虚部组合得到仿真杂波，即得到杂波图像。请参见图3～图6。图3为部分真实SAR杂波实部热点图示例；图4为部分真实SAR杂波虚部热点图示例；图5为本发明实施例生成的SAR杂波的杂波实部热点图示例；图6是本发明实施例生成的SAR杂波的杂波虚部热点图示例。图3～图6均为原图的灰度图，原图中以不同程度的颜色表示SAR雷达数据测量值的大小。从图3和图5的对比可以看出本发明实施例方法生成的杂波实部与真实杂波实部的特性分布相似性较高。以及图4和图6的对比，可以看出本发明实施例方法生成的杂波虚部与真实杂波虚部的特性分布相似性较高。
1)第一组实验：
训练过程生成100个杂波图像。计算生成的杂波图像的幅度分布和真实的杂波幅度分布的JS散度距离。结果如图7所示，图7为本发明实施例在网络训练期间生成的杂波图像和真实杂波图像的幅度的平均JS散度差异变化图。
其中，JS散度(Jensen-Shannon divergence)，也称JS距离，是一种用来衡量两个概率分布之间的差异性的指标。关于JS散度的具体概念和计算方式在此不做详细介绍。
从图7可以看出，本发明实施例方法随着实部生成对抗网络和虚部生成对抗网络对应的网络逐渐收敛，生成的仿真杂波与真实环境杂波幅度分布的相似性逐渐增加，说明本发明实施例方法生成的仿真杂波与真实的环境杂波具有相似的幅度分布。
2)第二组实验：
生成杂波图像，从真实杂波中选取JS散度最小的一组杂波，获得生成的杂波图像和所选取的真实杂波的空间自相关图，如下图8和9所示。图8为本发明实施例生成的杂波图像和所选取的真实杂波的行向空间自相关图；图9为本发明实施例生成的杂波图像和所选取的真实杂波的列向空间自相关图。
其中，空间自相关(spatial autocorrelation)是指一些变量在同一个分布区内的观测数据之间潜在的相互依赖性。关于空间自相关图的生成方法请参见相关现有技术，在此不做详细说明。
图8和图9中，Generated表示生成的杂波图像；Real表示所选取的真实杂波。从图8和图9可以看出，真实杂波在行数和列数增加方向的初始点处有一个峰值，在快速下降周期后出现缓慢的周期性衰减，最后系数逐渐变为零。可以看出，本发明实施例方法生成的杂波图像的空间相关图与实际杂波数据的空间相关图具有相似的变化趋势，说明本发明提出的方法生成的杂波具有与真实杂波相似的空间相关关系。
综合上述实验结果可以看出，本发明实施例所提供的针对SAR图像的杂波图像生成方法能够通过仿真手段，生成与真实杂波特性相同的杂波图像。
第二方面，相应于上述方法实施例，本发明实施例还提供了一种针对SAR图像的杂波图像生成装置，如图10所示，该装置包括：
杂波实部和杂波虚部获得模块1001，用于将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部；
杂波图像获得模块1002，用于组合所述杂波实部和所述杂波虚部得到杂波图像；
其中，所述实部生成对抗网络和所述虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络得到的。
进一步的，所述针对SAR图像的杂波图像生成装置还包括网络获得模块，所述网络获得模块用于获得所述实部生成对抗网络和所述虚部生成对抗网络，所述网络获得模块具体用于：
获取SAR图像集；
对所述SAR图像集中的每个SAR图像提取杂波切片图像，由得到的所有杂波切片图像构成杂波切片图像集；
提取所述杂波切片图像集中每个杂波切片图像的实部数据和虚部数据，由提取到的所有实部数据构成实部训练集，由提取到的所有虚部数据构成虚部训练集；
利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络，得到训练完成的实部生成对抗网络和虚部生成对抗网络。
进一步的，所述生成对抗网络，包括：
一个生成器和一个判别器。
进一步的，所述生成对抗网络，包括：
W-GAN。
进一步的，所述虚部生成对抗网络的网络参数根据输入数据自适应变化。
关于具体内容请参见第一方面所述的方法部分，在此不做赘述。
本发明实施例所提供的方案中，预先提取大量SAR图像的杂波切片图像的实部数据和虚部数据，分别用于训练一生成对抗网络，得到训练完成的实部生成对抗网络和虚部生成对抗网络。之后，通过将不同的随机噪声分别输入训练完成的实部生成对抗网络和虚部生成对抗网络，能够分别得到杂波实部和杂波虚部，将杂波实部和杂波虚部进行组合能够得到一杂波图像。本发明实施例所提出的方法不依赖于电磁计算，可以实现参数自适应，因而能够避免复杂的建模，减小计算量。通过一次性构建的实部生成对抗网络和虚部生成对抗网络，能够反复用于杂波图像生成，操作便利、可实现性较好。并且，本发明实施例同时利用了雷达回波复数据的幅度信息和相位信息，通过分别利用生成对抗网络的学习训练，能够学习真实杂波在幅度和相位方面的特征，从而能够准确拟合复杂场景下的真实杂波特性，生成与真实杂波特性相同的杂波图像，能够满足SAR图像地物杂波等杂波的统计研究需求。
第三方面，本发明实施例还提供了一种电子设备，如图11所示，包括处理器1101、通信接口1102、存储器1103和通信总线1104，其中，处理器1101，通信接口1102，存储器1103通过通信总线1104完成相互间的通信，
存储器1103，用于存放计算机程序；
处理器1101，用于执行存储器1103上所存放的程序时，实现如第一方面所述的针对SAR图像的杂波图像生成方法的步骤。
该电子设备可以为：台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定，任何可以实现本发明的电子设备，均属于本发明的保护范围。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
第四方面，相应于第一方面所提供的针对SAR图像的杂波图像生成方法，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现本发明实施例所提供的针对SAR图像的杂波图像生成方法的步骤。
对于装置/电子设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，本发明实施例的装置、电子设备及存储介质分别是应用上述针对SAR图像的杂波图像生成方法的装置、电子设备及存储介质，则上述针对SAR图像的杂波图像生成方法的所有实施例均适用于该装置、电子设备及存储介质，且均能达到相同或相似的有益效果。
此外，在SAR图像目标检测领域中，目前常见的一种方法是以深度学习技术为代表的数据驱动目标检测方法。但对于雷达图像而言，由于数据采集成本高昂，且目标的真实信息存在缺失，导致训练样本受限，在使用上述数据驱动目标检测方法时很容易造成训练陷入欠拟合状态，从而无法保证良好的检测精度。
为了在训练样本受限情况下，提高SAR图像的目标检测精度，第五方面，本发明实施例提供了一种针对SAR图像的目标检测方法。
需要说明的是，本发明实施例所提供的一种针对SAR图像的目标检测方法的执行主体可以为一种针对SAR图像的目标检测装置，该装置可以运行于电子设备中。其中，该电子设备可以为一服务器或终端设备，当然并不局限于此。
如图12所示，本发明实施例所提供的一种针对SAR图像的目标检测方法，可以包括如下步骤：
S1201，获取待检测的SAR图像。
如前所述，对本发明实施例的SAR系统的类型不做限制，比如可以为机载雷达系统等等。SAR系统可以针对一场景区域采集回波数据，并存储在存储硬核中，本发明实施例中作为执行主体的数据处理设备可以通过数据传输，数据复制等形式，获取SAR系统已录取的回波数据，即得到待检测的SAR图像。
本发明实施例中的场景区域可以为地面区域或者海洋区域等，针对不同的场景区域，目标也有所不同，比如，针对地面区域，目标可以包括建筑物、交通工具、道路以及行人等等；针对海洋区域，目标可以包括舰船、岛屿以及漂浮物等等。在此，可以根据实际需求选择场景区域以及相应的目标。
S1202，将所述SAR图像输入预先训练完成的目标检测网络，得到所述SAR图像的目标检测结果。
目标检测的主要任务是从输入的场景图像中寻找感兴趣区域，并进行目标类别的判决。本发明实施例可以采用现有的任意一种用于目标检测的神经网络。比如所述目标检测网络，可以包括：R-CNN、Faster R-CNN、SSD、YOLO、AlexNet、VGGNet、ResNet、MobileNet、ShuffleNet、Xception等等。关于所述目标检测网络的具体检测过程请参见相关现有技术理解，在此不做详细说明。
所述SAR图像的目标检测结果可以包括所述SAR图像中各目标的类别和目标在SAR图像中的位置。可以将所述SAR图像的目标检测结果以单独的文字形式进行输出，比如输出一个单独的字符串表示目标检测结果。或者一种常见方式是直接在所述SAR图像上标识出目标检测结果，比如，目标在SAR图像中的位置可以用包含目标的矩形框来标注，矩形框旁可以标示出矩形框一个顶点的像素坐标值以及矩形框的宽度和高度，简便的一种方式中可以仅标示出矩形框一个顶点的像素坐标值。
目标的类别可以用不同的字符区分标识，可选的一种实施方式中，还可以附加标识类别的置信度，置信度表示目标属于一类别的概率，置信度取值范围在0～1之间，置信度越高表示目标属于该类别的可能性越大。或者，可选的一种实施方式中，在单一类别的目标识别场景中，比如针对待检测的SAR图像确认其中的目标是否为坦克，则可以将类别由坦克以及对应的置信度表示，通过置信度的高低可以判断出一目标是否为坦克。
其中，所述目标检测网络是利用具有标记信息的原始样本集和扩展样本集合并训练得到的；所述扩展样本集基于所述原始样本集中的目标切片图像与预先生成的不同杂波图像的结合得到；每个杂波图像是将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部组合得到的；所述实部生成对抗网络和所述虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络得到的。
为了便于理解本发明实施例的方案，首先对杂波图像的生成过程进行说明。该过程可以包括以下步骤：
A1，将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部。
A2，组合所述杂波实部和所述杂波虚部得到杂波图像。
其中，所述实部生成对抗网络和所述虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络得到的。
进一步的，所述实部生成对抗网络和所述虚部生成对抗网络的获得过程，包括以下步骤：
B1，获取SAR图像集。
B2，对所述SAR图像集中的每个SAR图像提取杂波切片图像，由得到的所有杂波切片图像构成杂波切片图像集。
B3，提取所述杂波切片图像集中每个杂波切片图像的实部数据和虚部数据，由提取到的所有实部数据构成实部训练集，由提取到的所有虚部数据构成虚部训练集。
B4，利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络，得到训练完成的实部生成对抗网络和虚部生成对抗网络。
进一步的，所述生成对抗网络，包括：
一个生成器和一个判别器。
进一步的，所述生成对抗网络，包括：
W-GAN。
进一步的，所述虚部生成对抗网络的网络参数根据输入数据自适应变化。
关于杂波图像生成过程的具体内容，请参见第一方面所述的针对SAR图像的杂波图像生成方法的相关内容，在此不做赘述。可以理解的是，本发明实施例中，利用预先训练完成的实部生成对抗网络和虚部生成对抗网络可以获得大量的杂波图像。
本发明实施例中，目标检测网络原有的训练样本是原始样本集，原始样本集中每个原始样本为一具有标记信息的SAR图像，标记信息包括目标的类别和位置。本发明实施例可以利用原始样本集和生成的大量的杂波图像获得扩展样本集合。所述扩展样本集的获得过程，可以包括以下步骤：
C1，从所述原始样本集提取出多个目标切片图像。
目标切片图像指的是原始样本中仅含有目标区域的图像，可以理解为原始样本的局部图像。
针对所述原始样本集中每个原始样本，可以依据该原始样本的标记信息，提取出该原始样本所含有的各个目标所对应的目标切片图像。具体的，可以先根据一原始样本中各目标的类别确定需要提取的目标，再利用目标在原始样本中的位置，提取出目标对应的局部图像，从而得到目标切片图像，所得到的每个目标切片图像中仅含有一个目标。每个目标切片图像的类别是已知且标记的。
可以理解的是，由于目标在原始样本中的大小可能不同，所得到的目标切片图像的大小可能是不同的。
C2，将部分目标切片图像与预先得到的杂波图像集中不同的杂波图像进行结合，得到多个合成图像，由得到的所有合成图像构成扩展样本集。
本发明实施例中，可以将一个目标切片图像与预先得到的一杂波图像进行结合，得到一个合成图像，也可以将多个目标切片图像与预先得到的一杂波图像进行结合，得到一个合成图像。在后者的情形中，为了避免目标嵌入杂波图像后发生位置重叠，同一个合成图像中，目标的数量小于或等于一个预设值。关于该预设值，可以根据目标的大小、杂波图像的大小通过经验确定，比如可以为4等。
本发明实施例所得到的合成图像中，根据目标切片图像的已知类别和添加位置对目标进行标记，即生成对应的标记信息。
可选的一种实施方式中，一目标切片图像与预先生成的一杂波图像进行结合，可以包括：
将该目标切片图像中目标轮廓以内的区域从图像背景中分离出来，得到对应的纯目标图像；
本领域技术人员可以理解的是，目标切片图像中除了有目标轮廓以内的像素点，还含有目标轮廓以外的背景像素点。可以利用诸如恒虚警率技术等，提取出目标轮廓以内的所有像素点，从而实现目标与背景的分离，得到纯目标图像。
将所述纯目标图像与预先生成的一杂波图像进行合成，得到一合成图像。
可以理解的是，该种实施方式中，直接将目标切片图像与杂波图像进行合成，通过目标分布位置以及杂波背景的变化，能够快速得到多个合成图像作为扩展样本，实现增加有效样本数量的目的。
可选的一种实施方式中，一目标切片图像在与预先生成的一杂波图像进行结合之前，所述方法还包括：
对所述目标切片图像进行方位变化。
因此，相应的，在该种实施方式下，一目标切片图像与预先生成的一杂波图像进行结合，可以包括：
将该目标切片图像进行方位变化；
将方位变化后的目标切片图像中，目标轮廓以内的区域从图像背景中分离出来，得到对应的纯目标图像；
将所述纯目标图像与预先生成的一杂波图像进行合成，得到一合成图像。
具体的，方位变化可以包括平面坐标旋转等，通过方位变化可以改变原始样本中目标的倾斜角度，使得目标的姿态发生改变；通过将方位变化后的纯目标图像，与预先生成的不同杂波图像进行合成、标记，则可以在目标分布位置、杂波背景发生变化的基础上，得到目标角度发生变化的扩展样本，实现增加有效样本数量，且进一步提高样本差异性和丰富性的目的。
可选的一种实施方式中，方位变化可以包括坐标变换、角度旋转以及坐标逆变换。将每个目标切片图像进行方位变化，具体包括以下步骤：
D1，针对每个目标切片图像，将该目标切片图像中的每个像素点利用预设的坐标变换公式进行坐标变换，得到该目标切片图像对应的变换图像。
所述预设的坐标变换公式，包括：
其中，(x0,y0)表示目标切片图像中的像素点原始坐标；(x1,y1)表示目标切片图像中的像素点原始坐标进行坐标变换后的坐标；w表示目标切片图像的宽度；h表示目标切片图像的高度，w和h均为大于0的数值。
D2，将该目标切片图像对应的变换图像中的每个像素点，利用预设的角度旋转公式进行平面旋转，得到该目标切片图像对应的变换旋转图像。
所述预设的角度旋转公式，包括：
其中，(x2,y2)表示变换图像中的像素点进行平面旋转后的坐标；θ表示旋转角度。
本发明实施例中，θ表示纵轴的左右偏移角度，即θ表示姿态角。θ利用大量经验值确定。可选的一种实施方式中θ∈[-5,5]。针对任一目标切片图像，在该范围内任意选取一θ即可。
D3，将该目标切片图像对应的变换旋转图像中的每个像素点，利用预设的坐标逆变换公式进行坐标逆变换，得到该目标切片图像对应的变姿态目标切片图像。
该步骤是D1的逆过程。所述预设的坐标逆变换公式，包括：
其中，(x,y)表示变换旋转图像中的像素点进行坐标逆变换后的坐标。
可以理解的是，变姿态目标切片图像即为方位变化后的目标切片图像。针对每个目标切片图像，通过不同的姿态角变化，所得到的多个变姿态目标切片图像其实是得到了对应的多姿态目标切片图像。
本发明实施例中，可以将原始样本集得到的每个目标切片图像，与预先生成的多个杂波图像通过排列组合的穷举方式，生成数量丰富且具有差异的扩展样本，也可以针对每个目标切片图像，从杂波图像的集合中进行随机挑选杂波图像进行结合，快速得到扩展样本，这都是合理的。
可选的一种实施方式中，得到合成图像之后，还可以对合成图像添加噪声，由添加噪声后的多个合成图像构成扩展样本集。
通过再次添加噪声，可以进一步增加干扰项，提高扩展样本的差异性，且使得扩展样本更符合实际的场景环境。
其中，每个合成图像可以根据自身信噪比情况计算出对应的噪声等级。利用计算出的噪声等级添加对应的噪声。关于噪声等级的计算方式，可以参见相关的现有技术，在此不做详细说明。
本发明实施例针对训练样本受限条件下的SAR图像目标检测，提出了一种针对SAR图像的目标检测方法。预先提取大量SAR图像的杂波切片图像的实部数据和虚部数据，分别用于训练一生成对抗网络，得到训练完成的实部生成对抗网络和虚部生成对抗网络。之后，通过将不同的随机噪声分别输入训练完成的实部生成对抗网络和虚部生成对抗网络，将得到的杂波实部和杂波虚部进行组合能够得到一杂波图像。本发明实施例的杂波图像生成方法不依赖于电磁计算，可以实现参数自适应，因而能够避免复杂的建模，减小计算量。通过一次性构建的实部生成对抗网络和虚部生成对抗网络，能够反复用于杂波图像生成，操作便利、可实现性较好。并且，本发明实施例同时利用了雷达回波复数据的幅度信息和相位信息，通过分别利用生成对抗网络的学习训练，能够学习真实杂波在幅度和相位方面的特征，从而能够准确拟合复杂场景下的真实杂波特性，生成与真实杂波特性相同的杂波图像。本发明实施例所提出的针对SAR图像的目标检测方法，在有限的原始样本集基础上，通过对原始样本集中目标切片图像进行方位变化，并将方位变化后的图像与预先生成的不同杂波图像进行结合，可以得到新增的扩展样本集。本发明实施例无需高昂的数据采集成本，利用图像处理等手段则可以简便地实现增加训练样本的目的。通过利用原始样本集和扩展样本集合并训练能够提高目标检测网络的训练精度，避免陷入因为缺少训练样本而出现的局部最优解现象，能够提高训练完成的目标检测网络对未知SAR图像的目标检测精度。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种针对SAR图像的杂波图像生成方法，其特征在于，包括：
将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部；
组合所述杂波实部和所述杂波虚部得到杂波图像；
其中，所述实部生成对抗网络和所述虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络得到的。
2.根据权利要求1所述的针对SAR图像的杂波图像生成方法，其特征在于，所述实部生成对抗网络和所述虚部生成对抗网络的获得过程，包括：
获取SAR图像集；
对所述SAR图像集中的每个SAR图像提取杂波切片图像，由得到的所有杂波切片图像构成杂波切片图像集；
提取所述杂波切片图像集中每个杂波切片图像的实部数据和虚部数据，由提取到的所有实部数据构成实部训练集，由提取到的所有虚部数据构成虚部训练集；
利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络，得到训练完成的实部生成对抗网络和虚部生成对抗网络。
3.根据权利要求2所述的针对SAR图像的杂波图像生成方法，其特征在于，所述生成对抗网络，包括：
一个生成器和一个判别器。
4.根据权利要求3所述的针对SAR图像的杂波图像生成方法，其特征在于，所述生成对抗网络，包括：
W-GAN。
5.根据权利要求1至4中任一项所述的针对SAR图像的杂波图像生成方法，其特征在于，所述虚部生成对抗网络的网络参数根据输入数据自适应变化。
6.一种针对SAR图像的杂波图像生成装置，其特征在于，包括：
杂波实部和杂波虚部获得模块，用于将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部；
杂波图像获得模块，用于组合所述杂波实部和所述杂波虚部得到杂波图像；
其中，所述实部生成对抗网络和所述虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络得到的。
7.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互相的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
8.一种计算机可读存储介质，其特征在于，
所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
9.一种针对SAR图像的目标检测方法，其特征在于，包括：
获取待检测的SAR图像；
将所述SAR图像输入预先训练完成的目标检测网络，得到所述SAR图像的目标检测结果；
其中，所述目标检测网络是利用具有标记信息的原始样本集和扩展样本集合并训练得到的；所述扩展样本集基于所述原始样本集中的目标切片图像与预先生成的不同杂波图像的结合得到；每个杂波图像是将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部组合得到的；所述实部生成对抗网络和所述虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用所述实部训练集和所述虚部训练集分别训练一生成对抗网络得到的。
10.根据权利要求9所述的针对SAR图像的目标检测方法，其特征在于，一目标切片图像在与预先生成的一杂波图像进行结合之前，所述方法还包括：
对所述目标切片图像进行方位变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004359.2A CN113960551B (zh) | 2021-08-30 | 2021-08-30 | 一种针对sar图像的杂波图像生成方法和目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004359.2A CN113960551B (zh) | 2021-08-30 | 2021-08-30 | 一种针对sar图像的杂波图像生成方法和目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113960551A true CN113960551A (zh) | 2022-01-21 |
| CN113960551B CN113960551B (zh) | 2024-08-02 |
Family
ID=79460676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111004359.2A Active CN113960551B (zh) | 2021-08-30 | 2021-08-30 | 一种针对sar图像的杂波图像生成方法和目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113960551B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930884A (zh) * | 2023-09-15 | 2023-10-24 | 西安电子科技大学 | 一种基于光sar图像转换的sar欺骗干扰模板生成及干扰方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504393A (zh) * | 2014-12-04 | 2015-04-08 | 西安电子科技大学 | 基于集成学习的极化sar图像半监督分类方法 |
| CN109740549A (zh) * | 2019-01-08 | 2019-05-10 | 西安电子科技大学 | 基于半监督cnn的sar图像目标检测系统和方法 |
| US20190294108A1 (en) * | 2018-03-21 | 2019-09-26 | The Regents Of The University Of California | Method and system for phase recovery and holographic image reconstruction using a neural network |
| CN110503128A (zh) * | 2018-05-18 | 2019-11-26 | 百度（美国）有限责任公司 | 使用卷积生成对抗网络进行波形合成的谱图 |
| CN113189589A (zh) * | 2021-05-08 | 2021-07-30 | 南京航空航天大学 | 基于卷积神经网络的多通道合成孔径雷达动目标检测方法 |
-
2021
- 2021-08-30 CN CN202111004359.2A patent/CN113960551B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504393A (zh) * | 2014-12-04 | 2015-04-08 | 西安电子科技大学 | 基于集成学习的极化sar图像半监督分类方法 |
| US20190294108A1 (en) * | 2018-03-21 | 2019-09-26 | The Regents Of The University Of California | Method and system for phase recovery and holographic image reconstruction using a neural network |
| CN110503128A (zh) * | 2018-05-18 | 2019-11-26 | 百度（美国）有限责任公司 | 使用卷积生成对抗网络进行波形合成的谱图 |
| CN109740549A (zh) * | 2019-01-08 | 2019-05-10 | 西安电子科技大学 | 基于半监督cnn的sar图像目标检测系统和方法 |
| CN113189589A (zh) * | 2021-05-08 | 2021-07-30 | 南京航空航天大学 | 基于卷积神经网络的多通道合成孔径雷达动目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙智博;徐向辉;: "基于谱归一化生成对抗网络的目标SAR图像仿真方法", 计算机与现代化, no. 08, 15 August 2020 (2020-08-15), pages 14 - 20 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930884A (zh) * | 2023-09-15 | 2023-10-24 | 西安电子科技大学 | 一种基于光sar图像转换的sar欺骗干扰模板生成及干扰方法 |
| CN116930884B (zh) * | 2023-09-15 | 2023-12-26 | 西安电子科技大学 | 一种基于光sar图像转换的sar欺骗干扰模板生成及干扰方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113960551B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | HRSID: A high-resolution SAR images dataset for ship detection and instance segmentation | |
| Cui et al. | Image data augmentation for SAR sensor via generative adversarial nets | |
| Guo et al. | Synthetic aperture radar image synthesis by using generative adversarial nets | |
| Wang et al. | New hierarchical saliency filtering for fast ship detection in high-resolution SAR images | |
| CN108052940A (zh) | 基于深度学习的sar遥感图像水面目标检测方法 | |
| Pailhas et al. | High-resolution sonars: What resolution do we need for target recognition? | |
| Long et al. | Object detection research of SAR image using improved faster region-based convolutional neural network | |
| Tian et al. | Performance evaluation of deception against synthetic aperture radar based on multifeature fusion | |
| Lee et al. | Efficient generation of artificial training DB for ship detection using satellite SAR images | |
| CN113960551B (zh) | 一种针对sar图像的杂波图像生成方法和目标检测方法 | |
| Ilina et al. | Robustness study of a deep convolutional neural network for vehicle detection in aerial imagery | |
| Zherdev et al. | Object recognition using real and modelled SAR images | |
| CN112766381B (zh) | 有限样本下属性引导的sar图像生成方法 | |
| CN113723182B (zh) | 一种训练样本受限条件下的sar图像舰船检测方法 | |
| Pui et al. | Target classification for 3D-ISAR using CNNs | |
| CN114663743B (zh) | 一种船舶目标重识别方法、终端设备及存储介质 | |
| Fan et al. | A deceptive jamming template synthesis method for SAR using generative adversarial nets | |
| Xie et al. | Lightweight and anchor-free frame detection strategy based on improved CenterNet for multiscale ships in SAR images | |
| CN109766899A (zh) | 物理特征提取和svm的sar图像车辆目标识别方法 | |
| Wang et al. | A benchmark sentinel-1 sar dataset for airport detection | |
| CN103886327B (zh) | 基于2d‑kpca的极化sar图像分类方法 | |
| CN113780364B (zh) | 一种模型与数据联合驱动的sar图像目标识别方法 | |
| Lee et al. | Data augmentation for ship detection using KOMPSAT-5 images and deep learning model | |
| CN114140699B (zh) | 基于在线局部Fisher矢量机的SAR图像目标识别方法及系统 | |
| CN118397257B (zh) | Sar图像舰船目标检测方法、装置、电子设备及存储介质 |
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 |