CN114897723A - 一种基于生成式对抗网络的图像生成与加噪方法 - Google Patents

一种基于生成式对抗网络的图像生成与加噪方法 Download PDF

Info

Publication number
CN114897723A
CN114897723A CN202210491822.9A CN202210491822A CN114897723A CN 114897723 A CN114897723 A CN 114897723A CN 202210491822 A CN202210491822 A CN 202210491822A CN 114897723 A CN114897723 A CN 114897723A
Authority
CN
China
Prior art keywords
image
noise
target
network
interference
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
Application number
CN202210491822.9A
Other languages
English (en)
Other versions
CN114897723B (zh
Inventor
李俊
温荣臻
盛庆红
王博
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210491822.9A priority Critical patent/CN114897723B/zh
Publication of CN114897723A publication Critical patent/CN114897723A/zh
Application granted granted Critical
Publication of CN114897723B publication Critical patent/CN114897723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于生成式对抗网络的图像生成与加噪方法，包括：利用生成式对抗网络，将目标图像与背景图像进行合成，得到合成图像；通过合成图像训练得到目标检测网络；利用生成式对抗网络，将合成图像与噪声进行合成，得到噪声图像；利用目标检测网络对噪声图像进行检测，得到目标识别率；根据目标识别率进行干扰分级。本发明能够直观的获取到干扰分级，对于解释网络性能退化或优化目标识别智能算法均有重要意义。

Description

一种基于生成式对抗网络的图像生成与加噪方法
技术领域
本发明属于图像检测识别领域，具体涉及一种基于生成式对抗网络的图像生成与加噪方法。
背景技术
目前，图像检测识别技术在很多领域都被广泛使用，比如军事方面，由于各种诸如：压制式干扰、欺骗式干扰、诱饵、伪装干扰等主动干扰的影响，会影响识别效果，造成识别的图像质量严重下降，目标识别率往往不如理论中的精确率高。
可见在对抗环境中，干扰会大大影响目标识别算法的性能，在对抗环境中对干扰进行系统的分类分级，对于解释网络性能退化或优化目标识别智能算法均有重要意义。
现有的对于干扰进行分级的方法大多数为单一类别图像的分级方法，缺乏泛用性。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种基于生成式对抗网络的图像生成与加噪方法，能够直观的获取到干扰分级，对于解释网络性能退化或优化目标识别智能算法均有重要意义。
技术方案：为实现上述目的，本发明提供一种基于生成式对抗网络的图像生成与加噪方法，包括以下步骤：
S1：利用生成式对抗网络，将目标图像与背景图像进行合成，得到合成图像；通过合成图像训练得到目标检测网络；
S2：利用训练好的生成式对抗网络，将合成图像与噪声进行合成，得到噪声图像；
S3：利用目标检测网络对噪声图像进行检测，得到目标识别率；
S4：根据目标识别率进行干扰分级。
进一步地，所述步骤S1中目标检测网络的训练方法为：
A1：将目标图像、背景图像和经过预处理后的目标背景共存图像制作数据集，并且划分训练集、验证集和测试集；
A2：以训练集作为输入，多次迭代生成式对抗网络模型。
本发明中利用现有的目标背景共存图像作为样本，训练对抗网络，使其能够将目标图像和背景图像合成为与类样本图像。
进一步地，所述步骤S2中噪声包括压制式干扰噪声、欺骗式干扰噪声、激光干扰噪声。
进一步地，所述步骤S2中生成式对抗网络的训练方法为：
B1：将合成图像和经过预处理后的噪声制作数据集，并且划分训练集；
B2：以合成图像和噪声组成的训练集作为输入，多次迭代生成式对抗网络模型。
进一步地，所述步骤S3具体为：
C1：将得到的噪声图像制作测试集；
C2：将测试集输入至目标检测网络，得到目标识别率。
进一步地，所述步骤S4中通过干扰分级模型对目标识别率进行干扰分级。
本发明中由于现有的干扰分级算法不多，在仅有的记载中，其是利用目标识别率为基础，将激光干扰进行分级。而本发明在该方法上进行拓展，把以目标识别率为依据的干扰分类迁移到SAR图像上，可同时对SAR图像和红外图像进行干扰分级评估，泛用性更强。
有益效果：本发明与现有技术相比，能够直观的获取到干扰分级，对于解释网络性能退化或优化目标识别智能算法均有重要意义，且本发明方法可同时满足SAR图像和红外图像的干扰分级评估，能够利用一种方法解决两类图像的干扰分级，泛用性更广。
附图说明
图1为本发明方法的流程图；
图2为本实施例中的一个分级模型示意图；
图3为本实施例中的一个GANS网络示意图；
图4为本实施例中的一个舰船目标的图像；
图5为本实施例中的一个背景图像；
图6为本实施例中的一个合成图像；
图7为本实施例中的一个噪声图像。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种基于生成式对抗网络的图像生成与加噪方法，如图1所示，其包括以下步骤：
S1：利用生成式对抗网络，将目标图像与背景图像进行合成，得到合成图像；通过合成图像训练得到目标检测网络；
S2：利用训练好的生成式对抗网络，将合成图像与噪声进行合成，得到噪声图像；
S3：利用目标检测网络对噪声图像进行检测，得到目标识别率；
S4：根据目标识别率进行干扰分级。
步骤S1中目标检测网络的训练方法为：
A1：将目标图像、背景图像和经过预处理后的目标背景共存图像制作数据集，并且划分训练集、验证集和测试集；
A2：以训练集作为输入，多次迭代生成式对抗网络模型。
步骤S2中噪声包括压制式干扰噪声、欺骗式干扰噪声、激光干扰噪声。
步骤S2中生成式对抗网络的训练方法为：
B1：将合成图像和经过预处理后的噪声制作数据集，并且划分训练集；
B2：以合成图像和噪声组成的训练集作为输入，多次迭代生成式对抗网络模型。
步骤S3具体为：
C1：将得到的噪声图像制作测试集；
C2：将测试集输入至步骤S1的目标检测网络，得到目标识别率。
步骤S4中通过干扰分级模型对目标识别率进行干扰分级。
本发明还提供一种基于生成式对抗网络的图像生成与加噪系统，该系统包括网络接口、存储器和处理器；其中，网络接口，用于在与其他外部网元之间进行收发信息过程中，实现信号的接收和发送；存储器，用于存储能够在所述处理器上运行的计算机程序指令；处理器，用于在运行计算机程序指令时，执行上述共识方法的步骤。
本实施例还提供一种计算机存储介质，该计算机存储介质存储有计算机程序，在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出系统(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作系统、用户应用程序、后台服务、后台应用程序等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
基于上述方案，本实施例中将上述方案进行实例应用，将上述系统应用于军事领域中图像识别的干扰分级，具体如下：
1)利用图3所示的生成式对抗网络(GANS)，将图4所示的海面舰船目标图像与图5所示的海面背景图像进行合成，得到图6所示的合成图像；
2)利用生成式对抗网络将合成图像与压制式干扰、欺骗式干扰和激光干扰进行合成，得到如图7所示的噪声图像；
3)利用目标检测网络对噪声图像进行检测，得到目标识别率；
4)通过如图2所示的干扰分级模型，根据目标识别率将干扰分为五个等级。具体如下：
一级干扰(≥86％)、二级干扰(83％-85％)、三级干扰(80％-82％)、四级干扰(75％-79％)、五级干扰(＜75％)。

Claims (6)

1.一种基于生成式对抗网络的图像生成与加噪方法，其特征在于，包括以下步骤：
S1：利用生成式对抗网络，将目标图像与背景图像进行合成，得到合成图像；通过合成图像训练得到目标检测网络；
S2：利用训练好的生成式对抗网络，将合成图像与噪声进行合成，得到噪声图像；
S3：利用目标检测网络对噪声图像进行检测，得到目标识别率；
S4：根据目标识别率进行干扰分级。
2.根据权利要求1所述的一种基于生成式对抗网络的图像生成与加噪方法，其特征在于，所述步骤S1中目标检测网络的训练方法为：
A1：将目标图像、背景图像和经过预处理后的目标背景共存图像制作数据集，并且划分训练集、验证集和测试集；
A2：以训练集作为输入，多次迭代生成式对抗网络模型。
3.根据权利要求1所述的一种基于生成式对抗网络的图像生成与加噪方法，其特征在于，所述步骤S2中噪声包括压制式干扰噪声、欺骗式干扰噪声、激光干扰噪声。
4.根据权利要求1所述的一种基于生成式对抗网络的图像生成与加噪方法，其特征在于，所述步骤S2中生成式对抗网络的训练方法为：
B1：将合成图像和经过预处理后的噪声制作数据集，并且划分训练集；
B2：以合成图像和噪声组成的训练集作为输入，多次迭代生成式对抗网络模型。
5.根据权利要求1所述的一种基于生成式对抗网络的图像生成与加噪方法，其特征在于，所述步骤S3具体为：
C1：将得到的噪声图像制作测试集；
C2：将测试集输入至目标检测网络，得到目标识别率。
6.根据权利要求1所述的一种基于生成式对抗网络的图像生成与加噪方法，其特征在于，所述步骤S4中通过干扰分级模型对目标识别率进行干扰分级。
CN202210491822.9A 2022-05-05 2022-05-05 一种基于生成式对抗网络的图像生成与加噪方法 Active CN114897723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210491822.9A CN114897723B (zh) 2022-05-05 2022-05-05 一种基于生成式对抗网络的图像生成与加噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210491822.9A CN114897723B (zh) 2022-05-05 2022-05-05 一种基于生成式对抗网络的图像生成与加噪方法

Publications (2)

Publication Number Publication Date
CN114897723A true CN114897723A (zh) 2022-08-12
CN114897723B CN114897723B (zh) 2023-08-01

Family

ID=82719485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210491822.9A Active CN114897723B (zh) 2022-05-05 2022-05-05 一种基于生成式对抗网络的图像生成与加噪方法

Country Status (1)

Country Link
CN (1) CN114897723B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533582A (zh) * 2019-08-15 2019-12-03 中国民航大学 一种基于生成式对抗网络的安检x光违禁品图像合成方法
CN110675353A (zh) * 2019-08-31 2020-01-10 电子科技大学 一种基于条件生成对抗网络的选择分割图像合成方法
US20200167161A1 (en) * 2017-08-08 2020-05-28 Siemens Aktiengesellschaft Synthetic depth image generation from cad data using generative adversarial neural networks for enhancement
CN112580554A (zh) * 2020-12-25 2021-03-30 北京环境特性研究所 基于cnn的mstar数据噪声强度控制的分类识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200167161A1 (en) * 2017-08-08 2020-05-28 Siemens Aktiengesellschaft Synthetic depth image generation from cad data using generative adversarial neural networks for enhancement
CN110533582A (zh) * 2019-08-15 2019-12-03 中国民航大学 一种基于生成式对抗网络的安检x光违禁品图像合成方法
CN110675353A (zh) * 2019-08-31 2020-01-10 电子科技大学 一种基于条件生成对抗网络的选择分割图像合成方法
CN112580554A (zh) * 2020-12-25 2021-03-30 北京环境特性研究所 基于cnn的mstar数据噪声强度控制的分类识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘佳伟 等: "一种SAR图像干扰效果智能评估方法", 《舰船电子对抗》 *
刘佳伟 等: "一种SAR图像干扰效果智能评估方法", 《舰船电子对抗》, vol. 43, no. 4, 31 August 2020 (2020-08-31), pages 78 - 82 *
赵明明: "基于SAR目标特征的欺骗式干扰技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
赵明明: "基于SAR目标特征的欺骗式干扰技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 12, 15 December 2019 (2019-12-15), pages 136 - 341 *

Cited By (2)

* Cited by examiner, † Cited by third party
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
CN114897723B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN110675399A (zh) 屏幕外观瑕疵检测方法及设备
CN111652290B (zh) 一种对抗样本的检测方法及装置
US10963551B2 (en) Method and apparatus for user authentication based on feature information
US11501102B2 (en) Automated sound matching within an audio recording
CN110348392B (zh) 车辆匹配方法及设备
CN111788629B (zh) 学习装置、声音区间检测装置及声音区间检测方法
US20130055205A1 (en) Filtering source code analysis results
CN109145981B (zh) 深度学习自动化模型训练方法及设备
CN109978006B (zh) 人脸图像的聚类方法和装置
US11983866B2 (en) Image defect detection method, electronic device using the same
CN110827246A (zh) 电子设备边框外观瑕疵检测方法及设备
CN114943307B (zh) 一种模型训练的方法、装置、存储介质以及电子设备
CN111338692A (zh) 基于漏洞代码的漏洞分类方法、装置及电子设备
CN114897723A (zh) 一种基于生成式对抗网络的图像生成与加噪方法
CN111258905B (zh) 缺陷定位方法、装置和电子设备及计算机可读存储介质
CN107832271B (zh) 函数图像绘制方法、装置、设备及计算机存储介质
CN111950579A (zh) 分类模型的训练方法和训练装置
CN113849314A (zh) 一种数据处理模型部署方法及装置
KR20220040251A (ko) 트랜스퍼 생성모델의 보편적 성능을 높이는 트랜스퍼 이미지 생성 방법
CN112750065B (zh) 载体对象处理和水印嵌入方法、装置及电子设备
CN116484390A (zh) 一种基于元数据和动态插桩技术的堆漏洞攻击检测方法、设备及介质
CN107544248B (zh) 一种移动机器人中的任务优化方法及设备
CN109961061A (zh) 一种边缘计算视频数据结构化方法及系统
CN114510300A (zh) 一种在派生类中嵌入目标对象的方法及设备
CN112749391A (zh) 一种恶意软件对抗样本的检测方法、装置和电子设备

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