CN115047412A - 一种基于双阶段UNet的遮蔽式箔条干扰抑制方法 - Google Patents

一种基于双阶段UNet的遮蔽式箔条干扰抑制方法 Download PDF

Info

Publication number
CN115047412A
CN115047412A CN202210741920.3A CN202210741920A CN115047412A CN 115047412 A CN115047412 A CN 115047412A CN 202210741920 A CN202210741920 A CN 202210741920A CN 115047412 A CN115047412 A CN 115047412A
Authority
CN
China
Prior art keywords
unet
stage
interference
target
foil
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.)
Pending
Application number
CN202210741920.3A
Other languages
English (en)
Inventor
傅雄军
许沁文
李明玲
冯程
赵聪霞
田黎育
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.)
Tangshan Research Institute Of Beijing University Of Technology
Beijing Institute of Technology BIT
Original Assignee
Tangshan Research Institute Of Beijing University Of Technology
Beijing Institute of Technology BIT
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 Tangshan Research Institute Of Beijing University Of Technology, Beijing Institute of Technology BIT filed Critical Tangshan Research Institute Of Beijing University Of Technology
Priority to CN202210741920.3A priority Critical patent/CN115047412A/zh
Publication of CN115047412A publication Critical patent/CN115047412A/zh
Pending legal-status Critical Current

Links

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
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于电子对抗、干扰抑制及信号识别技术领域，尤其涉及一种基于双阶段UNet的遮蔽式箔条干扰抑制方法。包括：使用宽带极化雷达采集信号，得到实测数据；进行脉冲压缩和归一化，得到目标、箔条干扰和混合的距离像序列灰度图；构造伪实测数据，得到目标、箔条干扰、伪实测的目标和箔条干扰混合的距离像序列灰度图和分割真值图；构建基于双阶段UNet的箔条干扰抑制网络及其损失函数；使用伪实测数据进行训练，得到最优的基于双阶段UNet的箔条干扰抑制网络；进行测试，实现遮蔽式箔条干扰的抑制。所述方法对遮蔽式箔条干扰下目标前景的分割效果好、对箔条干扰的抑制效果好、受环境影响小、能应对各种类型、各个阶段的箔条干扰。

Description

一种基于双阶段UNet的遮蔽式箔条干扰抑制方法
技术领域
本发明属于电子对抗、干扰抑制及信号识别技术领域，尤其涉及一种基于双阶段UNet的遮蔽式箔条干扰抑制方法。
背景技术
雷达主动寻的制导具有作用距离远、探测精度高、全天时、全天候等优点，得到了广泛应用。然而，由于雷达主动寻的制导也具有易受战场电磁环境影响的缺点。箔条干扰作为历史最为悠久的无源干扰之一，通过投射大量箔条纤维对雷达电磁波产生散射，在雷达接收机中产生形成带有杂波特性的强回波，达到对雷达的电磁欺骗或者压制的目的，从而有效保护己方目标，在电子对抗中发挥着极其重要的作用，是雷达导引头所面临的重要威胁之一。尤其是，遮蔽式箔条干扰不仅会产生比舰船回波强烈数倍的箔条干扰回波，从而压制或者淹没该空域范围内的舰船目标回波，还会对雷达电磁波产生衰减作用，对舰船形成电磁波遮挡屏障，致使雷达无法检测到目标，具有和“隐身”一样的作用。因此，为了提高雷达目标检测的概率，如何提高雷达导引头的对遮蔽式箔条干扰能力仍然是当前国内外的研究热点和难点问题。
目前，箔条抑制方法主要包括：在小波变换域设计滤波器进行箔条干扰抑制、在频域设计多普勒滤波器抑制箔条干扰、在极化域通过极化对消进行箔条干扰抑制和利用最优空时处理原理推导最优空时波速形成器抑制箔条云干扰。这些方法在一定程度上可以抑制箔条干扰，但是由于箔条云的扩散过程复杂且特征信息多变，现有的对抗方法对难以兼顾好的抑制效果和对任意扩散阶段的箔条干扰的普适性，并且对遮蔽式箔条干扰的抑制效果难以满足实际需求。
发明内容
本发明的目的在于针对遮蔽式箔条干扰下目标的回波数据复杂、目标检测概率低的问题，提出了一种基于双阶段UNet的遮蔽式箔条干扰抑制方法，所述方法不仅能准确识别遮蔽式箔条干扰下目标的距离分辨单元，还能提升目标的信干比。
为了达到上述目的，采取如下技术方案：
所述遮蔽式箔条干扰抑制方法，包括如下步骤：
S1、使用宽带极化雷达采集冲淡式箔条干扰下的目标回波和遮蔽式箔条干扰下的目标回波并记录采集数据时目标的位置、角度和速度信息，得到带真实信息的冲淡式箔条干扰下的目标回波和遮蔽式箔条干扰下的目标回波；
S2、将S1得到的带真实信息的冲淡式箔条干扰下的目标回波进行脉冲压缩和归一化，得到目标距离像序列灰度图和箔条干扰距离像序列灰度图；将S1得到的带真实信息的遮蔽式箔条干扰下的目标回波进行脉冲压缩和归一化，得到目标和箔条干扰混合的距离像序列灰度图；
所述S2目标距离像序列灰度图、所述箔条干扰距离像序列灰度图和所述目标和箔条干扰混合的距离像序列灰度图均包括X个距离分辨单元；所述X即采样点的个数。
S3、将S2得到的目标距离像序列灰度图和箔条干扰距离像序列灰度图用于构造伪实测数据，得到目标距离像序列真值图、箔条干扰距离像序列真值图、伪实测的目标和箔条干扰混合的距离像序列灰度图和分割真值图；
S4、构建基于双阶段UNet的箔条干扰抑制网络；
所述基于双阶段UNet的箔条干扰抑制网络由两个UNet级联构成，称为第一阶段UNet和第二阶段UNet；
在训练或验证时，所述基于双阶段UNet的箔条干扰抑制网络的输入图像为伪实测的目标和箔条干扰混合的距离像序列灰度图；在测试时，所述基于双阶段UNet的箔条干扰抑制网络的输入图像为目标和箔条干扰混合的距离像序列灰度图；
所述第一阶段UNet对输入图像进行分割目标前景与背景，得到分割结果；
所述分割结果的标签，即分割标签，为分割真值图；
所述第二阶段UNet将所述第一阶段UNet的分割结果与第一阶段UNet的输入图像点乘的结果作为第二阶段UNet的输入图像并对其进行处理，得到抑制结果，所述抑制结果是对第二阶段UNet的输入图像中的目标幅度信息进行恢复的结果；
所述抑制结果的标签，即抑制标签，为目标距离像序列真值图；
所述基于双阶段UNet的箔条干扰抑制网络的输入图像、分割结果、分割标签、抑制结果、抑制标签的尺寸一样；
S5、构造基于双阶段UNet的箔条干扰抑制网络的损失函数；
S5所述损失函数的计算公式为：
L＝aLcel+bLdice+cLsmooth (1)
其中，Lcel,Ldice,Lsmooth分别为第一阶段UNet使用的交叉熵损失、Dice损失和第二阶段UNet使用的平滑L1损失；a为交叉熵损失的权重；b为Dice损失的权重；c为平滑L1损失的权重；
所述第一阶段UNet使用的交叉熵损失定义为：
Figure BDA0003716035680000031
N是一个批次输入图像的像素点数，n为像素点序号；M代表像素类别数，在箔条干扰抑制场景中，只有目标前景和背景两类，因此M＝2，m为类别序号，m＝1表示类别为目标前景，m＝2表示类别为背景；
Figure BDA0003716035680000032
是输入图像的像素点n的类别标签，
Figure BDA0003716035680000033
表示输入图像的像素点n不属于类别m，
Figure BDA0003716035680000034
表示输入图像的像素点n属于类别m；
Figure BDA0003716035680000035
表示预测输入图像的像素点n属于类别m的概率；
所述Dice损失的计算公式为：
Figure BDA0003716035680000036
其中，P表示分割结果，G表示分割标签，|G∩P|是分割结果与分割标签对应像素点乘的结果之和，|G|和|P|分别为分割标签和分割结果的所有元素之和；所述Dice损失的范围在[0,1]之间，为分割结果区域和分割标签区域间的非重叠部分的概率；
所述第二阶段UNet使用平滑L1损失Lsmooth为像素点的绝对误差的均值；
S6、模型调优：使用网格搜索法得到最优超参数的基于双阶段UNet的箔条干扰抑制网络；
S7、网络训练：使用RMSprop优化算法对S6得到的最优超参数的基于双阶段UNet的箔条干扰抑制网络的参数进行更新，使得S5构造基于双阶段UNet的箔条干扰抑制网络的损失函数的值最小，得到最优的基于双阶段UNet的箔条干扰抑制网络；
S8、网络测试：将S2得到的目标和箔条干扰混合的距离像序列灰度图输入S7得到的最优的基于双阶段UNet的箔条干扰抑制网络进行测试，得到分割结果和抑制结果。
所述S3具体包括以下子步骤：
S31、从S2得到的目标距离像序列灰度图中随机选取P个距离分辨单元的慢时间序列，并除以该序列的最大值进行归一化，根据目标散射点的空间分布和散射强度重构得到目标距离像序列真值图；
S32、从S2得到的箔条干扰距离像序列灰度图中随机选取Q个距离分辨单元的慢时间序列，并将慢时间序列中的值除以该序列的最大值进行归一化，再乘以正态分布曲线的权重系数得到箔条干扰距离像序列真值图；
S33、将S31得到的目标距离像序列真值图和S32得到的箔条干扰距离像序列真值图加权求和，得到伪实测的目标和箔条干扰混合的距离像序列灰度图；
S34、将S31得到的目标距离像序列真值图经过CA-CFAR检测，得到分割真值图。
S31所述P小于X；S32所述Q小于X；S33所述加权求和时，权重的比值为信干比；S34所述分割真值图的某一像素点的值为1表明目标距离像序列真值图对应像素点的值大于CA-CFAR检测器阈值，为0表明目标距离像序列真值图对应像素点的值小于等于CA-CFAR检测器阈值。
S4所述第一阶段UNet和第二阶段UNet都包括一层输入层、三层特征提取层、三层特征加强层和一层输出层；所述输入层包括两层核尺寸为3×3的卷积层。
所述特征提取层包括一层核尺寸为2×2的池化层，和两层核尺寸为3×3的卷积层；所述特征加强层包括一层核尺寸为2×2的反卷积层，和两层核尺寸为3×3的卷积层；所述输出层为输出通道数为2或者1的核尺寸为1×1的卷积层；所述第一阶段UNet的输出层的通道数为2，所述第二阶段UNet的输出通道数为1。
S5所述像素点的绝对误差用zi表示，且
Figure BDA0003716035680000041
xi和yi分别为抑制结果和抑制标签的像素点，其中i的取值范围为[1,N]。
所述S6及S7中模型调优和网络训练时，基于双阶段UNet的箔条干扰抑制网络的输入图像、分割标签和抑制标签分别为S3得到的伪实测的目标和箔条干扰混合的距离像序列灰度图、分割真值图和目标距离像序列真值图。
有益效果
本发明所述的一种基于双阶段UNet的遮蔽式箔条干扰抑制方法，与现有箔条干扰抑制方法相比，具有如下有益效果：
1、所述方法得益于S3对伪实测数据的构造，省去了以往监督学习的人工标注标签的繁琐流程，节省了人力和时间；
2、所述遮蔽式箔条干扰抑制方法得益于S4构建的基于双阶段UNet的箔条干扰抑制网络的第一阶段的UNet在目标前景和背景的分割任务上的出色能力，所述遮蔽式箔条干扰抑制方法对遮蔽式箔条干扰下目标的距离分辨单元的识别效果好、分割准确率高；
3、所述方法得益于S4构建的基于双阶段UNet的箔条干扰抑制网络和S5对基于双阶段UNet的箔条干扰抑制网络的训练，避免了传统方法过度依赖先验知识的缺点，能够有效抑制箔条干扰，信干比提升比现有方法更高；
3、所述方法得益于S4构建的基于双阶段UNet的箔条干扰抑制网络的泛化性和鲁棒性高，与现有方法相比，受复杂环境影响小，能应对各个阶段的箔条干扰。
附图说明
图1是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法的流程图；
图2是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法的目标距离像序列灰度图和箔条干扰距离像序列灰度图、目标和箔条干扰混合的距离像序列灰度图；
图3是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法的根据实测数据构造的目标距离像序列真值图、箔条干扰距离像序列真值图、伪实测的目标和箔条干扰混合的距离像序列灰度图；
图4是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法的基于双阶段UNet的箔条干扰抑制网络结构图；
图5是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法具体实施时不同干信比的伪实测的目标和箔条干扰混合的距离像序列灰度图、分割结果、抑制结果、分割真值图和目标距离像序列真值图；
图6是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法具体实施时目标和箔条干扰混合的距离像序列灰度图、分割结果和抑制结果。
具体实施方式
下面结合附图和实施例对本发明所述一种基于双阶段UNet的遮蔽式箔条干扰抑制方法做进一步说明和详细描述。
实施例1
本实施例阐述采用本发明所述方法对宽带极化雷达接收的箔条干扰背景下的目标回波数据进行抗干扰的过程。本发明所提方法理论上能应用于任何干扰、杂波或噪声背景下的目标识别和干扰、杂波或噪声对抗问题中。需要注意的是，所提供的数据集的必要组成部分为含可分辨目标特征的待抑制图像或序列集。图1是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法的流程，包括如下步骤：
S1、数据采集；具体实施时，使用宽带极化雷达采集冲淡式箔条干扰下的目标回波和遮蔽式箔条干扰下的目标回波，并记录采集数据时目标的位置、角度和速度信息，得到带真实信息的冲淡式箔条干扰下的目标回波和遮蔽式箔条干扰下的目标回波；
所述宽带极化雷达为Ku波段的高分辨极化雷达系统，其发射信号为90个脉冲水平极化波和70个垂直极化波的周期线性调频信号；
所述宽带极化雷达采集冲淡式箔条干扰下的目标回波和遮蔽式箔条干扰下的目标回波时被放置在一个高出海面15米的平台上，背景是海面风力适中的海浪0.1到0.5米的大海；
所述宽带极化雷达采集的冲淡式箔条干扰下的目标回波，目标与雷达的距离为8000米，箔条干扰与雷达的距离范围为7600米到7900米，目标和箔条干扰在距离分辨单元上没有混叠，包含8000个脉冲；
所述宽带极化雷达采集的遮蔽式箔条干扰下的目标回波，箔条干扰与雷达的距离范围为7900米到8200米，目标为距离雷达8000米的舰船，目标在箔条干扰覆盖范围内，目标和箔条干扰在距离分辨单元上混叠，包含8000个脉冲；
S2、脉冲压缩，具体为：将S1得到的带真实信息的冲淡式箔条干扰下的目标回波进行脉冲压缩和归一化，得到目标距离像序列灰度图和箔条干扰距离像序列灰度图；将S1得到的带真实信息的遮蔽式箔条干扰下的目标回波进行脉冲压缩和归一化，得到目标和箔条干扰混合的距离像序列灰度图；
所述目标距离像序列灰度图、所述箔条干扰距离像序列灰度图和所述目标和箔条干扰混合的距离像序列灰度图均包括X个距离分辨单元；
图2是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法的目标距离像序列灰度图(2a)和箔条干扰距离像序列灰度图(2b)、目标和箔条干扰混合的距离像序列灰度图(2c)。
S3、构造伪实测数据，即将S2得到的目标距离像序列灰度图和箔条干扰距离像序列灰度图用于构造伪实测数据，得到目标距离像序列真值图、箔条干扰距离像序列真值图、伪实测的目标和箔条干扰混合的距离像序列灰度图和分割真值图，具体包括以下子步骤：
S31、从S2得到的目标距离像序列灰度图中随机选取N个距离分辨单元的慢时间序列，并除以该序列的最大值进行归一化，根据目标散射点的空间分布和散射强度重构得到目标距离像序列真值图；
S32、从S2得到的箔条干扰距离像序列灰度图中随机选取M个距离分辨单元的慢时间序列，并将慢时间序列中的值除以该序列的最大值从而进行归一化，再乘以正态分布曲线的权重系数得到箔条干扰距离像序列真值图；
S33、根据干信比，将S31得到的目标距离像序列真值图和S32得到的箔条干扰距离像序列真值图加权求和，得到伪实测的目标和箔条干扰混合的距离像序列灰度图；
S34、将S31得到的目标距离像序列真值图经过CA-CFAR检测，得到CA-CFAR检测结果，并将所述CA-CFAR检测结果作为分割真值图(如图3中的3d)；
对于所述分割真值图的某一像素点，如果目标距离像序列真值图对应像素点的值大于CA-CFAR检测器阈值，则该像素点的值为1，否则该像素点的值为0；
图3是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法的根据实测数据构造的目标距离像序列真值图(3a)、箔条干扰距离像序列真值图(3b)、伪实测的目标和箔条干扰混合的距离像序列灰度图(3c)以及分割真值图(3d)。
S4、构建基于双阶段UNet的箔条干扰抑制网络；
所述基于双阶段UNet的箔条干扰抑制网络由两个UNet级联构成，称为第一阶段UNet和第二阶段UNet；
所述第一阶段UNet的功能为将目标和箔条干扰混合的距离像序列灰度图或伪实测的目标和箔条干扰混合的距离像序列灰度图作为第一阶段UNet的输入图像，并对其进行处理，得到分割结果，所述分割结果是对第一阶段UNet的输入图像的目标前景与背景进行分割的结果；
所述第二阶段UNet的功能为将所述第一阶段UNet的分割结果与第一阶段UNet的输入图像点乘的结果作为第二阶段UNet的输入图像，并对其进行处理，得到抑制结果，所述抑制结果是对第二阶段UNet的输入图像中的目标幅度信息进行恢复的结果；
所述第一阶段UNet和第二阶段UNet都包括一层输入层、三层特征提取层、三层特征加强层和一层输出层；
所述输入层包括两层核尺寸为3×3的卷积层；
所述特征提取层包括一层核尺寸为2×2的池化层，和两层核尺寸为3×3的卷积层；
所述特征加强层包括一层核尺寸为2×2的反卷积层，和两层核尺寸为3×3的卷积层；
所述输出层为输出通道数为2或者1的核尺寸为1×1的卷积层；所述第一阶段UNet的输出层的通道数为2，所述第二阶段UNet的输出通道数为1；
图4是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法的基于双阶段UNet的箔条干扰抑制网络结构图；
S5、构造基于双阶段UNet的箔条干扰抑制网络的损失函数；
所述损失函数的计算公式为：
L＝aLcel+bLdice+cLsmooth (11)
其中，Lcel,Ldice,Lsmooth分别为第一阶段UNet使用的交叉熵损失、Dice损失和第二阶段UNet使用的平滑L1损失；a为交叉熵损失的权重；b为Dice损失的权重；c为平滑L1损失的权重；
具体的，第一阶段UNet使用交叉熵损失与Dice损失之和来衡量分割网络的分割结果与分割真值图间的相似程度；
所述交叉熵损失定义为：
Figure BDA0003716035680000091
其中，N是一个批次的像素点数，M代表像素类别数，在箔条干扰抑制场景中，只有目标前景和背景两类，因此M＝2。
Figure BDA0003716035680000092
是像素n的类别标签，是一个独热编码向量，元素只有0和1两种取值，
Figure BDA0003716035680000093
表示预测像素n属于类别c的概率；
所述Dice损失，也称为重叠指数，用于计算分割结果区域和分割真值图区域间的重叠率，范围在[0,1]之间，其计算公式为：
Figure BDA0003716035680000094
P表示分割结果，G表示分割真值图，|G∩P|是分割结果与分割真值图对应像素点乘的结果之和，|G|和|P|分别为分割真值图和分割结果的所有元素之和。
由此可得出，Dice损失的计算公式为：
Figure BDA0003716035680000095
为了避开L1和均方误差的缺陷，所述第二阶段UNet使用平滑L1损失，具体计算公式为：
Figure BDA0003716035680000096
其中xi和yi分别为网络恢复图像和恢复阶段的分割真值图图像中的像素点，zi为像素点的绝对误差。
S5、将S3得到的伪实测的目标和箔条干扰混合的距离像序列灰度图和目标距离像序列真值图分别作为S4得到的基于双阶段UNet的箔条干扰抑制网络的输入图像、分割标签和第二阶段的输出标签，使用网格搜索法得到最优超参数的基于双阶段UNet的箔条干扰抑制网络；
S6、将S3得到的伪实测的目标和箔条干扰混合的距离像序列灰度图、分割真值图和目标距离像序列真值图分别作为S4得到的基于双阶段UNet的箔条干扰抑制网络的输入图像、分割标签和第二阶段的输出标签，使用网格搜索法得到最优超参数的基于双阶段UNet的箔条干扰抑制网络；
S7、将S3得到的伪实测的目标和箔条干扰混合的距离像序列灰度图、分割真值图和目标距离像序列真值图分别作为S6得到的最优超参数的基于双阶段UNet的箔条干扰抑制网络的输入图像、分割标签和第二阶段的输出标签，使用RMSprop优化算法对最优超参数的基于双阶段UNet的箔条干扰抑制网络的参数进行更新，使得S5构造基于双阶段UNet的箔条干扰抑制网络的损失函数的值最小，得到最优的基于双阶段UNet的箔条干扰抑制网络。
S8、将S2得到的目标和箔条干扰混合的距离像序列灰度图输入S7得到的最优的基于双阶段UNet的箔条干扰抑制网络，得到分割结果和抑制结果；
至此，从S1到S8，完成了一种基于双阶段UNet的遮蔽式箔条干扰抑制方法。
具体实施时，基于宽带极化雷达采集冲淡式箔条干扰下的目标回波和遮蔽式箔条干扰下的目标回波以及根据实测数据构造的伪实测数据，设计以下三个实验。由于本发明所述一种基于双阶段UNet的遮蔽式箔条干扰抑制方法包括目标前景与背景分割阶段和箔条干扰抑制两个阶段，因此，为综合评估基于双阶段UNet的箔条干扰抑制网络的性能，需要分割效果和抑制效果两个方面衡量。分割部分使用评估医学图像分割算法的最常用指标：Dice系数，也称为重叠指数，用于计算分割结果区域和金标准区域间的重叠率，其取值范围在[0,1]之间。评估抑制效果的指标包括：包括PSNR(峰值信噪比)、SSIM(结构相似性)和IFSJR(信干比平均改善因子)。
实验一：为了初步验证所提箔条干扰抑制网络的效果，构造了3个干信比的伪实测数据集，干信比分别是0dB，13.98dB，20dB。将所构造的三个干信比的伪实测数据集以7比3的比例分成训练集和测试集。使用该训练集对基于双阶段UNet的箔条干扰抑制网络进行训练，测试训练好的基于双阶段UNet的箔条干扰抑制网络在对应干信比的测试集上的运用效果，结果如表1所示。
表1基于双阶段UNet的箔条干扰抑制网络在对应干信比的测试集上的效果
Figure BDA0003716035680000111
从表1可以看出，随着干信比逐渐增加，基于双阶段UNet的箔条干扰抑制网络的性能也出现一定程度的下降，PSNR从34.64dB降至23.01dB，SSIM从0.94降至0.87，可以看出分割结果与分割真值图、抑制结果与目标距离像序列真值图差距越来越大。从信干比增益来看，由于基于双阶段UNet的箔条干扰抑制网络的两个阶段UNet均对提升信干比有贡献，信干比平均改善因子均高于23dB。这表明，当输入JSR在20dB及以下时，基于双阶段UNet的箔条干扰抑制网络可以较为稳定地成功抑制遮蔽式箔条干扰，抑制成功后的信干比提升性能较好，目标信息恢复性能较好。
图5是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法具体实施时不同干信比的伪实测的目标和箔条干扰混合的距离像序列灰度图、分割结果、抑制结果、分割真值图和目标距离像序列真值图。
(a)为0dB输入图片、(b)为0dB分割结果、(c)为0dB分割标签、(d)为0dB抑制结果、(e)为0dB抑制标签、(f)为13.98dB输入图片、(g)为13.98dB分割结果、(h)为13.98dB分割标签、(i)为13.98dB抑制结果、(j)为13.98dB抑制标签、(k)为20dB输入图片、(l)为20dB分割结果、(m)为20dB分割标签、(n)为20dB抑制结果、(o)为20dB抑制标签。
从图5可以看出，基于双阶段UNet的箔条干扰抑制网络处理后的抑制结果与标签图像十分接近，这说明本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法能够很好地抑制混合回波中的箔条干扰。含有雷达目标和箔条云混合数据经过网络的作用后，箔条干扰整体功率水平得到明显抑制，雷达目标信号得到明显增强。
实验二：由于实测数据无法提供真值图以对网络进行训练，因此构造干信比在0-20dB随机分布的含大量样本的伪实测数据作为训练集，输入双阶段UNet中对网络进行多轮次的训练。将实测数据输入该训练好的基于双阶段UNet的箔条干扰抑制网络。
图6是本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法具体实施时目标和箔条干扰混合的距离像序列灰度图(6a)、实测数据分割结果(6b)和实测数据抑制结果(6c)。
从图6中可以看出，实测数据经过基于双阶段UNet的箔条干扰抑制网络处理得到的目标图像与真实目标信息十分接近，这说明本发明一种基于双阶段UNet的遮蔽式箔条干扰抑制方法能够很好地抑制混合回波中的箔条干扰后，箔条干扰整体功率水平得到明显抑制，雷达目标信号得到明显增强。
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (8)

1.一种基于双阶段UNet的遮蔽式箔条干扰抑制方法，其特征在于，包括如下步骤：
S1、使用宽带极化雷达采集冲淡式箔条干扰下的目标回波和遮蔽式箔条干扰下的目标回波并记录采集数据时目标的位置、角度和速度信息，得到带真实信息的冲淡式箔条干扰下的目标回波和遮蔽式箔条干扰下的目标回波；
S2、将S1得到的带真实信息的冲淡式箔条干扰下的目标回波进行脉冲压缩和归一化，得到目标距离像序列灰度图和箔条干扰距离像序列灰度图；将S1得到的带真实信息的遮蔽式箔条干扰下的目标回波进行脉冲压缩和归一化，得到目标和箔条干扰混合的距离像序列灰度图；
S3、将S2得到的目标距离像序列灰度图和箔条干扰距离像序列灰度图用于构造伪实测数据，得到目标距离像序列真值图、箔条干扰距离像序列真值图、伪实测的目标和箔条干扰混合的距离像序列灰度图和分割真值图；
S4、构建基于双阶段UNet的箔条干扰抑制网络；
所述基于双阶段UNet的箔条干扰抑制网络由两个UNet级联构成，称为第一阶段UNet和第二阶段UNet；
在训练或验证时，所述基于双阶段UNet的箔条干扰抑制网络的输入图像为伪实测的目标和箔条干扰混合的距离像序列灰度图；在测试时，所述基于双阶段UNet的箔条干扰抑制网络的输入图像为目标和箔条干扰混合的距离像序列灰度图；
所述第一阶段UNet对输入图像进行分割目标前景与背景，得到分割结果；
所述分割结果的标签，即分割标签，为分割真值图；
所述第二阶段UNet将所述第一阶段UNet的分割结果与第一阶段UNet的输入图像点乘的结果作为第二阶段UNet的输入图像并对其进行处理，得到抑制结果，所述抑制结果是对第二阶段UNet的输入图像中的目标幅度信息进行恢复的结果；
所述抑制结果的标签，即抑制标签，为目标距离像序列真值图；
所述基于双阶段UNet的箔条干扰抑制网络的输入图像、分割结果、分割标签、抑制结果、抑制标签的尺寸一样；
S5、构造基于双阶段UNet的箔条干扰抑制网络的损失函数；
S5所述损失函数的计算公式为：
L＝aLcel+bLdice+cLsmooth (1)
其中，Lcel,Ldice,Lsmooth分别为第一阶段UNet使用的交叉熵损失、Dice损失和第二阶段UNet使用的平滑L1损失；a为交叉熵损失的权重；b为Dice损失的权重；c为平滑L1损失的权重；
所述第一阶段UNet使用的交叉熵损失定义为：
Figure FDA0003716035670000021
N是一个批次输入图像的像素点数，n为像素点序号；M代表像素类别数，在箔条干扰抑制场景中，只有目标前景和背景两类，因此M＝2，m为类别序号，m＝1表示类别为目标前景，m＝2表示类别为背景；
Figure FDA0003716035670000022
是输入图像的像素点n的类别标签，
Figure FDA0003716035670000023
表示输入图像的像素点n不属于类别m，
Figure FDA0003716035670000024
表示输入图像的像素点n属于类别m；
Figure FDA0003716035670000025
表示预测输入图像的像素点n属于类别m的概率；
所述Dice损失的计算公式为：
Figure FDA0003716035670000026
其中，P表示分割结果，G表示分割标签，|G∩P|是分割结果与分割标签对应像素点乘的结果之和，|G|和|P|分别为分割标签和分割结果的所有元素之和；所述Dice损失的范围在[0,1]之间，为分割结果区域和分割标签区域间的非重叠部分的概率；
所述第二阶段UNet使用平滑L1损失Lsmooth为像素点的绝对误差的均值；
S6、模型调优：使用网格搜索法得到最优超参数的基于双阶段UNet的箔条干扰抑制网络；
S7、网络训练：使用RMSprop优化算法对S6得到的最优超参数的基于双阶段UNet的箔条干扰抑制网络的参数进行更新，使得S5构造基于双阶段UNet的箔条干扰抑制网络的损失函数的值最小，得到最优的基于双阶段UNet的箔条干扰抑制网络；
S8、网络测试：将S2得到的目标和箔条干扰混合的距离像序列灰度图输入S7得到的最优的基于双阶段UNet的箔条干扰抑制网络进行测试，得到分割结果和抑制结果。
2.根据权利要求1所述的遮蔽式箔条干扰抑制方法，其特征在于，S2所述目标距离像序列灰度图、所述箔条干扰距离像序列灰度图和所述目标和箔条干扰混合的距离像序列灰度图均包括X个距离分辨单元；所述X即采样点的个数。
3.根据权利要求1所述的遮蔽式箔条干扰抑制方法，其特征在于，S3具体包括以下子步骤：
S31、从S2得到的目标距离像序列灰度图中随机选取P个距离分辨单元的慢时间序列，并除以该序列的最大值进行归一化，根据目标散射点的空间分布和散射强度重构得到目标距离像序列真值图；
S32、从S2得到的箔条干扰距离像序列灰度图中随机选取Q个距离分辨单元的慢时间序列，并将慢时间序列中的值除以该序列的最大值进行归一化，再乘以正态分布曲线的权重系数得到箔条干扰距离像序列真值图；
S33、将S31得到的目标距离像序列真值图和S32得到的箔条干扰距离像序列真值图加权求和，得到伪实测的目标和箔条干扰混合的距离像序列灰度图；
S34、将S31得到的目标距离像序列真值图经过CA-CFAR检测，得到分割真值图。
4.根据权利要求1或3所述的遮蔽式箔条干扰抑制方法，其特征在于，S31所述P小于X；S32所述Q小于X；S33所述加权求和时，权重的比值为信干比；S34所述分割真值图的某一像素点的值为1表明目标距离像序列真值图对应像素点的值大于CA-CFAR检测器阈值，为0表明目标距离像序列真值图对应像素点的值小于等于CA-CFAR检测器阈值。
5.根据权利要求1所述的遮蔽式箔条干扰抑制方法，其特征在于，S4所述第一阶段UNet和第二阶段UNet都包括一层输入层、三层特征提取层、三层特征加强层和一层输出层；所述输入层包括两层核尺寸为3×3的卷积层。
6.根据权利要求1或5所述的遮蔽式箔条干扰抑制方法，其特征在于，所述特征提取层包括一层核尺寸为2×2的池化层，和两层核尺寸为3×3的卷积层；所述特征加强层包括一层核尺寸为2×2的反卷积层，和两层核尺寸为3×3的卷积层；所述输出层为输出通道数为2或者1的核尺寸为1×1的卷积层；所述第一阶段UNet的输出层的通道数为2，所述第二阶段UNet的输出通道数为1。
7.根据权利要求1所述的遮蔽式箔条干扰抑制方法，其特征在于，S5所述像素点的绝对误差用zi表示，且
Figure FDA0003716035670000041
xi和yi分别为抑制结果和抑制标签的像素点，其中i的取值范围为[1,N]。
8.根据权利要求1所述的遮蔽式箔条干扰抑制方法，其特征在于，所述S6及S7中模型调优和网络训练时，基于双阶段UNet的箔条干扰抑制网络的输入图像、分割标签和抑制标签分别为S3得到的伪实测的目标和箔条干扰混合的距离像序列灰度图、分割真值图和目标距离像序列真值图。
CN202210741920.3A 2022-06-27 2022-06-27 一种基于双阶段UNet的遮蔽式箔条干扰抑制方法 Pending CN115047412A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210741920.3A CN115047412A (zh) 2022-06-27 2022-06-27 一种基于双阶段UNet的遮蔽式箔条干扰抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210741920.3A CN115047412A (zh) 2022-06-27 2022-06-27 一种基于双阶段UNet的遮蔽式箔条干扰抑制方法

Publications (1)

Publication Number Publication Date
CN115047412A true CN115047412A (zh) 2022-09-13

Family

ID=83164382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210741920.3A Pending CN115047412A (zh) 2022-06-27 2022-06-27 一种基于双阶段UNet的遮蔽式箔条干扰抑制方法

Country Status (1)

Country Link
CN (1) CN115047412A (zh)

Similar Documents

Publication Publication Date Title
CN105319537B (zh) 基于空间相关性的航海雷达同频干扰抑制方法
CN104950296B (zh) 基于重加权自适应功率剩余的稳健非均匀检测方法
CN109669182B (zh) 无源双基地sar动/静目标联合稀疏成像方法
CN113808174B (zh) 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法
CN109212500A (zh) 一种基于稀疏重构的ka-stap杂噪协方差矩阵高精度估计方法
CN108133468B (zh) 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法
CN106483516A (zh) 基于先验知识的雷达杂波空时自适应处理方法
CN107831473B (zh) 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法
CN115356729B (zh) 一种近场非均匀采样的直接稀疏成像方法
Lu et al. A vessel detection method using compact-array HF radar
CN111398955B (zh) 一种基于生成对抗神经网络的sar图像去旁瓣方法
Xiong et al. A resample-based SVA algorithm for sidelobe reduction of SAR/ISAR imagery with noninteger Nyquist sampling rate
CN111090088B (zh) 基于主动声纳阵列斜对称特性的泄露目标空时检测方法
CN114779185A (zh) 编解码卷积神经网络的雷达信号抗干扰低损恢复方法
CN117036391A (zh) 一种从x波段导航雷达图像反演有效波高的方法
CN109932697B (zh) 基于压缩感知的微弱目标检测方法
CN115047412A (zh) 一种基于双阶段UNet的遮蔽式箔条干扰抑制方法
Turley Signal processing techniques for maritime surveillance with skywave radar
CN113156392B (zh) 一种基于俯仰域自适应处理的杂波抑制方法
CN113534132B (zh) 一种自适应无人机波达方向估计方法
CN112698330B (zh) 基于比值对数积的极化sar图像非局部均值方法
CN111931570B (zh) 一种基于全卷积网络的穿墙成像雷达人体目标检测方法
CN115205683A (zh) 一种红外小目标检测方法
CN112083392A (zh) 基于贝叶斯估计的sar窄带射频干扰抑制方法
CN114066792B (zh) 一种基于多分辨率融合卷积神经网络的穿墙雷达成像方法

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