CN117496000B - 干扰模板图像的生成方法及装置 - Google Patents
干扰模板图像的生成方法及装置 Download PDFInfo
- Publication number
- CN117496000B CN117496000B CN202311846800.0A CN202311846800A CN117496000B CN 117496000 B CN117496000 B CN 117496000B CN 202311846800 A CN202311846800 A CN 202311846800A CN 117496000 B CN117496000 B CN 117496000B
- Authority
- CN
- China
- Prior art keywords
- image
- template image
- preset
- target sample
- sample image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 151
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000002452 interceptive effect Effects 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 16
- 230000008569 process Effects 0.000 abstract description 12
- 238000009826 distribution Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000005315 distribution function Methods 0.000 description 4
- 230000008485 antagonism Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003321 amplification Effects 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
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000012434 pretzels Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供一种干扰模板图像的生成方法及装置。所述方法包括:在预设的背景样本图像库中获取背景样本图像;根据预设的干扰模板图像尺寸,通过预设的噪声处理模型生成背景模板图像;通过预设的邻域矩阵模型,在背景模板图像中确定当前待处理像素块的第一邻域矩阵,并在背景样本图像中确定与第一邻域矩阵具有相同矩阵属性参数的若干第二邻域矩阵;计算第一邻域矩阵与每一第二邻域矩阵之间的距离值,以确定目标像素块;根据目标像素块的颜色参数,更新待处理像素块的颜色参数;当背景模板图像中待处理像素块的颜色参数更新完成时,得到第一干扰模板图像。这样,可以在SAR对抗过程中,提供包含虚假环境信息的干扰图像,增加了对SAR的干扰效果。
Description
技术领域
本申请涉及雷达对抗技术领域,尤其涉及一种干扰模板图像的生成方法及装置。
背景技术
合成孔径雷达(Synthetic Aperture Radar,以下简称SAR)是一种主动式微波相干成像装置,具备全天时、全天候、远距离、高分辨等能力。SAR的特点使其具备情报侦察和制导打击等相关威胁,为了防止对方运用高分辨SAR获取我方重要的情报信息,对其发射电磁信号进行干扰是现在常用的一种对抗方式。目前针对SAR的有源干扰方式主要有压制式干扰、弹射式干扰和欺骗式干扰。其中,由于欺骗式干扰对干扰机的发射功率要求低,信号相似性高,能够更有效的达到“隐真示假”的干扰效果,因此欺骗式干扰在SAR对抗中扮演的角色越来越重要。
在实现现有技术的过程中,发明人发现:
通过欺骗式干扰的方式,虽然可以产生假目标欺骗的干扰效果,但是SAR欺骗干扰模板图像较为单一,导致在SAR对抗中对SAR的欺骗干扰效果较差,进而增加了真实目标暴露的概率。
因此,需要提供一种能够高效生成SAR欺骗干扰模板图像的图像生成方法,以在SAR对抗中提升对SAR的欺骗干扰效果。
发明内容
本申请实施例提供一种干扰模板图像的生成方法及装置,用以解决现有的SAR欺骗干扰模板图像单一,导致在SAR对抗中对SAR的欺骗干扰效果差的技术问题。
具体的,一种干扰模板图像的生成方法,所述干扰模板图像用于对合成孔径雷达进行欺骗干扰,包括以下步骤:
在预设的背景样本图像库中,获取背景样本图像;
根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像;
通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的第一邻域矩阵;
通过预设的邻域矩阵模型,在所述背景样本图像中确定与所述第一邻域矩阵具有相同矩阵属性参数的若干第二邻域矩阵;
通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的距离值,以确定背景样本图像中与所述第一邻域矩阵具有最小距离值对应关系的第二邻域矩阵对应的目标像素块;
根据所述目标像素块的颜色参数,更新当前待处理像素块的颜色参数;
当所述背景模板图像中待处理像素块的颜色参数更新完成时,得到用于对合成孔径雷达进行欺骗干扰的第一干扰模板图像。
进一步的,所述方法还包括:
在预设的目标样本图像库中,获取目标样本图像;
根据预设的干扰模板图像尺寸,通过预设的目标模板图像生成模型,计算目标样本图像的调制参数值;其中,所述调制参数值包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种;
根据计算得到的调制参数值,更新目标模板图像对应的目标样本图像参数矩阵,得到用于对合成孔径雷达进行欺骗干扰的第二干扰模板图像;其中,所述目标样本图像参数矩阵包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种。
进一步的,所述方法还包括:
通过图像融合模型,对所述第一干扰模板图像、所述第二干扰模板图像进行融合处理,得到用于对合成孔径雷达进行欺骗干扰的第三干扰模板图像。
进一步的,根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像,具体包括:
根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成高斯白噪声,得到由若干待处理像素块组成的背景模板图像。
进一步的,通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的第一邻域矩阵,具体包括:
通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的L型邻域矩阵[w+1,2×w+1];
其中,w表示邻域长度。
进一步的,通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的距离值,具体包括:
通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的欧式距离值。
本申请实施例还提供一种干扰模板图像的生成装置。
具体的,一种干扰模板图像的生成装置,所述干扰模板图像用于对合成孔径雷达进行欺骗干扰,包括:
获取模块,用于在预设的背景样本图像库中,获取背景样本图像;
计算模块,用于根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像;
所述计算模块还用于通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的第一邻域矩阵;还用于通过预设的邻域矩阵模型,在所述背景样本图像中确定与所述第一邻域矩阵具有相同矩阵属性参数的若干第二邻域矩阵;所述计算模块还用于通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的距离值,以确定背景样本图像中与所述第一邻域矩阵具有最小距离值对应关系的第二邻域矩阵对应的目标像素块;生成模块,用于根据所述目标像素块的颜色参数,更新当前待处理像素块的颜色参数;
当所述背景模板图像中待处理像素块的颜色参数更新完成时,得到用于对合成孔径雷达进行欺骗干扰的第一干扰模板图像。
进一步的,所述获取模块还用于:
在预设的目标样本图像库中,获取目标样本图像;
所述计算模块还用于:
根据预设的干扰模板图像尺寸,通过预设的目标模板图像生成模型,计算目标样本图像的调制参数值;其中,所述调制参数值包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种;
所述生成模块还用于:
根据计算得到的调制参数值,更新目标模板图像对应的目标样本图像参数矩阵,得到用于对合成孔径雷达进行欺骗干扰的第二干扰模板图像;其中,所述目标样本图像参数矩阵包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种。
进一步的,所述装置还包括:
图像融合模块,用于通过图像融合模型,对所述第一干扰模板图像、所述第二干扰模板图像进行融合处理,得到用于对合成孔径雷达进行欺骗干扰的第三干扰模板图像。
进一步的,所述计算模块用于根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像,具体用于:
根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成高斯白噪声,得到由若干待处理像素块组成的背景模板图像。
本申请实施例提供的技术方案,至少具有如下有益效果:
可以在SAR对抗过程中,提供包含虚假环境信息的干扰图像,以及包含虚假目标信息的干扰图像,或者既包含虚假环境信息、又包含虚假目标信息的干扰图像。使用方可以在SAR对抗中,灵活选取具有不同真实度的干扰图像,有效增加了对SAR的干扰效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种干扰模板图像的生成方法的流程示意图;
图2为本申请实施例提供的一种干扰模板图像的生成装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参照图1,为本申请实施例提供的一种干扰模板目标图像的生成方法。这里的干扰模板图像可以理解为在SAR对抗中用于对SAR进行欺骗干扰的图像。即,所述干扰模板图像用于对合成孔径雷达进行欺骗干扰。具体的,一种干扰模板图像的生成方法,包括以下步骤:
S100:在预设的背景样本图像库中,获取背景样本图像;
这里的背景样本图像库可以理解为预存储有若干具有不同背景纹理图像的数据库。其中,背景纹理可以理解为自然环境中真实存在的地貌纹理图像。例如,海洋、湖泊、森林、沙漠、土地等自然地貌对应的纹理。这里的背景样本图像可以理解为从背景样本图像库中获取到的任一背景纹理图像。
可以理解的是,SAR雷达进行侦测,可以获取到目标所处环境对应的环境图像。因此,这里的背景样本图像也可以理解为所述环境图像。
S200:根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像;
这里的干扰模板图像尺寸可以理解为预设的最终需要生成的干扰图像的尺寸。实际应用中,考虑到背景样本图像库的占用内存,最终生成的干扰图像的图像尺寸往往要大于背景样本图像的图像尺寸。为了便于区分,这里将背景样本图像的图像尺寸标记为m×n;将预设的干扰模板图像尺寸标记为M×N。
这里的噪声处理模型可以理解为运行有图像噪声生成算法的计算模型。进行图像处理时,噪声可以理解为一种不可预测的随机误差,其分布符合概率分布函数或概率密度分布函数。为图像添加噪声,可以理解为一种多维随机过程,以使得图像能够具备随机分布的噪声。经噪声处理后,图像中像素点的强度值将发生变化。
这里的背景模板图像可以理解为经过噪声处理后,用于根据背景样本图像合成干扰图像的、与干扰模板图像尺寸(M×N)一致的模板。背景模板图像中的每一像素点,均可视为待合成/待处理的像素块。也即,这里的待处理像素块可以理解为背景模板图像中的任一像素点。
为了便于理解,步骤S200也可理解为,根据预设的干扰图像尺寸,首先生成与干扰模板图像尺寸(M×N)一致的空白模板图像。之后,再经噪声处理模型处理所述空白模板图像,以为其添加噪声,最终得到包括若干噪点的背景模板图像。并且,背景模板图像中的每一像素点均可理解为待合成的像素块。
进一步的,在本申请提供的一种优选实施方式中,根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像,具体包括:
根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成高斯白噪声,得到由若干待处理像素块组成的背景模板图像。
可以理解的是,根据概率分布函数或概率密度分布函数的不同,噪声可以被分为脉冲噪声、高斯噪声、斑点噪声、泊松噪声、瑞利噪声、伽马噪声、指数噪声和均匀噪声等不同的类型。其中,脉冲噪声也可称为椒盐噪声,可以随机将图像中像素点改变为黑点或白点。但是,脉冲噪声并不是对每个像素点都进行操作。而斑点噪声的原理是反射表面在波长尺度上是粗糙的,因此反射波存在明显的散射效应,导致所成的像出现斑点。瑞利噪声概率密度分布到原点的距离及密度的基本形状右偏,常用于倾斜状直方图的建模。泊松噪声的概率密度函数服从泊松分布,适合于描述单位时间内随机事件发生的次数的概率分布,一般在亮度很小或者高倍电子放大线路中出现。
相较于其它噪声,高斯噪声具有符合高斯分布(正态分布)的优势,可以使得噪声可以均匀地出现在图像中的每一像素点。并且,便于进行噪声添加过程中以及噪声生成后的相关数据计算。因此,本申请优选地通过噪声处理模型生成高斯白噪声。这样,得到的背景模板图像中具有均匀分布的噪声。也即,在根据预设的干扰模板图像尺寸生成与干扰模板图像尺寸(M×N)一致的空白模板图像后,通过对所述空白模板图像添加高斯白噪声,使得图像中的每一像素点均可经噪声处理模型处理,从而有效提高了背景模板图像的信息度,便于进行后续的干扰图像的生成。
S300:通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的第一邻域矩阵。
这里的邻域矩阵模型可以理解为预设的、用于在背景模板图像中确定当前待处理像素块的邻域范围的计算模型。或者说,也可以理解为用于确定当前待处理像素块周边的像素块集合的模型。根据邻域矩阵模型选取邻域方式的不同,可以为当前待处理像素块选取4邻域、8邻域、D邻域、L邻域等不同类型的邻域矩阵。
在图像处理过程中,在确定某一待处理像素块的邻域后,即可根据该待处理像素块的像素参数以及邻域内的其它像素块的像素参数共同确定该像素块对应的生成像素值。也即,在进行滤波的过程中,输入参数为该待处理像素块的像素参数以及邻域内的其它像素块的像素参数。邻域选择的范围,也将直接影响到参与滤波运算的输入参数的个数,进而影响最终的图像生成效果以及计算速度。因此,实际应用中需要需合理选择邻域的大小以及类型。
经发明人试验,通过预设的邻域矩阵模型,当为待处理像素块确定L邻域类型的邻域矩阵时,图像的处理速度将明显增快,并且不会降低图像最终的输出效果。因此,在本申请提供的一种实施方式中,优选的通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的L型邻域矩阵(第一邻域矩阵)。并且,考虑到L型邻域矩阵的计算速度,将其邻域的选择范围设置为[w+1,2×w+1];其中,w表示邻域长度。即,通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的L型邻域矩阵[w+1,2×w+1];其中,w表示邻域长度。具体的,在申请提供的一种实施方式中,L型邻域矩阵[w+1,2×w+1]中的前w行的元素均为数字1;第w+1行的第一个元素为数字1,剩余元素为数字0。
实际应用中,考虑到图像处理过程中的数据处理速度以及图像生成效果,发明人经试验,可以将w的取值范围设为1≤w≤3。并且,可以优选的将w的取值设为2。这样,能够有效避免因邻域选择过大导致的图像处理速度变慢,以及因邻域选择过小导致的输出图像效果降低。
需要说明的是,在当前待处理像素块位于背景模板图像的边缘位置时,由于其所处位置较为边缘,存在该当前待处理像素块对应的L型邻域矩阵确定失败的可能。也即,通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的L型邻域矩阵,存在确定失败的可能。此时,尺寸为M×N的背景目标模板图像中仅区域[1+w:M,1+w:N-w]内的各像素块可以成功。
S400:通过预设的邻域矩阵模型,在所述背景样本图像中确定与所述第一邻域矩阵具有相同矩阵属性参数的若干第二邻域矩阵。
需要说明的是,本申请的邻域矩阵模型在确定第一邻域矩阵的相关参数后,还可根据确定的第一邻域矩阵的矩阵属性参数,确定背景样本图像中与第一邻域矩阵具有相同矩阵属性参数的若干第二邻域矩阵。并且,根据确定的每一第二邻域矩阵,可以在背景样本图像确定该第二邻域矩阵对应的像素块。也即,每一第二邻域矩阵与第一邻域矩阵的行数、列数、长度、秩、特征值等参数均相同,以便于进行后续的矩阵距离计算。即可以简化后续的矩阵距离计算过程。
S500:通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的距离值,以确定背景样本图像中与所述第一邻域矩阵具有最小距离值对应关系的第二邻域矩阵对应的目标像素块。
这里的距离计算模型可以理解为预设的、用于计算背景模板图像中已确定的第一领域矩阵与各第二邻域矩阵之间距离的计算公式。通过计算第一邻域矩阵与每一第二邻域矩阵之间的距离值,可以从背景样本图像中确定用于替换背景模板图像中当前待处理像素块的目标像素块。实际应用中,可以通过预设的距离计算模型,计算第一邻域矩阵与每一第二邻域矩阵之间的欧式距离值,或向量相似度,或D4距离,或D8距离等。
实际计算过程中,考虑到第一邻域矩阵与第二邻域矩阵之间的距离值的计算量以及精度,本申请优选的通过预设的距离计算模型计算第一邻域矩阵与每一第二邻域矩阵之间的欧式距离值。此时,预设的欧式距离计算模型的计算公式如下:式中,Pi表示第一邻域矩阵内的各像素块,pi表示第二邻域矩阵内的各像素块,N为第一邻域矩阵内像素块的数量。并且,由于第一邻域矩阵与第二邻域矩阵具有相同的矩阵属性参数,N还同时表示第二邻域矩阵内像素块的数量。
当得到给第一邻域矩阵与每一第二邻域矩阵之间的距离值后,即可从已得到的所有距离值中,筛选得到数值最小的距离值。之后,即可根据该数值最小的距离值,确定与第一邻域矩阵具有最小距离值对应关系的第二邻域矩阵。或者说,可以在背景样本图像中确定与第一邻域矩阵对应的当前待处理像素块具有最大相似度的像素块。此时,与第一邻域矩阵对应的当前待处理像素块具有最大相似度的像素块即可视为用于“替换”当前待处理像素块的目标像素块。
S600:根据目标像素块的颜色参数,更新当前待处理像素块的颜色参数。
S700:当所述背景模板图像中待处理像素块的颜色参数更新完成时,得到用于对合成孔径雷达进行欺骗干扰的第一干扰模板图像。
当目标像素块确定完毕后,即可获取到该目标像素块对应的颜色参数。之后,即可根据确定的目标像素块的颜色参数,进行背景模板图像中当前待处理像素块对应的颜色参数的更新。或者说,也可以理解为将背景模板图像中当前待处理像素块“替换”为目标像素块。目标像素块的颜色参数可以理解为目标像素块对应的RGB、HSV、HSL、YCbCr、Lab、YUV、CIE、GRAY、CMYK等颜色空间的参数值。实际应用中,可以根据实际的使用需求,灵活设定具体的颜色参数表现方式。例如,可以将目标像素块的颜色参数设定为GRAY色彩空间的参数值,以得到目标像素块的灰度值。对应的,当背景模板图像中待处理像素块的颜色参数更新完成时,将得到用于对合成孔径雷达进行欺骗干扰的第一干扰模板灰度图像。
当背景模板图像中待处理的像素块的颜色参数均更新完毕,即可得到根据预设的背景样本纹理图像调制的、用于对SAR进行欺骗干扰的干扰模板图像。或者说,当背景模板图像中所有的像素块均被“替换”,即可得到用于对SAR进行欺骗干扰的干扰模板图像。实际应用中,在SAR对抗时,可以利用得到的干扰图像替换真实的被侦测场景中的环境信息,以为对方SAR提供虚假的场景信息。
需要指出的是,由于这里的干扰模板图像为根据预设的背景纹理图像调制得到,因此该干扰模板图像仅具有相应的背景纹理。也即,得到用于对SAR进行欺骗干扰的虚假背景图像。但是,在SAR对抗中,若对方SAR获取的所有图像均为背景纹理图(环境图像),不可避免地会降低对对方SAR欺骗干扰的效果。因此,考虑到生成的干扰模板图像的真实度,本申请还进行了对虚假目标图像的调制,以给对方SAR提供虚假的目标,进而增强了对SAR欺骗干扰的效果。为了便于区分,这里将生成的用于对SAR进行欺骗干扰的虚假背景图像视为第一干扰模板图像;将用于SAR进行欺骗干扰的虚假目标图像视为第二干扰模板图像。
进一步的,在本申请提供的一种优选实施方式中,所述方法还包括:
在预设的目标样本图像库中,获取目标样本图像;
根据预设的干扰模板图像尺寸,通过预设的目标模板图像生成模型,计算目标样本图像的调制参数值;其中,所述调制参数值包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种;
根据计算得到的调制参数值,更新目标模板图像对应的目标样本图像参数矩阵,得到用于对合成孔径雷达进行欺骗干扰的第二干扰模板图像;其中,所述目标样本图像参数矩阵包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种。
这里的目标样本图像库可以理解为预存储有若干不同的目标样本/目标贴片的图像数据库。其中,目标样本/目标贴片可以理解为真实存在的、SAR对抗中可被判别为侦测目标的物体的图像。例如,飞机、火车、船舶、建筑物等图像。这里的目标样本图像可以理解为从目标样本图像库中获取到的任一目标样本/目标贴片。实际应用中,可以从公开的SAR图像数据集(如MSTAR、OpenSARShip2.0、SSDD/SSDD+等)中获取目标样本图像。
当获取的到目标样本图像后,即可根据预设的、拟最终生成的干扰模板图像尺寸,并通过预设的目标模板图像生成模型,计算目标样本图像的调制参数值。之后,即可根据计算得到的调制参数值,更新目标模板图像对应的目标样本图像参数矩阵,得到用于对合成孔径雷达进行欺骗干扰的第二干扰模板图像。
这里的目标模板图像生成模型可以理解为对获取的目标样本图像进行目标样本图像调制参数值计算的模型。其中,所述目标样本图像调制参数值包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种参数值。在计算目标样本图像的调制参数值的过程中,可以在预设的各项调制参数对应的参数值区间内选取。或者,还可以根据图像处理经验以及选取的目标样本图像的具体情况进行各项调制参数值的生成。所述目标模板图像可以理解为尺寸与拟最终生成的干扰图像尺寸一致的虚假目标图像。并且,考虑到目标样本图像库占用内存的大小,目标样本图像的图像尺寸往往小于目标模板图像的图像尺寸。
这里的目标样本图像参数矩阵可以理解为包括有若干与目标样本图像相关的参数的矩阵。实际应用中,为了简化目标样本图像参数的更新计算量,可以将目标模板图像对应的目标样本图像参数矩阵设置为零矩阵。即,在未经目标模板图像生成模型进行目标样本图像参数的更新之前,目标模板图像对应的目标样本图像参数矩阵中的各数值均为0。当目标样本图像参数更新完成,目标样本图像参数矩阵中的若干数值并更新为非0的数值。目标样本图像参数矩阵包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种。
当目标样本图像参数矩阵中的目标样本图像参数值被更新完毕,即可得到用于对SAR进行欺骗干扰的第二干扰模板图像。第二干扰模板图像中可以包括若干个相同的目标样本,或者若干不同的目标样本。实际应用中,在SAR对抗时,可以利用得到的第二干扰模板图像替换真实的被侦测场景中的目标信息,以为对方SAR提供虚假的目标信息。
实际应用中,为了进一步优化对SAR进行欺骗干扰的干扰图像的真实度,还可以对第一干扰模板图像(虚假背景图像)、第二干扰模板图像(虚假目标图像)进行图像融合,以得到既包含虚假背景、又包含虚假目标的干扰模板图像。为了便于区分,这里将既包含虚假背景、又包含虚假目标的干扰模板图像视为第三干扰模板图像。这样,可以在SAR对抗时,利用得到的第三干扰模板图像替换真实的被侦测场景中的环境信息以及目标图像,以为对方SAR提供虚假的环境信息以及目标图像。通过生成第一干扰模板图像、第二干扰模板图像、第三干扰模板图像,可以在SAR对抗中,灵活选取具有不同真实度的干扰图像,有效增加了对SAR的干扰效果。
请参照图2,本申请实施例还提供一种干扰模板图像的生成装置100。
具体的,一种干扰模板图像的生成装置100,所述干扰模板图像用于对合成孔径雷达进行欺骗干扰,包括:
获取模块11,用于在预设的背景样本图像库中,获取背景样本图像;
计算模块12,用于根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像;
计算模块12还用于通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的第一邻域矩阵;还用于通过预设的邻域矩阵模型,在所述背景样本图像中确定与所述第一邻域矩阵具有相同矩阵属性参数的若干第二邻域矩阵;
计算模块12还用于通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的距离值,以确定背景样本图像中与所述第一邻域矩阵具有最小距离值对应关系的第二邻域矩阵对应的目标像素块;
生成模块13,用于根据所述目标像素块的颜色参数,更新当前待处理像素块的颜色参数;
当所述背景模板图像中待处理像素块的颜色参数更新完成时,得到用于对合成孔径雷达进行欺骗干扰的第一干扰模板图像。
进一步的,在本申请提供的一种优选实施方式中,所述获取模块11还用于:
在预设的目标样本图像库中,获取目标样本图像;
所述计算模块12还用于:
根据预设的干扰模板图像尺寸,通过预设的目标模板图像生成模型,计算目标样本图像的调制参数值;其中,所述调制参数值包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种;
所述生成模块还用于:
根据计算得到的调制参数值,更新目标模板图像对应的目标样本图像参数矩阵,得到用于对合成孔径雷达进行欺骗干扰的第二干扰模板图像;其中,所述目标样本图像参数矩阵包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种。
进一步的,在本申请提供的一种优选实施方式中,所述装置100还包括:
图像融合模块,用于通过图像融合模型,对所述第一干扰模板图像、所述第二干扰模板图像进行融合处理,得到用于对合成孔径雷达进行欺骗干扰的第三干扰模板图像。
进一步的,所述计算模块12用于根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像,具体用于:
根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成高斯白噪声,得到由若干待处理像素块组成的背景模板图像。
进一步的,在本申请提供的一种优选实施方式中,计算模块12用于通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的第一邻域矩阵,具体用于:
通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的L型邻域矩阵[w+1,2×w+1];其中,w表示邻域长度。
进一步的,在本申请提供的一种优选实施方式中,计算模块12用于通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的距离值,具体包括:
通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的欧式距离值。
通过生成第一干扰模板图像、第二干扰模板图像、第三干扰模板图像,可以在SAR对抗过程中,提供包含虚假环境信息的干扰图像,以及包含虚假目标信息的干扰图像,或者既包含虚假环境信息、又包含虚假目标信息的干扰图像。使用方可以在SAR对抗中,灵活选取具有不同真实度的干扰图像,有效增加了对SAR的干扰效果。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,有语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种干扰模板图像的生成方法,所述干扰模板图像用于对合成孔径雷达进行欺骗干扰,其特征在于,包括以下步骤:
在预设的背景样本图像库中,获取背景样本图像;
根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像;
通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的第一邻域矩阵;
通过预设的邻域矩阵模型,在所述背景样本图像中确定与所述第一邻域矩阵具有相同矩阵属性参数的若干第二邻域矩阵;
通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的距离值,以确定背景样本图像中与所述第一邻域矩阵具有最小距离值对应关系的第二邻域矩阵对应的目标像素块;
根据所述目标像素块的颜色参数,更新当前待处理像素块的颜色参数;
当所述背景模板图像中待处理像素块的颜色参数更新完成时,得到用于对合成孔径雷达进行欺骗干扰的第一干扰模板图像。
2.如权利要求1所述的生成方法,其特征在于,所述方法还包括:
在预设的目标样本图像库中,获取目标样本图像;
根据预设的干扰模板图像尺寸,通过预设的目标模板图像生成模型,计算目标样本图像的调制参数值;其中,所述调制参数值包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种;
根据计算得到的调制参数值,更新目标模板图像对应的目标样本图像参数矩阵,得到用于对合成孔径雷达进行欺骗干扰的第二干扰模板图像;其中,所述目标样本图像参数矩阵包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种。
3.如权利要求2所述的生成方法,其特征在于,所述方法还包括:
通过图像融合模型,对所述第一干扰模板图像、所述第二干扰模板图像进行融合处理,得到用于对合成孔径雷达进行欺骗干扰的第三干扰模板图像。
4.如权利要求1所述的生成方法,其特征在于,根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像,具体包括:
根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成高斯白噪声,得到由若干待处理像素块组成的背景模板图像。
5.如权利要求1所述的生成方法,其特征在于,通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的第一邻域矩阵,具体包括:
通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的L型邻域矩阵[w+1,2×w+1];
其中,w表示邻域长度。
6.如权利要求1所述的生成方法,其特征在于,通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的距离值,具体包括:
通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的欧式距离值。
7.一种干扰模板图像的生成装置,所述干扰模板图像用于对合成孔径雷达进行欺骗干扰,其特征在于,包括:
获取模块,用于在预设的背景样本图像库中,获取背景样本图像;
计算模块,用于根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像;
所述计算模块还用于通过预设的邻域矩阵模型,在所述背景模板图像中确定当前待处理像素块对应的第一邻域矩阵;还用于通过预设的邻域矩阵模型,在所述背景样本图像中确定与所述第一邻域矩阵具有相同矩阵属性参数的若干第二邻域矩阵;
所述计算模块还用于通过预设的距离计算模型,计算所述第一邻域矩阵与每一所述第二邻域矩阵之间的距离值,以确定背景样本图像中与所述第一邻域矩阵具有最小距离值对应关系的第二邻域矩阵对应的目标像素块;
生成模块,用于根据所述目标像素块的颜色参数,更新当前待处理像素块的颜色参数;
当所述背景模板图像中待处理像素块的颜色参数更新完成时,得到用于对合成孔径雷达进行欺骗干扰的第一干扰模板图像。
8.如权利要求7所述的干扰模板图像的生成装置,其特征在于,所述获取模块还用于:
在预设的目标样本图像库中,获取目标样本图像;
所述计算模块还用于:
根据预设的干扰模板图像尺寸,通过预设的目标模板图像生成模型,计算目标样本图像的调制参数值;其中,所述调制参数值包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种;
所述生成模块还用于:
根据计算得到的调制参数值,更新目标模板图像对应的目标样本图像参数矩阵,得到用于对合成孔径雷达进行欺骗干扰的第二干扰模板图像;其中,所述目标样本图像参数矩阵包括目标样本图像数量参数值、目标样本图像位置参数值、目标样本图像亮度参数值、目标样本图像的尺寸参数值、目标样本图像的角度参数值、目标样本的种类参数值中的至少一种。
9.如权利要求8所述的干扰模板图像的生成装置,其特征在于,所述装置还包括:
图像融合模块,用于通过图像融合模型,对所述第一干扰模板图像、所述第二干扰模板图像进行融合处理,得到用于对合成孔径雷达进行欺骗干扰的第三干扰模板图像。
10.如权利要求7所述的干扰模板图像的生成装置,其特征在于,所述计算模块用于根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成由若干待处理像素块组成的背景模板图像,具体用于:
根据预设的干扰模板图像尺寸,通过预设的噪声处理模型,生成高斯白噪声,得到由若干待处理像素块组成的背景模板图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311846800.0A CN117496000B (zh) | 2023-12-29 | 2023-12-29 | 干扰模板图像的生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311846800.0A CN117496000B (zh) | 2023-12-29 | 2023-12-29 | 干扰模板图像的生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117496000A CN117496000A (zh) | 2024-02-02 |
CN117496000B true CN117496000B (zh) | 2024-05-17 |
Family
ID=89681433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311846800.0A Active CN117496000B (zh) | 2023-12-29 | 2023-12-29 | 干扰模板图像的生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117496000B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013195102A (ja) * | 2012-03-16 | 2013-09-30 | Mitsubishi Space Software Kk | レーダ画像処理装置、レーダ画像処理プログラムおよびレーダ画像処理方法 |
WO2014082982A1 (en) * | 2012-11-29 | 2014-06-05 | Thomson Licensing | Method for predicting a block of pixels from at least one patch |
CN106291494A (zh) * | 2016-07-21 | 2017-01-04 | 深圳大学 | 基于微分特征增强的sar欺骗干扰目标标识方法及系统 |
CN110988818A (zh) * | 2019-12-09 | 2020-04-10 | 西安电子科技大学 | 基于条件生成式对抗网络的欺骗干扰模板生成方法 |
CN112255596A (zh) * | 2020-11-09 | 2021-01-22 | 中国人民解放军战略支援部队航天工程大学 | 一种基于空间频率插值的星载sar欺骗干扰信号生成方法 |
CN114444579A (zh) * | 2021-12-31 | 2022-05-06 | 北京瑞莱智慧科技有限公司 | 通用扰动获取方法、装置、存储介质及计算机设备 |
CN115407282A (zh) * | 2022-08-24 | 2022-11-29 | 北京航空航天大学 | 一种短基线下基于干涉相位的sar有源欺骗干扰检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7916068B2 (en) * | 2009-03-30 | 2011-03-29 | The United States Of America As Represented By The Secretary Of The Air Force | Generalized inner product method and apparatus for improved detection and discrimination |
-
2023
- 2023-12-29 CN CN202311846800.0A patent/CN117496000B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013195102A (ja) * | 2012-03-16 | 2013-09-30 | Mitsubishi Space Software Kk | レーダ画像処理装置、レーダ画像処理プログラムおよびレーダ画像処理方法 |
WO2014082982A1 (en) * | 2012-11-29 | 2014-06-05 | Thomson Licensing | Method for predicting a block of pixels from at least one patch |
CN106291494A (zh) * | 2016-07-21 | 2017-01-04 | 深圳大学 | 基于微分特征增强的sar欺骗干扰目标标识方法及系统 |
CN110988818A (zh) * | 2019-12-09 | 2020-04-10 | 西安电子科技大学 | 基于条件生成式对抗网络的欺骗干扰模板生成方法 |
CN112255596A (zh) * | 2020-11-09 | 2021-01-22 | 中国人民解放军战略支援部队航天工程大学 | 一种基于空间频率插值的星载sar欺骗干扰信号生成方法 |
CN114444579A (zh) * | 2021-12-31 | 2022-05-06 | 北京瑞莱智慧科技有限公司 | 通用扰动获取方法、装置、存储介质及计算机设备 |
CN115407282A (zh) * | 2022-08-24 | 2022-11-29 | 北京航空航天大学 | 一种短基线下基于干涉相位的sar有源欺骗干扰检测方法 |
Non-Patent Citations (1)
Title |
---|
一种改进的SAD目标跟踪算法;赵柏山;刘佳琪;王禹衡;;微处理机;20180415(第02期);40-43 * |
Also Published As
Publication number | Publication date |
---|---|
CN117496000A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Clemente et al. | Automatic target recognition of military vehicles with Krawtchouk moments | |
Liao et al. | Using SAR images to detect ships from sea clutter | |
Dellepiane et al. | A new method for cross-normalization and multitemporal visualization of SAR images for the detection of flooded areas | |
US5966678A (en) | Method for filtering laser range data | |
CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
CN108805835B (zh) | 基于截断统计特征的sar图像双边滤波方法 | |
US10769478B2 (en) | Convolutional neutral network identification efficiency increasing method and related convolutional neutral network identification efficiency increasing device | |
CN107862271B (zh) | 一种舰船目标的检测方法 | |
Pan et al. | No-reference assessment on haze for remote-sensing images | |
KR102546292B1 (ko) | 재밍효과도 분석 방법 및 시스템 | |
CN110826509A (zh) | 一种基于高分遥感影像的草原围栏信息提取系统及方法 | |
Liu et al. | Underwater image colour constancy based on DSNMF | |
CN115063689A (zh) | 一种基于局部显著性增强的cfar舰船目标检测方法 | |
CN114998365A (zh) | 一种基于极化干涉sar的地物分类方法 | |
Bar-Tal et al. | Performance measurement in point source target detection | |
CN107835998B (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
Fayaz et al. | Efficient underwater image restoration utilizing modified dark channel prior | |
CN117496000B (zh) | 干扰模板图像的生成方法及装置 | |
CN117115575A (zh) | 一种基于尺度空间理论的改进rpca红外小目标检测方法 | |
Gazi et al. | Edge detection in satellite image using cellular neural network | |
CN110728311A (zh) | 一种图像处理方法、装置和存储介质 | |
Barbero-Álvarez et al. | Self-designed colour chart and a multi-dimensional calibration approach for cultural heritage preventive preservation | |
Pelliza et al. | Optimal Canny’s parameters regressions for coastal line detection in satellite-based SAR images | |
CN112233042B (zh) | 一种含非合作目标的大场景sar图像快速生成方法 | |
CN113239944A (zh) | 一种图像特征提取方法、装置、电子设备及介质 |
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 |