一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法.docx

该【一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法 】是由【科技星球】上传分享，beplayapp体育下载一共【17】页，该beplayapp体育下载可以免费在线阅读，需要了解更多关于【一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法 】的内容，可以使用beplayapp体育下载的站内搜索功能，选择自己适合的beplayapp体育下载，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此beplayapp体育下载到您的设备，方便您编辑和打印。一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法??张祥辉封斯嘉马晓杰张思乾孙浩计科峰陈珲(,湖南长沙410073;、毫米波国家重点实验室,江苏南京210096)1引言合成孔径雷达(SyntheticApertureRadar,SAR)是一种不受天气和光线等环境条件约束的有源微波成像设备,常用来对各类目标如车辆、舰船、飞机等进行观测,在国防和民用领域发挥着重要作用[1-2]。随着深度学****技术的不断发展,SAR目标识别研究也产生了很大的突破。目前,通过改进网络结构、添加注意力模块、增强特征表达、引入复数相位信息等方法[3-6],深度学****网络在SAR目标识别领域取得较高的识别率。然而,好的分类模型的训练需要大量的目标样本数据,而实际应用中SAR图像获取难度大、成本高,很难获取完备训练样本。因此,为了提高识别性能,需要进行有效地数据扩充。现有的SAR图像数据扩充方法主要借鉴光学图像的处理方式,可以分为2种:一种是通过数据旋转、裁剪、平移等方法进行扩充,另一种是以白噪声作为输入,利用生成对抗网络(work,GAN)方法[7-8],通过网络判别器和生成器的对抗博弈生成与真实样本分布相同的样本,并利用改进网络损失函数[9-10]、增加条件约束[11-13]、引入姿态角信息[14-15]等手段提高生成图像的实测化程度。上述两类方法虽然能扩充训练样本数量,但并没有结合SAR成像机理和散射特性,难以带来SAR目标识别模型性能的有效提升。通过电磁散射模型计算得到目标仿真图像是一种有效的SAR图像样本数据扩充手段[16-19]。但是在实际中待识别目标部件状态和表面形态随机多变,还存在非合作目标情形,几何模型往往是不精确的,导致现有目标电磁模型面临建模条件不足的局限性,电磁模型特性及特征与实测SAR图像存在固有误差,使得仿真图像与实测样本不可避免的存在差异,难以直接支撑实测样本的分类任务。为了提高电磁仿真图像的质量,减小仿真和实测图像的差异,基于分割、特征迁移等预处理[20]以及基于方差的联合稀疏性去噪、量化和杂波转移技术[21-22]等传统方法在识别网络下得到较高的识别率。但传统方法的处理过程较为繁琐,依赖于仿真和实测样本的完整性,且通常只针对特定目标类型,生成的图像质量较差,具有一定的局限性。循环生成对抗网络(works,Cycle-GAN)[23]在图像风格迁移领域展示出较好的性能优势,可以生成更高质量的图像。文献[24]将Cycle-GAN网络应用在SAR领域,以SAR电磁仿真图像作为输入,对SAR飞机目标数据进行风格迁移,得到实测化风格的生成图像,实现对飞机目标的辅助识别。文献[25]将原始的CycleGAN网络应用在SAR车辆目标的MSTAR数据集上,实现对车辆目标电磁仿真图像的实测风格迁移,但该研究只局限于T72一种目标类型,且生成图像的特征细节较为模糊,不利于进行目标识别。上述研究表明,Cycle-GAN网络在SAR图像生成方面有很好的应用前景,但这些研究多基于目视特征实现图像整体的风格迁移,对散射特性和电磁机理利用不足,这对SAR目标识别的支撑是有限的。为此,本文针对现有方法生成图像与SAR实测图像之间目标散射特征差异大的问题,提出了一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法。主要研究创新点如下:(1)基于CycleGAN网络框架,对损失函数进行改进,一方面使用最小二乘损失替代交叉熵损失,实现对目标细节纹理的调整优化;另一方面在循环一致性损失中引入MS-SSIM-L1损失函数,加强对目标细节和结构轮廓的表征,增强生成图像的散射特征,提升仿真图像的质量。(2)利用特征相似度评价指标对本文方法生成的图像进行评价。选取了目标轮廓、阴影轮廓和目标强度三种特征,通过极化映射径向积分的方法,对生成图像与实测图像之间的特征相似度进行评估和分析,验证了本文方法增强了目标细节纹理和结构轮廓等散射特征。(3)结合电磁仿真数据对SAR图像车辆目标识别开展研究。通过设计不同的样本缺失条件,使用本文方法生成的图像对训练样本集扩充,结合深度卷积网络,提升在样本缺失条件下车辆目标实测数据的分类精度。2基于散射特征增强的SAR目标电磁仿真图像质量提升方法SAR图像主要由目标区域、阴影区域和背景区域三部分构成。背景区域表现为目标所处的位置、地域、环境等纹理特征,阴影区域表现为目标的形状、方位角、高度等特征,目标区域表现为几何构造、姿态角、灰度强度、结构轮廓等特征。因此,散射特征是SAR图像目标的本征特征,对分类识别具有重要意义。由于原始CycleGAN仅实现了目标的风格迁移,没有充分考虑面向识别的散射特征的保留和增强,因此本文提出了一种散射特征增强的SAR目标电磁仿真图像质量提升方法。,设计了一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法。算法网络包括两个生成器和两个判别器,具体结构和流程如图1所示。,再经过生成器GY后得到重建的仿真图像Yrec,使用LossMS-SSIM-L1表征重建图像与原图像的特征差异,判别器DX用来判断生成的图像Xfake与真实的实测图像X之间的差异性,这是算法的正向生成过程。同理,反向生成过程为原始实测图像X经过生成器GY后生成具有仿真化特征风格的实测图像Yfake,再经过生成器GX后得到重建的实测图像Xrec,同样使用LossMS-SSIM-L1表征重建图像与原图像的特征差异,判别器DY用来判断生成的图像Yfake与真实仿真图像Y之间的差异性。本算法的主要目的是为了增强生成图像的目标散射特征,保留细节纹理和结构信息,提升仿真图像的质量,因此主要关注算法的正向生成过程,即将仿真图像生成具有实测化特征风格的图像。通过使用最小二乘损失代替交叉熵损失,并在重建图像和原始图像之间引入MSSSIM-L1损失函数,更准确地表征重建图像与原始图像的细节纹理差异和结构信息,保持生成图像的结构轮廓,提高判别器的鉴别能力,提升仿真图像的质量,同时有效避免模型的过度学****问题。。假设实测图像为X域,仿真图像为Y域,实测图像经过生成器GY后得到生成的仿真图像,仿真图像经过生成器GX后得到生成的实测图像,DX和DY分别是判断生成实测图像和仿真图像真实程度的判别器。其中,对抗损失函数主要包括生成器损失值LossG和判别器损失值LossD,原始网络的具体损失函数如下所示。生成器GY与判别器DY之间的对抗损失函数LGAN表示为生成器GX与判别器DX之间的对抗损失函数LGAN表示为其中,Pdata(x)表示实测图像的数据分布,Pdata(y)表示仿真图像的数据分布。循环一致性的损失函数表示为网络总损失函数值是两个对抗损失函数以及循环一致性损失的总和,可以将其表示为在上述原始网络的损失函数中,传统的对抗损失使用的是交叉熵损失来表征生成图像与原始图像的差异,当生成的图像被判定为真实图像时,生成器便停止对模型进行优化,容易产生梯度消失问题。尽管在这种方法下交叉熵损失已经达到较小的数值,但是随着优化过程的结束,图像只能在背景上学****到实测化的风格,而不能再对纹理特征和结构轮廓进行细微的调整,这使得生成器只停留在单纯的图像风格迁移上,而生成图像与真实图像在纹理细节和结构轮廓上并没有得到调整优化,导致生成图像质量不高。此外,对于传统的循环一致性损失函数来说,其计算方法采用L1范式,将重建图像和原始图像的像素值进行简单的绝对差值比对。由于SAR图像本身灰度像素分布不均匀,目标外形轮廓特征差异大,目标尺寸较小的部位在图像上表现为亮点,图像具有一定的相干斑噪声,且背景杂波较为明显,因此原始的逐像素的比对差值方法忽略了SAR本身具有的散射机理,没有考虑具体的特征纹理和结构轮廓信息,不能准确反映图像的结构一致性,无法表征重建图像与原始图像在亮度、对比度和细节结构上差异性,导致生成图像与原始图像的特征细节差异较大。为了解决原始网络生成图像时特征细节和结构信息丢失的问题,本文对损失函数进行了如下设计和改进:(1)对传统的对抗损失函数进行改进,使用最小二乘损失代替传统的交叉熵损失。最小二乘损失可以在生成图像被判定为真实图像后持续对模型和细节进行优化,对生成图像的细节和纹理进行不断微调,对奇异像素点进行调整,使目标的部件细节和特征纹理得到进一步的优化,避免梯度消失问题,减弱杂波噪声的影响,实现对生成图像质量的显著提升。改进后两个对抗损失函数表示为:(2)对传统的循环一致性损失函数进行改进,引入了MS-SSIM-L1损失函数。该损失函数使用多尺度结构一致性MS-SSIM(Multi-scaleStructuralSimilarity)损失函数[26]和L1损失函数组成的加权函数来代替原本单一的L1损失值。一方面,MS-SSIM损失函数考虑到SAR图像特有的电磁散射特性,可以表征图像的细节特征和结构轮廓,较好反映图像间的结构一致性;另一方面,L1损失函数可以表征SAR图像上像素点的亮度和灰度值,两种损失函数的结合能够弥补原始算法只针对背景风格优化的局限性,对目标纹理特征和结构轮廓等进行微调和优化,更好地表征重建图像与原始图像之间的差异,使生成图像保持原有的细节特征和结构信息,提升判别器的鉴别能力,避免过度学****MS-SSIM损失函数可以表示为L1损失值可以表示为改进后的循环一致性损失函数为LMS-SSIM-L1,包括MS-SSIM损失函数和L1损失函数两部分,其计算公式可以表示为其中,α为权值系数,,Gσ为高斯分布参数。本文设计的损失函数使用最小二乘损失替代交叉熵损失作为对抗损失函数,并在循环一致性损失函数中引入了MS-SSIM-L1损失函数。该方法考虑了SAR图像的散射机理,减弱了斑点噪声的影响,更注重保留目标结构轮廓和细节纹理特征,保持生成图像与实测图像之间的结构一致性,提升判别器的鉴别能力,避免梯度消失和过度学****问题,实现对目标纹理和结构特征的迭代优化,使生成图像更好地应用于目标识别中。×128。输入的图像通过编码器的三个卷积层,每一层都比前一层提取更高级的特征,得到高维度的特征向量;6模块,在保持图像尺寸大小不变的前提下保留仿真图像的电磁散射特征,加快模型收敛;最后,经过两个反卷积层和一个卷积层后输出128×128×3的图像。在生成器网络中使用ReLU函数作为激活函数,每个卷积层和反卷积层后面都使用InstanceNorm函数对特征图像进行归一化处理,加快网络模型的收敛,如图2所示。,每一个卷积层都采用4×4的卷积核。第一个卷积层采用64个卷积核,第二个卷积层采用128个卷积核,第三个卷积层采用256个卷积核,第四个卷积层采用512个卷积核。判别器模型使用感受野为70×70大小的PatchGAN形式,经过每一个模块卷积操作后,图片尺寸大小都减小为原来的一半。网络中使用的归一化函数是InstanceNorm函数,使用的激活函数是LeakyReLU,,具体结构如图3所示。,使用了两种车辆目标数据集,分别为仿真数据集和MSTAR实测数据集,两种数据集与对应光学图像的对比示例如图4。仿真数据集是利用东南大学研究团队自主研制的目标环境SAR图像特性仿真软件,通过电磁仿真建模计算生成的,其模拟的是MSTAR数据的成像方式,采取和实测数据相同的量化方式。该数据集包括4种目标类型,分别为T72、2S1、BRDM2、ZSU234,覆盖的方位角范围是0°~360°,俯仰角范围包括17°和15°两种。图4光学、,measuredandsimulatedimagesMSTAR实测数据采取HH极化方式和聚束式成像模式,×,覆盖的方位角范围为0°~360°,共有10类目标类型,分别为BMP2、BTR70、T72、BTR60、2S1、BRDM2、D7、T62、ZIL131、ZSU234。在SOC配置条件下采用17°俯仰角下的数据为训练集,15°俯仰角下的数据为测试集。,运行机器的显卡设置为NVIDIAGeForceRTX3070Ti。,,后100轮学****速率线性衰减,衰减权值由高斯分布N(0,)初始化。风格迁移所使用的源域数据为仿真数据的4种仿真目标类型T72、2S1、BRDM2、ZSU234,目标域数据为实测数据的T72、2S1、BRDM2、ZSU234目标类型。以实测数据作为目标域,仿真数据作为源域,在不同样本缺失比例下进行风格迁移,具体的数据设置如表1所示。,对本文方法的生成图像质量和特征相似性进行验证与评价。,图5给出了4类目标的MSTAR实测图像、原始仿真图像、原始CycleGAN生成图像和本文方法生成图像。从直接观察结果对比分析,可以发现原始仿真图像与MSTAR实测图像差异最大,经过原始CycleGAN生成的图像稍有改善,而本文算法生成的图像在背景杂波风格、细节特征和结构轮廓方面与MSTAR实测图像更加相似,验证了本文提出的方法对目标结构信息的保留效果更好,图像提升质量更高。