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技术

本发明专利技术公开了一种基于光SAR图像转换的SAR欺骗干扰模板生成方法，包括：获取光学目标图像；将光学目标图像输入训练好的生成器，生成光学目标图像对应俯仰和方位角下的虚假SAR目标图像；生成器是采用多对训练样本和目标损失函数，对初始转换生成对抗网络训练得到；每对训练样本包括一张光学样本图像和一张SAR样本图像；目标损失函数包含生成器损失函数和判别器损失函数；生成器损失函数包含循环一致性损失函数、聚焦频率损失函数和沃森斯坦梯度惩罚生成对抗损失函数中生成器的相关项；将生成的虚假SAR目标图像作为欺骗干扰模板。本发明专利技术可以利用丰富的光学目标图像生成多姿态、高逼真度的SAR目标欺骗干扰模板，提高了SAR欺骗干扰模板的多样性和质量。扰模板的多样性和质量。扰模板的多样性和质量。

【技术实现步骤摘要】
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


[0001]本专利技术属于雷达
，具体涉及一种基于光SAR图像转换的SAR欺骗干扰模板生成及干扰方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar, SAR)是一种微波遥感雷达，因其全天时、全天候的高分辨率成像优势，被广泛应用在地质测绘、目标监视和重点区域侦察等领域。随着SAR技术的飞速发展，为了有效避免关键区域或目标遭受SAR的恶意侦察，各种欺骗性干扰技术也应运而生，而高质量的SAR欺骗干扰模板是实施有效SAR欺骗干扰的前提，因此，需要研究高逼真度、多姿态、低耗时的SAR欺骗干扰模板生成技术。
[0003]传统的SAR欺骗性干扰模板生成方法一般分为基于实测采集数据的模板生成方法和基于电磁计算的模板生成方法。其中，前者所需的人力成本高，操作难度大，且对环境要求严格，而后者存在几何建模复杂度高、计算资源消耗大等问题。随着人工智能技术的发展，基于深度学习的SAR目标图像生成方法开始涌现，为SAR欺骗干扰模板的生成提供了新的解决思路。目前基于深度学习的SAR欺骗干扰模板生成方法主要采用生成对抗网络(Generative Adversarial Networks，GAN)及其衍生网络生成SAR目标欺骗干扰模板。但是上述方法均利用SAR图像数据集进行模板生成，而目前多目标类型、多角度的SAR目标图像十分有限，导致模板多样性不足，不能适配各种欺骗干扰环境。
[0004]也就是说，相关技术中的SAR欺骗模板生成方法存在以下问题：1)基于实测采集数据和基于电磁计算的SAR欺骗干扰模板生成方法的模板获取成本高、耗时长；2)对于主要采用SAR图像数据集进行模板生成的方法而言，由于目前多目标类型、多角度的SAR目标图像十分有限，导致模板多样性不足，从而使得生成的模板不能适配各种欺骗干扰环境。

技术实现思路

[0005]为了解决相关技术中存在的上述问题，本专利技术提供了一种基于光SAR图像转换的SAR欺骗干扰模板生成及干扰方法。本专利技术要解决的技术问题通过以下技术方案实现：本专利技术提供一种基于光SAR图像转换的SAR欺骗干扰模板生成方法，包括：获取光学目标图像；将所述光学目标图像输入训练好的生成器，生成所述光学目标图像对应俯仰和方位角下的虚假SAR目标图像；所述生成器是采用多对训练样本和目标损失函数，对初始转换生成对抗网络进行训练得到的；每对训练样本包括一张光学样本图像和一张SAR样本图像；所述目标损失函数包含生成器损失函数和判别器损失函数；所述生成器损失函数包含循环一致性损失函数、聚焦频率损失函数，以及沃森斯坦梯度惩罚生成对抗损失函数中生成器的相关项；
将所述虚假SAR目标图像作为欺骗干扰模板。
[0006]在一些实施例中，所述将所述光学目标图像输入训练好的生成器，生成所述光学目标图像对应俯仰和方位角下的虚假SAR目标图像，包括：将所述光学目标图像输入训练好的生成器后，所述光学目标图像依次经过第一编码层、第二编码层、第三编码层、第四编码层、第五编码层和第六编码层后，生成编码特征；所述编码特征经过第一解码层后，生成第一解码特征；所述第一解码特征和所述第五编码层的输出共同经过第二解码层后，生成第二解码特征；所述第二解码特征和所述第四编码层的输出共同经过第三解码层后，生成第三解码特征；所述第三解码特征和所述第三编码层的输出共同经过第四解码层后，生成第四解码特征；所述第四解码特征依次经过第五解码层、第六解码层和一个组合层后，生成所述SAR目标图像。
[0007]在一些实施例中，所述第一编码层依次包括：第一卷积层、卷积核选择网络、实例归一化层和ReLU激活层；所述第二编码层依次包括：第二卷积层、所述卷积核选择网络层、所述实例归一化层和所述ReLU激活层；所述第三编码层依次包括：第三卷积层、所述卷积核选择网络层、所述实例归一化层和所述ReLU激活层；所述第四编码层、所述第五编码层和所述第六编码层为相同的编码层；所述第四编码层包括：第四卷积层、所述实例归一化层和所述ReLU激活层。
[0008]在一些实施例中，所述第一解码层依次包括：第一反卷积层、实例归一化层和ReLU激活层；所述第二解码层依次包括：所述第一反卷积层、所述实例归一化层和所述ReLU激活层；所述第三解码层依次包括：第二反卷积层、所述实例归一化层和所述ReLU激活层；所述第四解码层依次包括：第三反卷积层、所述实例归一化层和所述ReLU激活层；所述第五解码层和所述第六解码层均依次包括：第四反卷积层、所述实例归一化层和所述ReLU激活层；所述组合层依次包括：第五卷积层、所述实例归一化层和Tanh激活层。
[0009]在一些实施例中，在所述将所述光学目标图像输入训练好的生成器，生成所述光学目标图像对应俯仰和方位角下的虚假SAR目标图像之前，还包括：获取所述多对训练样本；构建所述初始转换生成对抗网络；所述初始转换生成对抗网络包括：第一生成器和第二生成器，以及结构相同的第一判别器和第二判别器；所述第一生成器用于根据输入的光学图像生成对应的虚假SAR图像，所述第二生成器用于根据输入的SAR图像生成对应的虚假光学图像；采用所述多对训练样本和所述目标损失函数，对所述初始转换生成对抗网络进行
训练，得到训练好的转换生成对抗网络；所述生成器损失函数用于训练所述第一生成器和所述第二生成器，所述判别器损失函数用于训练所述第一判别器和所述第二判别器；将所述训练好的转换生成对抗网络中的训练好的第一生成器，作为所述训练好的生成器。
[0010]在一些实施例中，用于训练所述第一生成器的所述生成器损失函数的表达式如下：；；；；其中，表示用于训练所述第一生成器的所述生成器损失函数，表示所述第一生成器的沃森斯坦梯度惩罚生成对抗损失函数中生成器的相关项，表示聚焦频率损失函数，表示循环一致性损失函数，和均表示预设的加权系数，表示所述第一生成器，表示所述第二生成器，表示所述第一判别器，表示每次用于训练的训练样本对中的每张光学样本图像，表示与构成一对训练样本的SAR样本图像，表示每次用于训练的训练样本对中的光学样本图像的分布，表示每次用于训练的训练样本对中的SAR样本图像的分布，表示根据生成的虚假SAR图像，表示根据生成的重构光学图像，表示根据生成的虚假光学图像，表示根据生成的重构SAR图像，表示对进行判别，为光学样本图像或SAR样本图像的高度，为光学样本图像或SAR样本图像的宽度，表示位置坐标处的空间频率的权重，表示图像经二维离散傅里叶变换后位置坐标处的复频率值，表示、、和，表示期望值，表示绝对值，表示L1范数，表示使达到最小。
[0011]在一些实施例中，用于训练所述第一判别器的所述判别器损失函数的表达式如下：；其中，表示用于训练所述第一判别器的所述判别器损失函数，表示L2范数，
表示SAR样本空间和虚假SAR样本空间之间的分布，所述SAR样本空间是由每次用于训练的训练样本对中的SAR样本图像所构成的样本空间，所述虚假SAR样本空间是由将每次用于训练的训练样本对中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光SAR图像转换的SAR欺骗干扰模板生成方法，其特征在于，包括：获取光学目标图像；将所述光学目标图像输入训练好的生成器，生成所述光学目标图像对应俯仰和方位角下的虚假SAR目标图像；所述生成器是采用多对训练样本和目标损失函数，对初始转换生成对抗网络进行训练得到的；每对训练样本包括一张光学样本图像和一张SAR样本图像；所述目标损失函数包含生成器损失函数和判别器损失函数；所述生成器损失函数包含循环一致性损失函数、聚焦频率损失函数，以及沃森斯坦梯度惩罚生成对抗损失函数中生成器的相关项；将所述虚假SAR目标图像作为欺骗干扰模板。2.根据权利要求1所述的基于光SAR图像转换的SAR欺骗干扰模板生成方法，其特征在于，所述将所述光学目标图像输入训练好的生成器，生成所述光学目标图像对应俯仰和方位角下的虚假SAR目标图像，包括：将所述光学目标图像输入训练好的生成器后，所述光学目标图像依次经过第一编码层、第二编码层、第三编码层、第四编码层、第五编码层和第六编码层后，生成编码特征；所述编码特征经过第一解码层后，生成第一解码特征；所述第一解码特征和所述第五编码层的输出共同经过第二解码层后，生成第二解码特征；所述第二解码特征和所述第四编码层的输出共同经过第三解码层后，生成第三解码特征；所述第三解码特征和所述第三编码层的输出共同经过第四解码层后，生成第四解码特征；所述第四解码特征依次经过第五解码层、第六解码层和一个组合层后，生成所述SAR目标图像。3.根据权利要求2所述的基于光SAR图像转换的SAR欺骗干扰模板生成方法，其特征在于，所述第一编码层依次包括：第一卷积层、卷积核选择网络、实例归一化层和ReLU激活层；所述第二编码层依次包括：第二卷积层、所述卷积核选择网络层、所述实例归一化层和所述ReLU激活层；所述第三编码层依次包括：第三卷积层、所述卷积核选择网络层、所述实例归一化层和所述ReLU激活层；所述第四编码层、所述第五编码层和所述第六编码层为相同的编码层；所述第四编码层包括：第四卷积层、所述实例归一化层和所述ReLU激活层。4.根据权利要求2所述的基于光SAR图像转换的SAR欺骗干扰模板生成方法，其特征在于，所述第一解码层依次包括：第一反卷积层、实例归一化层和ReLU激活层；所述第二解码层依次包括：所述第一反卷积层、所述实例归一化层和所述ReLU激活层；所述第三解码层依次包括：第二反卷积层、所述实例归一化层和所述ReLU激活层；所述第四解码层依次包括：第三反卷积层、所述实例归一化层和所述ReLU激活层；所述第五解码层和所述第六解码层均依次包括：第四反卷积层、所述实例归一化层和所述ReLU激活层；所述组合层依次包括：第五卷积层、所述实例归一化层和Tanh激活层。
5.根据权利要求1所述的基于光SAR图像转换的SAR欺骗干扰模板生成方法，其特征在于，在所述将所述光学目标图像输入训练好的生成器，生成所述光学目标图像对应俯仰和方位角下的虚假SAR目标图像之前，还包括：获取所述多对训练样本；构建所述初始转换生成对抗网络；所述初始转换生成对抗网络包括：第一生成器和第二生成器，以及结构相同的第一判别器和第二判别器；所...

【专利技术属性】
技术研发人员：田甜，周峰，张宇成，郭欣仪，樊伟伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：