【技术实现步骤摘要】
本专利技术属于雷达图像处理，具体涉及一种基于条件生成对抗网络去噪算法的雷达图像海杂波抑制辅助目标检测方法及系统。
技术介绍
1、雷达图像处理技术是指对雷达信号进行处理，从而得到清晰可见的雷达图像。由于雷达系统常常处于极端环境下工作，如恶劣天气、电磁干扰等，因此雷达图像中会出现各种干扰，其中海杂波干扰是比较常见的一种。这种干扰会对雷达图像的可视性和目标检测的准确性产生负面影响。
2、传统的海杂波抑制方法通常采用滤波技术或者小波变换等方法进行处理，但是这些方法的效果并不理想，存在一定的局限性。随着深度学习技术的发展，特别是生成对抗网络(gan)和条件生成对抗网络(cgan)的出现，这些技术被广泛应用于图像去噪和图像增强等领域，并取得了很好的效果。
3、传统cgan去噪算法主要针对自然场景下的可见光图像，本专利技术尝试采用cgan去噪算法抑制雷达图像中的海杂波的干扰，因其海杂波受环境影响较大导致成像结果多样，使其极具挑战，我们也引入了创新性数据增强的算法模拟其成像结果，使cgan能够在海杂波的抑制中表现良好，后续结合相应的检测算法从而提高雷达目标检测的准确性。
技术实现思路
1、针对现有技术存在的局限性，本专利技术的目的在于提供一种采用条件生成对抗网络(cgan)去噪算法的雷达图像海杂波抑制辅助目标检测方法及系统。
2、本专利技术采取的技术方案是：
3、一种雷达图像海杂波抑制辅助目标检测方法，其步骤包括：
4、1)图像融合模块生
5、2)将所述训练样本中的海杂波雷达图像作为输入、雷达目标图像作为监督，利用所述训练样本训练条件生成对抗网络；所述条件生成对抗网络包括一生成器和一判别器；
6、3)将一包含海杂波的待检测雷达图像输入训练后的条件生成对抗网络中的生成器中，得到去海杂波的图像并将其输入到基于深度学习的雷达目标检测模块中，得到目标检测结果。
7、进一步的，得到所述目标检测结果的方法为：首先，所述雷达目标检测模块依次利用卷积层、池化层对输入的去海杂波的图像进行特征提取；然后将提取的特征依次经残差层、特征金字塔网络，提取不同尺度的特征图；然后对每一尺度的特征图依次经卷积层、全连接层处理，以获得对应尺度特征图中的目标的位置和类别信息；然后将目标检测结果以可视化的方式呈现。
8、进一步的，通过xij＝randommask(iij)+γoij生成所述雷达目标图像；其中，xij为雷达目标图像x中第i行、第j列的元素，iij为干净背景图像i中第i行、第j列的元素，oij为雷达目标图像o中第i行、第j列的元素，γ为权重系数，用于调节雷达目标在干净背景图像i中的亮度；randommask是一个掩码图，其大小为干净背景图像i的大小，用于从干净背景图像i中随机选择一块雷达目标图像大小的区域，用于雷达目标区域的融合。
9、进一步的，通过xij’＝randommask(iij’)+γoij生成所述海杂波雷达图像；其中，xij’为海杂波雷达图像x’中第i行、第j列的元素，iij为海杂波背景图像i’中第i行、第j列的元素，oij为雷达目标图像o中第i行、第j列的元素，γ为权重系数，用于调节雷达目标在海杂波背景图像i’中的亮度；randommask是一个掩码图，其大小为海杂波背景图像i’的大小，用于从海杂波背景图像i’中随机选择一块雷达目标图像大小的区域，用于雷达目标区域的融合。
10、进一步的，同一图像对的两张图像中，雷达目标相同但背景不同。
11、进一步的，所述生成器为u型骨干网络。
12、一种雷达图像海杂波抑制辅助目标检测系统，其特征在于，包括图像融合模块、去噪模块生成模块以及目标检测模块；
13、所述图像融合模块，用于生成多个图像对，所述图像对包括一张具有干净背景与雷达目标融合的雷达目标图像和一张具有海杂波背景与雷达目标融合的海杂波雷达图像；
14、所述去噪模块生成模块，用于将每一图像对作为一个训练样本，将所述训练样本中的海杂波雷达图像作为输入、雷达目标图像作为监督，利用所述训练样本训练条件生成对抗网络；所述条件生成对抗网络包括一生成器和一判别器；将训练后的条件生成对抗网络中的生成器作为去噪模块；
15、所述去噪模块，用于将一包含海杂波的待检测雷达图像进行去噪，得到去海杂波的图像；
16、所述目标检测模块，用于对得到的所述去海杂波的图像进行检测，得到目标检测结果。
17、一种服务器，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行上述方法中各步骤的指令。
18、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述方法的步骤。
19、本专利技术基于条件生成对抗网络去噪算法的雷达图像海杂波抑制辅助目标检测方法，主要包含三个模块：背景和雷达目标的图像融合模块、采用条件生成对抗网络去噪模块以及深度学习的目标检测模块；其中
20、背景和雷达目标的图像融合模块，将雷达图像与背景图像融合，通过生成器生成一个图像对，该图像对包括一张具有干净背景+雷达目标的雷达目标图像和一张具有海杂波背景+雷达目标的海杂波雷达图像；雷达图像是指有雷达目标(比如“船”)的图像，背景图像是指没有雷达目标且有噪声、海杂波的图像。
21、采用条件生成对抗网络去噪模块，用于处理包含海杂波的雷达图像，去除雷达图像中的海杂波干扰，生成一个清晰的雷达目标图像，用于提升后续检测的精度和清晰的可视化；
22、深度学习的目标检测模块，用于对去噪后的雷达目标图像进行目标检测，得到目标检测结果。
23、如上述的一种基于条件生成对抗网络去噪算法的雷达图像海杂波抑制辅助目标检测方法，其中在基于生成条件对抗网络去噪模块中，本方法将干净背景和雷达图像中的目标区域图像块进行融合生成干净背景的雷达目标图像，使其作为训练数据训练条件生成对抗网络，使其之后的海杂波雷达图像能够进行海杂波抑制，继而提升后续目标检测模块的识别精度。
24、本专利技术的优点如下：
25、本专利技术的能够更加有效地抑制雷达图像中的海杂波干扰，并提高目标检测的准确性和可靠性，同时计算量小、速度快、实用性强等优点，适用于实际工程应用。
本文档来自技高网...【技术保护点】
1.一种雷达图像海杂波抑制辅助目标检测方法，其步骤包括：
2.根据权利要求1所述的方法，其特征在于，得到所述目标检测结果的方法为：首先，所述雷达目标检测模块依次利用卷积层、池化层对输入的去海杂波的图像进行特征提取；然后将提取的特征依次经残差层、特征金字塔网络，提取不同尺度的特征图；然后对每一尺度的特征图依次经卷积层、全连接层处理，以获得对应尺度特征图中的目标的位置和类别信息；然后将目标检测结果以可视化的方式呈现。
3.根据权利要求1或2所述的方法，其特征在于，通过Xij＝RandomMask(Iij)+γOij生成所述雷达目标图像；其中，Xij为雷达目标图像X中第i行、第j列的元素，Iij为干净背景图像I中第i行、第j列的元素，Oij为雷达目标图像O中第i行、第j列的元素，γ为权重系数，用于调节雷达目标在干净背景图像I中的亮度；RandomMask是一个掩码图，其大小为干净背景图像I的大小，用于从干净背景图像I中随机选择一块雷达目标图像大小的区域，用于雷达目标区域的融合。
4.根据权利要求1或2所述的方法，其特征在于，通过Xij’＝Random
5.根据权利要求1或2所述的方法，其特征在于，同一图像对的两张图像中，雷达目标相同但背景不同。
6.根据权利要求1或2所述的方法，其特征在于，所述生成器为U型骨干网络。
7.一种雷达图像海杂波抑制辅助目标检测系统，其特征在于，包括图像融合模块、去噪模块生成模块以及目标检测模块；
8.一种服务器，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1至6任一所述方法中各步骤的指令。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法的步骤。
...【技术特征摘要】
1.一种雷达图像海杂波抑制辅助目标检测方法，其步骤包括：
2.根据权利要求1所述的方法，其特征在于，得到所述目标检测结果的方法为：首先，所述雷达目标检测模块依次利用卷积层、池化层对输入的去海杂波的图像进行特征提取；然后将提取的特征依次经残差层、特征金字塔网络，提取不同尺度的特征图；然后对每一尺度的特征图依次经卷积层、全连接层处理，以获得对应尺度特征图中的目标的位置和类别信息；然后将目标检测结果以可视化的方式呈现。
3.根据权利要求1或2所述的方法，其特征在于，通过xij＝randommask(iij)+γoij生成所述雷达目标图像；其中，xij为雷达目标图像x中第i行、第j列的元素，iij为干净背景图像i中第i行、第j列的元素，oij为雷达目标图像o中第i行、第j列的元素，γ为权重系数，用于调节雷达目标在干净背景图像i中的亮度；randommask是一个掩码图，其大小为干净背景图像i的大小，用于从干净背景图像i中随机选择一块雷达目标图像大小的区域，用于雷达目标区域的融合。
4.根据权利要求1或2所述的方法，其特征在于，通过xij’＝randommask(iij’)+γoij生成所述海杂...
【专利技术属性】
技术研发人员：李港，刘美琴，杜大钊，司凌宇，郑昌文，张筱晗，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。