CN110555811A - 一种sar图像数据增强方法、装置及存储介质 - Google Patents

一种sar图像数据增强方法、装置及存储介质 Download PDF

Info

Publication number
CN110555811A
CN110555811A CN201910589014.4A CN201910589014A CN110555811A CN 110555811 A CN110555811 A CN 110555811A CN 201910589014 A CN201910589014 A CN 201910589014A CN 110555811 A CN110555811 A CN 110555811A
Authority
CN
China
Prior art keywords
sar
image
electromagnetic simulation
target image
image data
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
CN201910589014.4A
Other languages
English (en)
Inventor
翟懿奎
邓文博
柯琪锐
应自炉
甘俊英
曾军英
徐颖
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.)
Wuyi University
Original Assignee
Wuyi University
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 Wuyi University filed Critical Wuyi University
Priority to CN201910589014.4A priority Critical patent/CN110555811A/zh
Priority to US16/530,724 priority patent/US11428803B2/en
Publication of CN110555811A publication Critical patent/CN110555811A/zh
Priority to PCT/CN2020/099855 priority patent/WO2021000902A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • 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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • 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
    • G06T2207/10041—Panchromatic 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
    • G06T2207/10—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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种SAR图像数据增强方法、装置及存储介质，包括如下步骤：对SAR目标图像进行电磁仿真处理，获取SAR电磁仿真图像；通过生成对抗网络的方式对所述SAR电磁仿真图像与所述SAR目标图像进行处理，得到SAR目标图像虚拟样本集；通过对SAR目标图像进行电磁仿真，得到多方位角的SAR电磁仿真图像，克服了传统获取SAR目标图像样本不足的缺点，为后续解决深度学习训练过程中训练数据稀缺的问题提供了充足的数据输入；通过生成对抗网络的方式学习SAR电磁仿真图像与SAR目标图像的映射关系，提高了SAR电磁仿真图像的数据丰富度，从而扩充缺失角度的SAR目标图像，为后续的SAR目标图像识别检测等工作提供了有力支撑。

Description

一种SAR图像数据增强方法、装置及存储介质
技术领域
本发明涉及图像数据处理技术领域，特别是一种SAR图像数据增 强方法、装置及存储介质。
背景技术
目前，遥感航空飞机检测、船舰目标动态监视、油溢预警动态检 测等安全检测领域对SAR图像的应用需求不断增强；大场景SAR目标 识别依赖大量标注样本构建分类模型，受限于空间范围和地区可访问 性，成本较高；同时，标注数据的成本限制了大场景SAR数据库的构 建，因此亟待需要解决标记训练样本不足、数据丰富度不够的问题， 传统方法采用图像的空域和频域对比度增强进行数据增强，但该方法 所获取样本集冗余度高，生成SAR目标图像部分细节信息缺失，无法 准确反映SAR图像所蕴含信息，不利于大场景SAR图像目标识别。
发明内容
为解决上述问题，本发明的目的在于提供一种SAR图像数据增强 方法、装置及存储介质，通过结合SAR电磁仿真图像和生成对抗网络 生成大量训练样本，来缓解SAR目标图像样本不足、数据丰富度不够 的问题。
本发明解决其问题所采用的技术方案是：
第一方面，本发明提供了一种SAR图像数据增强方法，包括以下 步骤：
对SAR目标图像进行电磁仿真处理，获取SAR电磁仿真图像；
通过生成对抗网络的方式对所述SAR电磁仿真图像与所述SAR目 标图像进行处理，得到SAR目标图像虚拟样本集。
进一步，所述对SAR目标图像进行电磁仿真处理，获取SAR电磁 仿真图像，包括以下步骤：
通过所述SAR目标图像和仿真参数构建电磁仿真模型；
对所述电磁仿真模型通过电磁仿真软件处理，得到SAR目标图像 的RCS数据；
通过对所述RCS数据逆成像处理，得到SAR电磁仿真图像。
进一步，所述通过生成对抗网络的方式对所述SAR电磁仿真图像 与所述SAR目标图像进行处理，得到SAR目标图像虚拟样本集，包括 以下步骤：
构建生成对抗网络中的生成器和判别器；
将所述SAR电磁仿真图像输入到生成器，得到与真实的SAR目标 图像样本相似的生成样本；
将所述SAR电磁仿真图像或所述SAR目标图像输入到判别器，得 到反馈信息；
生成器根据反馈信息输出所述SAR目标图像虚拟样本集。
进一步，所述生成对抗网络为GraphGAN。
进一步，所述生成器采用卷积神经网络结构。
第二方面，本发明提供了一种SAR图像数据增强装置，包括至少 一个控制处理器和用于与所述至少一个控制处理器通信连接的存储 器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所 述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理 器能够执行如上任一项所述的一种SAR图像数据增强方法。
第三方面，本发明提供了一种计算机可读存储介质，所述计算机 可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于 使计算机执行如上任一项所述的一种SAR图像数据增强方法。
本发明的有益效果是：本发明通过对SAR目标图像进行电磁仿 真，得到多方位角的SAR电磁仿真图像，克服了传统获取SAR目标图 像样本不足的缺点，为后续解决深度学习训练过程中训练数据稀缺的 问题提供了充足的数据输入；通过生成对抗网络的方式学习SAR电磁 仿真图像与SAR目标图像的映射关系，提高了SAR电磁仿真图像的数 据丰富度，从而扩充缺失角度的SAR目标图像，为后续的SAR目标图 像识别检测等工作提供了有力支撑。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明的SAR图像数据增强方法的简要流程示意图；
图2是本发明的对SAR目标图像进行电磁仿真处理的简要流程示 意图；
图3是本发明的通过生成对抗网络的方式对所述SAR电磁仿真图 像与所述SAR目标图像进行处理的简要流程示意图；
图4是本发明的SAR图像数据增强方法的流程示意图；
图5是本发明的RCS重构几何的示意图；
图6是本发明的电磁仿真成像几何的示意图；
图7是本发明的通过生成对抗网络的方式对所述SAR电磁仿真图 像与所述SAR目标图像进行处理的模块连接关系示意图。
具体实施方式
本发明提供了一种SAR图像数据增强方法、装置及存储介质，能 够解决传统获取的SAR目标图像样本量不足、数据丰富度不够的问 题，从而为后续进行的SAR目标图像识别与检测提供有力支撑。
下面结合附图，对本发明实施例作进一步阐述。
参照图1，本发明的一个实施例提供了一种SAR图像数据增强方 法，包括以下步骤：
步骤S100：对SAR目标图像进行电磁仿真处理，获取SAR电磁 仿真图像；
步骤S200：通过生成对抗网络的方式对所述SAR电磁仿真图像 与所述SAR目标图像进行处理，得到SAR目标图像虚拟样本集。
在本实施例中，步骤S100通过对SAR目标图像进行电磁仿真处 理，可以获取0-360度的多方位角下的SAR电磁仿真图像，解决了传 统获取SAR目标图像样本量不足的问题，且获取成本低，限制条件较 少，为后续解决深度学习训练过程中训练数据稀缺的问题提供了充足 的数据输入。
步骤S200通过生成对抗网络的方式学习SAR电磁仿真图像与SAR 目标图像的映射关系，得到SAR目标图像虚拟样本集，提高SAR电磁 仿真图像的数据丰富度，从而扩充缺失角度丰富度的SAR目标图像， 为后续SAR目标图像识别检测等工作提供了有力支撑。
进一步，参照图2，本发明的另一个实施例还提供了一种SAR图 像数据增强方法，其中，所述对SAR目标图像进行电磁仿真处理，获 取SAR电磁仿真图像，包括以下步骤：
步骤S110：通过所述SAR目标图像和仿真参数构建电磁仿真模 型；
步骤S120：对所述电磁仿真模型通过电磁仿真软件处理，得到 SAR目标图像的RCS数据；
步骤S130：通过对所述RCS数据逆成像处理，得到SAR电磁仿 真图像。
在本实施例中，步骤S110基于SAR目标图像真实数据对目标场 景进行建模，针对真实数据(主要包括分辨率、入射角、载波频段等) 进行仿真参数的设置，构建电磁仿真模型；其中，电磁模型的建立主 要包括点目标和地面目标，对点目标的建模仿***要目的为验证RCS 数据逆成像性能及目标的相对位置关系，地面目标的仿***要为后续 的深度学***台进行实验，对导入模型网格进一步调整，可保证仿 真速度，效果更佳；另外，本发明实施例对SAR目标图像进行电磁仿 真模型的构建，限制条件少，获取成本低。
步骤S120中构建的电磁仿真模型在CST仿真软件中进行仿真参 数设置，并采用A算法仿真得到SAR目标图像对应入射角方位角条件 下的RCS数据，即散射系数雷达横截面积，整个计算得到SAR目标图 像的散射***雷达横截面积的过程是通过CST仿真软件实现；其中， 散射系数雷达横截面积是目标的一种折算面积，用来度量目标在雷达 波照射下所产生的回波强度大小。其中，要确定散射系数雷达横截面 积，首先通过测量或计算一个目标朝着观测者反射的雷达能量，然后 计算出可以返回同等雷达能量的反射球体(光学上的等效物可以是一 个球面镜)的尺寸，该球体的投影面积(即圆的面积)就是该目标的 散射系数雷达横截面积。
步骤S130中，由于电磁仿真计算SAR目标图像的RCS数据的过 程与转台目标成像中雷达获取回波信号类似，因此基于转台成像原理 可以实现RCS数据逆成像，下面将简要介绍成像原理：
重构几何如图5所示，其中(x,y)为目标坐标系，(u,v)为雷达坐标 系，仿真过程目标与雷达作相对运动，旋转角度为θm。
根据坐标转换公式，x-y到u-v坐标系转换公式为:
u＝xcosθ+ysinθ
v＝-xsinθ+ycosθ
u-v到x-y坐标系转换公式为:
x＝ucosθ-vsinθ
y＝usinθ+vcosθ
根据图5几何关系，目标表面任意一点P到雷达的距离可以表示为:
由于电磁仿真过程模拟转台目标成像，由雷达发射线性调频信号并接 收回波信号，经过混频处理后的回波信号为:
S(k,θ)＝∫y∫xf(x,y)exp{-j2πk[Rθ(x,y)-R0]}dxdy
其中，S(k,θ)为接收回波数据，f(x,y)为目标的电磁散射特性函数,k则 为雷达观测频率，C为光速,即：
由于电磁仿真过程满足远场条件，雷达到场景中心点距离R0远大于 目标到场景中心点的距离，此时式
可简化为：Rθ(x,y)≈R0+v＝R0-xsinθ+ycosθ
进一步,将简化后的斜距公式带入式
S(k,θ)＝∫y∫xf(x,y)exp{-j2πk[Rθ(x,y)-R0]}dxdy，可以得到目标回波S(k,θ)
与目标电磁散射特性函数f(x,y)之间的关系：
S(k,θ)＝∫y∫xf(x,y)exp{-j2πk[-xsinθ+ycosθ]}dxdy
根据式x＝ucosθ-vsinθ,y＝usinθ+vcosθ对式
S(k,θ)＝∫y∫xf(x,y)exp{-j2πk[-xsinθ+ycosθ]}dxdy进行坐标变换，可得：
S(k,θ)＝∫u∫vf(ucosθ-vsinθ,usinθ+vcosθ)·exp(-j2πkv)dudv
＝∫vpθ(v)exp(-j2πkv)dv
其中，pθ(v)＝f(ucosθ-vsinθ,usinθ+vcosθ)表示目标电磁散射特性函数
f(x,y)在v轴投影，由式
S(k,θ)＝∫u∫vf(ucosθ-vsinθ,usinθ+vcosθ)·exp(-j2πkv)dudv
＝∫vpθ(v)exp(-j2πkv)dv
可知，在观测角度固定的情况下，回波数据为pθ(v)的傅里叶变换。
f(x,y)的二维频谱切片可以表示为F(k,θ)，根据
S(k,θ)＝∫y∫xf(x,y)exp{-j2πk[-xsinθ+ycosθ]}dxdy式可以得出该切片表达 式为：
S(k,θ)＝F(-ksinθ,kcosθ)
电磁仿真得到的目标在各观测角度下的RCS数据即为目标在该观测 角度下，目标在该观测角度下F(kx,ky)的切片取样，进而通过二维傅 里叶变换即可反演得到目标散射特性时域表达式f(x,y)。
由于电磁仿真过程与转台成像类似，通过RCS反演成像得到的 结果为斜距平面的图像，针对该情况需要将其校正到地距平面。由于 仿真过程为正侧视情况，成像几何关系如图6所示：
其中，A、B分别为仿真过程中的两个目标，R1表示两目标在地 据平面的距离，R2则表示两目标在斜距地据平面的距离，θ为入射角 度。则地距平面与斜距平面转换关系为：
R2＝R1cos(θ)
校正过程采用逐点校正，首先选取地距平面场景区域，根据式 R2＝R1cos(θ)计算其对应斜距图像中的位置，通过插值的方式得到目 标点的像素值。
通过电磁仿真获取SAR图像数据的方法成本相对较低，适合大规 模遥感数据获取。
进一步，参照图3，本发明的另一个实施例还提供了一种SAR图 像数据增强方法，其中，所述通过生成对抗网络的方式对所述SAR电 磁仿真图像与所述SAR目标图像进行处理，得到SAR目标图像虚拟样 本集，包括以下步骤：
步骤S210：构建生成对抗网络中的生成器和判别器；
步骤S220：将所述SAR电磁仿真图像输入到生成器，得到与真 实的SAR目标图像样本相似的生成样本；
步骤S230：将所述SAR目标图像或所述生成样本输入到判别器， 得到反馈信息；
步骤S240：生成器根据所述反馈信息输出所述SAR目标图像虚 拟样本集。
在本实施例中，生成对抗网络属于生成模型的一种，模型输入为SAR电磁仿真图像，输出为与真实SAR目标图像相似的SAR目标图像 虚拟样本集，输入和输出这两个数据分布之间的差异即为生成模型的 损失函数。
生成对抗网络通过同时训练两个模型：生成器G和判别器D来进 行数据的生成，网络结构图如图7所示。其中G接收SAR电磁仿真 图像并生成类似真实SAR目标图像的生成样本，通过处理运算使得生 成样本的效果尽量真实；D为一个二分类器，其输入为真实SAR目标 图像或生成器生成的生成样本，D对输入的图像进行判别，判别输入 的图像是来自真实的SAR目标图像的概率，如果输入的图像来自于真 实的SAR目标图像，D输出大概率，否则输出小概率，其过程实质为 一个模型训练过程，模型训练过程是一个关于G与D的零和博弈。在 损失函数中，在满足最大化判别器D判别正确的概率同时需要最小化 生成器G生成的样本被判别出来的概率，即交替训练生成器和判别 器。D会接收真实的SAR目标图像和G产生的“假”的SAR目标图像， 对于它最后输出的结果我们可以同时对两边的参数进行调优，如果D 判断正确，我们就需要调整G的参数从而使得生成的“假”SAR目标 图像更为“逼真”，如果D判断错误，则需要调节D的参数避免下一 次类似判断出错。训练的过程中，数据不断地进行拟合靠近，由开 始的不稳定到最后的稳定，理想状态下在最终训练完成时，生成器G生成的生成样本与真实的SAR目标图像完全一致，而判别器D也不再 能够分辨图像是来自于真实的SAR目标图像还是G的生成样本。训练 完成后的产物是一个质量较高的自动生成器G和判断能力较强的判 别器D。
在本实施例中主要利用训练好的生成模型进行SAR图像数据扩 充，获得SAR目标图像虚拟样本集。通过生成对抗网络对SAR电磁仿 真图像进行处理，在得到多方位角的SAR电磁仿真图像的前提下，进 一步提升SAR电磁仿真图像的数据丰富度。
进一步，本发明的另一个实施例还提供了一种SAR图像数据增强 方法，其中，所述生成对抗网络为GraphGAN。
在本实施例中，首先给出一些符号定义，g＝(v,ε)表示给定的网 络，V＝{v1,...,vV}表示节点集合，表示边的集合。给定一个 节点vc，N(vc)表示的是与节点vc直接相邻的节点(一阶邻居)， ptrue(v|vc)表示的是网络中节点关于vc的真实的条件分布，表示的是 节点vc的连接偏好。从某个角度上来看，N(vc)可以看作是基于 ptrue(v|vc)采样得到的样本集合。
在GraphGAN中，主要有两个模型：
(1).生成器G(v|vc；θG)：生成式模型G，主要是去尽可能地去拟合或 预估出真实的连接分布概率ptrue(v|vc)，从而在节点V集选择出最有可 能与vc连接的节点；
(2).判别器D(v,vc；θD)：判别式模型D，主要是去将真实节点对与生 成节点对区分开来，并且计算输出节点v和vc之间存在着边的可能 性；
对于G来说，它的目标是生成与vc真实连接的邻居节点相似的 点，来骗过判别器D；而对于D，它的目标是判别这些节点哪些是vc的 真实近邻，哪些是它的对手G生成的节点。因此，两个对手的一个 minimax游戏的目标函数为：
这个目标函数的理解要分为两步。由于D(v,vc；θD)输出的是一个标量， 表示的是节点v和vc之间存在着边的可能性，那么：
(1).对于θD，判别器当然是希望自身能够预测准确，即对真实的样 本，让其概率值大；对G生成的样本，让其概率值小，也就是让 (1-D(v,vc；θD))大，因此整体是一个最大化的目标；
(2).而对于θG，从生成器的角度上来说，要骗过判别器，也就是说 要使得判别器对我生成的样本区分不出，以为是真实样本，也就是预 测我生成的样本和vc之间存在边的概率值是大的，也就是让 (1-D(v,vc；θD))小，因此是一个最小化的目标；
将上述两个目标结合起来，就可以得到一个minimax的目标函数，如 上述目标函数的方程所示。
生成器和判别器的参数是不断地交替训练进行更新的。每一次迭 代，判别器D通过来自ptrue(v|vc)的正样本和来自G的负样本进行训 练；生成器G则通过D的指导，按照梯度策略进行更新。
本实施例中，判别式模型D的实现看作是一个sigmoid函数：
其中，dv,dvc∈Rk是节点v和vc在判别器中的k维向量表达，因 此θD就可看作是所有dv的集合。
因此，对于给定的节点对(v,vc)，只需要通过梯度上升法去更新 对应的节点表达向量dv,dvc:
对于生成器来说，它的目标函数是最小化minimax函数，因此可 以通过梯度下降法去优化更新，生成器的梯度为：
需要注意的是，梯度θθGV(G,D)其实可以看作是权重log(1-D(v,vc；θD)) 的梯度的期望求和，也就是说如果一个生成节点被识别 出是负样本节点，那么概率D(v,vc；θD)就会很小，则生成节点的梯 度对应的权重就会很大，从而使得整个梯度会变大。
生产式模型的实现是通过softmax函数定义：
其中，gv,gvc∈Rk是节点v和节点vc在生成器中的k维向量表达 因此θG就可看作是所有gv的集合。基于这样的设定，首先就可以按 照公式(5)先计算出预估连接分布G(v|vc；θ)，之后根据这个概率值进 行随机采样可得到样本集合(v,vc)，最后通过SGD的方法去更加θG。
本实施例中，生成对抗网络采用GraphGAN，对生成的节点进行 连接，其对提升性能有比较大的优势，而且生成效果比普通的GAN更 佳。
进一步，本发明的另一个实施例还提供了一种SAR图像数据增强 方法，其中，所述生成器采用卷积神经网络结构。
在本实施例中，卷积神经网络是一种带有卷积结构的深度神经网 络，其基本思想是通过构建多层网络，对目标进行多层表示，以期通 过多层的高层次特征来表示数据的抽象语义信息，获得更好的特征鲁 棒性；同时，卷积结构可以减少深层网络占用的内存量；本实施例中 的生成器采用卷积神经网络结构，一方面减少了权值的数量使得网络 易于优化，另一方面降低了模型的复杂度，也就是减小了过拟合的风 险，该优点在网络的输入是图像时表现的更为明显，使得图像可以直 接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重 建的过程，在二维图像的处理过程中有很大的优势，如网络能够自行抽取图像的特征包括颜色、纹理、形状及图像的拓扑结构，在处理二 维图像的问题上，特别是识别位移、缩放及其他形式扭曲不变性的应 用上具有良好的鲁棒性和运算效率等。
另外，参照图4，本发明的另一个实施例还提供了一种SAR图像 数据增强方法。该方法包括如下步骤：
步骤S110：通过所述SAR目标图像和仿真参数构建电磁仿真模 型；
步骤S120：对所述电磁仿真模型通过电磁仿真软件处理，得到 SAR目标图像的RCS数据；
步骤S130：通过对所述RCS数据逆成像处理，得到SAR电磁仿 真图像；
步骤S210：构建生成对抗网络中的生成器和判别器；
步骤S220：将所述SAR电磁仿真图像输入到生成器，得到与真 实的SAR目标图像样本相似的生成样本；
步骤S230：将所述SAR电磁仿真图像或所述SAR目标图像输入 到判别器，得到反馈信息；
步骤S240：生成器根据反馈信息输出所述SAR目标图像虚拟样 本集。
在本实施例中，步骤S110基于SAR目标图像真实数据对目标场 景进行建模，针对真实数据(主要包括分辨率、入射角、载波频段等) 进行仿真参数的设置，构建电磁仿真模型；其中，电磁模型的建立主 要包括点目标和地面目标，对点目标的建模仿***要目的为验证RCS 数据逆成像性能及目标的相对位置关系，地面目标的仿***要为后续 的深度学***台进行实验，对导入模型网格进一步调整，可保证 仿真速度，效果更佳；另外，本发明实施例对SAR目标图像进行电磁 仿真模型的构建，限制条件少，获取成本低。
步骤S120中构建的电磁仿真模型在CST仿真软件中进行仿真 参数设置，并采用A算法仿真得到SAR目标图像对应入射角方位角 条件下的RCS数据，即散射系数雷达横截面积，整个计算得到SAR目 标图像的散射***雷达横截面积的过程是通过CST仿真软件实现；其 中，散射系数雷达横截面积是目标的一种折算面积，用来度量目标在 雷达波照射下所产生的回波强度大小；其中，要确定散射系数雷达横 截面积，首先通过测量或计算一个目标朝着观测者反射的雷达能量， 然后计算出可以返回同等雷达能量的反射球体(光学上的等效物可以 是一个球面镜)的尺寸，该球体的投影面积(即圆的面积)就是该目 标的散射系数雷达横截面积。
步骤S130中，由于电磁仿真计算SAR目标图像的RCS数据的过 程与转台目标成像中雷达获取回波信号类似，因此基于转台成像原理 可以实现RCS数据逆成像，下面将简要介绍成像原理：
重构几何如图5所示，其中(x,y)为目标坐标系，(u,v)为雷达坐标 系，仿真过程目标与雷达作相对运动，旋转角度为θm。
根据坐标转换公式，x-y到u-v坐标系转换公式为:
u＝xcosθ+ysinθ
v＝-xsinθ+ycosθ
u-v到x-y坐标系转换公式为:
x＝ucosθ-vsinθ
y＝usinθ+vcosθ
根据图5几何关系，目标表面任意一点P到雷达的距离可以表示为:
由于电磁仿真过程模拟转台目标成像，由雷达发射线性调频信号并接 收回波信号，经过混频处理后的回波信号为:
S(k,θ)＝∫y∫xf(x,y)exp{-j2πk[Rθ(x,y)-R0]}dxdy
其中，S(k,θ)为接收回波数据，f(x,y)为目标的电磁散射特性函数,k则 为雷达观测频率，C为光速,即：
由于电磁仿真过程满足远场条件，雷达到场景中心点距离R0远大于 目标到场景中心点的距离，此时式
可简化为：
Rθ(x,y)≈R0+v＝R0-xsinθ+ycosθ
进一步,将简化后的斜距公式带入式
S(k,θ)＝∫y∫xf(x,y)exp{-j2πk[Rθ(x,y)-R0]}dxdy，可以得到目标回波S(k,θ)
与目标电磁散射特性函数f(x,y)之间的关系：
S(k,θ)＝∫y∫xf(x,y)exp{-j2πk[-xsinθ+ycosθ]}dxdy
根据式x＝ucosθ-vsinθ,y＝usinθ+vcosθ对式
S(k,θ)＝∫y∫xf(x,y)exp{-j2πk[-xsinθ+ycosθ]}dxdy进行坐标变换，可得：
S(k,θ)＝∫u∫vf(ucosθ-vsinθ,usinθ+vcosθ)·exp(-j2πkv)dudv
＝∫vpθ(v)exp(-j2πkv)dv
其中，pθ(v)＝f(ucosθ-vsinθ,usinθ+vcosθ)表示目标电磁散射特性函数
f(x,y)在v轴投影，由式
S(k,θ)＝∫u∫vf(ucosθ-vsinθ,usinθ+vcosθ)·exp(-j2πkv)dudv
＝∫vpθ(v)exp(-j2πkv)dv
可知，在观测角度固定的情况下，回波数据为pθ(v)的傅里叶变换。
f(x,y)的二维频谱切片可以表示为F(k,θ)，根据
S(k,θ)＝∫y∫xf(x,y)exp{-j2πk[-xsinθ+ycosθ]}dxdy式可以得出该切片表达 式为：
S(k,θ)＝F(-ksinθ,kcosθ)
电磁仿真得到的目标在各观测角度下的RCS数据即为目标在该观测 角度下，目标在该观测角度下F(kx,ky)的切片取样，进而通过二维傅 里叶变换即可反演得到目标散射特性时域表达式f(x,y)。
由于电磁仿真过程与转台成像类似，通过RCS反演成像得到的 结果为斜距平面的图像，针对该情况需要将其校正到地距平面。由于 仿真过程为正侧视情况，成像几何关系如图6所示：
其中，A、B分别为仿真过程中的两个目标，R1表示两目标在地 据平面的距离，R2则表示两目标在斜距地据平面的距离，θ为入射角 度。则地距平面与斜距平面转换关系为：
R2＝R1cos(θ)
校正过程采用逐点校正，首先选取地距平面场景区域，根据式 R2＝R1cos(θ)计算其对应斜距图像中的位置，通过插值的方式得到目 标点的像素值。
通过电磁仿真获取SAR图像数据的方法成本相对较低，适合大规 模遥感数据获取。
步骤S210，S220，S230，S240中，生成对抗网络属于生成模型 的一种，模型输入为SAR电磁仿真图像，输出为与真实SAR目标图像 相似的SAR目标图像虚拟样本集，输入和输出这两个数据分布之间的 差异即为生成模型的损失函数。
生成对抗网络通过同时训练两个模型：生成器G和判别器D来进 行数据的生成，网络结构图如图7所示。其中G接收SAR电磁仿真 图像并生成类似真实SAR目标图像的生成样本，通过处理运算使得生 成样本的效果尽量真实；D为一个二分类器，其输入为真实SAR目标 图像或生成器生成的生成样本，D对输入的图像进行判别，判别输入 的图像是来自真实的SAR目标图像的概率，如果输入的图像来自于真 实的SAR目标图像，D输出大概率，否则输出小概率，其过程实质为 一个模型训练过程，模型训练过程是一个关于G与D的零和博弈。在 损失函数中，在满足最大化判别器D判别正确的概率同时需要最小化 生成器G生成的样本被判别出来的概率，即交替训练生成器和判别 器。D会接收真实的SAR目标图像和G产生的“假”的SAR目标图像， 对于它最后输出的结果我们可以同时对两边的参数进行调优，如果D 判断正确，我们就需要调整G的参数从而使得生成的“假”SAR目标 图像更为“逼真”，如果D判断错误，则需要调节D的参数避免下一 次类似判断出错。训练的过程中，数据不断地进行拟合靠近，由开 始的不稳定到最后的稳定，理想状态下在最终训练完成时，生成器G生成的生成样本与真实的SAR目标图像完全一致，而判别器D也不再 能够分辨图像是来自于真实的SAR目标图像还是G的生成样本。训练 完成后的产物是一个质量较高的自动生成器G和判断能力较强的判 别器D。
在本实施例中主要利用训练好的生成模型进行SAR图像数据扩 充，获得SAR目标图像虚拟样本集。通过生成对抗网络对SAR电磁仿 真图像进行处理，在得到多方位角的SAR电磁仿真图像的前提下，进 一步提升SAR电磁仿真图像的数据丰富度。
此外，本发明的另一个实施例还提供了一种SAR图像数据增强装 置，包括至少一个控制处理器和用于与所述至少一个控制处理器通信 连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行 的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一 个控制处理器能够执行如上的任一项所述的一种SAR图像数据增强 方法。
在本实施例中，SAR图像数据增强装置包括：一个或多个控制处 理器和存储器，控制处理器和存储器可以通过总线或者其他方式连 接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态 软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中 的SAR图像数据增强方法对应的程序指令/模块。控制处理器通过运 行存储在存储器中的非暂态软件程序、指令以及模块，从而执行SAR 图像数据增强装置的各种功能应用以及数据处理，即实现上述方法实 施例的SAR图像数据增强方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可 存储操作***、至少一个功能所需要的应用程序；存储数据区可存储 根据SAR图像数据增强装置的使用所创建的数据等。此外，存储器可 以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一 个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实 施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这 些远程存储器可以通过网络连接至该SAR图像数据增强装置。上述网 络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及 其组合。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者 多个控制处理器执行时，执行上述方法实施例中的SAR图像数据增强 方法，例如，执行以上描述SAR图像数据增强方法步骤S100至S200、 S110至S130，以及S210至S240的功能。
另外，本发明的另一个实施例还提供了一种计算机可读存储介 质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可 执行指令被一个或多个控制处理器执行，例如，一个控制处理器执行， 可使得上述一个或多个控制处理器执行上述方法实施例中的SAR图 像数据增强方法，例如，执行以上描述SAR图像数据增强方法步骤 S100至S200、S110至S130，以及S210至S240的功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离 部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一 个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选 择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到 各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人 员可以理解实现上述实施例方法中的全部或部分流程是可以通过计 算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可 读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流 程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上 述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于 本发明的保护范围。

Claims (7)

1.一种SAR图像数据增强方法，其特征在于，包括以下步骤：
对SAR目标图像进行电磁仿真处理，获取SAR电磁仿真图像；
通过生成对抗网络的方式对所述SAR电磁仿真图像与所述SAR目标图像进行处理，得到SAR目标图像虚拟样本集。
2.根据权利要求1所述的一种SAR图像数据增强方法，其特征在于，所述对SAR目标图像进行电磁仿真处理，获取SAR电磁仿真图像，包括以下步骤：
通过所述SAR目标图像和仿真参数构建电磁仿真模型；
对所述电磁仿真模型通过电磁仿真软件处理，得到SAR目标图像的RCS数据；
通过对所述RCS数据逆成像处理，得到SAR电磁仿真图像。
3.根据权利要求1所述的一种SAR图像数据增强方法，其特征在于，所述通过生成对抗网络的方式对所述SAR电磁仿真图像与所述SAR目标图像进行处理，得到SAR目标图像虚拟样本集，包括以下步骤：
构建生成对抗网络中的生成器和判别器；
将所述SAR电磁仿真图像输入到生成器，得到与真实的SAR目标图像样本相似的生成样本；
将所述SAR电磁仿真图像或所述SAR目标图像输入到判别器，得到反馈信息；
生成器根据反馈信息输出所述SAR目标图像虚拟样本集。
4.根据权利要求1或3所述的一种SAR图像数据增强方法，其特征在于，所述生成对抗网络为GraphGAN。
5.根据权利要求3所述的一种SAR图像数据增强方法，其特征在于，所述生成器采用卷积神经网络结构。
6.一种SAR图像数据增强装置，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1-5任一项所述的一种SAR图像数据增强方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-5任一项所述的一种SAR图像数据增强方法。
CN201910589014.4A 2019-07-02 2019-07-02 一种sar图像数据增强方法、装置及存储介质 Pending CN110555811A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910589014.4A CN110555811A (zh) 2019-07-02 2019-07-02 一种sar图像数据增强方法、装置及存储介质
US16/530,724 US11428803B2 (en) 2019-07-02 2019-08-02 Method and apparatus for SAR image data enhancement, and storage medium
PCT/CN2020/099855 WO2021000902A1 (zh) 2019-07-02 2020-07-02 一种sar图像数据增强方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910589014.4A CN110555811A (zh) 2019-07-02 2019-07-02 一种sar图像数据增强方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN110555811A true CN110555811A (zh) 2019-12-10

Family

ID=68735445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910589014.4A Pending CN110555811A (zh) 2019-07-02 2019-07-02 一种sar图像数据增强方法、装置及存储介质

Country Status (3)

Country Link
US (1) US11428803B2 (zh)
CN (1) CN110555811A (zh)
WO (1) WO2021000902A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325809A (zh) * 2020-02-07 2020-06-23 广东工业大学 一种基于双对抗网络的外观图像生成方法
CN111368935A (zh) * 2020-03-17 2020-07-03 北京航天自动控制研究所 一种基于生成对抗网络的sar时敏目标样本增广方法
CN111398955A (zh) * 2020-03-13 2020-07-10 中国科学院电子学研究所苏州研究院 一种基于生成对抗神经网络的sar图像去旁瓣方法
CN111880438A (zh) * 2020-08-21 2020-11-03 航天科工微电子***研究院有限公司 一种基于双/多基sar成像的半实物仿真***
WO2021000902A1 (zh) * 2019-07-02 2021-01-07 五邑大学 一种sar图像数据增强方法、装置及存储介质
CN112232129A (zh) * 2020-09-17 2021-01-15 厦门熙重电子科技有限公司 基于生成对抗网络的电磁信息泄漏信号仿真***及方法
CN112233042A (zh) * 2020-11-05 2021-01-15 中国人民解放军国防科技大学 一种含非合作目标的大场景sar图像快速生成方法
CN112990342A (zh) * 2021-04-08 2021-06-18 重庆大学 一种半监督sar目标识别方法
CN114283235A (zh) * 2021-12-07 2022-04-05 中国科学院国家空间科学中心 一种基于有限角度投影数据的三维磁层重构方法及***
CN116150858A (zh) * 2023-04-19 2023-05-23 深圳市嘉闰州生态建工有限公司 建筑工程模板支架的自动排布***及方法
CN116660897A (zh) * 2023-05-19 2023-08-29 北京建筑大学 Sar微波视觉成像的获取方法、装置、计算机设备

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11300652B1 (en) * 2020-10-30 2022-04-12 Rebellion Defense, Inc. Systems and methods for generating images from synthetic aperture radar data using neural networks
CN112784774B (zh) * 2021-01-27 2022-08-23 山东农业大学 一种基于数据增强的小样本高光谱分类方法
US20220308203A1 (en) * 2021-03-24 2022-09-29 R2 Space, LLC Synthetic aperture radar simulation
CN113176573B (zh) * 2021-04-23 2022-06-17 哈尔滨工业大学 复数域结构化sar舰船目标动态仿真与速度估计方法
CN113189589B (zh) * 2021-05-08 2024-05-17 南京航空航天大学 基于卷积神经网络的多通道合成孔径雷达动目标检测方法
CN113378472B (zh) * 2021-06-23 2022-09-13 合肥工业大学 一种基于生成对抗网络的混合边界电磁逆散射成像方法
CN113806920B (zh) * 2021-08-25 2024-02-23 中山大学 一种无人机集群电磁散射仿真方法、装置、设备及介质
CN114519679B (zh) * 2022-02-21 2022-10-21 安徽大学 一种sar目标图像数据智能增强方法
CN115346109B (zh) * 2022-08-02 2023-07-18 北京新岳纵横科技有限公司 一种基于iou策略的增强样本生成方法
CN116092072B (zh) * 2022-12-12 2024-01-30 平湖空间感知实验室科技有限公司 一种航天器目标检测方法、***、存储介质和电子设备
CN116503737B (zh) * 2023-05-10 2024-01-09 中国人民解放军61646部队 基于空间光学图像的船舶检测方法和装置
CN117095309B (zh) * 2023-10-20 2024-01-16 武汉工程大学 一种极化sar影像旋转域特征表达提取与分类方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167019A (zh) * 2014-08-06 2014-11-26 电子科技大学 一种sar图像精确度计算方法
CN106355151A (zh) * 2016-08-30 2017-01-25 电子科技大学 一种基于深度置信网络的三维sar图像目标识别方法
CN107944370A (zh) * 2017-11-17 2018-04-20 西安电子科技大学 基于dccgan模型的极化sar图像分类方法
CN108492258A (zh) * 2018-01-17 2018-09-04 天津大学 一种基于生成对抗网络的雷达图像去噪方法
CN109190684A (zh) * 2018-08-15 2019-01-11 西安电子科技大学 基于素描及结构生成对抗网络的sar图像样本生成方法
CN109284786A (zh) * 2018-10-10 2019-01-29 西安电子科技大学 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN109766835A (zh) * 2019-01-11 2019-05-17 西安电子科技大学 基于多参数优化生成对抗网络的sar目标识别方法
CN109784401A (zh) * 2019-01-15 2019-05-21 西安电子科技大学 一种基于acgan的极化sar图像分类方法
CN109934282A (zh) * 2019-03-08 2019-06-25 哈尔滨工程大学 一种基于sagan样本扩充和辅助信息的sar目标分类方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9978013B2 (en) * 2014-07-16 2018-05-22 Deep Learning Analytics, LLC Systems and methods for recognizing objects in radar imagery
CN106228201B (zh) * 2016-06-20 2019-04-05 电子科技大学 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法
CN106569191A (zh) * 2016-10-17 2017-04-19 西北工业大学 一种利用高分辨率成像获取目标rcs的方法
CN111339695B (zh) * 2018-12-18 2023-07-25 富士通株式会社 用于电磁场仿真的装置和方法
CN113316792B (zh) * 2019-02-19 2024-03-26 赫尔实验室有限公司 将学习到的知识从eo域迁移到sar域的***、方法、介质
CN110472627B (zh) * 2019-07-02 2022-11-08 五邑大学 一种端到端的sar图像识别方法、装置及存储介质
CN110555811A (zh) * 2019-07-02 2019-12-10 五邑大学 一种sar图像数据增强方法、装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167019A (zh) * 2014-08-06 2014-11-26 电子科技大学 一种sar图像精确度计算方法
CN106355151A (zh) * 2016-08-30 2017-01-25 电子科技大学 一种基于深度置信网络的三维sar图像目标识别方法
CN107944370A (zh) * 2017-11-17 2018-04-20 西安电子科技大学 基于dccgan模型的极化sar图像分类方法
CN108492258A (zh) * 2018-01-17 2018-09-04 天津大学 一种基于生成对抗网络的雷达图像去噪方法
CN109190684A (zh) * 2018-08-15 2019-01-11 西安电子科技大学 基于素描及结构生成对抗网络的sar图像样本生成方法
CN109284786A (zh) * 2018-10-10 2019-01-29 西安电子科技大学 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN109766835A (zh) * 2019-01-11 2019-05-17 西安电子科技大学 基于多参数优化生成对抗网络的sar目标识别方法
CN109784401A (zh) * 2019-01-15 2019-05-21 西安电子科技大学 一种基于acgan的极化sar图像分类方法
CN109934282A (zh) * 2019-03-08 2019-06-25 哈尔滨工程大学 一种基于sagan样本扩充和辅助信息的sar目标分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕可: "复杂电磁环境下海军岸基雷达组网协同仿真训练方法研究", 《电子测量技术》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021000902A1 (zh) * 2019-07-02 2021-01-07 五邑大学 一种sar图像数据增强方法、装置及存储介质
CN111325809B (zh) * 2020-02-07 2021-03-12 广东工业大学 一种基于双对抗网络的外观图像生成方法
CN111325809A (zh) * 2020-02-07 2020-06-23 广东工业大学 一种基于双对抗网络的外观图像生成方法
CN111398955B (zh) * 2020-03-13 2022-04-08 中国科学院电子学研究所苏州研究院 一种基于生成对抗神经网络的sar图像去旁瓣方法
CN111398955A (zh) * 2020-03-13 2020-07-10 中国科学院电子学研究所苏州研究院 一种基于生成对抗神经网络的sar图像去旁瓣方法
CN111368935A (zh) * 2020-03-17 2020-07-03 北京航天自动控制研究所 一种基于生成对抗网络的sar时敏目标样本增广方法
CN111880438A (zh) * 2020-08-21 2020-11-03 航天科工微电子***研究院有限公司 一种基于双/多基sar成像的半实物仿真***
CN111880438B (zh) * 2020-08-21 2022-11-15 航天科工微电子***研究院有限公司 一种基于双/多基sar成像的半实物仿真***
CN112232129A (zh) * 2020-09-17 2021-01-15 厦门熙重电子科技有限公司 基于生成对抗网络的电磁信息泄漏信号仿真***及方法
CN112233042B (zh) * 2020-11-05 2021-05-11 中国人民解放军国防科技大学 一种含非合作目标的大场景sar图像快速生成方法
CN112233042A (zh) * 2020-11-05 2021-01-15 中国人民解放军国防科技大学 一种含非合作目标的大场景sar图像快速生成方法
CN112990342A (zh) * 2021-04-08 2021-06-18 重庆大学 一种半监督sar目标识别方法
CN112990342B (zh) * 2021-04-08 2023-09-19 重庆大学 一种半监督sar目标识别方法
CN114283235A (zh) * 2021-12-07 2022-04-05 中国科学院国家空间科学中心 一种基于有限角度投影数据的三维磁层重构方法及***
CN114283235B (zh) * 2021-12-07 2022-08-23 中国科学院国家空间科学中心 一种基于有限角度投影数据的三维磁层重构方法及***
CN116150858A (zh) * 2023-04-19 2023-05-23 深圳市嘉闰州生态建工有限公司 建筑工程模板支架的自动排布***及方法
CN116660897A (zh) * 2023-05-19 2023-08-29 北京建筑大学 Sar微波视觉成像的获取方法、装置、计算机设备
CN116660897B (zh) * 2023-05-19 2024-02-27 北京建筑大学 基于空间语义的sar成像获取方法、装置、计算机设备

Also Published As

Publication number Publication date
US20210003699A1 (en) 2021-01-07
US11428803B2 (en) 2022-08-30
WO2021000902A1 (zh) 2021-01-07

Similar Documents

Publication Publication Date Title
CN110555811A (zh) 一种sar图像数据增强方法、装置及存储介质
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
CN106228201B (zh) 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法
CN112395987B (zh) 基于无监督域适应cnn的sar图像目标检测方法
CN102915444B (zh) 图像配准
CN108052942B (zh) 一种飞机飞行姿态的视觉图像识别方法
CN111028327A (zh) 一种三维点云的处理方法、装置及设备
Tang et al. A geometrical-based simulator for target recognition in high-resolution SAR images
US9135747B2 (en) Method for 3D reconstruction of an object in a scene
CN110988818A (zh) 基于条件生成式对抗网络的欺骗干扰模板生成方法
CN110083915B (zh) 一种高频区雷达目标散射中心正向自动化建模方法
CN113486961A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法、***及计算机设备
CN116189147A (zh) 一种基于yolo的三维点云低功耗快速目标检测方法
CN117710583A (zh) 基于神经辐射场的空地影像三维重建方法、***及设备
CN116630937A (zh) 一种多模态融合的3d目标检测方法
CN115311653A (zh) 一种3d目标检测方法、装置、终端和存储介质
Tang et al. Target recognition method of laser imaging fuze based on deep transfer learning
CN114202684A (zh) 一种适用于水面环境的点云数据投影方法、***及装置
Lei et al. Multi-feature fusion sonar image target detection evaluation based on particle swarm optimization algorithm
CN106778870A (zh) 一种基于rpca技术的sar图像舰船目标检测方法
Huo et al. Virtual SAR target image generation and similarity
CN110991354A (zh) 基于逆空间变换网络的isar图像识别方法
CN117292439B (zh) 一种基于室内毫米波雷达的人体姿态识别方法及***
CN113971755B (zh) 基于改进yolov3模型的全天候海面目标检测方法
CN116363135B (zh) 基于高斯相似度的红外目标检测方法、装置、介质和设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191210