基于角度内插仿真的飞机目标多角度SAR数据集构建方法研究

王汝意; 张汉卿; 韩冰; 张月婷; 郭嘉逸; 洪文; 孙巍; 胡文龙

doi:10.12000/JR21193

基于角度内插仿真的飞机目标多角度SAR数据集构建方法研究

DOI: 10.12000/JR21193

王汝意^{1, 2, 3},
张汉卿^{1, 2, 3},
韩冰^{1, 2, 3, ,},
张月婷^{1, 2, 3},
郭嘉逸^{1, 2, 3},
洪文^{1, 2, 3},
孙巍^{1, 3},
胡文龙^{1, 2, 3}

1.
中国科学院空天信息创新研究院北京 100190
2.
中国科学院空间信息处理与应用系统技术重点实验室北京 100190
3.
中国科学院大学电子电气与通信工程学院北京 100049

基金项目: 国家自然科学基金(61431018)

详细信息

作者简介:
王汝意(1997–)，男，山东人，中国科学院空天信息创新研究院硕士生。2019年获北京科技大学通信工程学士学位。主要研究方向为SAR图像仿真

张汉卿(1997–)，男，山东人，中国科学院空天信息创新研究院博士生。主要研究方向为多角度SAR三维成像方法

韩　冰(1980–)，女，北京人，博士生导师，中国科学院空天信息创新研究院研究员。主要研究方向为先进体制星载SAR高精度成像处理、辐射校正与定标等数据处理关键技术，成果应用于SAR海洋遥感、多源遥感数据智能信息提取等领域

张月婷(1983–)，女，河北人，博士，中国科学院空天信息创新研究院副研究员。研究方向为SAR目标特性、SAR图像与遥感图像应用，发表SCI论文十余篇

郭嘉逸(1989–)，男，河北人，博士，中国科学院空天信息创新研究院助理研究员。研究方向为SAR图像深度学习应用、SAR图像与遥感图像复原应用，发表SCI论文十余篇

洪　文(1968–)，女，中国科学院空天信息创新研究院研究员，博士生导师。主要研究方向为多角度SAR数据处理方法、微波成像新概念新体制新方法等

孙　巍(1980–)，男，山东人，硕士，中国科学院空天信息创新研究院微波成像技术重点实验室副研究员。主要研究方向为SAR雷达系统设计和研制

胡文龙(1963–)，男，安徽人，博士，中国科学院空天信息创新研究院研究员。主要研究方向为雷达信号处理、雷达目标识别、高轨SAR新体制新方法等

通讯作者:
韩冰 han_bing@mail.ie.ac.cn

责任主编：曾涛 Corresponding Editor: ZENG Tao
中图分类号: TN959
计量
- 文章访问数: 3735
- HTML全文浏览量: 1613
- PDF下载量: 306
- 被引次数: 0
出版历程
- 收稿日期: 2021-11-27
- 修回日期: 2022-01-26
- 网络出版日期: 2022-03-10
- 刊出日期: 2022-08-28

Multiangle SAR Dataset Construction of Aircraft Targets Based on Angle Interpolation Simulation

WANG Ruyi^{1, 2, 3},
ZHANG Hanqing^{1, 2, 3},
HAN Bing^{1, 2, 3
, ,},
ZHANG Yueting^{1, 2, 3},
GUO Jiayi^{1, 2, 3},
HONG Wen^{1, 2, 3},
SUN Wei^{1, 3},
HU Wenlong^{1, 2, 3}

1.
Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100190, China
2.
Key Laboratory of Technology in Geo-spatial Information Processing and Application System, Beijing 100190, China
3.
School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing 100049, China

Funds: The National Natural Science Foundation of China (61431018)

More Information

Corresponding author: HAN Bing, han_bing@mail.ie.ac.cn

摘要

摘要: 随着SAR技术应用领域的扩大以及SAR数据获取技术的发展，构建各种典型目标的多角度SAR数据集的需求日益迫切。针对飞机目标，目前尚未有比较完备的多角度SAR图像数据集。该文探索了一种基于实测数据和智能仿真相结合的数据集构建方法，通过飞行试验采集飞机目标SAR多角度数据，并基于散射分析和自注意力生成对抗网络实现特定角度的SAR图像内插仿真，从而为数据集构建和扩容提供新的解决方案。最后，在假定部分数据缺失的情况下，通过6种评价指标对仿真图像和实际采集图像的相似度进行了评价，验证了所提方法的有效性。
- 数据集构建 /
- 飞机目标 /
- 图像仿真 /
- 生成对抗网络 /
- 自注意力
Abstract: With the expansion of Synthetic Aperture Radar (SAR) applications and the development of SAR data acquisition technology, multiangle SAR datasets of various typical targets need to be constructed. Presently, a comprehensive multiangle SAR image dataset for aircraft targets is still lacking. This study explores a method of dataset construction based on the acquisition of actual data and intelligent simulation. Multiangle SAR images of aircraft targets are collected through flight tests, and the interpolation simulations of SAR images of specific angles are realized based on scattering analysis and self-attention generative adversarial network, which provide a new solution for dataset construction and expansion. Finally, under the assumption that some data are missing, the similarities between the simulated and actual images are evaluated using six evaluation indices, which verify the effectiveness of the proposed method.
- Dataset construction /
- Airplane object /
- Image simulation /
- Generative adversarial network /
- Self-attention

HTML全文

图 1 集成平台实景图

Figure 1. Picture of integrated platform

下载: 全尺寸图片幻灯片

图 2 现场图像

Figure 2. Situation image

下载: 全尺寸图片幻灯片

图 3 试验航线规划局部图

Figure 3. Local figure of route planning

下载: 全尺寸图片幻灯片

图 4 数据集切片制作流程图

Figure 4. Flow chart of dataset making

下载: 全尺寸图片幻灯片

图 5 大棕熊数据集展示

Figure 5. Display of Quest dataset

下载: 全尺寸图片幻灯片

图 6 T504数据集展示

Figure 6. Display of T504 dataset

下载: 全尺寸图片幻灯片

图 7 大棕熊目标能量积分变化曲线

Figure 7. The integral curve of target energy of Quest

下载: 全尺寸图片幻灯片

图 8 T504目标能量积分变化曲线

Figure 8. The integral curve of target energy of T504

下载: 全尺寸图片幻灯片

图 9 网络模型结构图

Figure 9. Structure diagram of network model

下载: 全尺寸图片幻灯片

图 10 生成器G 的网络结构图

Figure 10. Structure diagram of generator G

下载: 全尺寸图片幻灯片

图 11 判别器D的网络结构图

Figure 11. Structure diagram of discriminator D

下载: 全尺寸图片幻灯片

图 12 SAGAN的自注意力模块网络拓扑图

Figure 12. Topology of the self-attention module network in SAGAN

下载: 全尺寸图片幻灯片

图 13 目标能量积分角度补全

Figure 13. Angle completion of target energy integral

下载: 全尺寸图片幻灯片

图 14 0°的大棕熊SAR图像及其方位向频谱图

Figure 14. SAR image and azimuthal spectrum of Quest at 0°

下载: 全尺寸图片幻灯片

图 15 距离向=50和90处的方位向频谱曲线

Figure 15. Azimuth spectrum curves at range = 50 and range = 90

下载: 全尺寸图片幻灯片

图 16 去除距离向=90处的条纹后的结果

Figure 16. Results after removing the stripe at range = 90

下载: 全尺寸图片幻灯片

表 1 对照实验设计

Table 1. Design of control experiment

对照实验	仿真方法	数据集	仿真图像
实验1	线性插值 DCGAN SAGAN	0°, 10°, 20°, ···, 330°, 340°, 350°等 36个角度的切片图像	5°, 15°, 25°, ···, 335°, 345°, 355°等 36个角度的生成图像
实验2	线性插值 DCGAN SAGAN	0°, 20°, 40°, ···, 300°, 320°, 340°等 18个角度的切片图像	10°, 30°, 50°, ···, 310°, 330°, 350°等 18个角度的生成图像
实验3	线性插值 DCGAN SAGAN	0°, 30°, 60°, ···, 270°, 300°, 330°等 12个角度的切片图像	15°, 45°, 75°, ···, 285°, 315°, 345°等 12个角度的生成图像

下载: 导出CSV

表 2 大棕熊飞机的实验结果

Table 2. The results of Quest

对照实验	评价指标	真实图像	线性插值	DCGAN	SAGAN
实验1	均值方差动态范围等效视数辐射分辨率 MSSSIM	8.3478 222.7115 24.0191 0.3544 4.4122 1.0000	7.2824 180.5600 24.0654 0.3296 4.5283 0.8796	2.2015 332.6937 24.0645 0.0155 9.8494 0.7208	7.4473 184.9680 23.6535 0.3411 4.5109 0.9109
实验1	图像对比
实验2	均值方差动态范围等效视数辐射分辨率 MSSSIM	7.9940 196.1860 23.9936 0.3610 4.3566 1.0000	7.3991 195.2122 24.0654 0.3201 4.5477 0.8176	1.9416 299.9074 24.0654 0.0132 10.1238 0.7182	7.9586 171.7767 23.5524 0.4067 4.2361 0.8687
实验2	图像对比
实验3	均值方差动态范围等效视数辐射分辨率 MSSSIM	9.3860 269.7321 24.0088 0.3585 4.4068 1.0000	6.8494 177.5682 24.0654 0.2871 4.6584 0.7895	3.9641 444.1880 24.0654 0.0371 8.4001 0.6872	7.2850 151.7025 23.1066 0.3805 4.2585 0.8322
实验3	图像对比

下载: 导出CSV

表 3 T504飞机的实验结果

Table 3. The results of T504

对照实验	评价指标	真实图像	线性插值	DCGAN	SAGAN
实验1	均值方差动态范围等效视数辐射分辨率 MSSSIM	7.6944 233.4476 24.0310 0.2890 4.7038 1.0000	6.4487 195.5095 24.0654 0.2472 4.9370 0.8883	2.3689 419.6468 24.0654 0.0139 10.0759 0.7865	6.9906 207.3487 23.7438 0.3000 4.7565 0.9144
实验1	图像对比
实验2	均值方差动态范围等效视数辐射分辨率 MSSSIM	7.6757 223.5757 24.0259 0.2928 4.6348 1.0000	6.2026 181.2341 24.0654 0.2448 4.9537 0.8056	2.6880 455.8974 24.0548 0.0168 9.6976 0.7633	7.6460 207.0935 23.6946 0.3564 4.5942 0.8757
实验2	图像对比
实验3	均值方差动态范围等效视数辐射分辨率 MSSSIM	8.0766 248.2839 24.0408 0.3004 4.6469 1.0000	5.8539 166.7415 24.0654 0.2394 4.9320 0.7346	3.7857 588.1618 24.0654 0.0259 9.2289 0.7276	7.7380 176.5282 23.3641 0.3768 4.2544 0.8358
实验3	图像对比

下载: 导出CSV

表 4 2S1的实验结果

Table 4. The results of 2S1

对照实验	评价指标	真实图像	DCGAN	SAGAN
实验1	均值方差动态范围等效视数辐射分辨率 MSSSIM	40.2738 2180.6988 24.0654 0.7570 3.3949 1.0000	17.9584 2994.0535 24.0654 0.1094 6.1325 0.6334	37.3199 1911.7460 24.0654 0.7521 3.3834 0.6378
实验1	图像对比
实验2	均值方差动态范围等效视数辐射分辨率 MSSSIM	37.8375 2047.7608 24.0654 0.7171 3.4513 1.0000	16.6881 2725.6077 24.0654 0.1034 6.1879 0.6271	38.1466 1780.0209 24.0654 0.8523 3.2304 0.6078
实验2	图像对比
实验3	均值方差动态范围等效视数辐射分辨率 MSSSIM	41.7061 2236.8337 24.0654 0.7884 3.3453 1.0000	15.5795 2792.1799 24.0654 0.0872 6.4576 0.5594	36.2191 1809.6890 24.0654 0.7392 3.4129 0.5744
实验3	图像对比

下载: 导出CSV

表 5 条纹背景去除前后的SAR图像对比

Table 5. Comparison of SAR images before and after removing stripes

角度	去除条纹前的SAR图像	去除条纹后的SAR图像	去条纹前后SAR图像的差值
0°
85°
90°
175°
180°
270°
355°

下载: 导出CSV

表 6 去除条纹区域的对照实验结果

Table 6. The results of the control experiment with the removal of the background area

对照实验	评价指标	去条纹前的仿真图像	去条纹后的仿真图像
实验1	均值方差动态范围等效视数辐射分辨率 MSSSIM	7.4473 184.9680 23.6535 0.3411 4.5109 0.9109	6.9914 222.9078 23.6961 0.3154 4.9534 0.8978
实验1	图像对比
实验2	均值方差动态范围等效视数辐射分辨率 MSSSIM	7.9586 171.7767 23.5524 0.4067 4.2361 0.8687	7.9711 169.2302 23.5418 0.4252 4.3732 0.8752
实验2	图像对比
实验3	均值方差动态范围等效视数辐射分辨率 MSSSIM	7.2850 151.7025 23.1066 0.3805 4.2585 0.8322	8.2949 149.7321 23.5496 0.4837 4.4068 0.8299
实验3	图像对比

下载: 导出CSV

参考文献(16)

[1]	李彩萍, 张永军. 典型目标SAR图像模拟[J]. 指挥技术学院学报, 1999, 10(2): 60–64, 70. LI Caiping and ZHANG Yongjun. SAR image simulation of typical object[J]. Journal of Institute of Command and Technology, 1999, 10(2): 60–64, 70.
[2]	李国靖, 叶伟, 劳国超, 等. 欺骗目标仿真SAR图像可信度评估方法[J]. 电子信息对抗技术, 2018, 33(3): 53–58. doi: 10.3969/j.issn.1674-2230.2018.03.011 LI Guojing, YE Wei, LAO Guochao, et al. Credibility assessment for simulated SAR image of deceptive target[J]. Electronic Information Warfare Technology, 2018, 33(3): 53–58. doi: 10.3969/j.issn.1674-2230.2018.03.011
[3]	GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial networks[J]. Advances in Nerual Information Processing System, 2014, 3: 2672–2680. doi: 10.1145/3422622
[4]	GUO Jiayi, LEI Bin, DING Chibiao, et al. Synthetic aperture radar image synthesis by using generative adversarial nets[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(7): 1111–1115. doi: 10.1109/LGRS.2017.2699196
[5]	ZHANG Mingrui, CUI Zongyong, WANG Xianyuan, et al. Data augmentation method of SAR image dataset[C]. 2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 2018: 5292–5295.
[6]	张明蕊. SAR图像数据分集与扩容方法研究[D]. [硕士论文], 电子科技大学, 2019. ZHANG Mingrui. Research of SAR image data dversity and data augmentation method[D]. [Master disseration] School of Information and Communication Engineering, 2019.
[7]	孙智博, 徐向辉. 基于谱归一化生成对抗网络的目标SAR图像仿真方法[J]. 计算机与现代化, 2020(8): 14–20. doi: 10.3969/j.issn.1006-2475.2020.08.003 SUN Zhibo and XU Xianghui. Simulation method of target SAR image based on spectral normalization generative adversarial network[J]. Computer and Modernization, 2020(8): 14–20. doi: 10.3969/j.issn.1006-2475.2020.08.003
[8]	LIU Lei, PAN Zongxu, QIU Xiaolan, et al. SAR target classification with CycleGAN transferred simulated samples[C]. IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 2018: 4411–4414.
[9]	林翊青, 李景文. 大距离徙动情况下距离多普勒(RD)算法与后向投影(BP)算法的比较[J]. 雷达科学与技术, 2004, 2(6): 349–354. doi: 10.3969/j.issn.1672-2337.2004.06.007 LIN Yiqing and LI Jingwen. Comparison of RD algorithm and BP algorithm under severe range migration[J]. Radar Science and Technology, 2004, 2(6): 349–354. doi: 10.3969/j.issn.1672-2337.2004.06.007
[10]	黄培康, 殷红成, 许小剑. 雷达目标特性[M]. 北京: 电子工业出版社, 2005: 51–63. HUANG Peikang, YIN Hongcheng, and XU Xiaojian. Radar Target Characteristic[M]. Beijing: Publishing House of Electronics Industry, 2005: 51–63.
[11]	TENG Fei, HONG Wen, and LIN Yun. Aspect entropy extraction using circular SAR data and scattering anisotropy analysis[J]. Sensors, 2019, 19(2): 346. doi: 10.3390/s19020346
[12]	邹秀芳, 朱定局. 生成对抗网络研究综述[J]. 计算机系统应用, 2019, 28(11): 1–9. doi: 10.15888/j.cnki.csa.007156 ZOU Xiufang and ZHU Dingju. Review on generative adversarial network[J]. Computer Systems &Applications, 2019, 28(11): 1–9. doi: 10.15888/j.cnki.csa.007156
[13]	ZHANG H, GOODFELLOW I, METAXAS D, et al. Self-attention generative adversarial networks[Z]. arXiv: 1805.08318, 2018.
[14]	MIYATO T, KATAOKA T, KOYAMA M, et al. Spectral normalization for generative adversarial networks[Z]. arXiv: 1802.05957, 2018.
[15]	张晗. SAR图像质量评估方法研究[D]. [硕士论文], 国防科学技术大学, 2012: 23–25. ZHANG Han. Research on the SAR image quality assessment[D]. [Master disseration] National University of Defense Technology, 2012: 23–25.
[16]	WANG Z, SIMONCELLI E P, and BOVIK A C. Multiscale structural similarity for image quality assessment[C]. The Thirty-Seventh Asilomar Conference on Signals, Systems & Computers, 2003, Pacific Grove, USA, 2003: 1398–1402.