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

王汝意, 张汉卿, 韩冰, 等. 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[J]. 雷达学报, 2022, 11(4): 637–651. doi: 10.12000/JR21193
引用本文: 王汝意, 张汉卿, 韩冰, 等. 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[J]. 雷达学报, 2022, 11(4): 637–651. doi: 10.12000/JR21193
WANG Ruyi, ZHANG Hanqing, HAN Bing, et al. Multiangle SAR dataset construction of aircraft targets based on angle interpolation simulation[J]. Journal of Radars, 2022, 11(4): 637–651. doi: 10.12000/JR21193
Citation: WANG Ruyi, ZHANG Hanqing, HAN Bing, et al. Multiangle SAR dataset construction of aircraft targets based on angle interpolation simulation[J]. Journal of Radars, 2022, 11(4): 637–651. 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
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

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

Funds: The National Natural Science Foundation of China (61431018)
More Information
  • 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。

     

  • 图  1  集成平台实景图

    Figure  1.  Picture of integrated platform

    图  2  现场图像

    Figure  2.  Situation image

    图  3  试验航线规划局部图

    Figure  3.  Local figure of route planning

    图  4  数据集切片制作流程图

    Figure  4.  Flow chart of dataset making

    图  5  大棕熊数据集展示

    Figure  5.  Display of Quest dataset

    图  6  T504数据集展示

    Figure  6.  Display of T504 dataset

    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

    图  8  T504目标能量积分变化曲线

    Figure  8.  The integral curve of target energy of T504

    图  9  网络模型结构图

    Figure  9.  Structure diagram of network model

    图  10  生成器G 的网络结构图

    Figure  10.  Structure diagram of generator G

    图  11  判别器D的网络结构图

    Figure  11.  Structure diagram of discriminator D

    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

    图  13  目标能量积分角度补全

    Figure  13.  Angle completion of target energy integral

    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°

    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

    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

    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DCGANSAGAN
    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
    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
    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
    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DCGANSAGAN
    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
    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
    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
    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DCGANSAGAN
    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
    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
    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
    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
    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
    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
    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
    图像对比
    下载: 导出CSV
  • [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.
  • 加载中
图(16) / 表(6)
计量
  • 文章访问数:  1607
  • HTML全文浏览量:  551
  • PDF下载量:  105
  • 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

目录

    /

    返回文章
    返回