作者中心
专家审稿
责编办公
编辑办公
Active Blanket Jamming Suppression Method for Spaceborne SAR Images Based on Regional Feature Refinement Perceptual Learning
-
摘要: 星载合成孔径雷达(SAR)系统常受到强电磁干扰而导致成像质量下降，但现有基于图像域的干扰抑制方法易造成图像失真、纹理细节信息丢失等难题。针对上述问题，该文提出了一种基于区域特征细化感知学习的星载SAR图像有源压制干扰抑制方法。首先，建立了星载SAR图像域有源压制干扰信号和图像模型；其次，设计一种基于区域特征感知的高精度干扰识别网络，利用高效通道注意力机制，提取SAR图像有源压制干扰图样特征，可以有效识别SAR图像干扰区域；然后，构建一种基于SAR图像和压制干扰特征联合学习的多元区域特征细化干扰抑制网络，将SAR图像切分为多元区域，采用多模块协同处理多元区域上的压制干扰特征，实现复杂场景条件下SAR图像有源压制干扰的精细化抑制。最后，构建SAR图像有源压制干扰仿真数据集，且采用哨兵1号实测数据进行实验验证分析。实验结果表明所提方法能有效识别和抑制星载SAR图像多种典型有源压制干扰。Abstract: Spaceborne Synthetic Aperture Radar (SAR) systems are often subject to strong electromagnetic interference, resulting in imaging quality degradation. However, existing image domain-based interference suppression methods are prone to image distortion and loss of texture detail information, among other difficulties. To address these problems, this paper proposes a method for suppressing active suppression interferences inspaceborne SAR images based on perceptual learning of regional feature refinement. First, an active suppression interference signal and image model is established in the spaceborne SAR image domain. Second, a high-precision interference recognition network based on regional feature perception is designed to extract the active suppression interference pattern features of the involved SAR image using an efficient channel attention mechanism, consequently resulting in effective recognition of the interference region of the SAR image. Third, a multivariate regional feature refinement interference suppression network is constructed based on the joint learning of the SAR image and suppression interference features, which are combined to form the SAR image and suppression interference pattern. A feature refinement interference suppression network is then constructed based on the joint learning of the SAR image and suppression interference feature. The network slices the SAR image into multivariate regions, and adopts multi-module collaborative processing of suppression interference features on the multivariate regions to realize refined suppression of the active suppression interference of the SAR image under complex conditions. Finally, a simulation dataset of SAR image active suppression interference is constructed, and the evaluated Sentinel-1 data are used for experimental verification and analysis. The experimental results show that the proposed method can effectively recognize and suppress various typical active suppression interferences in spaceborne SAR images.
-
1. 引言
星载合成孔径雷达(Synthetic Aperture Radar, SAR)作为一种全天时、全天候、大幅宽的主动式微波成像雷达，具备运行轨道高、飞行速度快且不受国界和领空限制的优势，能产生地面目标区域或海域的高分辨率图像，在军事侦察、天文学应用及地形测绘领域具备重大应用价值[1−7]。然而，面对日益复杂的电磁环境，电子战成为常态，星载SAR系统常受到强电磁干扰而导致成像质量下降。因此，为提高星载SAR系统在复杂电磁环境中的信息获取能力，开展有效的星载SAR干扰抑制方法研究显得尤为重要和迫切。
星载SAR的干扰和干扰抑制是一对“矛”和“盾”的关系。有源干扰是对抗星载SAR成像监测的一种有效方式，星载SAR系统受到有源干扰的可能性非常高[8]。按照是否发射电磁信号，SAR干扰可分为无源干扰和有源干扰两大类。其中，有源干扰作为主要的干扰手段可分为压制式干扰和欺骗式干扰。尽管欺骗式干扰具备形成虚假点目标或面目标的能力，但是很难达到“以假乱真”的干扰效果，在工程应用方面的进程较为缓慢。因此，压制式干扰凭借其干扰覆盖范围广和易于实现的优势，仍是重要的SAR对抗手段。而从本质上来说，SAR干扰抑制基于干扰和真实回波信号的特征差异，从而实现干扰抑制并保留或增强真实回波信号。对于压制干扰而言，其与真实回波信号在信号域及图像域有明显的分布特征差异。
针对有源压制干扰对星载SAR图像造成严重破坏的难题，国内外学者已提出了多种干扰抑制方法。现有的干扰抑制方法一般可分为信号域干扰抑制方法[9−15]及图像域干扰抑制方法[16−19]。如文献[10]应用最小均方自适应滤波方法从宽带SAR信号中去除窄带射频噪声干扰，在TOPSAR系统获取的实测数据上验证了其有效性。文献[12]在频域对窄带干扰完成初步检测后，利用一维自适应特征子空间滤波方法在时域实现干扰抑制，该方法将干扰检测和抑制相结合，为后续SAR干扰抑制研究提供了较好参照。上述基于信号域的干扰抑制方法虽易于实现，但容易导致信号频谱损失。为进一步降低真实回波信号频谱失真，一些基于参数化模型的信号域干扰抑制方法应运而生[13−15]。如文献[14]将稳健主成分分析法(Robust Principal Component Analysis, RPCA)用于时频域的信号分离，该方法假设SAR接收信号可被建模为低秩矩阵和稀疏矩阵的对应组合，可利用RPCA算法对干扰和真实回波进行分离，从而达到良好的干扰抑制效果。然而，当窄带干扰不满足低秩假设时，该方法可能会失效。文献[15]采用“低秩”+“稀疏”分解模型提取干扰并自适应估计超参数取值，一定程度上缓解了超参数取值对干扰抑制效果的约束。上述方法虽有效保护了目标信号，但存在计算复杂度高及如何选取合适超参数的挑战。此外，针对图像域的干扰抑制有学者进行了相关研究并取得一定成果。如文献[16]提出了一种后验滤波方法并在E-SAR L波段数据上验证了其有效性。该方法能改善射频干扰造成的成像质量下降问题，但面对星载SAR受到的高功率压制干扰，易导致抑制后获取的SAR图像分辨率不足且易丢失关键性信息的问题。针对单视复图像(Single Look Complex, SLC)上的射频干扰，文献[17]假设底层干净图像服从高斯分布且射频干扰分量占主导，基于图像域干扰伪影的子空间空变特性，提出了一种分块子空间滤波方法(Block Subspace Filter, BSF)进行干扰抑制。实验结果充分表明了其良好性能及应用潜力。然而，当该假设不成立时，BSF算法性能可能会受到影响。此外，文献[18]提出了一种二维谱分析方法(2D SPECAN)对SLC图像中的线性调频(Linear Frequency-Modulated, LFM)干扰进行抑制，并在哨兵一号(Sentinel-1)数据上验证了方法的有效性。然而，该方法需要知道先验信息，如干扰的方位和距离调频斜率等。尽管上述图像域干扰抑制方法有助于解决SAR中的多类干扰问题，但其抑制效果常受限于参数设置及先验信息等。
2019年以来，人工智能技术快速发展，深度学习凭借其参数自适应的优势被应用于SAR抗干扰领域。深度学习在干扰样式识别领域取得了一定进展[20−22]。如文献[21]提出了一种利用注意力机制的分类网络对多种SAR有源干扰样式进行识别，实验结果表明了该方法的有效性和稳健性。文献[20]将原型网络应用于小样本下的欺骗干扰识别，利用原型网络训练雷达信号从而提取特征参数和时频图像两个模态的特征，获得了良好的识别效果。此外，一些学者也在探索将深度学习应用于SAR干扰抑制领域的可能性[23−25]。如文献[23]利用深度卷积网络来识别回波中的射频干扰，构建基于ResNet的抑制网络模型在时频域对干扰进行滤除。该方法为本文的研究提供了思路，但其抑制的干扰样式较为单一。文献[25]基于干扰在时频域的低秩性和稀疏性，设计了一种干扰抑制网络来重构目标信号且具备较强的泛化性。上述深度学习干扰抑制方法大多基于信号域，而图像域的较少。此外，图像去噪作为计算机视觉领域的重要研究方向，广泛应用于去雨、去雾、去模糊等任务[26−29]。但是，基于深度学习的图像去噪方法可能无法有效滤除SAR图像上的压制干扰特征。
针对上述问题，本文基于星载SAR有源压制干扰机理，分析了有源压制干扰在图像域的特征，将SAR干扰样式识别作为抑制方法中的重要环节，提出了一种基于区域特征细化感知学习的星载SAR图像有源压制干扰抑制方法。具体而言，设计了一种结合高效注意力机制的高精度干扰识别网络，对多类别的压制干扰样式进行准确识别；针对识别网络识别出的干扰样式，构建了一种多元区域特征细化干扰抑制网络来抑制星载SAR图像上的有源压制干扰；最后，实验结果验证了所提方法的有效性。
2. 星载SAR信号模型
星载SAR易受到来自舰船、地面雷达及卫星之间的有意压制干扰或无意压制干扰而导致成像质量下降[30,31]。假设星载SAR发射线性调频信号，可表示如下：
$$ {\boldsymbol{S}}\left( t \right) = {\text{rect}}\left( {t/{T_{\mathrm{p}}}} \right)\exp \left[ {{\mathrm{j}}2\pi \left( {{f_0}t + {k_{\mathrm{r}}}{t^2}/2} \right)} \right] $$ (1) 式中，${f_0}$表示中心频率，${k_{\mathrm{r}}}$表示调频斜率，${T_{\mathrm{p}}}$表示脉冲宽度，t表示距离快时间。星载SAR压制干扰几何模型如图1所示。
针对星载SAR成像，当干扰源频率在星载SAR系统接收信号带宽范围内时，星载SAR系统将会受到有源压制干扰。受到有源压制干扰的回波信号可建模为
$$ {{\boldsymbol{S}}_{\mathrm{Y}}}\left( t \right) = {{\boldsymbol{S}}_{\mathrm{X}}}\left( t \right) + {{\boldsymbol{S}}_{\mathrm{I}}}\left( t \right) + {{\boldsymbol{S}}_{\mathrm{N}}}\left( t \right) $$ (2) 式中，$ {{\boldsymbol{S}}_{\text{Y}}}\left( t \right) $表示接收机接收到的回波，$ {{\boldsymbol{S}}_{\text{X}}}\left( t \right) $表示成像区域散射形成的目标回波，$ {{\boldsymbol{S}}_{\text{I}}}\left( t \right) $表示压制干扰，$ {{\boldsymbol{S}}_{\text{N}}}\left( t \right) $表示背景噪声。
本文分析了3种典型的有源压制干扰样式，包括射频干扰[32,33] (Radio Frequency Interference, RFI)、噪声卷积调制干扰[34] (Noise Convolution Modulation Jamming, NCMJ)及移频干扰[35] (Shift Frequency Jamming, SFJ)。其中，射频噪声干扰一般可分为噪声调频干扰和噪声调幅干扰，其表示如下：
$$ \left\{ \begin{aligned} & {{\boldsymbol{S}}_{{\mathrm{FRFI}}}}\left( \tau \right) = \sum\limits_{m = 1}^M {{A_m}\exp\left( {{\mathrm{j}}2\pi {\tau _m}{t_\tau } + {\mathrm{j}}\pi {K_{{\mathrm{FM}}}}{t_\tau^2 }} \right)} ,\\ & \qquad\tau = 1,2, \cdots ,T \\ & {{\boldsymbol{S}}_{{\mathrm{ARFI}}}}\left( \tau \right) = \sum\limits_m^M {{A_m}\left( {{t_\tau }} \right)} \exp\left( {{\mathrm{j}}2\pi {\tau _m}{t_\tau }} \right),\\ & \qquad \tau = 1,2, \cdots ,T \end{aligned} \right. $$ (3) 式中，${{\boldsymbol{S}}_{{\mathrm{FRFI}}}}\left( \tau \right)$表示噪声调频干扰，${{\boldsymbol{S}}_{{\mathrm{ARFI}}}}\left( \tau \right)$表示噪声调幅干扰，${\tau _m}$, ${A_m}$, ${K_{{\mathrm{FM}}}}$分别表示第m个射频噪声干扰的距离采样点数、幅度及调频斜率，${t_\tau }$表示第$\tau $个距离采样时刻。
噪声卷积调制干扰可以获得脉冲压缩的处理增益，产生压制式干扰效果，可表示为
$$ {{\boldsymbol{S}}_{{\mathrm{NCM}}}}\left( {k,l} \right) = s\left( {k,l} \right) * g\left( {k,l} \right) $$ (4) 式中，$* $代表卷积运算，k和l分别表示距离向快时间和方位向慢时间，$g\left( {k,l} \right)$为与星载SAR发射信号进行卷积的噪声信号，$s\left( {k,l} \right)$为截获到的SAR信号，假设为线性调频信号。
移频干扰是星载SAR的真实信号参数被侦察接收机检测到之后，信号中心频率改变而其他信号参数保持不变的干扰方法。若不保留脉间相位相关性，其成像结果为占据一定宽度的似噪条带，可压制分布式目标，其表示如下：
$$ {{\boldsymbol{S}}_{{\mathrm{SF}}}}\left( \tau \right) = {{\boldsymbol{S}}_{\mathrm{X}}}\exp \left( {{\mathrm{j}}2\pi {f_{\mathrm{d}}}{t_{\tau} } + \varphi } \right),\tau = 1,2, \cdots ,T $$ (5) 式中，${{\boldsymbol{S}}_{\mathrm{X}}}$表示目标回波，$\varphi $表示随机相位，${f_{\mathrm{d}}}$表示移频量。上述典型的有源压制干扰样式在特定应用背景下可达到较好的干扰效果。
针对式(2)可建立距离-方位时间的星载SAR信号模型及图像模型如下：
$$ \left\{ \begin{aligned} & {{\boldsymbol{Y}}\left( {k,l} \right) = {\boldsymbol{X}}\left( {k,l} \right) + {\boldsymbol{I}}\left( {k,l} \right) + {\boldsymbol{N}}\left( {k,l} \right),k = 1,2, \cdots ,K} \\ & {{\boldsymbol{I}}_{{\mathrm{SI}}}}\left( {k,l} \right) = {{\boldsymbol{G}}_{{\mathrm{IMG}}}}\left( {k,l} \right) * {\boldsymbol{Y}}\left( {k,l} \right)\\ &\qquad\quad\;\, = {{\boldsymbol{I}}_{\mathrm{T}}}\left( {k,l} \right) + {{\boldsymbol{I}}_{\mathrm{I}}}\left( {k,l} \right) + {{\boldsymbol{I}}_{\mathrm{N}}}\left( {k,l} \right) \end{aligned} \right. $$ (6) 式中，${\boldsymbol{X}}\left( {k,l} \right)$表示目标信号，${\boldsymbol{I}}\left( {k,l} \right)$表示压制干扰，${\boldsymbol{N}}\left( {k,l} \right)$表示背景噪声信号，${{\boldsymbol{G}}_{{\mathrm{IMG}}}}\left( {k,l} \right)$, ${{\boldsymbol{I}}_{\mathrm{T}}}\left( {k,l} \right)$, ${{\boldsymbol{I}}_{\mathrm{I}}}\left( {k,l} \right)$及${{\boldsymbol{I}}_{\mathrm{N}}}\left( {k,l} \right)$分别表示星载SAR系统的成像响应函数、目标图像、压制干扰图像及背景噪声图像。显然，当星载SAR受到有源压制干扰时，SAR图像会丢失大量细节信息。针对星载SAR有源压制干扰图像模型，典型图像域干扰抑制的问题数学模型可表示为
$$ \begin{split} & {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} (k,l) = \arg \mathop {\min }\limits_{{{\boldsymbol{I}}_{\mathrm{T}}}\left( {k,l} \right)} f\left( {{{\boldsymbol{I}}_{{\mathrm{SI}}}}\left( {k,l} \right),{{\boldsymbol{I}}_{\mathrm{T}}}\left( {k,l} \right)} \right),\\ & {\text{s}}{\text{.t}}{\text{. }}{{\boldsymbol{I}}_{{\mathrm{SI}}}}\left( {k,l} \right) = {{\boldsymbol{G}}_{{\mathrm{IMG}}}}\left( {k,l} \right) * {\boldsymbol{Y}}\left( {k,l} \right) \end{split} $$ (7) 式中，$ {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} (k,l) $表示优化之后的星载SAR图像，$ f(\cdot) $为代价函数，传统方法的代价函数通常为均方误差、图像熵等。
3. 基于区域特征细化感知学习的干扰抑制方法
3.1 干扰抑制方法总体流程
为有效抑制星载SAR图像有源压制干扰，本文构建${l_2}$范数约束的凸优化模型来求解式(7)中的问题模型，表示如下：
$$ \begin{split} & {{\hat {\boldsymbol{I}}_{\mathrm{T}}}} \left( {k,l} \right) = {\mathrm{arg}}\mathop {\min}\limits_{{{\boldsymbol{I}}_{\mathrm{T}}}\left( {k,l} \right)} {\left\| {{{\boldsymbol{I}}_{\mathrm{T}}}\left( {k,l} \right) - {{\boldsymbol{I}}_{{\mathrm{SI}}}}\left( {k,l} \right)} \right\|_2},\\ & {\mathrm{s}}.{\mathrm{t}}.{\text{ }}{{\boldsymbol{I}}_{{\mathrm{SI}}}}\left( {k,l} \right) = {{\boldsymbol{G}}_{{\mathrm{IMG}}}}\left( {k,l} \right) * {\boldsymbol{Y}}\left( {k,l} \right) \end{split} $$ (8) 基于此，本文提出了一种基于区域特征细化感知学习的干扰抑制方法。首先，基于压制干扰机理及信号模型，搭建SAR图像有源压制干扰仿真数据集。其次，为避免不必要的计算资源浪费，实现更为有效的星载SAR图像有源压制干扰抑制，本文将干扰识别作为重要环节，设计一种基于区域特征感知的干扰识别网络(Interference Recognition Network based on Regional Feature Perception, IRRFPNet)模块，命名为IRRFPNet，以识别输入的SAR图像中是否含有干扰。针对识别出的干扰图像，构建一种基于SAR图像和压制干扰特征联合学习的多元区域特征细化干扰抑制网络(Diverse Regional Feature Refinement Interference Suppression Network, DRFRISNet)模块，命名为DRFRISNet，以训练干扰数据，抑制SAR图像上的压制干扰，输出无干扰的高质量SAR图像。本文所提星载SAR图像有源压制干扰抑制方法的总体流程如图2所示。
3.2 干扰识别网络模块
为准确定位星载SAR图像中的压制干扰特征区域并获取高精度识别结果，本文设计干扰识别网络模块IRRFPNet。为强化有价值的干扰特征信息同时抑制无关信息，IRRFPNet利用高效通道注意力模块(Efficient Channel Attention, ECA)自适应地确定局部跨通道交互作用的覆盖范围[36]。此外，还将跳跃连接模块(Skip Connection Module, SCM)添加到深层特征映射中以防止网络退化[37]。图3为IRRFPNet示意图。
假设样本特征集合${\boldsymbol{X}} = \left\{ {{x_1},{x_2}, \cdots ,{x_m}} \right\}$及类别集合${\boldsymbol{C}} = \left\{ {{c_1},{c_2}, \cdots ,{c_n}} \right\}$，则IRRFPNet的目标是找到一个映射规则$\psi \left( {\boldsymbol{X}} \right)$，使其满足有且仅有一个${c_i} \in {\boldsymbol{C}}$，使得${c_i} = \psi \left( {\boldsymbol{X}} \right)$。给定输入星载SAR图像${{\boldsymbol{X}}_{{\mathrm{in}}}} \in {\mathbb{R}^{H \times W \times 3}}$，IRRFPNet的识别过程可表示如下：
$$ \left\{ \begin{aligned} & {{\boldsymbol{H}} = {\mathrm{FC}}\left( {{\mathrm{FE}}\left( {{\mathrm{FD}}\left( {{{\mathrm{Conv}}_{1 \times 1}}\left( {{{\boldsymbol{X}}_{{\mathrm{in}}}}} \right)} \right)} \right)} \right)} \\ & {{c_h} = \frac{{{{\mathrm{e}}^{{H_h}}}}}{{\displaystyle\sum\nolimits_u {{{\mathrm{e}}^{{H_u}}}} }}} \\ & {{{\boldsymbol{Y}}_{{\mathrm{out}}}} = {\mathrm{max}}\;{c_u}} \end{aligned} \right. $$ (9) 式中，$ {\mathrm{FC}}(\cdot) $表示全连接层操作，$ {\mathrm{FE}}(\cdot) $表示${\mathrm{FE}}$单元的响应函数，$ {\mathrm{FD}}(\cdot) $表示${\mathrm{FD}}$单元的响应函数，$ {{\mathrm{Conv}}}_{1\times 1}(\cdot) $表示卷积运算，可对输入的星载SAR图像进行多通道多维变换以表征更丰富的干扰信息。${\boldsymbol{C}} \in {\mathbb{R}^{N \times 1}}$为N类别的预测值，${{\boldsymbol{Y}}_{{\mathrm{out}}}}$为输出的干扰类别。
3.3 干扰抑制网络模块
针对3.2节获得的星载SAR干扰图像，为有效抑制星载SAR图像上的有源压制干扰，本文采用干扰抑制网络模块DRFRISNet。图4为DRFRISNet示意图，${{\boldsymbol{I}}_{\text{I}}}$和$ {{\hat{\boldsymbol{I}}_{\text{T}}}} $分别表示星载SAR有源压制干扰图像及干扰抑制后的星载SAR图像。为保留有效的图像纹理细节，获取更接近地面真实信息的无干扰星载SAR图像，本文将输入图像分割为不重叠的图像块[38]。为了让浅层结构聚焦于星载SAR图像的局部信息，从而为深层结构提供可靠的残差信息，DRFRISNet采用图像块分层结构作为基础结构。DRFRISNet主要由低层别特征提取(Low-Level Feature Extraction, LLFE)单元、多尺度平衡-特征聚焦处理(Multiscale Equilibrium and Feature Focusing Processing, MEFFP)单元、渐进局部监督注意力(Asymptotic Localized Supervised Attention, ALSA)单元及逐像素特征细化重构(Pixel-by-Pixel Feature Refinement Reconstruction, PPFRR)单元组成。首先，设计LLFE单元以自适应关注和提取不同尺度的通道特征；其次，采用MEFFP单元以平衡和融合多尺度特征，同时滤除干扰特征；然后，采用ALSA单元筛选多层级间的有用目标特征信息，以增强星载SAR图像目标特征的恢复效益。最后，利用PPFRR单元来重构全领域像素的空间级表征，以获取空间信息丰富的高质量星载SAR图像。为最大限度地保留图像空间细节信息，从浅层结构到深层结构，特征信息依次进行传递和变换，同时各干扰特征处理单元协同处理特征信息。对于浅层结构而言，LLFE单元提取不同尺度的特征信息之后，MEFFP单元学习特征信息。然后，引入ALSA单元提供有效的监控信号，在局部监督预测作用下生成注意力特征映射以抑制信息量较少的特征，只允许有用的特征信息传递到下一层级，从而实现浅层结构对星载SAR图像局部信息的聚焦。此外，每两个层级结构之间利用ALSA单元实现渐进式的特征学习，细化前一层级的特征然后传递到下一层级。为保留输入图像到输出图像的精细细节特征，在最后的层级结构中，采用PPFRR单元协助获取空间细节信息丰富的星载SAR图像。
为提高DRFRISNet处理不同尺度特征的灵活性，增强跨特征通道的判别学习能力，获取更多高频信息，本文设计了低层别特征提取单元(LLFE-Module)来自适应地调整通道的特征信息。图5为LLFE单元的结构示意图。
首先，输入特征映射f 经过一个大小为$3 \times 3$的卷积扩充维度得到通道特征映射${{\boldsymbol{k}}_1} \in {\mathbb{R}^{H \times W \times C}}$，以提取更为丰富的特征信息。而后，${{\boldsymbol{k}}_1}$进入RCA模块，得到通道特征映射${{\boldsymbol{k}}_2} \in {\mathbb{R}^{H \times W \times C}}$。RCA模块利用ReLU激活函数的稀疏性以提升DRFRISNet的计算效率。然后，${{\boldsymbol{k}}_2}$经全局平均池化、卷积操作及ReLU激活函数后得到通道特征映射${{\boldsymbol{k}}_3} \in {\mathbb{R}^{H \times W \times C}}$。之后，${{\boldsymbol{k}}_3}$经Sigmoid激活函数处理后与${{\boldsymbol{k}}_2}$进行元素相乘，得到通道特征映射${{\boldsymbol{k}}_4} \in {\mathbb{R}^{H \times W \times C}}$。 最后，${{\boldsymbol{k}}_4}$同${{\boldsymbol{k}}_1}$进行元素相加得到输出特征映射${{\boldsymbol{f}}^\prime }$。上述过程可表示如下：
$$ \left\{\begin{aligned} & {{\boldsymbol{k}}}_{1}={{\mathrm{Conv}}}_{3\times 3}\left({\boldsymbol{f}},{m}_{0}\right) \\ & {{\boldsymbol{k}}}_{2}={{\mathrm{Conv}}}_{3\times 3}\left({\mathrm{ReLU}}\left({{\mathrm{Conv}}}_{3\times 3}\left({{\boldsymbol{k}}}_{1},{m}_{1}\right)\right)\right) \\ & {{\boldsymbol{k}}}_{3}={{\mathrm{Conv}}}_{3\times 3}\left({\mathrm{ReLU}}\left({{\mathrm{Conv}}}_{3\times 3}\left({\mathrm{GAP}}\left({{\boldsymbol{k}}}_{2},{m}_{2}\right)\right)\right)\right) \\ & {{\boldsymbol{k}}}_{4}={\mathrm{Sigmoid}}\left({{\boldsymbol{k}}}_{3}\right)\cdot{{\boldsymbol{k}}}_{2} \\ & {{\boldsymbol{f}}}'={{\boldsymbol{k}}}_{4}+{{\boldsymbol{k}}}_{1} \end{aligned}\right. $$ (10) 不同尺度的上下文信息经LLFE单元处理后，为进一步确保各尺度特征信息的充分变换与有效传递，本文构建MEFFP单元以实现多尺度特征的平衡和融合，同时抑制星载SAR图像中的干扰特征。
图6为MEFFP单元示意图。其中，编码器的输入可表示为
$$ {{\boldsymbol{M}}_{{\text{SI}}}} = {{\boldsymbol{M}}_{\text{T}}} + {{\boldsymbol{M}}_{\text{I}}} + {{\boldsymbol{M}}_{\mathrm{N}}} $$ (11) 式中，${{\boldsymbol{M}}_{\text{T}}}$，${{\boldsymbol{M}}_{\text{I}}}$和${{\boldsymbol{M}}_{\mathrm{N}}}$分别表示目标特征、压制干扰特征及噪声特征。编码器的下采样操作有助于充分扩充特征感受野，有效提升特征的通道聚合效益。此外，编码器编码多尺度星载SAR图像干扰特征，以提取更深层的语义特征。深层特征完成合并之后，多图像块的同尺度特征融合后传递到解码器。解码器则通过上采样操作聚焦深层干扰特征，不同尺度的特征经过解码器实现了尺度特征平衡。
此外，图6(b)所示的多尺度特征融合结构可确保尺度特征得到有效融合，其表示如下：
$$ {{\boldsymbol{M}}_{{\mathrm{E}}i + 1}} = {\chi _{i + 1}}\left( {{{\boldsymbol{M}}_{{\mathrm{E}}i}} + {{\boldsymbol{N}}_{{\mathrm{D}}i}}} \right) $$ (12) 式中，$ {\chi }_{i}(\cdot) $代表第i个解码器的响应函数，${{\boldsymbol{M}}_{{\mathrm{E}}i}}$和${{\boldsymbol{N}}_{{\mathrm{D}}i}}$分别表示第i个编码器和解码器的输出。
MEFFP单元基于尺度特征的维数变换对星载SAR干扰图像进行处理，然而星载SAR所受高强度压制干扰可导致原始细节信息退化。因此，本文利用ALSA单元提供显式监控信号来提升目标特征信息的恢复效益，生成注意力特征映射以进一步地抑制干扰特征。
图7(a)为ALSA单元示意图。首先，输入特征经过卷积操作与原始星载SAR图像进行融合得到特征映射${{\boldsymbol{u}}_1} \in {\mathbb{R}^{H \times W \times 3}}$。然后，${{\boldsymbol{u}}_1}$通过LEFFE单元生成引导式注意力映射。同时，输入U经过RCA模块进一步获取通道间的交互特征信息。最后，输入U和特征映射${{\boldsymbol{u}}_2}$进行特征融合，生成增强的注意力特征映射${\boldsymbol{V}} \in {\mathbb{R}^{H \times W \times C}}$。上述过程可表示如下：
$$ \left\{\begin{aligned} & {{\boldsymbol{u}}}_{1}={{\mathrm{Conv}}}_{1\times 1}\left({\boldsymbol{U}},{\varepsilon }_{1}\right)+{{\boldsymbol{I}}}_{{\mathrm{T}}} \\ & {{\boldsymbol{u}}}_{2}={{\rm{F}}}_{{\mathrm{RCA}}}\left({\boldsymbol{U}}\right)\cdot {{\rm{F}}}_{{\mathrm{LLFE}}}\left({{\boldsymbol{u}}}_{1}\right) \\ & {\boldsymbol{P}}={{\rm{F}}}_{{\mathrm{C}}}\left({{\boldsymbol{f}}}^{\prime },{\boldsymbol{V}}\right) \end{aligned} \right.$$ (13) 式中，$ {{\rm{F}}}_{{\mathrm{RCA}}}(\cdot) $和$ {{\rm{F}}}_{{\mathrm{LLFE}}}(\cdot) $分别表示RCA模块及LEFFE单元对应的响应函数。
初始输入的星载SAR干扰图像经生成图像块操作后，逐步映射为低分辨率的尺度表征，再利用反向映射可获取具有精细化空间语义特征的无干扰星载SAR图像[39]。基于此，本文构建PPFRR单元以强化像素间的空间交互关系，逐步实现星载SAR目标图像的精细化像素级表征，图7(b)为PPFRR单元示意图。其中，LLFE单元及ALSA单元的输出融合生成的特征映射P可表示如下：
$$ {\boldsymbol{P}} = {{{{\mathrm{F}}}}_{\mathrm{C}}}\left( {{\boldsymbol{f}}',{\boldsymbol{V}}} \right) $$ (14) 式中，$ {{\rm{F}}}_{{\mathrm{C}}}(\cdot) $表示连接操作。此外，特征细化重构子模块(FFR-Submodule)的输出${\boldsymbol{q}}'$可表示如下：
$$ {\boldsymbol{q}}' = {\boldsymbol{q}} + {{\rm{F}}_{{\mathrm{RCA}}}}\left( {{{\rm{F}}_{{\mathrm{RCA}}}}\left( {{{\rm{F}}_{{\mathrm{RCA}}}}\left( {\left( {{{\rm{F}}_{{\mathrm{RCA}}}}\left( {\boldsymbol{q}} \right)} \right)} \right)} \right)} \right) $$ (15) 式中，$ {{\rm{F}}}_{{\mathrm{RCA}}}(\cdot) $表示RCA单元的响应函数，FFR子模块高效整合了通道间的交互信息。之后，来自MEFFP单元的尺度特征信息流与对应的FFR子模块输出进行特征融合，可表示如下：
$$ \begin{split} {{\boldsymbol{P}}_i} =\,& {{\rm{F}}_{{{\mathrm{FFR}}_i}}}\left( {{{\boldsymbol{P}}_{i - 1}}} \right) + {{\mathrm{Conv}}_{1 \times 1}}({{\boldsymbol{N}}_{{\mathrm{D}}i}},{\lambda _i})\\ & + {{\mathrm{Conv}}_{1 \times 1}}({{\boldsymbol{M}}_{{\mathrm{E}}i}},{\lambda _i}) \end{split} $$ (16) 式中，${{\boldsymbol{P}}_{i - 1}}$与${{\boldsymbol{P}}_i}$分别表示与第i个FFR子模块相对应的输入和输出，$ {{\rm{F}}}_{{{\mathrm{FFR}}}_{i}}(\cdot) $表示FFR子模块的响应函数。为修复维数变换造成的特征损失，利用${{\boldsymbol{M}}_{{\mathrm{E}}i}}$和${{\boldsymbol{N}}_{{\mathrm{D}}i}}$将多尺度特征信息流传递至第i个FFR子模块。然后，传输信息流进行特征融合，得到精细化像素级表征的输出特征映射。PPFRR单元的输出经卷积操作实现降维，最终可获取空间信息丰富的高质量星载SAR图像，其表示如下：
$$ {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} = {{\mathrm{Conv}}_{3 \times 3}}\left( {{\boldsymbol{P}}',{\lambda _4}} \right) $$ (17) 式中，$ {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} $表示干扰抑制后的星载SAR图像。PPFRR单元把握像素空间多尺度特性，同时结合正向特征映射与反向特征映射的互补优势。PPFRR单元中的逐像素设计有助于DRFRISNet恢复星载SAR图像中的目标特征信息，获取具备空间信息丰富的高质量星载SAR图像。
3.4 损失函数
为保留星载SAR图像的高频纹理结构信息，综合DRFRISNet训练对于收敛速度和收敛性能的需求，本文采用Charbonnier loss[40]和Edge loss[41]的组合作为损失函数，其表示如下：
$$ \left\{ \begin{aligned} & {{\rm{L}} = {{\rm{L}}_{{\mathrm{char}}}}\left( { {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} ,{{\boldsymbol{I}}_{{\mathrm{GT}}}}} \right) + \alpha {{\mathrm{L}}_{{\mathrm{edge}}}}\left( { {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} ,{{\boldsymbol{I}}_{{\mathrm{GT}}}}} \right)} \\ & {{{\rm{L}}_{{\mathrm{char}}}} = \sqrt {{{\left\| { {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} - {{\boldsymbol{I}}_{{\mathrm{GT}}}}} \right\|}^2} + \rho } } \\ & {{{\rm{L}}_{{\mathrm{edge}}}} = \sqrt {{{\left\| {{\nabla ^2}\left( { {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} } \right) - {\nabla ^2}\left( {{{\boldsymbol{I}}_{{\mathrm{GT}}}}} \right)} \right\|}^2} + \rho } } \end{aligned} \right. $$ (18) 式中，${{\boldsymbol{I}}_{{\mathrm{GT}}}}$表示真值SAR图像。参数$\alpha $则用于控制两个损失项的相对重要性，根据经验值设置为0.05。$ {{\rm{L}}}_{{\mathrm{char}}}(\cdot) $代表Charbonnier loss，惩罚因子$\rho $用于控制网络复杂度，根据经验值设置为${10^{ - 6}}$。Charbonnier loss在零点附近由于$\rho $的存在避免了梯度消失，且对异常值不敏感，避免过度放大误差。$ {{\rm{L}}}_{{\mathrm{edge}}}(\cdot) $代表Edge loss，$ \nabla (\cdot) $表示矩阵梯度运算。Edge loss侧重于高频纹理结构信息提取，有利于提升获取SAR图像的细节表现。
4. 实验验证
4.1 评估指标
为定量评估星载SAR图像有源压制干扰抑制性能，本文采取图像熵[42] (Image Entropy, IEN)、图像锐度[43] (Image Sharpness, ISH) 、图像对比度[44] (Image Contrast, ICO)、峰值信噪比[45] (Peak Signal to Noise Ratio, PSNR)及结构相似性[46] (Structural Similarity, SSIM)对各方法干扰抑制效能进行定量评估。
SAR图像峰值信噪比和结构相似性可定义如下：
$$ \left\{ \begin{aligned} & {\mathrm{PSNR}}\left( { {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} ,{{\boldsymbol{I}}_{{\text{GT}}}}} \right) = 10\lg \frac{{{{\left( {{V_{{\mathrm{peak}}}}} \right)}^2}}}{{{\mathrm{MSE}}\left( { {\hat{\boldsymbol{{I}}_{\mathrm{T}}}} ,{{\boldsymbol{I}}_{{\mathrm{GT}}}}} \right)}} \\ & {\mathrm{SSIM}}\left( { {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} ,{{\boldsymbol{I}}_{{\text{GT}}}}} \right) = \frac{{\left( {2{\mu _{\mathrm{t}}}{\mu _{{\mathrm{gt}}}} + {k_1}} \right)\left( {2{\eta _{{\mathrm{t}},{\mathrm{gt}}}} + {k_2}} \right)}}{{\left( {{\mu _{\mathrm{t}}^2 } + {\mu _{{\mathrm{gt}}}^2} + {k_1}} \right)\left( {{\eta _{\mathrm{t}}^2} + {\eta _{{\mathrm{gt}}}^2} + {k_2}} \right)}} \end{aligned} \right. $$ (19) 式中，${\mathrm{MSE}}\left( { {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} ,{{\boldsymbol{I}}_{{\text{GT}}}}} \right)$表示$ {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} $及${{\boldsymbol{I}}_{{\text{GT}}}}$之间的均方误差，${V_{{\mathrm{peak}}}}$表示$ {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} $中的最大像素值，${\mu _{\mathrm{t}}}$及${\eta _t}$分别表示$ {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} $的局部均值及标准差，${\mu _{{\mathrm{gt}}}}$及${\eta _{{\mathrm{gt}}}}$分别表示${{\boldsymbol{I}}_{{\text{GT}}}}$的局部均值及标准差，${\eta _{t,{\mathrm{gt}}}}$表示$ {{\hat{\boldsymbol{I}}_{\mathrm{T}}}} $及${{\boldsymbol{I}}_{{\text{GT}}}}$之间的协方差，${k_1}$和${k_2}$均为非零常数。一般情况下，PSNR数值越大表明干扰抑制后的星载SAR图像质量越好，SSIM数值越大表明星载SAR图像干扰抑制效果越好。
4.2 数据集
本文结合SAR原始图像数据与干扰仿真数据，搭建SAR图像有源压制干扰仿真数据集。首先，仿真3种压制干扰：射频噪声干扰、噪声卷积干扰及移频干扰，3种干扰的仿真参数如表1所示。其次，获取的星载SAR图像数据来源于ICEYE SAR卫星及TerraSAR-X卫星，包含城市、机场、港口及海洋等典型成像场景。此外，为构建利于网络训练的数据集，将大场景图像裁剪为尺寸为512像素×512像素的图像。然后，将SAR图像数据同干扰仿真数据相叠加，构成SAR图像有源压制干扰仿真数据集。该数据集包含
4960 幅图像，其中，训练集含有4000 幅子图像，每组测试集含有960幅图像。仿真数据集对应区域如图8所示。表 1 干扰参数设置Table 1. Jamming parameters configuration参数 移频干扰及噪声卷积调制干扰 射频噪声干扰 中心频率 4 GHz 10 GHz 采样率 120 MHz 120 MHz 脉冲持续时间 3 μs 10 μs 调频斜率 1.6655 $ \times $1013 Hz/s5$ \times $1013 Hz/s 脉冲重复频率 1000 Hz1000 Hz场景中心最近斜距 1136 m8485 m本文在Windows系统上进行实验，以PyTorch作为程序后端。硬件配置：(1)CPU为Intel(R) i7-
8700 ；(2)GPU为NVIDIA RTX4060Ti，内存为64 GB。4.3 仿真实验
为了对比不同方法的识别性能，本文选取SpnasNet100[47]、FBNetc100[48]、ResNet18[49]、MnasNet[50]及IRRFPNet进行压制干扰样式识别。本文从训练集中选取一定数量的样本，并针对所选取的样本随机设置干信比数据为5 dB, 10 dB, 15 dB及25 dB，将其划分为4组测试集(分别命名为Test_1, Test_2, Test_3及Test_4)。图9为5种网络训练过程损失值及总体识别精度对比图。由图9(a)可知，相较于其他4种方法，本文方法在训练初期实现了快速收敛，具备更稳定的收敛性能。由图9(b)可知，IRRFPNet的总体识别精度最高，可针对不同压制干扰样式进行更优识别。
图 9 5种网络训练过程损失值曲线和总体识别精度对比Figure 9. Comparison of loss value and mean overall accuracy of five networks in training process表2给出了5种方法对3种压制干扰样式的识别性能比较结果，其中OA (the Overall Accuracy)代表总体识别精度。由表2可得，所提方法的总体识别精度最高，达到99.764%以上。其中，IRRFPNet在Test_2测试集上的识别精度最高，达到了99.858%，较识别精度次优的MnasNet高出3.233%。IRRFPNet在Test_3测试集上的识别精度为99.764%，和其他3组测试集相比最低，但仍比识别精度次优的MnasNet高出5.244%。结果表明所提方法具备良好的场景自适应性，可获取高精度压制干扰样式识别结果，同时有良好的稳健性和泛化性。
表 2 5种网络识别性能比较(%)Table 2. Comparison of recognition performance of five networks (%)测试集 方法 射频噪声干扰 卷积调制干扰 移频干扰 无干扰 OA
Test_1SpnasNet100 95.208 88.125 93.375 94.750 92.865 FBNetc100 97.750 83.750 94.620 97.083 93.301 ResNet18 82.604 73.750 80.067 81.625 79.512 MnasNet 96.250 92.500 95.625 97.060 95.359 IRRFPNet 99.806 99.628 99.760 99.905 99.775 Test_2 SpnasNet100 95.833 78.625 89.500 91.792 88.938 FBNetc100 96.235 84.375 94.125 93.958 92.173 ResNet18 81.460 72.165 77.250 82.500 78.344 MnasNet 98.750 91.875 96.250 95.625 96.625 IRRFPNet 99.875 99.792 99.840 99.925 99.858
Test_3SpnasNet100 92.315 82.583 96.250 89.255 90.101 FBNetc100 95.000 85.250 90.402 94.750 91.351 ResNet18 80.572 74.500 81.267 79.875 79.054 MnasNet 97.372 85.625 98.125 96.958 94.520 IRRFPNet 99.790 99.895 99.370 100.00 99.764
Test_4SpnasNet100 94.875 81.015 92.000 92.583 90.118 FBNetc100 93.750 80.625 91.535 95.000 90.228 ResNet18 79.708 72.250 78.375 80.917 77.813 MnasNet 98.125 87.500 97.500 97.002 95.032 IRRFPNet 99.885 99.680 99.792 99.950 99.827 针对IRRFPNet获取的星载SAR干扰图像，为比较不同方法的干扰抑制性能，本文选取传统图像域压制干扰抑制方法(陷波滤波方法)[51,52]及两种计算机视觉领域优秀的图像去噪算法——RESCAN[53]及DRDNet[54]进行对比实验。干扰抑制仿真实验结果如图10所示(其中，第1列和第2列分别给出SAR干扰图像及其对应真值图像，第3至6列给出不同方法的干扰抑制结果)，图10场景1、场景2的干扰区域放大图如图11所示。对于图10 4种不同场景上的压制干扰，陷波滤波方法及RESCAN的干扰抑制效果均较差，丢失了大量图像细节，无法有效抑制几种压制干扰。陷波滤波方法的基本思想是检测出干扰频点并将其置零，这将导致大量纹理细节的丢失。此外，DRDNet对于场景1中的干扰抑制存在纹理细节保留不足的问题，且对于场景3中的干扰特征无法实现有效滤除。相较于上述方法，DRFRISNet对不同场景上的多种压制干扰进行抑制后，干扰特征均得到更有效的滤除。结果表明所提方法能更有效保留星载SAR图像纹理细节信息，具备较高的场景自适应性。
图 11 图10场景1、场景2中的干扰区域放大图Figure 11. Enlarged view of the interference region of Fig. 10 scene 1 and scene 2本文采用多种量化指标对实验结果进行分析。首先，为定量评估各方法抑制效能的优劣，本文以真值图像作为参考，比较了不同方法干扰抑制后获取的星载SAR图像与真值图像的多项评估指标结果。表3给出了不同方法的图像熵、图像锐度及图像对比度结果。由表3可知，所提方法的IEN, ISH及ICO数值和真值图像最为接近，表明DRFRISNet抑制干扰后可获取高质量且包含更多目标细节信息的星载SAR图像。
表 3 不同方法仿真实验的IEN, ISH及ICO指标计算结果Table 3. Calculation of IEN, ISH and ICO for simulation experiments with different methods场景(图10) 方法 IEN ISH ICO 场景1 真值图像 5.2194 – 17.6613 3.0279 陷波滤波方法 5.3487 – 19.6172 4.2246 RESCAN 5.2284 – 14.7195 1.5356 DRDNet 5.2154 – 17.6395 3.0118 DRFRISNet 5.2195 – 17.6701 3.0127 场景2 真值图像 5.9682 – 15.2466 1.7486 陷波滤波方法 5.4960 – 19.9296 3.5259 RESCAN 5.9116 – 14.1725 1.3188 DRDNet 5.9688 – 15.2465 1.7455 DRFRISNet 5.9678 – 15.2465 1.7480 场景3 真值图像 6.9088 – 9.6839 1.1570 陷波滤波方法 6.6281 – 13.7598 1.7738 RESCAN 7.1879 – 8.9641 1.0095 DRDNet 7.0350 – 9.3704 1.2169 DRFRISNet 6.8098 – 9.7194 1.1240 场景4 真值图像 6.9806 – 10.5063 1.6968 陷波滤波方法 6.9089 – 12.4531 1.6764 RESCAN 7.0970 – 8.9138 1.2965 DRDNet 6.9258 – 10.1447 1.6503 DRFRISNet 6.9495 – 10.2587 1.6625 其次，为定量评估各方法干扰抑制后获取的星载SAR图像质量高低，本文以真值图像作为参考，采用PSNR和SSIM作为评估指标。表4给出了不同方法的PSNR及SSIM结果。如表4所示，DRFRISNet在4种场景上均呈现了更为优越的抑制效能，且进行干扰抑制后获取的图像质量最高。其中，所提方法在场景2上的抑制效果最好，PSNR值为
38.4685 ， SSIM值为0.9905 ，实验结果次优的DRDNet的PSNR和SSIM值分别为33.7739 及0.9582 。场景3包含海洋及港口背景下的较高强度的射频干扰，所提方法在场景3上的PSNR值为33.5751 ，SSIM值为0.9818 ，能有效滤除具备全场景压制效果的射频干扰。结果表明所提方法进行干扰抑制后可获取高质量星载SAR图像，抑制效能更为优越。表 4 不同方法仿真实验的PSNR及SSIM指标计算结果Table 4. Calculation of PSNR and SSIM for simulation experiments with different methods场景(图10) 陷波滤波方法 RESCAN DRDNet DRFRISNet PSNR (dB) SSIM PSNR (dB) SSIM PSNR (dB) SSIM PSNR (dB) SSIM 场景1 16.3777 0.0386 27.7221 0.8847 31.2742 0.9459 37.9279 0.9889 场景2 16.2330 0.4063 29.2225 0.8790 33.7739 0.9582 38.4685 0.9905 场景3 13.8495 0.3880 26.3501 0.8551 30.8176 0.9351 33.5751 0.9818 场景4 15.0873 0.5388 26.6142 0.8661 31.9454 0.9405 34.2852 0.9872 4.4 实测实验
为进一步验证本文方法的有效性，本文从哨兵1号上获取了GRD (Ground Range Detected)图像，并利用其周期性构造星载SAR图像实测数据集。该数据集被划分为训练集和测试集。其中，训练集有
1522 张SAR图像，测试集包含1460 张SAR图像。其地理位置描述如图12所示，不同干扰切片的距离时频谱如图13所示。
图 12 实测数据对应的大场景区域(红色框表示成像区域)Figure 12. Large scenario regions corresponding to measured data (where the red box indicates the imaging area)
图 13 实测数据中干扰切片的时频谱图Figure 13. Time-frequency spectra of interference slices in the measured data哨兵1号实测数据的干扰抑制结果如图14所示，图14场景7、图14场景8中的干扰区域放大图如图15所示。如图14场景7，对于高强度压制干扰及呈现条带式压制效果的干扰，陷波滤波方法和RESCAN很难发挥有效的抑制作用，丢失了大量SAR图像纹理细节信息。如图14场景7、图14场景9，DRDNet无法有效应对海洋及岛屿上的压制干扰及高强度干扰，抑制后的星载SAR图像仍有较为明显的干扰特征。图14场景7、图14场景8上的压制干扰强度不同，本文所提DRFRISNet在两幅场景上皆达到了优异的抑制效果，表明本文方法可针对不同强度的干扰施行有效抑制。同时，在其他场景上DRFRISNet的抑制效果较其他3种方法更为优越。如图14场景5、图14场景6，针对海域及山脉上的压制干扰，所提方法干扰抑制后获取了无干扰的高质量星载SAR图像，保留了原始SAR图像场景上的纹理细节信息。结果表明DRFRISNet具备场景自适应性，且能有效应对不同强度的压制干扰。
图 14 哨兵1号数据的干扰抑制实测实验结果Figure 14. Experimental results of interference suppression measurement experiments on Sentinel-1 data
图 15 图14场景7、图14场景8中的干扰区域放大图Figure 15. Enlarged view of the interference region in scene 7 and scene 8 in Fig. 14本文以真值图像作为参考，采取多种指标进行定量评估。表5给出了不同方法的IEN, ISH及ICO指标计算结果，由表可得，在不同场景上DRFRISNet和真值图像的IEN, ISH及ICO值最为接近，这进一步表明了所提方法具备场景自适应性，且对于不同样式、不同强度的压制干扰，所提方法均展现了其针对性抑制星载SAR图像干扰的有效性和优越性。
表 5 不同方法实测实验的IEN, ISH及ICO指标计算结果Table 5. Calculation of IEN, ISH and ICO for simulation experiments with different methods场景(图14) 方法 IEN ISH ICO 场景(图14) 方法 IEN ISH ICO 场景5 真值图像 4.2833 – 15.9504 4.8074 场景8 真值图像 6.4156 – 12.9350 1.6968 陷波滤波方法 5.4302 – 16.9256 3.9217 陷波滤波方法 5.2377 – 22.1863 1.6764 RESCAN 2.0471 – 16.5179 4.7079 RESCAN 5.8306 – 14.1303 1.2965 DRDNet 2.1126 – 16.3571 4.9755 DRDNet 5.8738 – 14.5922 1.6503 DRFRISNet 4.5146 – 16.0021 4.8075 DRFRISNet 5.8820 – 12.8447 1.6625 场景6 真值图像 7.6337 – 6.8687 1.7486 场景9 真值图像 4.7258 – 13.1804 1.1027 陷波滤波方法 6.9500 – 12.0783 3.5259 陷波滤波方法 5.7357 – 18.7759 1.2968 RESCAN 7.5334 – 7.1883 1.3188 RESCAN 3.0881 – 16.2433 0.9492 DRDNet 7.5670 – 6.7022 1.7455 DRDNet 5.3006 – 13.4509 1.0238 DRFRISNet 7.6074 – 6.9875 1.7480 DRFRISNet 4.3446 – 13.0803 1.0785 场景7 真值图像 6.6716 – 10.5940 1.1570 场景10 真值图像 7.0936 – 9.2369 1.0057 陷波滤波方法 5.8949 – 18.3770 1.7738 陷波滤波方法 6.1757 – 16.8893 1.8313 RESCAN 6.3696 – 9.1933 1.0095 RESCAN 6.6451 – 11.9947 0.9725 DRDNet 6.3970 – 9.5748 1.2169 DRDNet 6.6612 – 10.5871 1.0673 DRFRISNet 6.4196 – 10.5294 1.1240 DRFRISNet 6.8497 – 10.0975 1.0162 表6给出了不同方法的PSNR及SSIM指标计算结果，由表可得，DRFRISNet在图14场景5、图14场景9场景上的抑制效果较其他场景更优。其中，场景5上的PSNR值为
33.8496 ，SSIM值为0.9895 ，表明所提方法对于海洋及岛屿上的压制干扰能发挥优异抑制效能。同时，对于高强度压制干扰，所提方法的抑制效能最优。如场景7上的块状压制干扰，DRFRISNet的PSNR值为25.1023 ，SSIM值为0.8409 ，而次优的DRDNet的PSNR值及SSIM值分别为24.4211 和0.8170 。在其他场景上，所提方法的量化指标结果均是最出色的。结果表明，对于星载SAR图像上的多样式压制干扰，DRFRISNet均能发挥有效抑制效能，可针对性地抑制星载SAR图像上的有源压制干扰特征，同时保留关键纹理细节信息，获取高质量的星载SAR图像。表 6 不同方法实测实验的PSNR及SSIM指标计算结果Table 6. Calculation of PSNR and SSIM for simulation experiments with different methods场景(图14) 干扰图像 陷波滤波方法 RESCAN DRDNet DRFRISNet PSNR (dB) SSIM PSNR (dB) SSIM PSNR (dB) SSIM PSNR (dB) SSIM PSNR (dB) SSIM 场景5 30.4133 0.9762 23.7897 0.8769 29.8113 0.9709 30.4442 0.9777 33.8496 0.9895 场景6 17.0048 0.8226 10.8052 0.2450 19.7852 0.8897 22.0794 0.9336 24.2911 0.9615 场景7 17.4517 0.5136 11.2595 0.1435 23.8517 0.7756 24.4211 0.8170 25.1023 0.8409 场景8 20.6213 0.6646 14.5254 0.1686 22.9472 0.7413 24.4636 0.7874 26.4066 0.9075 场景9 20.1741 0.8653 15.3698 0.3536 22.1510 0.8895 30.3326 0.9860 31.6360 0.9910 场景10 16.5528 0.5407 11.5139 0.1652 18.8683 0.6463 20.3926 0.7298 30.9412 0.9693 为验证DRFRISNet中所设计的LLFE单元对提升抑制效果的有效性，本文采用相同的参数设置利用实测数据对LLFE单元进行了一组消融实验。图16为实测数据中LLFE单元的消融实验结果，由图可知，在未采用LLFE单元的情况下，场景6–场景9上的干扰特征较为明显，且丢失了图像细节信息，干扰抑制效果较差。这是由于DRFRISNet未学习到通道中的特征信息，从而影响了干扰抑制效果。表7为对LLFE单元进行消融实验的PSNR及SSIM指标计算结果，由表可知，在未采用LLFE单元的情况下，PSNR及SSIM指标计算结果和采用LLFE单元时的结果相比较差。消融实验结果表明了LLFE单元提升干扰抑制效果的有效性。
表 7 对LLFE单元进行消融实验的PSNR及SSIM指标计算结果Table 7. Calculation of PSNR and SSIM metrics for ablation experiments on LLFE-Moudle场景(图16) 无LLFE单元 有LLFE单元 PSNR (dB) SSIM PSNR (dB) SSIM 场景11 23.7820 0.8988 30.5310 0.9815 场景12 19.0430 0.8691 24.1102 0.9586 场景13 24.3205 0.7932 25.2305 0.8490 场景14 21.5722 0.7218 26.7804 0.9118 5. 结语
针对多场景情况下的星载SAR图像有源压制干扰，本文将干扰识别和抑制相结合，提出了基于区域特征细化感知学习的干扰抑制方法。首先，为准确识别SAR图像上的有源压制干扰，基于高效通道注意力机制构建了IRRFPNet，结果表明所提方法能有效提取SAR图像上的干扰特征，实现星载SAR干扰图像的高精度识别。在此基础上，针对识别出的SAR干扰图像，构建一种基于SAR图像和压制干扰特征联合学习的DRFRISNet进行干扰抑制，获取具备丰富纹理细节信息的高质量SAR图像。实验结果表明，所提抑制方法能有效抑制星载SAR图像上的有源压制干扰，PSNR值在特定场景上提升了10 dB，对多样式的压制干扰抑制更为有效。
总之，本文所提方法具备实现的灵活性及多压制干扰样式的应用通用性。不仅可直接处理Level-1 幅度图像数据，还可抑制复杂场景条件下的多类别压制干扰。目前，本文对于图像域压制干扰抑制尚处在初步探索阶段，仍有许多挑战需要克服。比如，如何从星载SAR大场景中快速截取干扰区域并进行有效抑制。此外，还需提高计算资源利用效率，进一步缩短干扰抑制处理时间等。未来，我们将研究这些问题的解决方案，并针对更复杂的压制干扰样式设计更有效的抑制方法。
-
图 9 5种网络训练过程损失值曲线和总体识别精度对比
Figure 9. Comparison of loss value and mean overall accuracy of five networks in training process
图 11 图10场景1、场景2中的干扰区域放大图
Figure 11. Enlarged view of the interference region of Fig. 10 scene 1 and scene 2
图 12 实测数据对应的大场景区域(红色框表示成像区域)
Figure 12. Large scenario regions corresponding to measured data (where the red box indicates the imaging area)
图 13 实测数据中干扰切片的时频谱图
Figure 13. Time-frequency spectra of interference slices in the measured data
图 14 哨兵1号数据的干扰抑制实测实验结果
Figure 14. Experimental results of interference suppression measurement experiments on Sentinel-1 data
图 15 图14场景7、图14场景8中的干扰区域放大图
Figure 15. Enlarged view of the interference region in scene 7 and scene 8 in Fig. 14
表 1 干扰参数设置
Table 1. Jamming parameters configuration
参数 移频干扰及噪声卷积调制干扰 射频噪声干扰 中心频率 4 GHz 10 GHz 采样率 120 MHz 120 MHz 脉冲持续时间 3 μs 10 μs 调频斜率 1.6655 $ \times $1013 Hz/s5$ \times $1013 Hz/s 脉冲重复频率 1000 Hz1000 Hz场景中心最近斜距 1136 m8485 m
下载: 导出CSV
表 2 5种网络识别性能比较(%)
Table 2. Comparison of recognition performance of five networks (%)
测试集 方法 射频噪声干扰 卷积调制干扰 移频干扰 无干扰 OA
Test_1SpnasNet100 95.208 88.125 93.375 94.750 92.865 FBNetc100 97.750 83.750 94.620 97.083 93.301 ResNet18 82.604 73.750 80.067 81.625 79.512 MnasNet 96.250 92.500 95.625 97.060 95.359 IRRFPNet 99.806 99.628 99.760 99.905 99.775 Test_2 SpnasNet100 95.833 78.625 89.500 91.792 88.938 FBNetc100 96.235 84.375 94.125 93.958 92.173 ResNet18 81.460 72.165 77.250 82.500 78.344 MnasNet 98.750 91.875 96.250 95.625 96.625 IRRFPNet 99.875 99.792 99.840 99.925 99.858
Test_3SpnasNet100 92.315 82.583 96.250 89.255 90.101 FBNetc100 95.000 85.250 90.402 94.750 91.351 ResNet18 80.572 74.500 81.267 79.875 79.054 MnasNet 97.372 85.625 98.125 96.958 94.520 IRRFPNet 99.790 99.895 99.370 100.00 99.764
Test_4SpnasNet100 94.875 81.015 92.000 92.583 90.118 FBNetc100 93.750 80.625 91.535 95.000 90.228 ResNet18 79.708 72.250 78.375 80.917 77.813 MnasNet 98.125 87.500 97.500 97.002 95.032 IRRFPNet 99.885 99.680 99.792 99.950 99.827
下载: 导出CSV
表 3 不同方法仿真实验的IEN, ISH及ICO指标计算结果
Table 3. Calculation of IEN, ISH and ICO for simulation experiments with different methods
场景(图10) 方法 IEN ISH ICO 场景1 真值图像 5.2194 – 17.6613 3.0279 陷波滤波方法 5.3487 – 19.6172 4.2246 RESCAN 5.2284 – 14.7195 1.5356 DRDNet 5.2154 – 17.6395 3.0118 DRFRISNet 5.2195 – 17.6701 3.0127 场景2 真值图像 5.9682 – 15.2466 1.7486 陷波滤波方法 5.4960 – 19.9296 3.5259 RESCAN 5.9116 – 14.1725 1.3188 DRDNet 5.9688 – 15.2465 1.7455 DRFRISNet 5.9678 – 15.2465 1.7480 场景3 真值图像 6.9088 – 9.6839 1.1570 陷波滤波方法 6.6281 – 13.7598 1.7738 RESCAN 7.1879 – 8.9641 1.0095 DRDNet 7.0350 – 9.3704 1.2169 DRFRISNet 6.8098 – 9.7194 1.1240 场景4 真值图像 6.9806 – 10.5063 1.6968 陷波滤波方法 6.9089 – 12.4531 1.6764 RESCAN 7.0970 – 8.9138 1.2965 DRDNet 6.9258 – 10.1447 1.6503 DRFRISNet 6.9495 – 10.2587 1.6625
下载: 导出CSV
表 4 不同方法仿真实验的PSNR及SSIM指标计算结果
Table 4. Calculation of PSNR and SSIM for simulation experiments with different methods
场景(图10) 陷波滤波方法 RESCAN DRDNet DRFRISNet PSNR (dB) SSIM PSNR (dB) SSIM PSNR (dB) SSIM PSNR (dB) SSIM 场景1 16.3777 0.0386 27.7221 0.8847 31.2742 0.9459 37.9279 0.9889 场景2 16.2330 0.4063 29.2225 0.8790 33.7739 0.9582 38.4685 0.9905 场景3 13.8495 0.3880 26.3501 0.8551 30.8176 0.9351 33.5751 0.9818 场景4 15.0873 0.5388 26.6142 0.8661 31.9454 0.9405 34.2852 0.9872
下载: 导出CSV
表 5 不同方法实测实验的IEN, ISH及ICO指标计算结果
Table 5. Calculation of IEN, ISH and ICO for simulation experiments with different methods
场景(图14) 方法 IEN ISH ICO 场景(图14) 方法 IEN ISH ICO 场景5 真值图像 4.2833 – 15.9504 4.8074 场景8 真值图像 6.4156 – 12.9350 1.6968 陷波滤波方法 5.4302 – 16.9256 3.9217 陷波滤波方法 5.2377 – 22.1863 1.6764 RESCAN 2.0471 – 16.5179 4.7079 RESCAN 5.8306 – 14.1303 1.2965 DRDNet 2.1126 – 16.3571 4.9755 DRDNet 5.8738 – 14.5922 1.6503 DRFRISNet 4.5146 – 16.0021 4.8075 DRFRISNet 5.8820 – 12.8447 1.6625 场景6 真值图像 7.6337 – 6.8687 1.7486 场景9 真值图像 4.7258 – 13.1804 1.1027 陷波滤波方法 6.9500 – 12.0783 3.5259 陷波滤波方法 5.7357 – 18.7759 1.2968 RESCAN 7.5334 – 7.1883 1.3188 RESCAN 3.0881 – 16.2433 0.9492 DRDNet 7.5670 – 6.7022 1.7455 DRDNet 5.3006 – 13.4509 1.0238 DRFRISNet 7.6074 – 6.9875 1.7480 DRFRISNet 4.3446 – 13.0803 1.0785 场景7 真值图像 6.6716 – 10.5940 1.1570 场景10 真值图像 7.0936 – 9.2369 1.0057 陷波滤波方法 5.8949 – 18.3770 1.7738 陷波滤波方法 6.1757 – 16.8893 1.8313 RESCAN 6.3696 – 9.1933 1.0095 RESCAN 6.6451 – 11.9947 0.9725 DRDNet 6.3970 – 9.5748 1.2169 DRDNet 6.6612 – 10.5871 1.0673 DRFRISNet 6.4196 – 10.5294 1.1240 DRFRISNet 6.8497 – 10.0975 1.0162
下载: 导出CSV
表 6 不同方法实测实验的PSNR及SSIM指标计算结果
Table 6. Calculation of PSNR and SSIM for simulation experiments with different methods
场景(图14) 干扰图像 陷波滤波方法 RESCAN DRDNet DRFRISNet PSNR (dB) SSIM PSNR (dB) SSIM PSNR (dB) SSIM PSNR (dB) SSIM PSNR (dB) SSIM 场景5 30.4133 0.9762 23.7897 0.8769 29.8113 0.9709 30.4442 0.9777 33.8496 0.9895 场景6 17.0048 0.8226 10.8052 0.2450 19.7852 0.8897 22.0794 0.9336 24.2911 0.9615 场景7 17.4517 0.5136 11.2595 0.1435 23.8517 0.7756 24.4211 0.8170 25.1023 0.8409 场景8 20.6213 0.6646 14.5254 0.1686 22.9472 0.7413 24.4636 0.7874 26.4066 0.9075 场景9 20.1741 0.8653 15.3698 0.3536 22.1510 0.8895 30.3326 0.9860 31.6360 0.9910 场景10 16.5528 0.5407 11.5139 0.1652 18.8683 0.6463 20.3926 0.7298 30.9412 0.9693
下载: 导出CSV
表 7 对LLFE单元进行消融实验的PSNR及SSIM指标计算结果
Table 7. Calculation of PSNR and SSIM metrics for ablation experiments on LLFE-Moudle
场景(图16) 无LLFE单元 有LLFE单元 PSNR (dB) SSIM PSNR (dB) SSIM 场景11 23.7820 0.8988 30.5310 0.9815 场景12 19.0430 0.8691 24.1102 0.9586 场景13 24.3205 0.7932 25.2305 0.8490 场景14 21.5722 0.7218 26.7804 0.9118
下载: 导出CSV
-
[1] 杨建宇. 雷达对地成像技术多向演化趋势与规律分析[J]. 雷达学报, 2019, 8(6): 669–692. doi: 10.12000/JR19099.YANG Jianyu. Multi-directional evolution trend and law analysis of radar ground imaging technology[J]. Journal of Radars, 2019, 8(6): 669–692. doi: 10.12000/JR19099. [2] 吴一戎, 朱敏慧. 合成孔径雷达技术的发展现状与趋势[J]. 遥感技术与应用, 2000, 15(2): 121–123. doi: 10.3969/j.issn.1004-0323.2000.02.012.WU Yirong and ZHU Minhui. The developing status and trends of synthetic aperture radar[J]. Remote Sensing Technology and Application, 2000, 15(2): 121–123. doi: 10.3969/j.issn.1004-0323.2000.02.012. [3] 邓云凯, 禹卫东, 张衡, 等. 未来星载SAR技术发展趋势[J]. 雷达学报, 2020, 9(1): 1–33. doi: 10.12000/JR20008.DENG Yunkai, YU Weidong, ZHANG Heng, et al. Forthcoming spaceborne SAR development[J]. Journal of Radars, 2020, 9(1): 1–33. doi: 10.12000/JR20008. [4] 王谋, 韦顺军, 沈蓉, 等. 基于自学习稀疏先验的三维SAR成像方法[J]. 雷达学报, 2023, 12(1): 36–52. doi: 10.12000/JR22101.WANG Mou, WEI Shunjun, SHEN Rong, et al. 3D SAR imaging method based on learned sparse prior[J]. Journal of Radars, 2023, 12(1): 36–52. doi: 10.12000/JR22101. [5] ZHANG Hao, WEI Shunjun, WANG Mou, et al. FUAS-Net: Feature-oriented unsupervised network for FMCW radar interference suppression[J]. IEEE Transactions on Microwave Theory and Techniques, 2024, 72(4): 2602–2619. doi: 10.1109/TMTT.2023.3318669. [6] WANG Mou, WEI Shunjun, ZHOU Zichen, et al. Efficient ADMM framework based on functional measurement model for mmW 3-D SAR imaging[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5226417. doi: 10.1109/TGRS.2022.3165541. [7] WANG Mou, WEI Shunjun, ZHOU Zichen, et al. CTV-Net: Complex-valued TV-driven network with nested topology for 3-D SAR imaging[J]. IEEE Transactions on Neural Networks and Learning Systems, 2024, 35(4): 5588–5602. doi: 10.1109/TNNLS.2022.3208252. [8] 林晓烘. 星载合成孔径雷达干扰与抗干扰技术研究[D]. [博士论文], 国防科学技术大学, 2014.LIN Xiaohong. Study on jamming and anti-jamming techniques for spaceborne synthetic aperture radar[D]. [Ph.D. dissertation], National University of Defense Technology, 2014. [9] 黄岩, 赵博, 陶明亮, 等. 合成孔径雷达抗干扰技术综述[J]. 雷达学报, 2020, 9(1): 86–106. doi: 10.12000/JR19113.HUANG Yan, ZHAO Bo, TAO Mingliang, et al. Review of synthetic aperture radar interference suppression[J]. Journal of Radars, 2020, 9(1): 86–106. doi: 10.12000/JR19113. [10] LAMONT-SMITH T, HILL R D, HAYWARD S D, et al. Filtering approaches for interference suppression in low-frequency SAR[J]. IEE Proceedings-Radar, Sonar and Navigation, 2006, 153(4): 338–344. doi: 10.1049/ip-rsn:20050092. [11] 韩朝赟, 岑熙, 崔嘉禾, 等. 纹理异常感知SAR自监督学习干扰抑制方法[J]. 雷达学报, 2023, 12(1): 154–172. doi: 10.12000/JR22168.HAN Zhaoyun, CEN Xi, CUI Jiahe, et al. Self-supervised learning method for SAR interference suppression based on abnormal texture perception[J]. Journal of Radars, 2023, 12(1): 154–172. doi: 10.12000/JR22168. [12] ZHOU Feng, WU Renbiao, XING Mengdao, et al. Eigensubspace-based filtering with application in narrow-band interference suppression for SAR[J]. IEEE Geoscience and Remote Sensing Letters, 2007, 4(1): 75–79. doi: 10.1109/LGRS.2006.887033. [13] LIU Zhiling, LIAO Guisheng, and YANG Zhiwei. Time variant RFI suppression for SAR using iterative adaptive approach[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(6): 1424–1428. doi: 10.1109/LGRS.2013.2259575. [14] SU Jia, TAO Haihong, TAO Mingliang, et al. Narrow-band interference suppression via RPCA-based signal separation in time-frequency domain[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(11): 5016–5025. doi: 10.1109/JSTARS.2017.2727520. [15] HUANG Yan, LIAO Guisheng, XU Jingwei, et al. Narrowband RFI suppression for SAR system via efficient parameter-free decomposition algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(6): 3311–3322. doi: 10.1109/TGRS.2018.2797946. [16] REIGBER A and FERRO-FAMIL L. Interference suppression in synthesized SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2005, 2(1): 45–49. doi: 10.1109/LGRS.2004.838419. [17] YANG Huizhang, LI Kun, LI Jie, et al. BSF: Block subspace filter for removing narrowband and wideband radio interference artifacts in single-look complex SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5211916. doi: 10.1109/TGRS.2021.3096538. [18] YANG Huizhang, HE Yaomin, DU Yanlei, et al. Two-dimensional spectral analysis filter for removal of LFM radar interference in spaceborne SAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5219016. doi: 10.1109/TGRS.2021.3132495. [19] YANG Huizhang, LANG Ping, LU Xingyu, et al. Robust block subspace filtering for efficient removal of radio interference in synthetic aperture radar images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 5206812. doi: 10.1109/TGRS.2024.3369021. [20] 陈爽. 基于深度学习的雷达有源欺骗干扰识别方法[D]. [硕士论文], 电子科技大学, 2023. doi: 10.27005/d.cnki.gdzku.2023.001330.CHEN Shuang. Identification method of radar active deception jamming based on deep learning[D]. [Master dissertation], University of Electronic Science and Technology of China, 2023. doi: 10.27005/d.cnki.gdzku.2023.001330. [21] 陈思伟, 崔兴超, 李铭典, 等. 基于深度CNN模型的SAR图像有源干扰类型识别方法[J]. 雷达学报, 2022, 11(5): 897–908. doi: 10.12000/JR22143.CHEN Siwei, CUI Xingchao, LI Mingdian, et al. SAR image active jamming type recognition based on deep CNN model[J]. Journal of Radars, 2022, 11(5): 897–908. doi: 10.12000/JR22143. [22] 张顺生, 陈爽, 陈晓莹, 等. 面向小样本的多模态雷达有源欺骗干扰识别方法[J]. 雷达学报, 2023, 12(4): 882–891. doi: 10.12000/JR23104.ZHANG Shunsheng, CHEN Shuang, CHEN Xiaoying, et al. Active deception jamming recognition method in multimodal radar based on small samples[J]. Journal of Radars, 2023, 12(4): 882–891. doi: 10.12000/JR23104. [23] FAN Weiwei, ZHOU Feng, TAO Mingliang, et al. Interference mitigation for synthetic aperture radar based on deep residual network[J]. Remote Sensing, 2019, 11(14): 1654. doi: 10.3390/rs11141654. [24] CHEN Shengyi, SHANGGUAN Wangyi, TAGHIA J, et al. Automotive radar interference mitigation based on a generative adversarial network[C]. 2020 IEEE Asia-Pacific Microwave Conference, Hong Kong, China, 2020: 728–730. doi: 10.1109/APMC47863.2020.9331379. [25] SHEN Jiayuan, HAN Bing, PAN Zongxu, et al. Radio frequency interference suppression in SAR system using prior-induced deep neural network[C]. 2022 IEEE International Geoscience and Remote Sensing Symposium, Kuala Lumpur, Malaysia, 2022: 943–946. doi: 10.1109/IGARSS46834.2022.9883464. [26] WEI Yanyan, ZHANG Zhao, ZHANG Haijun, et al. A coarse-to-fine multi-stream hybrid deraining network for single image deraining[C]. 2019 IEEE International Conference on Data Mining, Beijing, China, 2019: 628–637. doi: 10.1109/ICDM.2019.00073. [27] WU Haiyan, QU Yanyun, LIN Shaohui, et al. Contrastive learning for compact single image dehazing[C]. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Nashville, USA, 2021: 10546–10555. doi: 10.1109/CVPR46437.2021.01041. [28] HONG Ming, XIE Yuan, LI Cuihua, et al. Distilling image dehazing with heterogeneous task imitation[C]. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, USA, 2020: 3459–3468. doi: 10.1109/CVPR42600.2020.00352. [29] CUI Xin, WANG Cong, REN Dongwei, et al. Semi-supervised image deraining using knowledge distillation[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2022, 32(12): 8327–8341. doi: 10.1109/TCSVT.2022.3190516. [30] LI Ning, LV Zongsen, and GUO Zhengwei. Observation and mitigation of mutual RFI between SAR satellites: A case study between Chinese GaoFen-3 and European Sentinel-1A[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5112819. doi: 10.1109/TGRS.2022.3170363. [31] YANG Huizhang, TAO Mingliang, CHEN Shengyao, et al. On the mutual interference between spaceborne SARs: Modeling, characterization, and mitigation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(10): 8470–8485. doi: 10.1109/TGRS.2020.3036635. [32] 曲婧华. 有源噪声调制干扰的仿真及性能分析[J]. 空军工程大学学报: 自然科学版, 2007, 8(1): 44–46.QU Jinghua. Simulation and analysis of complex active noise modulation jamming[J]. Journal of Air Force Engineering University: Natural Science Edition, 2007, 8(1): 44–46. [33] 殷加鹏, 李健兵, 庞晨, 等. 一种极化-多普勒气象雷达的射频干扰滤波方法[J]. 雷达学报, 2021, 10(6): 905–918. doi: 10.12000/JR21102.YIN Jiapeng, LI Jianbing, PANG Chen, et al. A radio frequency interference mitigation method for polarimetric Doppler weather radars[J]. Journal of Radars, 2021, 10(6): 905–918. doi: 10.12000/JR21102. [34] 房明星, 王杰贵, 雷磊. SAR雷达二维噪声卷积调制干扰研究[J]. 现代防御技术, 2014, 42(2): 139–144, 160. doi: 10.3969/j.issn.1009-086x.2014.02.025.FANG Mingxing, WANG Jiegui, and LEI Lei. Study on 2D noise convolution modulation jamming to SAR[J]. Modern Defense Technology, 2014, 42(2): 139–144, 160. doi: 10.3969/j.issn.1009-086x.2014.02.025. [35] 黄洪旭, 黄知涛, 周一宇. 对合成孔径雷达的移频干扰研究[J]. 宇航学报, 2006, 27(3): 463–468. doi: 10.3321/j.issn:1000-1328.2006.03.027.HUANG Hongxu, HUANG Zhitao, and ZHOU Yiyu. A study on the shift-frequency jamming to SAR[J]. Journal of Astronautics, 2006, 27(3): 463–468. doi: 10.3321/j.issn:1000-1328.2006.03.027. [36] WANG Qilong, WU Banggu, ZHU Pengfei, et al. ECA-Net: Efficient channel attention for deep convolutional neural networks[C]. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, USA, 2020: 11531–11539. doi: 10.1109/CVPR42600.2020.01155. [37] OYEDOTUN O K, AL ISMAEIL K, and AOUADA D. Why is everyone training very deep neural network with skip connections?[J]. IEEE Transactions on Neural Networks and Learning Systems, 2023, 34(9): 5961–5975. doi: 10.1109/TNNLS.2021.3131813. [38] ZHANG Hongguang, DAI Yuchao, LI Hongdong, et al. Deep stacked hierarchical multi-patch network for image deblurring[C]. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Long Beach, USA, 2019: 5971–5979. doi: 10.1109/CVPR.2019.00613. [39] ZAMIR S W, ARORA A, KHAN S, et al. Multi-stage progressive image restoration[C]. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Nashville, USA, 2021: 14816–14826. doi: 10.1109/CVPR46437.2021.01458. [40] BARRON J T. A general and adaptive robust loss function[C]. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Long Beach, USA, 2019: 4326–4334. doi: 10.1109/CVPR.2019.00446. [41] SEIF G and ANDROUTSOS D. Edge-based loss function for single image super-resolution[C]. 2018 IEEE International Conference on Acoustics, Speech and Signal Processing, Calgary, Canada, 2018: 1468–1472. doi: 10.1109/ICASSP.2018.8461664. [42] 朱铮涛, 黎绍发, 陈华平. 基于图像熵的自动聚焦函数研究[J]. 光学精密工程, 2004, 12(5): 537–542. doi: 10.3321/j.issn:1004-924X.2004.05.014.ZHU Zhengtao, LI Shaofa, and CHEN Huaping. Research on auto-focused function based on the image entropy[J]. Optics and Precision Engineering, 2004, 12(5): 537–542. doi: 10.3321/j.issn:1004-924X.2004.05.014. [43] 王凡, 倪晋平, 董涛, 等. 结合视觉注意力机制和图像锐度的无参图像质量评价方法[J]. 应用光学, 2018, 39(1): 51–56. doi: 10.5768/JAO201839.0102002.WANG Fan, NI Jinping, DONG Tao, et al. No-reference image quality assessment method based on visual attention mechanism and sharpness metric approach[J]. Journal of Applied Optics, 2018, 39(1): 51–56. doi: 10.5768/JAO201839. 0102002. [44] 王俊平, 李锦. 图像对比度增强研究的进展[J]. 电子科技, 2013, 26(5): 160–165. doi: 10.16180/j.cnki.issn1007-7820.2013.05.045.WANG Junping and LI Jin. Development and prospect of image contrast enhancement[J]. Electronic Science & Technology, 2013, 26(5): 160–165. doi: 10.16180/j.cnki.issn1007-7820.2013.05.045. [45] HORÉ A and ZIOU D. Image quality metrics: PSNR vs. SSIM[C]. 2010 20th International Conference on Pattern Recognition, Istanbul, Turkey, 2010: 2366–2369. doi: 10.1109/ICPR.2010.579. [46] BAKUROV I, BUZZELLI M, SCHETTINI R, et al. Structural similarity index (SSIM) revisited: A data-driven approach[J]. Expert Systems with Applications, 2022, 189: 116087. doi: 10.1016/j.eswa.2021.116087. [47] GUPTA N and AGARWAL B B. Suspicious activity classification in classrooms using deep learning[J]. Engineering, Technology & Applied Science Research, 2023, 13(6): 12226–12230. doi: 10.48084/etasr.6228. [48] WU Bichen, DAI Xiaoliang, ZHANG Peizhao, et al. FBNet: Hardware-aware efficient ConvNet design via differentiable neural architecture search[C]. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Long Beach, USA, 2019: 10726–10734. doi: 10.1109/CVPR.2019.01099. [49] CHEN Zhao, JIANG Yin, ZHANG Xiaoyu, et al. ResNet18DNN: Prediction approach of drug-induced liver injury by deep neural network with ResNet18[J]. Briefings in Bioinformatics, 2022, 23(1): bbab503. doi: 10.1093/bib/bbab503. [50] TAN Mingxing, CHEN Bo, PANG Ruoming, et al. MnasNet: Platform-aware neural architecture search for mobile[C]. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Long Beach, USA, 2019: 2815–2823. doi: 10.1109/CVPR.2019.00293. [51] 张晓明, 王莎莎. 针对窄带干扰抑制的数字陷波器设计[J]. 无线电工程, 2008, 38(5): 24–25, 52. doi: 10.3969/j.issn.1003-3106.2008.05.008.ZHANG Xiaoming and WANG Shasha. Methods for IIR digital notch filter to suppress narrow-band interference[J]. Radio Engineering, 2008, 38(5): 24–25, 52. doi: 10.3969/j.issn.1003-3106.2008.05.008. [52] 刘江, 李健聪, 蔡伯根, 等. 基于自适应陷波滤波的列车卫星定位窄带干扰防护[J]. 铁道学报, 2022, 44(5): 49–59. doi: 10.3969/j.issn.1001-8360.2022.05.007.LIU Jiang, LI Jiancong, CAI Bogen, et al. Narrow-band interference protection for satellite-based train positioning based on adaptive notch filter[J]. Journal of the China Railway Society, 2022, 44(5): 49–59. doi: 10.3969/j.issn.1001-8360.2022.05.007. [53] LI Xia, WU Jianlong, LIN Zhouchen, et al. Recurrent squeeze-and-excitation context aggregation net for single image deraining[C]. 15th European Conference, Munich, Germany, 2018: 262–277. doi: 10.1007/978-3-030-01234-2_16. [54] DENG Sen, WEI Mingqiang, WANG Jun, et al. Detail-recovery image deraining via context aggregation networks[C]. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, USA, 2020: 14548–14557. doi: 10.1109/CVPR42600.2020.01457. -
下载:
计量
- 文章访问数: 789
- HTML全文浏览量: 239
- PDF下载量: 432
- 被引次数: 0
