基于DCGAN的SAR虚假目标图像仿真

发布时间：2021-06-27 13:47

　　利用预设的虚假目标图像模板进行信号反演,是SAR欺骗干扰的一种有效手段。为了提供逼真度高的虚假目标图像模板,提出一种基于深度卷积生成式对抗网络（DCGAN）的SAR虚假目标图像生成方法。通过分析模板图像的目视效果、统计特性和在目标识别网络中的表现,评估虚假目标模板图像的逼真度。实验证明,DCGAN能生成特征明显的目标图像,在目视效果和统计特性方面与真实目标图像近似度较高。目标识别网络的检测效果也体现出模板图像具有较高可信度,证明该仿真方法生成虚假目标图像模板的有效性。 

【文章来源】：电子信息对抗技术. 2020,35(02)

【文章页数】：6 页

【部分图文】：

生成式对抗网络结构图

生成SAR图像的生成器模型如图 2所示,生成器的四层网络使用微步幅卷积(Fractionally-strided Convolution)连接,代替最大池化进行上采样操作。设置卷积核为4×4,步幅为2。生成器中每一层用ReLU (Rectifled linear unit)激活函数取代了原始GAN中的Tanh函数通过融合卷积神经网络结构特点,提升了生成网络在学习图片特征时的能力,使生成样本质量得到提高。判别器的结构如图 3所示,判别器网络使用步幅卷积(Strided Convolution)连接,代替池化层进行下采样操作,每一层使用Leaky ReLU (Leaky rectifled linear unit)激活函数。图3 判别器网络结构图

图2 生成器网络结构图通过利用SAR目标图像训练DCGAN,使其最终生成高质量的SAR目标图像。生成器最初输入的是随机分布的噪声,鉴别器根据输入的训练样本对生成器输出的图像进行判断,其反馈结果能进一步指导生成器的优化。SAR目标图像具有背景复杂度不高,目标位置、特征较突出等特性,为了适应SAR图像为灰度图的特点,我们在DCGAN结构中加入了一个判断模块,首先检查输入图片的通道数,如果通道数为一,则按照图片为灰度图来对待。

【参考文献】：
期刊论文
[1]超宽带SAR虚假图像干扰技术[J]. 沈爱国.  太赫兹科学与电子信息学报. 2018(03)
[2]欺骗目标仿真SAR图像可信度评估方法[J]. 李国靖,叶伟,劳国超,张子博.  电子信息对抗技术. 2018(03)
[3]一种虚假大场景SAR快速转发式欺骗干扰方法研究[J]. 赵博,杨军,孙光才,周峰,保铮.  电子与信息学报. 2012(04)
[4]基于电磁散射的复杂目标SAR回波与图像仿真[J]. 张锐,洪峻,明峰.  电子与信息学报. 2010(12)
[5]基于电磁散射特性计算的目标SAR图像仿真[J]. 李仁杰,计科峰,邹焕新,周石琳.  雷达科学与技术. 2010(05)



本文编号：3252964