一种SAR图像干扰效果智能评估方法

刘佳伟，达通航，孙金龙，王 松，张文斌

(解放军63618部队，新疆 库尔勒 841000)

0 引 言

随着合成孔径雷达(SAR)传感器和处理算法的快速发展，其成像能力得到了极大的提升。SAR卫星现已经被广泛应用于情报侦察等军事领域。对SAR的干扰研究一直是电子信息对抗领域的热点问题，如何衡量干扰模式的有效性和干扰机的性能一直以来都是值得关注的焦点问题。随着人工智能和深度学习的极大发展，将这2个领域中的先进方法应用于对SAR干扰效果的评估是一种必然趋势。定性定量的干扰效果评估方法，将大大有利于对SAR干扰方法的研究和武器装备的试验鉴定。

本文首先对已有的干扰效果评估方法进行了简述，然后提出了一种基于神经网络的智能评估方法，并提出了可以定量衡量干扰效果的评价公式，用以完成对不同干扰样式和情形的综合评估，最后通过计算仿真对评估方法进行了初步验证。

1 现有干扰效果评估方法

现有的干扰方法按照评价方式可以分为主观和客观2类：主观方法实用性强，适用范围广，主要依靠人工来进行判别，有其主观性；客观方法则是通过一定的量化指标来进行衡量，容易量化，且可以避免主观因素的影响，往往存在考虑因素不全、适用范围窄的问题。下面对目前较常用的几种效果评估方法进行简要介绍。

1.1 主观评估方法

进行主观效果评估前，首先应该进行数据和SAR图像准备。对同一个场景下的目标，首先进行一次无干扰成像。然后在不同的干扰条件下再进行多次成像，在多次成像过程中尽量保证成像的各个条件和参数与第1次无干扰成像时尽可能一致。邀请多位评判专家，在不知道每幅图具体信息的情况下对得到的多幅SAR图像进行干扰效果评估工作,最后将得到的结果汇总，加权求和得到最后的干扰评估结论。主观评价流程图如图1[1]所示，依靠多位有经验的专家进行判读往往可以得到很好的评估结论，因此主观评价方法也是目前最可用和最常用的评估方法。但是这种方法在实施中，打分过分依赖于专家的主观感受，在定量效果评估方面有一定的局限。

图1 主观评价流程图

1.2 客观评价方法

冉小辉等[2]对现有电子对抗效果评估技术中的评估准则、评估指标和评估方法进行了总结。马俊霞[3]研究了基于干扰前后SAR图像之间欧几里德空间距离的评估方法；周广涛[4]研究了基于信息熵的评估方法；韩国强[5]等人提出使用多种方法进行组合评估。客观评估方法主要依据干扰前后图像相关指标的变化来衡量干扰对SAR成像的影响，这个结论对压制干扰来说是正确的，但是对欺骗干扰来说却不一定正确。

使用神经网络进行干扰效果评估也得到了一些学者的关注，员志超[6]探讨了一种基于RBF神经网络的干扰评估方法。林连雷[7]考虑各影响因素与干扰效果之间的函数关系，用训练好的支持向量基(SVM)评估干扰效果。李雨辰[8]使用卷积神经网络判断了欺骗干扰的成像结果图像的质量和航迹误差大小的关系。以上研究都是通过建立干扰要素对干扰效果的影响关系来进行干扰效果评估，通过神经网络得到的是干扰效果和干扰因素之间的一个依赖关系，缺乏对干扰效果的直观评价，且没有充分利用SAR成像本身是一副图片的事实。

2 SAR图像干扰的智能评估方法

卷积神经网络在近几年发展迅速，各种先进的目标检测和识别算法先后被提出。将这些方法应用于SAR图像处理，将会使SAR图像目标检测和干扰效果评估变得更加高效准确，将逐渐能够替代人工判别和评估的方法。

这里提出一种新的基于深度学习的SAR图像识别和干扰效果评估方法。

2.1 Faster-RCNN网络结构及其训练

使用的神经网络结构基于Faster-RCNN[9]结构，Faster-RCNN在Fast-RCNN的基础上通过将特征提取和区域建议寻找(Region Proposal)进行整合而进一步提高了目标检测的速度。其是目前在图像识别领域几个最出色的算法之一，且图像的识别速度能够达到5～17帧，是一种接近实时的目标检测和识别算法。网络结构如图2左半部分所示。在ILSVRC和COCO比赛中，多个比赛第一名算法的结构都基于Faster-RNN设计，说明了Faster-RCNN在图像处理上的巨大优势。由于计算资源有限并且进行方法可行性验证，在进行SAR图像特征提取时使用了较为简单的网络结构，卷积神经网络结构和组成如图2右侧所示，如果对计算量或者识别时间不敏感，可以使用resnet101等更复杂的网络形式进行特征提取。

图2 Faster-RCNN网络结构及本文使用的特征识别网络

良好的训练是使神经网络具备良好识别能力的保证，前期的数据集标注工作更是建立良好数据集的基础。通过对网络进行训练，使网络具备在SAR图像中识别船只或其它物体的能力。使用的数据集是包括了干净背景和复杂场景中的船只SAR图像切片。部分训练用图切片如图3所示。

图3 数据集中部分船舶切片

在训练过程中，为了更好地收敛且较快地完成训练，将学习率设置为1e-4。模型优化方法为加入动量的随机梯度下降方法(SGDM)，可以使训练过程更加平稳，使用GPU进行加速。训练过程中的残差变化如图4所示。

图4 训练过程最小批次均方根误差

只有神经网络具备了可靠的识别能力，才能够认为它具备干扰效果的评估能力。用同一个雷达的多幅图像去训练这个神经网络可以使网络具有更好的对此雷达目标的识别性能，如果加入其它类型目标的训练，那么网络就能够具有多种目标类型的识别能力。

2.2 智能评估准则

当SAR面对干扰时，对于压制干扰，干扰效果越好，神经网络对真实目标的识别率就会越低。如果用N幅受干扰SAR图像及其原图去衡量干扰效果，设第n幅图中有Wn个真实目标。则压制干扰效果可具体表示为：

(1)

式中：Sw表示未干扰前第i幅图中第w个目标的识别置信度(神经网络识别得到的准确度)；Sw′则表示施加干扰后此目标识别的置信度。

对于欺骗干扰，如果施加的假目标越逼真，那么神经网络将其识别为真实目标的可能性就越高。同样用N幅图去衡量，设第n幅图中有Kn个因为干扰而产生的假目标，此时欺骗干扰效果可表示为：

(2)

式中：Dk表示第i幅图中第k个假目标在神经网络进行目标识别时的置信度。

若场景中同时存在2种干扰，或考虑假目标的加入对于真目标的压制效应，可以在进行干扰效果评估时综合考虑公式(1)和公式(2)中的2种效果。总的干扰效果可表示为：

JA=JS+JD

(3)

通过以上2个公式，就可以对干扰机的不同干扰样式及多个使用场景干扰效果评估，以此来衡量干扰机在一定使用条件下对SAR成像的干扰能力。

3 仿真验证

使用训练完的神经网络对测试集中的图片进行测试，可以检验神经网络的目标识别能力。通过对干扰前和干扰后的SAR图像进行识别，并应用上面提出的干扰评估方法可以获得不同干扰下的效果评估。

3.1 神经网络目标识别能力

在QuadroM3000M显卡下，测试单张图平均用时为0.12 s，识别结果如图5所示。可以发现，目前这个神经网络在单一场景下对船舶的识别能力是非常强的，但是对于复杂场景有时候会出现错判和漏判的情况。导致这种现象的原因：一方面是因为复杂场景下的识别难度本身就比较大；另外就是在训练过程中数据集太小，复杂场景的切片不够导致的。这个问题可以通过后期搜集SAR图像船舶样本，增加训练数据数量来解决。

图5 简单背景及复杂背景下的识别结果

3.2 干扰效果评估验证

将窄带瞄频调频噪声信号施加到雷达回波数据中，雷达未受干扰时的成像结果见图6。控制干扰信号的功率，获得不同噪声大小下的成像结果，将得到的SAR图像进行目标识别，并使用上面得到的干扰效果评估公式进行干扰效果的评估，图像识别的结果如图7所示。

图6 未施加干扰时的SAR图像及识别结果

图7 存在角反假目标时的SAR图像及识别结果

图8和图9的噪声干扰仿真结果展示了神经网络的干扰效果评估能力。从识别结果中可以看出：当干扰信号的功率增大，SAR成像会严重恶化，这会导致神经网络识别的置信度降低。根据公式(1)可以得到在干信比为0 dB时干扰效果指标JS1=0.006 1，干信比为3 dB时的干扰扰效果指标JS3=0.363 45，这2个值可以作为在此类干扰模式下不同功率干扰信号干扰效果的一个定量评价指标。

图8 干信比为0 dB时的识别结果

图9 干信比为3 dB时的识别结果

考虑存在假目标的情况。假设在地面布置一个用来模拟舰船雷达反射特性的角反群，角反群由25个角反组成，中央角反雷达截面积(RCS)大小为30 dB，其余角反为25 dB，角反群的布局见图10。将模拟的雷达回波和真实雷达回波进行叠加，获得此时的SAR成像,如图10所示。

图10 角反群的布置位置

将所成的SAR图像用神经网络进行识别，结果见图10。通过识别结果可以看到，此时并没有将地面设置的角反群识别为船，也就是说欺骗干扰没有成功。通过和未施加干扰的图6对比，发现此时原目标的识别置信度下降，这是因为角反作为强散射点，压制了原目标的成像。根据公式(3)，此时的干扰效果为JA=0.179 63+0=0.179 63，和上面的噪声干扰相比较，可认为角反假目标虽然没有实现欺骗的目的，但是却产生了介于瞄频噪声在干信比0～3 dB之间的一个压制效果。

通过以上2种干扰下的干扰评价，可以证明神经网络判别干扰效果的实用和高效性，同时也克服了主观评价中不能定量评价的问题。

4 结束语

将图像处理算法应用于SAR图像处理中，可以得到非常好的目标识别效果。特别是Faster-RCNN类网络，可以将目标检测和目标识别同步完成，在保证高准确率的同时大大增加了目标识别的速度。神经网络在目标识别中的出色能力使其成为干扰效果检测的有力手段。使用神经网络和本文提出的量化公式，可以对同一干扰样式不同功率或是不同干扰样式之间的干扰效果进行一定程度的定量评价。后续通过增加数据集质量和数量，可以使此网络能力更加完善，进一步提高其目标识别能力和干扰效果评估能力。