一种基于SAR图像和信号的人工电磁环境构建效果的模糊综合评估方法

一种基于sar图像和信号的人工电磁环境构建效果的模糊综合评估方法
技术领域
1.本发明涉及sar图像相似性评估领域，具体涉及到一种适用于sar图像和信号的人工电磁环境构建效果的模糊综合评估方法。


背景技术：

2.由于合成孔径雷达(sar)可以不受气象影响，对测绘区的地形、设施、固定和低速目标完成高分辨率成像观察，因此具有重要的军事应用价值。为了掩护己方重要军事设施和作战设备，隐蔽军事行动，于是迫切需要研究对sar有效的人工电磁环境构建技术，即对敌方sar进行干扰，防止我方设施和设备以及军事行动等信息被敌方sar获取到的技术。目前，该技术分为压制式和欺骗式两种方法。其中欺骗式方法是根据侦察被截获的sar信号脉内参数，通过一定的方法计算得到假目标的回波信号向sar转发，使敌方的获取到的sar信号成像之后存在虚假的目标信息，从而掩护了我方的重要目标信息。由于虚假目标在距离上相干和方位上相干，能获得和真实目标回波信号相同的处理增益，sar欺骗式人工电磁环境构建技术所需的干扰功率较低，使其成为sar对抗中的研究热点。
3.为了研究sar有效的欺骗式人工电磁环境构建技术，需要对sar欺骗式人工电磁环境构建效果进行评估，通过准确的评估来促进人工电磁环境构建技术的发展。
4.现有的sar人工电磁环境构建效果评估主要存在以下两点的问题：一是只从sar图像方面的特征进行评估，没有考虑sar二维信号方面的特征，峰值旁瓣比、积分旁瓣比、空间分辨率在一定程度上体现了sar信号能量与图像清晰度等信息，这些特征指标在sar图像相似性评估中具有重要的意义，缺少这些特征指标会影响评估结果准确性；二是在指标的选取上没有进行分析：现有的评估方法在指标的选取上主要有以下两种方式：一是主观地选取一个或几个指标，这种方式可能导致选取的指标所能表现的信息不足，使评估的角度不够全面，影响最后的评估结果的准确性；二是选取的评估指标数量太多，可能包含冗余的指标，由于每个指标都有其对应的权重，其中冗余指标的权重会使该指标所反映的信息在权重上产生叠加，导致评估结果的准确性下降。


技术实现要素：

5.为了克服以上sar图像综合评估方法的不足，本发明提出一种基于sar图像和信号的人工电磁环境构建效果的模糊综合评估方法，该方法的优势在于：第一，在考虑了图像特征的基础上，加上了信号特征的六个重要指标，使评估的角度更加丰富、评估结果更加准确；第二，在图像特征的指标上对诸多常用指标进行了属性约简，既能保证指标所表现信息的全面性，也能剔除冗余属性，筛选出适合该组样本的评价指标，保证指标所表现信息权重的准确性，进而提升评估结果的准确度。该评估方法分为指标选择模块和模糊综合评价模块，总流程如图1所示。指标选择模块在图像指标的选取上针对每组输入的原图和仿真图进行指标的筛选，将冗余的指标剔除，实现对指标的约简，在保证指标的全面性的基础上，提
高了指标选取的准确性，另外新增了sar信号特征的六个常用指标。利用约简后的指标，采用模糊综合评价方法，对原图像和信号与人工电磁环境构建的图像和信号的相似度进行系统性、综合性地评估，得到需要的评价等级。
6.图2为指标选取模块的流程图，包括图像样本增广、图像指标计算、数据离散化、属性约简。该模块的输入为sar根据实际目标所成的一张原图像和人工电磁环境构建的一张仿真图像。
7.图像样本增广：由于属性约简需要对多个图像样本的各项指标进行分析处理，而输入的图像样本数量不足，无法进行后续的属性约简，因此需要进行图像样本增广。传统的图像样本增广方法，如水平或垂直翻转、缩放、裁剪、平移等方法增广的样本，在图像的统计和几何特征的各项指标数据上与原样本几乎没有差异，无法分析各样本数据之间的区别。所以需要使用深度学习的方法，对原样本的图像部分进行样本增广，生成与原样本相近的样本数据，以便后续约简步骤的进行。图像样本增广网络使用tamar rott shaham等人在《singan:learning a generative model from a single natural image》一文中提出的singan网络。使用singan进行图像样本增广的基本原理为：该网络可以实现从单一图像数据学习图像的内部分布，生成与输入图像相近的图像数据，可以实现对单张sar图像进行图像样本增广。该网络的生成器能够提取输入的sar图像的内部特征，输出具有该特征的图像数据，并用判别器来判别生成图像数据的真假。在生成器和判别器“博弈”的过程中，不断改进生成器,以生成更逼真的数据；同时不断改进判别器，以提高自身分辨图像数据真假的能力。最后判别器无法判断出生成器的输出图像是真是假的时候，则生成器的输出图像已经足够逼真，此时该图像可作为图像样本增广的图像。具体步骤为：将一张仿真图像输入singan网络，经过训练，生成与输入图像样本风格类型一致、图像内容十分相近但并不相同的图像样本数据。为了计算简便又能保证准确性，需要从增广生成的图像样本中人工选择最接近的m个图像样本。
8.图像指标计算：为了进行后续的属性约简步骤，需要计算出图像样本统计特征和几何特征各项指标的数据。统计特征的指标包括：图像灰度的均值、方差、熵、动态范围、等效视数、辐射分辨率、平均梯度，几何特征的指标包括：图像目标的面积、周长、面积周长比、最小外接矩形周长、最小外接矩形面积、形状参数、圆形性、长宽比、伸长度、球状性、等效圆直径。
9.数据离散化：为了进行后续的属性约简步骤，需要将计算出的各项指标数据按大小赋予离散等级。设定离散区间个数n，先将m张图像的同一指标数据按升序排序，计算相邻数据的差值，选择最大的n-1个差值的端点作为区间的间断点，分成n个离散区间，为各区间按大小顺序分配离散等级从1到n。对图像统计特征和几何特征的17个指标分别进行离散化处理。
10.属性约简：对于sar图像的人工电磁环境构建效果的评估存在大量的评价指标，在选择最终采用的评价指标时，通过对sar图像方面的指标进行指标约简，剔除掉sar图像评估中冗余的指标。根据詹婉荣和于海在《基于0-1规划的最小属性约简算法》一文中介绍的概念和方法，将约简问题逐步转化为0-1规划问题，求解该问题实现属性约简。属性约简的基本原理为：离散化后的数据作为粗糙集理论中的信息系统，信息系统的约简定义为属性的非空有限集合at的不可区分关系ind(at)不变的极小属性集，约简中的属性取自区分矩
阵m中的非空元素，把区分矩阵中的重复元素和空集删去，则得到极小区分集ms。要找到最小属性约简r，需要满足r与极小区分集中任一集合s都有非空的交集，且最小属性约简r去掉r中的任一属性a之后的集合与至少一个极小区分集中的集合没有非空的交集。上述问题可以转化为求最优解的问题(公式1)：
[0011][0012]
接着根据数学理论将该问题转化为对应的0-1规划问题(公式2)：
[0013][0014]
其中x为最小属性约简r对应一个0-1列向量，第i个属性ai被选入最小约简r时，x中该行的元素xi为1，否则为零。c表示分量全为1的m维列向量。矩阵p＝(p1,p2,
…
,p
l
)
t
，其中pi＝(p
i1
,p
i2
,
…
,p
im
)，i＝1,2,
…
,l，j＝1,2,
…
,m。q为分量全为1的l维列向量。求解该0-1规划问题，根据结果得到最小属性约简，剔除冗余的属性，得到指标选择模块的输出结果，即模糊综合评价模块中所选用的图像方面的评价指标。属性约简具体步骤为：第一，求出区分矩阵m；第二，计算极小区分集ms＝{s1,s2,
···
,s
l
}；第三，由极小区分集ms计算矩阵p；第四，求解0-1规划(公式2)，得到一个最小属性约简，找到对应的属性，即可确定最终采用的评价指标。
[0015]
模糊综合评价模块，是将指标选择模块输出的结果，即约简后的图像部分的统计特征指标和几何特征指标，作为评估指标中的图像部分选用的指标，再加入信号部分的六项指标，使用二级模糊综合评价法对sar图像和信号进行相似性评估。第一级是对统计特征、几何特征、信号特征这三类指标之间进行权重的分配，第二级是对各特征内部的各项评价指标进行权重的分配，使用二级模糊综合评判可以对各指标的权重进行更精确的调控和分配，从而提高评估结果的准确性。模糊综合评价模块的输入部分除了约简后的图像指标，还有初始输入原图和人工电磁环境构建的仿真图的约简后图像指标的计算数值以及两图的信号指标的各项计算数值。
[0016]
模糊综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的非确定性问题，适用于对sar人工电磁环境构建的仿真图与原图进行相似性评估。模糊综合评价的基本原理是从影响问题的诸因素出发，确定被评价对象从优到劣若干等级的评价集合和评价指标的权重，对各指标分别做出相应的模糊评价，确定隶属函数，形成模糊判断矩阵，将其与权重矩阵进行模糊运算，得到定量的综合评价结果。根据胡利平等人在《基于模糊综合评判的车辆目标sar仿真图像评估方法》和何逢标在《模糊综合方法matlab实现》中的方法，模糊综合评价模块可分为以下步骤：确定选用的指标、确定评语集、计算模糊关系矩阵、确定权重向量、模糊合成、输出评判结果。该模块整体流程图如图3。
[0017]
确定选用的指标：评估指标分为图像指标部分和信号指标部分。图像方面指标为
指标选择模块输出的结果，即约简后的统计特征指标和几何特征指标。信号特征的指标包括：方位向和距离向峰值旁瓣比、方位向和距离向积分旁瓣比、方位向和距离向空间分辨率。这些常用的sar信号特征的指标分别表现了不同的特征，故不做约简。
[0018]
确定评语集：评语集为最终的评价等级的集合，用来表示sar仿真图像与原图像相似性程度。评语集定义为五级，即{很好，较好，中等，较差，很差}。
[0019]
模糊关系矩阵计算：为了进行后续的模糊合成，需要根据各特征的隶属度函数计算出各特征的模糊关系矩阵。隶属度函数的确定可以参考先前的经验，统计特征采用降半梯形计算隶属度，几何特征和信号特征采用三角形和降半梯形计算隶属度。根据何逢标在《模糊综合方法matlab实现》一书中的方法，分别计算原图与仿真图像的统计特征指标、几何特征指标、信号特征指标的比值，带入各自对应的隶属度函数，得到统计特征的模糊关系矩阵r1、几何特征的模糊关系矩阵r2、信号特征的模糊关系矩阵r3。
[0020]
确定权重向量：为了进行后续的模糊合成，需要根据各特征的判断矩阵计算出各特征的权重向量。权重向量表示了各项指标所占的权重，也是人工构造的判断矩阵的特征向量。根据晏志强等人在《基于ahp二级模糊综合评判方法对5g小区性能的自动化评估研究与实践》一文中的方法，使用1-9标度法，通过两两比较的方式确定各指标的相对重要性，对第二层的统计特征的各项指标、几何特征的各项指标以及信号特征各项的指标分别构造判断矩阵a1,a2,a3以及第一层的统计特征、几何特征、信号特征这三个特征的总体判断矩阵a。分别计算判断矩阵a1,a2,a3和a的随机一致性比率cr，进行一致性检验，若cr《0.1,则检验不通过，则需重新构造判断矩阵并重新确定权重向量。
[0021]
通过一致性检验后，对各判断矩阵分别求取特征向量w1,w2,w3和w。每个特征的权重向量即对应的判断矩阵的特征向量,所以第二层权重向量为w1,w2,w3，分别对应统计特征,几何特征以及信号特征的指标，第一层权重向量为w，为三个特征总体的权重向量。
[0022]
模糊合成：为了得到fce结果向量，需要将统计特征、几何特征，以及信号特征的权重向量，与各特征对应的模糊关系矩阵进行合成运算，得到结果向量。统计特征的模糊评判向量为b1＝w1·
r1，几何特征的模糊评判向量为b2＝w2·
r2，信号特征的模糊评判向量：b3＝w3·
r3，第一层的模糊关系矩阵为:r＝[b1,b2,b3]，第一层权重向量为w，则fce结果向量为：b＝w
·
r＝w
·
[b1,b2,b3](模糊算子
·
为点乘运算)。
[0023]
输出评判结果：对于模糊合成后的fce结果向量，根据最大隶属度原则输出评语集中对应的评价结果等级，即选择fce结果向量中的最大值对应的等级作为最终的评价结果等级。
[0024]
有益效果
[0025]
本发明提出了一种用于对sar人工电磁环境构建效果的综合性评估方法，在考虑了图像特征的基础上，加上了信号特征的六个重要指标，使评估的角度更加丰富、评估结果更加准确；其次，在图像特征的指标上对诸多常用指标进行了属性约简，既能保证指标所表现信息的全面性，也能剔除冗余属性，筛选出适合该组样本的评价指标，保证了指标所表现信息权重的准确性，进而提升评估结果的准确度；并且结合模糊综合评价，可以对sar人工电磁环境构建效果进行系统性、综合性地评估，得到所需要的评价等级，为解决sar人工电磁环境构建效果评估的问题提供了一种有效的方法。
附图说明
[0026]
图1为本发明实施总体流程图。
[0027]
图2为指标选择的流程图。
[0028]
图3为模糊综合评价的流程图。
[0029]
图4为sar根据实际目标所成的原图像。
[0030]
图5为人工电磁环境构建的仿真图像。
[0031]
图6(a)-(i)为从增广生成的图像样本中选择的9个图像样本。
[0032]
图7为9张图像样本的统计特征指标的数据。
[0033]
图8为9张图像样本的几何特征指标的数据。
[0034]
图9为统计特征指标离散化后的数据。
[0035]
图10为几何特征指标离散化后的数据。
[0036]
图11为实施例评价结果柱状图。
具体实施方式
[0037]
以下将结合附图所示的具体实施方式对本发明进行详细描述。
[0038]
图1是本发明提出的一种基于sar图像和信号的人工电磁环境构建效果的模糊综合评估方法的总体流程图，包括指标选择模块和模糊综合评价模块。
[0039]
图2为指标选取的流程图，包括图像样本增广、图像指标计算、数据离散化、属性约简。
[0040]
图像样本增广：为了后续的图像属性约简，需要多个图像样本的数据。由于输入的图像为sar根据实际目标所成的一张原图像(图4)和人工电磁环境构建的一张仿真图像(图5)，图像样本数量不满足属性约简的数量要求，所以需要进行图像样本增广。将人工电磁环境构建的一张仿真图像(图5)输入singan网络，经过训练，生成与输入图像样本风格类型一致、图像内容十分相近但并不相同的图像样本数据。为了计算简便又能保证准确性，需要从增广生成的图像样本中人工选择最接近的9个图像样本，如图6所示。
[0041]
图像指标计算：为了进行后续的属性约简步骤，需要计算出图像样本统计特征和几何特征各项指标的数据。统计特征的指标包括：图像灰度的均值、方差、熵、动态范围、等效视数、辐射分辨率、平均梯度，几何特征的指标包括：图像目标的面积、周长、面积周长比、最小外接矩形周长、最小外接矩形面积、形状参数、圆形性、长宽比、伸长度、球状性、等效圆直径。9张图像样本的统计特征指标的数据如图7所示，几何特征指标的数据如图8所示。
[0042]
数据离散化：为了进行后续的属性约简步骤，需要将计算出的各项指标数据按大小赋予离散等级。设定离散区间个数4，先将9张图像的同一指标数据按升序排序，计算相邻数据的差值，选择最大的3个差值的端点作为区间的间断点，分成4个离散区间，为各区间按大小顺序分配离散等级从1到4。对图像统计特征和几何特征的共计17个指标分别进行离散化处理，统计特征离散化后的数据如图9所示，几何特征离散化后的数据如图10所示。
[0043]
属性约简：离散化处理后的数据可作为粗糙集理论中的信息系统，根据詹婉荣和于海在《基于0-1规划的最小属性约简算法》一文中介绍的概念和方法，将约简问题逐步转化为0-1规划问题，求解该问题实现属性约简。具体步骤为：第一，求出区分矩阵m；第二，计算极小区分集ms；第三，由极小区分集ms计算矩阵p；第四，求解0-1规划(公式2)，得到一个
最小属性约简，找到对应的属性，即可确定最终采用的评价指标。如该例中，统计特征经过属性约简后的向量为[0 0 0 1 0 1 0]，统计特征最优解的约简结果向量中，7个元素中第4和第6个元素为1，其他元素为0，则统计特征约简后的指标为第4个元素对应的动态范围和第6个元素对应的辐射分辨率。几何特征经过属性约简后的向量为[0 0 0 0 0 1 0 1 0 0]，同理，几何特征经过属性约简后剩余的指标为伸长度和最小外接矩形面积。所以指标选择模块的输出结果为：统计特征的指标为动态范围和辐射分辨率，几何特征的指标为伸长度和最小外接矩形面积。
[0044]
模糊综合评价模块包括确定选用的指标、确定评语集、计算模糊关系矩阵、确定权重向量、模糊合成、输出评判结果。
[0045]
确定选用的指标：评估指标分为图像指标部分和信号指标部分。图像方面指标为指标选择模块输出的结果，即约简后的统计特征指标和几何特征指标。在本例中统计特征的指标有动态范围和辐射分辨率，几何特征的指标有伸长度和最小外接矩形面积。信号特征的指标则包括：方位向和距离向峰值旁瓣比、方位向和距离向积分旁瓣比、方位向和距离向空间分辨率。
[0046]
确定评语集：评语集为最终的评价等级的集合，用来表示sar仿真图像与原图像相似性程度。评语集定义为五级，即{很好，较好，中等，较差，很差}。
[0047]
模糊关系矩阵计算：为了进行后续的模糊合成，需要根据各特征的隶属度函数计算出各特征的模糊关系矩阵。隶属度函数的确定可以参考先前的经验，统计特征采用降半梯形计算隶属度，几何特征和信号特征采用三角形和降半梯形计算隶属度。根据何逢标在《模糊综合方法matlab实现》一书中的方法，分别计算原图与仿真图像的统计特征指标、几何特征指标、信号特征指标的比值，带入各自对应的隶属度函数，得到统计特征的模糊关系矩阵几何特征的模糊关系矩阵信号特征的模糊关系矩阵
[0048]
确定权重向量：为了进行后续的模糊合成，需要根据各特征的判断矩阵计算出各特征的权重向量。根据晏志强等人在《基于ahp二级模糊综合评判方法对5g小区性能的自动化评估研究与实践》一文中的方法和步骤，使用1-9标度法，通过两两比较的方式确定各指标的相对重要性对第二层的统计特征的各项指标、几何特征的各项指标以及信号特征各项
的指标分别构造判断矩阵以及第一层的统计特征、几何特征、信号特征这三个特征总体的判断矩阵判断矩阵a1,a2,a3和a的随机一致性比率cr均小于0.1，满足一致性检验。接着对各判断矩阵分别求取特征向量w1＝[0.6 0.4],w2＝[0.6667 0.3333],w3＝[0.1667 0.1667 0.1667 0.1667 0.1667 0.1667]和w＝[0.3333 0.3333 0.3333]。每个特征的权重向量即对应的判断矩阵的特征向量,所以第二层权重向量为w1,w2,w3，分别对应统计特征,几何特征以及信号特征的指标，第一层权重向量为w，为三个特征总体的权重向量。
[0049]
模糊合成：为了得到fce结果向量，需要将统计特征、几何特征，以及信号特征的权重向量与各特征对应的模糊关系矩阵进行合成运算得到结果向量。统计特征的模糊评判向量为b1＝w1·
r1＝[0.6 0.2402 0 0 0.4]，几何特征的模糊评判向量为b2＝w2·
r2＝[1 0 0 0 0]，信号特征的模糊评判向量：b3＝w3·
r3＝[0.9453 0.0547 0 0 0]，第一层的模糊关系矩阵为:第一层权重向量为w＝[0.3333 0.3333 0.3333]，则fce结果向量为：b＝w
·
r＝w
·
[b1,b2,b3]＝[0.8484 0.0983 0 0 0.1333](模糊算子
·
为点乘运算)。
[0050]
输出评判结果：对于模糊合成后的fce结果向量，根据最大隶属度原则输出评语集中对应的评价结果等级，即选择fce结果向量中的最大值对应的等级作为最终的评价结果等级。在本例的fce结果向量b＝[0.8484 0.0983 0 0 0.1333]中最大值0.8484所在的位置是第一个元素的位置，则选择fce结果向量中的最大值对应的等级“很好”作为最终的评价结果等级，评价结果柱状图如图11所示。
[0051]
应当理解，虽然本说明书根据实施方式加以描述，但是并非每个实施方式仅包含一个独立的技术方法，说明书的这种叙述方式仅仅是为了清楚起见，本领域的技术人员应当将说明书作为一个整体，各个实施方式中的技术方案也可以适当组合，按照本领域技术人员的理解来实施。
[0052]
上文所列出的一系列详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用于限制本发明的保护范围，凡是未脱离发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。