基于CycleGAN網(wǎng)絡(luò)的高頻地波雷達(dá)海洋回波去噪研究

摘" 要： 高頻地波雷達(dá)在對(duì)海面進(jìn)行監(jiān)控和目標(biāo)跟蹤時(shí)，必定會(huì)受到海雜波及各種噪聲的干擾，這些噪聲的存在是對(duì)船只目標(biāo)檢測(cè)的一個(gè)重大挑戰(zhàn)。為了克服此難題，文中采用循環(huán)一致性產(chǎn)生式對(duì)抗網(wǎng)絡(luò)（CycleGAN）對(duì)高頻地波雷達(dá)圖像進(jìn)行降噪處理。在該方法中，將傳統(tǒng)的雜波抑制問(wèn)題轉(zhuǎn)化為雜波抑制前后距離多普勒頻譜圖像的轉(zhuǎn)換問(wèn)題。在此基礎(chǔ)上，利用海上實(shí)驗(yàn)獲得的高頻雷達(dá)回波資料進(jìn)行實(shí)驗(yàn)驗(yàn)證，并與其他組網(wǎng)進(jìn)行量化比較。實(shí)驗(yàn)表明，CycleGAN網(wǎng)絡(luò)可以有效地對(duì)高頻雷達(dá)回波信號(hào)進(jìn)行去噪處理，在保持目標(biāo)的前提下，有效地消除了相關(guān)干擾。

關(guān)鍵詞： 高頻地波雷達(dá)； 圖像去噪； 深度學(xué)習(xí)； 雜波抑制； 生成對(duì)抗網(wǎng)絡(luò)； 距離多普勒

中圖分類號(hào)： TN959.71?34" " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " " 文章編號(hào)： 1004?373X（2025）03?0056?05

Research on CycleGAN network based denoising of high?frequency

ground wave radar ocean echo

ZHOU Hao， LI Bingyang

（School of Electronic Information， Wuhan University， Wuhan 430072， China）

Abstract： High?frequency ground wave radar is inevitably affected by sea clutter and various noises when monitoring and tracking the sea surface， which poses a significant challenge to ship target detection. In this paper， a cyclic consensus generative adversarial network （CycleGAN） is used to denoise high?frequency ground wave radar images， so as to overcome the difficulties. In this method， the traditional clutter suppression problem is transformed into the conversion problem of Range?Doppler （RD） spectrum images before and after clutter suppression. On this basis， high?frequency radar echo data obtained from sea trials are used for experimental verification. In addition， quantitative comparison with other networking methods are carried out. Experiments have shown that the CycleGAN network can denoise high?frequency radar echo signals and eliminate related interference effectively while maintaining the target intact.

Keywords： high?frequency ground wave radar; image denoising; deep learning; clutter suppression; GAN; RD

0" 引" 言

高頻地波雷達(dá)幾十年來(lái)在海洋超視距遙感和船舶目標(biāo)檢測(cè)與跟蹤方面取得了巨大成功[1]，小型天線陣列被廣泛使用，以節(jié)省寶貴的海岸線資源和成本，便于安裝和維護(hù)。在海面目標(biāo)的檢測(cè)和跟蹤過(guò)程中，高頻雷達(dá)常常會(huì)受到各種雜波和噪聲的干擾，尤其是海雜波的干擾，這些干擾可能會(huì)影響高頻雷達(dá)對(duì)目標(biāo)的準(zhǔn)確檢測(cè)。近年來(lái)，文獻(xiàn)[2]提出基于小波的方法來(lái)抑制海雜波，并在距離多普勒（Range Doppler， RD）圖上實(shí)現(xiàn)目標(biāo)和雜波的分離，但母小波和重建系數(shù)往往難以選擇。盡管可以提高SNR，但這種方法不能確保獲得最佳分離，并且可能更難進(jìn)行目標(biāo)檢測(cè)。文獻(xiàn)[3]歸納了主成分分析（Principal Component Analysis， PCA）與小波分析相融合的方式，旨在提升雷達(dá)RD譜的辨識(shí)度，并有效壓制噪聲。其信噪比得到了提高，但方法的缺點(diǎn)仍然存在，因?yàn)樾〔ㄏ禂?shù)的選擇主要是根據(jù)經(jīng)驗(yàn)。對(duì)此開發(fā)了一種基于離散小波變換（DWT）的HFSWR船舶自動(dòng)檢測(cè)方法[4]。DWT的最佳尺度由峰值SNR確定，以提取目標(biāo)，然后，通過(guò)Ostu算法[5]標(biāo)記分割區(qū)域來(lái)計(jì)算目標(biāo)數(shù)量，但沒有給出提取的點(diǎn)目標(biāo)在多大程度上是真實(shí)目標(biāo)的概率信息。

由于深度學(xué)習(xí)在雷達(dá)領(lǐng)域越來(lái)越受到關(guān)注[6?7]，文獻(xiàn)[8]采用前饋去噪卷積神經(jīng)網(wǎng)絡(luò)去除帶噪圖像中的噪聲。利用深度學(xué)習(xí)技術(shù)對(duì)高頻雷達(dá)進(jìn)行去噪處理的研究也逐漸興起，文獻(xiàn)[9]提出改進(jìn)灰狼優(yōu)化算法的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，然而，由于高頻雷達(dá)的特殊成像機(jī)制，用于訓(xùn)練的數(shù)據(jù)數(shù)量有限，RD譜圖中的目標(biāo)特征模糊不清，阻礙了深度學(xué)習(xí)在雷達(dá)雜波抑制領(lǐng)域的研究。循環(huán)一致性對(duì)抗網(wǎng)絡(luò)（CycleGAN）作為對(duì)抗性網(wǎng)絡(luò)的進(jìn)階形態(tài)，在文獻(xiàn)[10]中被初次提及，并且僅需使用較小規(guī)模的數(shù)據(jù)集為所面對(duì)的難題提供了相應(yīng)的解決辦法。CycleGAN采用了對(duì)抗性訓(xùn)練的思想，使生成的圖像盡可能與預(yù)期圖像相似。因此，文中提出基于CycleGAN網(wǎng)絡(luò)的高頻地波雷達(dá)海洋回波去噪研究，以到達(dá)減少噪聲干擾的目的。

1" 模型構(gòu)建

1.1" 循環(huán)生成對(duì)抗網(wǎng)絡(luò)

繼文獻(xiàn)[10]提出CycleGAN網(wǎng)絡(luò)之后，該技術(shù)在人工智能深度學(xué)習(xí)這一行業(yè)中取得了顯著成就，并且已經(jīng)被廣泛地應(yīng)用并深入研究于多個(gè)科學(xué)領(lǐng)域。本文受其影響，運(yùn)用了CycleGAN網(wǎng)絡(luò)所展現(xiàn)的出色圖像域遷移能力，進(jìn)而將常規(guī)的高頻地波雷達(dá)背景噪聲的抑制問(wèn)題轉(zhuǎn)換成了距離多普勒譜圖在雜波抑制前后的圖像轉(zhuǎn)換問(wèn)題。

生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，CycleGAN包括2個(gè)生成器模型（[F]與[G]）以及2個(gè)判別器模型（[DX]和[DY]）。CycleGAN的訓(xùn)練目標(biāo)在于掌握從[X]到[Y]中數(shù)據(jù)特征的轉(zhuǎn)化，從而實(shí)現(xiàn)圖片在不同域間的遷移[11]。在此結(jié)構(gòu)中，生成器扮演了轉(zhuǎn)換器的角色，[F]模型將源域圖片轉(zhuǎn)化為擁有類似[Y]域特質(zhì)的圖像，也就是通過(guò)學(xué)習(xí)兩領(lǐng)域數(shù)據(jù)特征間的對(duì)應(yīng)關(guān)系來(lái)將輸入的[x（x∈X）]圖像變換為與目標(biāo)域[Y]具備近似屬性分布的圖像[x]，即[x=FX→Yx]。同理，[G]模型也可進(jìn)行相反的變換，即將[Y]域的圖片轉(zhuǎn)變?yōu)榕c[X]域分布類似的圖像[y]，即[y=GY→Xy]。辨別器的職責(zé)是鑒別加工前的真實(shí)圖像與生成器輸出的模擬圖像，[DX]的任務(wù)是分辨實(shí)際的[x]圖像與生成的[x]圖像，而[DY]用于辨識(shí)實(shí)際的[y]圖像與生成的[y]圖像[12]。

CycleGAN模型同樣涵蓋了特有的損失部分，它的核心要素主要涉及生成對(duì)抗損失與循環(huán)一致性損失兩方面。在對(duì)該深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過(guò)程中，不斷地迭代和優(yōu)化步驟，其根本目標(biāo)在于：改進(jìn)這兩種損失函數(shù)的表現(xiàn)，從而期望能夠通過(guò)生成網(wǎng)絡(luò)制作出高度逼真的圖像輸出來(lái)混淆判別網(wǎng)絡(luò)；而判別網(wǎng)絡(luò)則是提高其識(shí)別能力，更準(zhǔn)確地鑒別輸入的圖像是否由生成網(wǎng)絡(luò)仿造出來(lái)。

生成器[F]與判別器[DY]間的生成對(duì)抗損失函數(shù)如下：

[LGANFX→Y，DY=Ey～PdataylogDYy+Ex～Pdataxlog1-DYFX→Yx] （1）

式中：[Pdatax]和[Pdatay]分別為[x]和[y]的分布；[E]為期望。

但是如果只有單一的生成器[F]與判別器[DY]，那么它們之間的生成對(duì)抗損失沒有辦法確保神經(jīng)網(wǎng)絡(luò)之中的輸入圖片[x]可以完全映射到期望輸出[y]的分布之中。因此，類似的CycleGAN引入了生成器[G]與判別器[DX]之間的生成對(duì)抗損失函數(shù)：

[LGANGY→X，DX=Ex～PdataxlogDxy+Ey～Pdataylog1-DxGY→Xy] （2）

作為CycleGAN的核心，循環(huán)一致性損失被引入是為了避免所有[X]中的圖像都映射到[Y]中的同一個(gè)目標(biāo)圖像。循環(huán)一致性損失由向前的正向循環(huán)一致性和向后的反向循環(huán)一致性組成，結(jié)構(gòu)如圖2所示，計(jì)算方式定義如下：

[LCLLF，G=Ex～PdataxGFx-x1+Ey～PdatayFGy-y1]" （3）

式中[?1]為[L1]歸一化損失。總體損失函數(shù)為：

[LF，G，DX，DY=LGANF，DY+LGANG，DX+λCCLLCCLF，G]

（4）

1.2" 海洋回波譜的去噪模型搭建與訓(xùn)練

1.2.1" 數(shù)據(jù)集的準(zhǔn)備

首先，利用海上實(shí)驗(yàn)資料提取出雷達(dá)的多普勒頻譜，然后將多普勒信號(hào)轉(zhuǎn)換成灰度圖象，然后利用AIS的資料，并通過(guò)手動(dòng)處理得到上述的帶噪灰階圖像所對(duì)應(yīng)的干凈灰度圖像，由此就構(gòu)成了CycleGAN網(wǎng)絡(luò)需要輸入的數(shù)據(jù)集。

1.2.2" 網(wǎng)絡(luò)的搭建

生成器網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，CycleGAN網(wǎng)絡(luò)從輸入到輸出分別是：編碼器、轉(zhuǎn)換器和解碼器。

在最開始，圖像資料輸入至生成器中，并首先被導(dǎo)引至編碼器以供處理。該編碼器致力于對(duì)圖像資料進(jìn)行編碼，以提取圖像中雷達(dá)RD頻譜的基本特征。在此過(guò)程中，編碼模型利用帶有三重過(guò)濾功能的卷積對(duì)圖像進(jìn)行逐步下采樣，獲取關(guān)鍵特征信息。本文中，提供給生成器的雷達(dá)RD頻譜圖的分辨率被統(tǒng)一設(shè)為256 Pixel×256 Pixel。第一個(gè)卷積層特別選用了Conv?BN?ReLU的組合方式，64個(gè)濾波器單元，卷積核大小為7×7，并且步進(jìn)間距定為1，經(jīng)過(guò)精練的特征向量由此層層傳遞至下一環(huán)節(jié)。遵循相似的處理邏輯，將每個(gè)卷積層同樣按此方法不斷深化對(duì)RD頻譜圖像特征進(jìn)行挖掘。因此，在第3個(gè)卷積層的編碼器最終提取出的結(jié)果是由256個(gè)大小為64×64的特征向量構(gòu)成的組合。

轉(zhuǎn)化器通過(guò)采用9個(gè)殘差單元（Resblocks）過(guò)濾掉不必要特性，加強(qiáng)有用特性的結(jié)合，并借助過(guò)濾波的特性明確如何實(shí)現(xiàn)將輸入圖片的特征向量從去除噪聲前（或去除噪聲后）的狀態(tài)，轉(zhuǎn)化到去除噪聲后（或去除噪聲前）的狀態(tài)。

最后對(duì)解碼器進(jìn)行連續(xù)的向上采樣運(yùn)算，以在提取特征中進(jìn)一步地還原出相應(yīng)的輸入信號(hào)。解碼器通過(guò)在兩個(gè)向上的卷積網(wǎng)絡(luò)層中逐漸還原圖像的粗略特性，并在最后一個(gè)卷積層中把特征向量的輸入通道數(shù)量壓縮為3，從而可以對(duì)應(yīng)輸入圖像中的像素通道數(shù)量，這樣才能完整地完成對(duì)輸入圖像的重新構(gòu)建。生成器的詳細(xì)內(nèi)部構(gòu)造如表1所示。

1.2.3" 性能評(píng)估

在本次實(shí)驗(yàn)中，對(duì)實(shí)驗(yàn)結(jié)果性能的評(píng)估將由3個(gè)指標(biāo)完成，分別是：結(jié)構(gòu)相似度（Structural Similarity， SSIM）、峰值信噪比（Peak Signal?to?Noise Ratio， PSNR）以及特征相似度（Feature Similarity， FSIM）。峰值信噪比（PSNR）通過(guò)比較參照?qǐng)D像與生成圖像間的均方誤差來(lái)定量圖片質(zhì)量損失。峰值信噪比較高說(shuō)明創(chuàng)建出的圖像具有較小的失真度，圖像質(zhì)量較高。SSIM可對(duì)兩張圖像之間的相似程度進(jìn)行評(píng)估，其取值在0～1之間，值越高說(shuō)明兩張圖像越相似。FSIM的第一特征選取相位的一致性可對(duì)圖像質(zhì)量的好壞進(jìn)行判別，其取值在0～1之間。越高的FSIM值，意味著兩張圖像之間特征的相似程度也就越高，從而產(chǎn)生圖像的質(zhì)量會(huì)更好。

2" 實(shí)驗(yàn)驗(yàn)證

2.1" 數(shù)據(jù)來(lái)源與預(yù)處理

武漢大學(xué)雷達(dá)與信號(hào)處理實(shí)驗(yàn)室2015年在福建省東山進(jìn)行海試實(shí)驗(yàn)，本文采用的是東山站雷達(dá)回波數(shù)據(jù)，雷達(dá)天線采用單極子交叉環(huán)結(jié)構(gòu)，頻率為13.15 MHz。

圖4中展示的是海試中東山站獲取的一張回波距離多普勒?qǐng)D。正負(fù)一階峰附近展寬的區(qū)域?yàn)楹ｋs波區(qū)域，即為想去除的噪聲區(qū)域，它的范圍大小與時(shí)間、浪高等海面多種因素有關(guān)。

從海試數(shù)據(jù)中得到的雷達(dá)距離多普勒?qǐng)D是一個(gè)二維數(shù)組，因此，要把這個(gè)二維數(shù)組轉(zhuǎn)化為灰度圖像，作為原始帶噪聲的圖像數(shù)據(jù)。由于CycleGAN網(wǎng)絡(luò)輸入是以成對(duì)的方式進(jìn)行，因此還要輸入其對(duì)應(yīng)的干凈圖像。

干凈圖像按以下方法生成。

1） 將原始的帶噪圖像作為基準(zhǔn)，生成一個(gè)單一灰度值、相同尺寸的背景圖像。

2） 人工結(jié)合船舶AIS信息，將原始的帶噪圖像中的目標(biāo)信息以標(biāo)簽的方式進(jìn)行保存。

3） 根據(jù)標(biāo)簽信息在干凈背景的灰度圖中設(shè)置標(biāo)簽船只目標(biāo)信息。綜上生成的干凈圖像就與原來(lái)帶噪圖像形成一一對(duì)應(yīng)關(guān)系，這樣構(gòu)成的圖像對(duì)就是數(shù)據(jù)集的組成元素。

2.2" 實(shí)驗(yàn)結(jié)果

本次實(shí)驗(yàn)使用的深度學(xué)習(xí)框架為TensorFlow 1.3，使用的計(jì)算機(jī)語(yǔ)言為Python 3及Matlab。計(jì)算機(jī)配置如下：GeForce RTX 3060顯卡，處理器為i7?11800H處理器，內(nèi)存大小為16 GB。對(duì)網(wǎng)絡(luò)訓(xùn)練的基本設(shè)定為：每個(gè)批次大小128，epoch大小為100，總樣本數(shù)量為512。

首先，在此基礎(chǔ)上，利用CycleGAN網(wǎng)絡(luò)對(duì)原始多普勒頻譜進(jìn)行可視化處理，并將其與傳統(tǒng)的多普勒?qǐng)D進(jìn)行對(duì)比，觀察兩者之間的直接關(guān)系。去噪結(jié)果如圖5所示，經(jīng)過(guò)CycleGAN網(wǎng)絡(luò)濾波，消除了多普勒信號(hào)中的大多數(shù)干擾，同時(shí)保持了物體的本質(zhì)特性；其次，通過(guò)量化分析，選取PSNR、SSIM、FSIM等性能，評(píng)估CycleGAN網(wǎng)絡(luò)對(duì)多普勒成像降噪的影響。引入原始的GAN網(wǎng)絡(luò)與效果較好的圖像去噪網(wǎng)絡(luò)DnCNN進(jìn)行性能對(duì)比，整個(gè)實(shí)驗(yàn)的統(tǒng)計(jì)結(jié)果如表2所示。

3" 結(jié)" 論

由于高頻地波雷達(dá)海洋回波譜中有著大量復(fù)雜的干擾，對(duì)這些噪聲進(jìn)行去除有很大困難。本文擬采用CycleGAN網(wǎng)絡(luò)對(duì)雷達(dá)回波信號(hào)進(jìn)行消噪建模，并利用高頻地波雷達(dá)海試實(shí)驗(yàn)獲得的多普勒頻譜數(shù)據(jù)對(duì)其進(jìn)行降噪處理。實(shí)驗(yàn)結(jié)果表明，該方法能有效地去除雷達(dá)多普勒成像中的噪聲。

本文擬建立的CycleGAN網(wǎng)絡(luò)去噪模型，通過(guò)消除多普勒信號(hào)中的噪音，實(shí)現(xiàn)對(duì)回波信號(hào)的壓制，改善其資料質(zhì)量，提升其探測(cè)能力，為海面船舶目標(biāo)的識(shí)別提供了有力支撐，并進(jìn)一步完善模型，使之適用于更廣闊的海域。

參考文獻(xiàn)

[1] VIVONE G， BRACA P， HORSTMANN J. Knowledge?based multitarget ship tracking for HF surface wave radar systems [J]. IEEE transactions on geoscience and remote sensing， 2015， 53（7）： 3931?3949.

[2] JANGAL F， SAILLANT S， HELIER M. Wavelet contribution to remote sensing of the sea and target detection for a high?frequency surface wave radar [J]. IEEE geoscience and remote sensing letters， 2008， 5（3）： 552?556.

[3] LU B， WEN B Y， TIAN Y W， et al. A vessel detection method using compact?array HF radar [J]. IEEE geoscience and remote sensing letters， 2017， 14（11）： 2017?2021.

[4] LI Q Z， ZHANG W D， LI M， et al. Automatic detection of ship targets based on wavelet transform for HF surface wavelet radar [J]. IEEE geoscience and remote sensing letters， 2017， 14（5）： 714?718.

[5] JIAO S H， LI X G， LU X. An improved Ostu method for image segmentation [C]// 2006 8th International Conference on Signal Processing. [S.l.： s.n.]， 2006： 966?969.

[6] GENG J， FAN J C， WANG H Y. High?resolution SAR image classification via deep convolutional autoencoders [J]. IEEE geoscience and remote sensing letters， 2015， 12（11）： 2351?2355.

[7] PLANINSIC P， GLEICH D. Temporal change detection in SAR images using log cumulants and stacked autoencoder [J]. IEEE geoscience and remote sensing letters， 2018， 15（2）： 297?301.

[8] ZHANG K， ZUO W M， CHEN Y J， et al. Beyond a Gaussian denoiser： Residual learning of deep CNN for image denoising [J]. IEEE transactions on image processing， 2017， 26（7）： 3142?3155.

[9] SHANG S， HE K N， WANG Z B， et al. Sea clutter suppression method of HFSWR based on RBF neural network model optimized by improved GWO algorithm [J]. Computational intelligence and neuroscience， 2020（1）： 1?10.

[10] ZHU J Y， PARK T， ISOLA P， et al. Unpaired image?to?image translation using cycle?consistent adversarial networks [C]// IEEE International Conference on Computer Vision. New York： IEEE， 2017： 2242?2251.

[11] ZHAO J M， ZHANG J， LI Z， et al. DD?CycleGAN： Unpaired image dehazing via double?discriminator cycle?consistent generative adversarial network [J]. Engineering applications of artificial intelligence， 2019， 82： 263?271.

[12] 黃山，賈俊.基于改進(jìn)循環(huán)生成式對(duì)抗網(wǎng)絡(luò)的圖像去霧方法[J].計(jì)算機(jī)工程，2022，48（12）：218?223.

[13] GOODFELLOW I J， POUGET?ABADIE J， MIRZA M， et al. Generative adversarial nets [C]// Advances in Neural Information Processing Systems 27： Annual Conference on Neural Information Processing Systems 2014. [S.l.： s.n.]， 2014： 2672?2680.