基于特征引导的多阶段生成对抗网络用于SAR图像生成

《Expert Systems with Applications》：Feature-guided multi-stage generative adversarial network for SAR image generation

本文提出基于特征引导的多阶段生成对抗网络（FGMS-GAN）算法，通过背景、形状、目标三阶段分别建模G0分布、方位角信息和散射中心特性，提升SAR图像生成质量及目标识别率，实验验证了该方法在MSTAR数据集上的有效性。

　　

刘明|杜一轩|陈世超|陶明亮|范一飞

陕西师范大学人工智能与计算机科学学院，中国陕西省西安市710119

摘要

目前，很少有图像生成方法关注合成孔径雷达（SAR）图像的特性。本文提出了一种基于特征的多阶段生成对抗网络（FGMS-GAN）算法，主要用于SAR图像生成。该算法主要包括三个阶段：背景阶段、形状阶段和目标阶段。在背景阶段，使用G^0分布对SAR图像的统计特性进行建模，以确保生成的图像符合真实SAR图像的统计特性。在形状阶段，利用SAR图像的方位角来提高生成图像与真实图像在形状和几何上的相似性。在目标阶段，提取SAR图像的散射中心特性，并将其应用于目标阶段的生成网络中，从而增强目标的细节表现，提高目标区域的识别度和清晰度。实验结果验证了所提算法的有效性。

引言

与光学、红外等遥感方式相比，合成孔径雷达（SAR）具有在全天候和昼夜条件下可靠运行的优势，并且能够获取多种地形类型的图像。因此，SAR在地质调查（Bo等人，2025年）、灾害监测（陈、崔、王、肖，2021b年）、资源勘探（陈、曹、尚、刘、刘，2021a年）、环境保护和海洋观测（Rahimi和Sharifian，2025年）等领域得到了广泛应用。随着SAR图像分辨率的不断提高，目标识别已成为一个日益活跃的研究课题（Baek和Jang，2024年）。

在现有的方法中，基于模板的匹配方法是SAR目标识别中最广泛使用的分类技术（Ding、Wen、Ma和Yang，2018年）。这种策略是将输入的SAR图像与一组预定义的模板进行比较以确定相似性。尽管基于模板的匹配方法易于实现且计算效率高，但当目标发生姿态或尺度变化时，其性能会显著下降，导致鲁棒性有限。特征提取方法依赖于手工制作的特征和分类器（Dong和Kuang，2015年），但在复杂的多目标场景中泛化能力有限。

近年来，基于深度学习的SAR目标识别引起了广泛关注（Zha等人，2026年）。深度学习可以提取特征并进行分类（Huang，2021年），减少工作量并提高准确性。Zhang等人（2017年）提出了一种双向长短期记忆（LSTM）网络，用于从不同视角识别SAR目标。Lan、Cui、Cao、Pi和Xu（2019年）开发了一种微卷积神经网络（MCNN）用于SAR目标识别，实现了高精度且对内存和计算资源要求低。Cao等人（2021年）提出了一种基于深度学习的成本敏感型SAR自动目标识别方法。通过引入深度神经网络和成本敏感机制，提高了模型对不同类别的适应性。通过在交叉熵中引入互信息（Correntropy），当标签错误时，神经网络不容易产生偏差（Zhou等人，2026a）。使用更高效且抗噪声的方法，借助少量标签快速对图像进行分组（Zhou等人，2026b）。

近年来，将深度学习与物理机制相结合已成为提高各学科系统建模准确性的关键趋势（Ahmad、Alsalmah，2025a；Ahmad、Alsalmah，2025b；Ahmad、Omer、Eid，2025；Alhushaybari、Hussain、Abulhassan、Alharthi、Ali、Ahmad、Jamshed，2026；Xie、Ou、Wen、Yu、Tian，2025）。受到这些领域对物理一致性建模严格要求的影响，合成孔径雷达（SAR）图像生成也需要从纯数据驱动的方法转向结合物理特性的特征驱动方法。当前的像素级GAN算法往往忽略了SAR图像独特的电磁散射特性，这可能导致生成的图像在电磁维度上出现失真。同时进行多阶段生成也具有一定的研究潜力（Singh、Ojha和Lee，2019）。

基于深度学习的SAR图像生成因能够创建逼真的SAR图像而受到关注（Ghozatlou、Datcu和Chapron，2024）。生成对抗网络（GAN）（Goodfellow等人，2020）是最常用的生成SAR图像的深度学习方法之一（Ju、Niu和Hu，2023）。为了提高SAR图像生成的质量，Gao等人（2018）将深度卷积生成对抗网络（DCGAN）中的判别器数量翻倍，用标准Softmax函数替换了最后一层，并使用平均输出来计算生成器的损失。Cui、Zhang、Cao和Cao（2019）提出了一种梯度惩罚Wasserstein GAN（WGAN-GP），以实现现有SAR数据的样本扩展，并设计了一种样本选择滤波器来提取高质量图像，避免了数据的随机性并提高了生成样本的质量。尽管这些基于GAN的SAR图像生成模型提高了训练稳定性和图像质量，但生成图像中的SAR图像特性与真实图像的相似性仍然有限，这进一步影响了SAR图像的识别效果。基于像素的GAN通过学习图像像素强度的概率分布来生成SAR图像。它们的优点包括通用性、易于实现以及在生成具有丰富纹理和非显著散射特征的目标或背景区域时的良好性能。在这些场景中，基于像素的GAN可以快速生成视觉上自然的图像，同时保持整体纹理结构。然而，SAR图像中的强散射亮点并非普通纹理，它们对应于由目标的几何结构和材料特性决定的散射中心。这些散射中心决定了图像的主要能量分布，直接影响目标识别性能和参数估计。仅依赖像素统计分布的模型可能生成视觉上合理的纹理，但往往会产生不对齐的亮点、扭曲的强度分布或结构信息的丢失，从而影响电磁散射特性的物理一致性。在高分辨率SAR目标识别任务中，这种偏差会显著降低实际效用。散射中心在SAR图像的目标识别中起着至关重要的作用（Chen、Zhang、Wang、Xu，2024；Ding、Wen、Huang、Ma、Yang，2017）。本文提出的基于散射中心的GAN通过提取目标表面的强反射散射中心，明确结合了电磁物理先验。这使得模型从“拟合像素分布”转向“拟合散射机制”，从而在散射中心特性方面增强了生成图像的真实性。散射特性更符合真实图像，从而提高了下游的识别率。

为了解决上述问题，本文提出了一种基于特征驱动的多阶段生成对抗网络（FGMS-GAN）的SAR图像生成算法。该算法通过三个阶段生成高质量SAR图像：背景阶段、形状阶段和目标阶段。所提算法利用SAR图像的统计特性、方位角信息和散射特性来指导不同阶段的图像生成。生成的图像不仅与真实图像高度相似，而且细节保真度和多样性也更好。通过所提算法生成的SAR图像可以用于扩展SAR目标识别数据集并提高识别准确性。本文的主要贡献总结如下：1)

在背景阶段，使用能够拟合任何场景SAR图像统计特性的G^0分布模型，以确保生成的背景图像能够准确反映真实SAR图像的统计特性，为后续处理提供真实的背景环境。

2)

在形状阶段，使用SAR图像的方位角作为条件输入，以确保生成的图像在几何结构上与真实SAR图像高度一致。

3)

在目标阶段，提取SAR图像的散射特性，并将其作为注意力机制的核心输入，指导生成网络，增强目标特征的表示能力，并提高目标区域的细节。

本文的其余部分安排如下：第3节介绍FGMS-GAN三个阶段的网络架构。第4节介绍在移动和静止目标识别（MSTAR）数据集上的实验结果。最后，第5节对本文进行总结。

章节片段

SAR图像生成

SAR因其能够在全天候和昼夜条件下捕获高分辨率图像而在遥感中得到广泛应用（Cao等人，2021）。然而，标记好的SAR数据通常有限，这对训练深度学习模型提出了挑战。为了解决这一限制，研究人员探索了各种生成合成SAR图像的方法，包括物理建模方法和数据驱动技术。

提出的方法

在SAR图像处理中，通过探索SAR图像的特性（如统计特性、方位角信息和散射特性）可以提高算法的性能。添加统计特性有助于提高生成图像的背景真实性（He、Liu、Han、Kang和Chen，2017）。方位角信息可以显著增强生成图像的物理真实性和多样性（Zhang，

训练细节

实验在MSTAR数据集的十个类别目标上进行。SAR图像的分辨率为0.3×0.3米。所有SAR图像的大小为128×128像素，方位角范围从0°到360°。实验中，使用俯仰角为17°的SAR图像作为训练数据，而俯仰角为15°的图像作为测试数据。预处理操作仅从128×128的原始图像中提取中心64×64的图像进行训练，并对图像进行归一化。

结论

为了提高SAR图像生成的真实性，本文提出了一种基于FGMS-GAN的SAR图像生成算法。该算法利用SAR图像的固有特性（包括统计属性、方位角信息和散射中心属性）来指导算法不同阶段的图像生成。所提算法生成的图像具有更高的

CRediT作者贡献声明

刘明：概念化、方法论、验证、撰写——初稿；撰写——审阅与编辑。杜一轩：方法论、软件、可视化、撰写——初稿；撰写——审阅与编辑。陈世超：监督、资金获取、撰写——初稿；撰写——审阅与编辑。陶明亮：监督、资金获取。范一飞：监督、资金获取。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。