Deep-TEMPEST 合成数据生成教程：用 folder_simulation.py 模拟 HDMI 电磁泄漏捕获

Deep-TEMPEST 合成数据生成教程：用 folder_simulation.py 模拟 HDMI 电磁泄漏捕获

【免费下载链接】deep-tempestRestoration for TEMPEST images using deep-learning项目地址: https://gitcode.com/gh_mirrors/de/deep-tempest

Deep-TEMPEST 是一个基于深度学习的图像复原开源项目，专门用于修复从 HDMI 电磁泄漏中捕获的 TEMPEST 图像。本教程将手把手教你使用项目自带的folder_simulation.py 合成数据生成脚本，在本地批量模拟 HDMI 电磁泄漏捕获过程，为训练 DRUNet 复原模型准备高质量数据集。

什么是 Deep-TEMPEST 合成数据生成

TEMPEST（又称 Van Eck Phreaking）是一种通过接收显示器线缆泄漏的电磁信号来"隔空窥屏"的技术。Deep-TEMPEST 在经典工具 gr-tempest 的基础上引入深度学习，将模糊难辨的捕获图像修复成可读的屏幕内容。

但深度学习模型需要大量"原始图 + 退化捕获图"配对数据，真实电磁捕获成本高、耗时久。为此，项目提供了folder_simulation.py 合成数据生成工具：只需一个普通图片文件夹，就能在本地模拟完整的 HDMI 电磁泄漏捕获链路，自动生成大量配对数据。

为什么需要模拟 HDMI 电磁泄漏捕获

• 成本极低：无需天线、SDR 接收机或屏蔽实验室，普通电脑即可完成。
• 批量高效：对文件夹内所有图片自动处理，且已生成的图片会被自动跳过，支持增量续跑。
• 参数可控：可自由调整帧率、SDR 采样率、像素谐波、频率/相位误差、噪声强度等信道参数。
• 配对天然：原始图与模拟捕获图一一对应，正是监督学习最需要的数据形态。

环境准备：最快配置方法

首先克隆仓库：

git clone https://gitcode.com/gh_mirrors/de/deep-tempest

然后安装 Python 依赖（numpy、scipy、scikit-image、PIL 等），推荐使用项目根目录的 requirements.txt 或 tempest_conda.yml 创建环境。脚本核心逻辑位于 end-to-end/folder_simulation.py，信道仿真依赖 end-to-end/utils/DTutils.py 中的 TMDS 编码与串行化函数。

配置模拟参数：编辑 tempest_simulation.json

所有模拟参数都集中在 end-to-end/options/tempest_simulation.json 中，只需修改两个路径和若干信道参数：

{ "paths": { "folder_original_images": "path/to/original_images", "folder_simulated_images": "path/to/simulated_images" }, "options": { "blanking": true, "frames_per_second": 60, "sdr_rate": 50e6, "interpolator": 10, "differential_signaling": true, "random": { "harmonics": [3], "sigma": null, "freq_error": [0, 15], "phase_error": [-1, 1] } } }

一键运行 folder_simulation.py 生成捕获图

在end-to-end/目录下执行：

python folder_simulation.py

脚本会自动完成以下 HDMI 电磁泄漏捕获模拟流程：

1. 读取图片：遍历输入文件夹中所有 png、jpg、jpeg、tif、bmp 等格式图片。
2. TMDS 编码：将 RGB 像素按 HDMI 的 TMDS 协议编码（含消隐处理）。
3. 位串行化：将编码后的比特流串行化，叠加三通道信号。
4. 信道仿真：按像素谐波频率进行 AM 调制，叠加频率/相位误差与高斯噪声。
5. SDR 采样：用设定的采样率重采样，模拟软件无线电接收。
6. 保存结果：将信号实部与虚部归一化后保存为图像，并写入logfiles/日志。

生成的数据如何用于 DRUNet 训练

合成数据生成完成后，原始图片作为高分辨率参考（H），模拟捕获图作为退化输入（L），即可交给 DRUNet 训练：

1. 编辑 end-to-end/options/train_drunet.json，将datasets.train.dataset_type设为"drunet"（合成数据模式；若用真实捕获数据则设为"drunet_finetune"）。
2. 将dataroot_H指向原始图片目录，dataroot_L指向模拟捕获图目录。
3. 运行训练脚本：

python main_train_drunet.py


训练完成后，可用 main_test_drunet.py 进行推理，用 tempest_evaluation.py 评估复原质量。

常见问题与排错技巧

• 提示找不到输入文件夹：检查 JSON 中folder_original_images路径是否正确、是否存在。
• blanking 开启后图片变形：开启消隐模拟时，图片需符合 VESA 标准分辨率。
• 输出图看起来是彩色条纹：这是模拟捕获图的正常形态（实部与虚部分别映射到两个通道），正是 DRUNet 要学习复原的退化样式。
• 想批量生成多样化数据：适当增大freq_error、phase_error范围，或让sigma随机取值，可显著提升数据多样性。

结语

通过 folder_simulation.py 合成数据生成脚本，你可以零硬件成本地模拟 HDMI 电磁泄漏捕获，为 Deep-TEMPEST 的图像复原研究源源不断地提供训练数据。从配置 tempest_simulation.json 到运行脚本、再到训练 DRUNet，整个链路清晰且完全可复现。现在就动手生成你的第一批合成捕获数据吧！

【免费下载链接】deep-tempestRestoration for TEMPEST images using deep-learning项目地址: https://gitcode.com/gh_mirrors/de/deep-tempest