【技术实现步骤摘要】
基于生成对抗网络的SAR图像生成方法及系统
[0001]本申请涉及图像生成
,具体是涉及一种基于生成对抗网络的SAR图像生成方法及系统。
技术介绍
[0002]景象匹配和目标检测技术被广泛应用在各种领域中,景象匹配技术可以分为同源匹配和异源匹配,同源匹配精度高,但实际数据难以获得,异源匹配精度稍差,数据较易获得,例如典型的SAR景象匹配过程,首先需要制备包含目标区域的大幅宽SAR卫星图像,而目前大幅宽的SAR卫星图像较难获得,且在实际应用场景中容易出现弱特征景象匹配能力差的问题。同样的,在进行SAR图像目标检测过程中,人工智能方法需要大规模的样本数据,而包含有效目标的 SAR图像难以获得,导致网络模型的精度难以提升,其次现有目标检测模型往往是有基于可见光图像的预检测模型,随后通过迁移学习的方式进行SAR图像目标检测的转换,这种方法会出现模型漂移、检测效果不稳定的问题。为提高景象匹配和目标检测精度,迫切需要研究SAR参考图制备技术。传统的图像制备方法往往需要人工设计特征,存在特征不稳定、图像不真实的的问题,基于深度学习的图像翻译方法可以生成真实可靠地图像,这为制备可靠的SAR图像提供了一种可能的解决方案。
[0003]许多计算机视觉问题可以被看作是一个图像到图像的生成问题,是映射一个域中的映像到另一个域中的对应映像,实际上都是像素到像素之间的映射。例如,图像去雾可以认为是将有雾图像映射到相应的无雾图像的问题。图像生成这个问题可以在有监督和无监督的学习环境中进行研究。在无监督学习中,只有两组独立的图像,其中 ...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络的SAR图像生成方法,其特征在于,包括以下步骤:步骤S1、获取真实SAR图像和高分辨率卫星图像,并将高分辨率卫星图像按预设比例划分成训练集和测试集;步骤S2、构建生成器;步骤S3、构建判别器;步骤S4、构建训练集经生成器和判别器训练后的总损失函数;步骤S5、初始化生成器和判别器的网络参数;步骤S6、将训练集输入生成器和判别器,通过损失函数进行联合训练,获取训练好的生成器和判别器;步骤S7、将测试集经训练好的生成器和判别器测试,得到虚假SAR图像;步骤S8、比对虚假SAR图像和真实SAR图像,获取真实SAR图像和虚假SAR图像之间的差异;步骤S9、根据获取的差异,控制执行不同的网格参数获取方法。2.如权利要求1所述的基于生成对抗网络的SAR图像生成方法,其特征在于,所述步骤S2,具体包括以下步骤:步骤S21、构建包含下采样模块、残差模块和上采样模块的生成器架构,所述残差模块包括第一残差块层组和第二残差块层组;步骤S22、在所述第一残差块层组和第二残差块层组之间加入混合注意力模块。3.如权利要求2所述的基于生成对抗网络的SAR图像生成方法,其特征在于,所述步骤S20中的混合注意力模块学到的权重为W,通过下式计算得到:W=F(C
E
(x));式中,F为注意力模块,C
E
(x)为原始特征图。4.如权利要求2所述的基于生成对抗网络的SAR图像生成方法,其特征在于,将所述步骤S20中的第二残差块层组根据下式经实例和层归一化方式处理得到CILN残差模块:骤S20中的第二残差块层组根据下式经实例和层归一化方式处理得到CILN残差模块:其中μ
I
,μ
L
和σ
I
,σ
L
分别是实例和层归一化方式的均值和标准差,ω和是归一化方式中通过全连接层自动更新生成的缩放参数和平移参数。5.如权利要求1所述的基于生成对抗网络的SAR图像生成方法,其特征在于,所述步骤S3,具体包括以下步骤:步骤S30、构建在不同的图像尺度上使用的多个结构相同的判别器网络形成的多尺度判别器。6.如权利要求1所述的基于生成对抗网络的SAR图像生成方法,其特征在于,所述步骤S4,具体包括以下步骤:步骤S41、获取对抗网络的生产对抗损失:步骤S42、获取L1正则化损失;步骤S43、获取特征匹配损失;
步骤S44、获取VGG损失;步骤S45、根据获取的生成对抗损失、L1正则化损失、特征匹配损失和VGG损失,获取训练集经生成器和判别器训练后的总损失函数。7.如权利要求6所述的基于生成对抗网络的SAR图像生成方法,其特征在于,所述步骤S45,具体包括以下步骤:步骤S450、将获取的生成对抗损失L
GAN
...
【专利技术属性】
技术研发人员:周景龙,陈立峰,桂阳,陈术涛,胡哲,马金宏,李超然,
申请(专利权)人:湖北航天技术研究院总体设计所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。