一种方位角可控的SAR目标图像生成方法技术

本发明专利技术公开了一种方位角可控的SAR目标图像生成方法，采用N步递进的编码方式将SAR图像的方位角编码为标签，然后将SAR图像和编码后的标签送入CGAN进行训练，待模型稳定后，CGAN的生成模型就可以产生指定方位角的SAR图像。本发明专利技术方法在生成方位角可控的SAR目标图像过程中，不需要方位角判别器进行筛选，N‑Progressive编码可以解决CGAN训练过程中模型崩溃的情况，同时使用N步递进编码产生的SAR目标图像的方位角更准确；且当CGAN模型收敛后，可以快速的产生大量的SAR目标图像，不需要再提取SAR图像特征。

A method of SAR target image generation with controllable azimuth

【技术实现步骤摘要】
一种方位角可控的SAR目标图像生成方法
本专利技术属于SAR目标图像生成
，具体涉及一种方位角可控的AER目标图像生成方法。
技术介绍
SAR在地球遥感、海洋研究、资源勘探、灾情预报和军事侦查等领域有广泛的应用。在随着SAR的欺骗技术和SAR图像的解译技术研究的进行，常常面临SAR图像数据集不足的问题。SAR图像使用实测的方法进行产生的成本太高，现在SAR图像的解译技术常常用到深度学习算法，深度学习的训练需要大量的数据集作为模型的训练集。所以在实践中常常需要人为的扩充数据集。目前图像生成模型也有很多的研究，例如生成对抗网络等深度的提出，就给图像的生成的研究带来了很大的突破。在研究中，使用深度卷积生成对抗网络(DCGAN)等算法去生成SAR图像可以很轻易的得到比较逼真的SAR图像，但是这种算法所产生SAR目标图像方位角指向是随机的，不可控制，要得到指定方位角的SAR图像需要先使用该算法产生大量的SAR图像然后再使用方位角判别器进行判别，从而获得想要的方位角的SAR图像。条件生成对抗网络(CGAN)是将生成对抗网络和条件控制相结合的深度生成模型，该算法是在生成模型和判别模型中均引入条件，这种将条件加入到原始GAN模型中，就可以令GAN的生成模型在条件的控制下产生数据。研究的SAR目标的方位角，其取值范围[0-359]，对于希望利用方位角标签去指导CGAN产生特定方位角的SAR图像，需要对方位角特征进行编码，机器学习中常见的特征编码方式有labenconding和one-hotencoding两种。但是这两种编码在CGAN可控生成SAR图像时，CGAN都无法收敛到理论的纳什平衡状态，同时基于labenconding特征编码方法训练的CGAN模型产生的SAR图像的方位角不准确，基于one-hotencoding的方位角标签维度为360，其维度较高，需要使用维度更高的噪声。其中，基于这种不足本专利技术针对SAR目标方位角的特征提出一种新的标签编码方式N-Progressive编码方法解决CGAN中方位角编码的问题。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的方位角可控的SAR目标图像生成方法解决了
技术介绍
中的上述问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种方位角可控的SAR目标图像生成方法，包括以下步骤：S1、获取SAR目标图像数据集，并对其进行预处理；S2、通过N-Progressive对预处理后的SAR目标图像的方位角进行编码，获得对应的方位角标签；S3、根据方位角标签和预处理后的SAR目标图像，构建条件生成对抗网络；S4、将方位角标签和预处理后的SAR目标图像输入到条件生成对抗网络中，对其进行训练，得到收敛的条件生成对抗网络；S5、将任意方位角标签输入到收敛的条件生成对抗网络中，得到该方位角标签对应的SAR目标图像。进一步地，所述步骤S1具体为：将SAR目标图像数据集中的各SAR目标图像转换为单通道的灰度图像，并将其大小调整为128×128×1。进一步地，所述步骤S2具体为：S21、在预处理后的SAR目标图像中，将0-359度的方位角以60度的标签范围进行one-hot编码，获得第一组6位标签；S22、将第一组6位标签中的每位标签内的方位角以10度的标签范围进行one-hot编码，获得第二组6为标签；S23、将第二组6位标签中的每位标签内的方位角以1度的标签范围进行one-hot编码，获得10位标签；S24、将第一组6位标签、第二组6为标签和10位标签拼接起来，使维度为22的one-hot编码表示变化范围为0-359度的方位角；S25、将每个方位角对应的one-hot编码作为对应的方位角标签。进一步地，所述步骤S3中的条件生成对抗网络包括相互连接的生成模型和判别模型；进一步地，所述生成模型对输入数据生成图像的处理方法具体为：A1、产生一个100维的均匀噪声，并将其与SAR目标图像的方位角标签进行拼接；A2、将拼接后的数据经过一个全连接神经网络后，变换成对应的16×16×128的数据矩阵；A3、将16×16×128的数据矩阵经过三层反卷积神经网络，生成对应的128×128×1的fake图像；进一步地，所述判别模型对输入图像处理的方法具体为：B1、将fake图像和预处理后的SAR目标图像经过一层卷积层，将其转换为64×64×16的数据矩阵；B2、将64×64×16的数据矩阵与方位角标签进行拼接；B3、将拼接后的数据经过三层卷积层转换为8×8×64的矩阵，然后通过一个全连接层；B4、将全连接层的输出作为判别模型的判别输出。进一步地，所述条件生成对抗网络的目标函数带有条件概率的极小极大值博弈；所述目标函数为：式中，为当固定生成模型G，优化判别模型D时，使判别模型D的判别准确率最大化；为当固定判别模型D，优化生成模型G时，使判别模型D的判别准确率最小化；V(D,G)为条件生成对抗网络的目标函数；为在对应条件下真实样本x在判别模型中判别结果的期望值，其中，E(·)为期望值计算函数，D(x|y)为条件为y时真实样本x的判别结果，x为真实样本，y为条件信息，即为方位角标签；为条件为y时生成样本G(z|y)在判别模型中判别结果的期望值，其中，D(G(z|y))为条件为y时生成模型的产生的生成样本在判别模型中的判别结果，G(z|y)为条件为y时生成模型产生的生成样本，z为噪声，y为条件信息，即为方位角标签。进一步地，所述生成模型的损失函数lossG为：式中，N_fake为生成样本的数量；i为采样次数；D(G(z|y)i|y)为第i次采样时，方位角标签为y时生成模型产生的生成样本在判别模型中的判别结果；G(z|y)i为第i次采样时，方位角标签为y时生成模型生成的生成样本；所述判别模型的损失函数lossD为：式中，为判别模型对于SAR目标图像数据的损失值；为判别模型对于生成模型生成的fake图像数据的损失值；N_real为真实样本的数量；D(xi|y)为第i次采样时取出的真实样本的判别模型的损失值。进一步地，所述步骤S4中对条件生成对抗网络进行训练的方法为：将SAR目标图像和所有方位角标签输入到条件生成对抗网络中，交替训练判别模型和生成模型，直到达到纳什平衡的条件生成对抗网络收敛状态。本专利技术的有益效果为：(1)通过CGAN算法训练SAR目标图像，当模型收敛后可以直接生成可控方位角的SAR图像，不需要方位角判别器进行筛选。(2)N-Progressive编码可以解决CGAN训练过程中模型崩溃的情况，同时使用N步递进编码产生的SAR目标图像的方位角更准确。(3)当CGAN模型收敛后，可以快速的产生大量的SAR目标图像，不需要再提取SAR图像特征。附图说明图1为本专利技术提供的方位角可控的SAR目标图像生成方法流程图。图2为本专利技术中条件生成对抗网络构建结构图。图3为本专利技术提供的实施例中基于N-Progressiveencoding的CGAN的判别模型和生成模型的损失值变化示意图。图4为本专利技术提供的实施例中基于N-Progressiveencoding的CGAN产生的SAR图像。图5为本专利技术提供的实施例中基于labelencoding的CGAN的判别模型和生成模型的损失值变化。图6为本专利技术提供的实施例中基于la本文档来自技高网...

【技术保护点】
1.一种方位角可控的SAR目标图像生成方法，其特征在于，包括以下步骤：S1、获取SAR目标图像数据集，并对其进行预处理；S2、通过N‑Progressive对预处理后的SAR目标图像的方位角进行编码，获得对应的方位角标签；S3、根据方位角标签和预处理后的SAR目标图像，构建条件生成对抗网络；S4、将方位角标签和预处理后的SAR目标图像输入到条件生成对抗网络中，对其进行训练，得到收敛的条件生成对抗网络；S5、将任意方位角标签输入到收敛的条件生成对抗网络中，得到该方位角标签对应的SAR目标图像。

【技术特征摘要】
1.一种方位角可控的SAR目标图像生成方法，其特征在于，包括以下步骤：S1、获取SAR目标图像数据集，并对其进行预处理；S2、通过N-Progressive对预处理后的SAR目标图像的方位角进行编码，获得对应的方位角标签；S3、根据方位角标签和预处理后的SAR目标图像，构建条件生成对抗网络；S4、将方位角标签和预处理后的SAR目标图像输入到条件生成对抗网络中，对其进行训练，得到收敛的条件生成对抗网络；S5、将任意方位角标签输入到收敛的条件生成对抗网络中，得到该方位角标签对应的SAR目标图像。2.根据权利要求1所述的方位角可控的SAR目标图像生成方法，其特征在于，所述步骤S1具体为：将SAR目标图像数据集中的各SAR目标图像转换为单通道的灰度图像，并将其大小调整为128×128×1。3.根据权利要求1所述的方位角可控的SAR目标图像生成方法，其特征在于，所述步骤S2具体为：S21、在预处理后的SAR目标图像中，将0-359度的方位角以60度的标签范围进行one-hot编码，获得第一组6位标签；S22、将第一组6位标签中的每位标签内的方位角以10度的标签范围进行one-hot编码，获得第二组6为标签；S23、将第二组6位标签中的每位标签内的方位角以1度的标签范围进行one-hot编码，获得10位标签；S24、将第一组6位标签、第二组6为标签和10位标签拼接起来，使维度为22的one-hot编码表示变化范围为0-359度的方位角；S25、将每个方位角对应的one-hot编码作为对应的方位角标签。4.根据权利要求1所述的方位角可控的SAR目标图像生成方法，其特征在于，所述步骤S3中的条件生成对抗网络包括相互连接的生成模型和判别模型。5.根据权利要求4所述的方位角可控的SAR目标图像生成方法，其特征在于，所述生成模型对输入数据生成图像的处理方法具体为：A1、产生一个100维的均匀噪声，并将其与SAR目标图像的方位角标签进行拼接；A2、将拼接后的数据经过一个全连接神经网络后，变换成对应的16×16×128的数据矩阵；A3、将16×16×128的数据矩阵经过三层反卷积神经网络，生成对应的128×128×1的fake图像。6.根据权利要求5所述的方位角可控的SAR目标图像生成方法...

【专利技术属性】
技术研发人员：张伟，王雷雷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51