一种基于生成对抗网络的单幅舰船目标SAR图像生成方法技术

本发明专利技术提供一种基于生成对抗网络的单幅舰船目标SAR图像生成方法，包含步骤：S1、预处理采集的单幅舰船目标SAR图像，生成规范化的图像识别样本，对图像识别样本进行不同尺度的下采样，生成若干训练图像；S2、构建基于N+1个生成对抗网络的多尺度全卷积金字塔网络；S3、建立网络训练模型，基于训练图像由粗到精的训练多尺度全卷积金字塔网络；S4、建立基于支持向量机的高质量舰船SAR图像筛选器，并训练该图像筛选器；S5、将步骤S3中网络训练模型的输出结果作为图像筛选器的输入，通过图像筛选器输出若干单幅舰船目标SAR图像的正确样本。本发明专利技术能够根据单幅舰船目标SAR图像，生成相同内容的高质量多尺度的新图像。

【技术实现步骤摘要】
一种基于生成对抗网络的单幅舰船目标SAR图像生成方法
本专利技术涉及图像处理
，具体涉及一种基于生成对抗网络的单幅舰船目标SAR图像生成方法。
技术介绍
基于深度神经网络的目标特征提取和识别非常依赖目标数据集中的样本数量。由于现有舰船SAR图像数据较少，因此，如何利用有限的数据获得较好的网络训练结果是迫切需要解决的问题。生成对抗网络(GANGenerativeAdversarialNetworks)能够通过生成网络实现有效的样本扩充，进而为后续目标特征提取与识别提供更多样本，提高现有数据的利用效率。但是实验表明，GAN生成的舰船SAR图像质量在很大程度上取决于训练样本数量，在小样本学习或者零样本学习中容易出现网络崩塌、训练过程不稳定或者根本无法开展训练等问题。文献“基于DRGAN和支持向量机(SVM)的合成孔径雷达图像目标识别”提出一种基于DRGAN和SVM的SAR图像目标识别算法。实验结果表明，在带变体的标准操作条件下，能够达到97.97％的分类精度，优于部分基于CNN模型的分类精度，在SAR图像目标方位角估计存在一定误差的情况本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的单幅舰船目标SAR图像生成方法，其特征在于，包含步骤：/nS1、预处理采集的单幅舰船目标SAR图像，生成规范化的图像识别样本；对所述图像识别样本进行不同尺度的下采样，生成若干训练图像；/nS2、构建基于N+1个生成对抗网络的多尺度全卷积金字塔网络，N≥1；/nS3、建立网络训练模型，基于所述训练图像由粗到精的训练所述多尺度全卷积金字塔网络；/nS4、建立基于支持向量机的高质量舰船SAR图像筛选器，并通过训练图像训练所述图像筛选器；/nS5、将步骤S3中网络训练模型的输出结果作为图像筛选器的输入，通过图像筛选器输出若干单幅舰船目标SAR图像的正确样本。/n

【技术特征摘要】
1.一种基于生成对抗网络的单幅舰船目标SAR图像生成方法，其特征在于，包含步骤：
S1、预处理采集的单幅舰船目标SAR图像，生成规范化的图像识别样本；对所述图像识别样本进行不同尺度的下采样，生成若干训练图像；
S2、构建基于N+1个生成对抗网络的多尺度全卷积金字塔网络，N≥1；
S3、建立网络训练模型，基于所述训练图像由粗到精的训练所述多尺度全卷积金字塔网络；
S4、建立基于支持向量机的高质量舰船SAR图像筛选器，并通过训练图像训练所述图像筛选器；
S5、将步骤S3中网络训练模型的输出结果作为图像筛选器的输入，通过图像筛选器输出若干单幅舰船目标SAR图像的正确样本。


2.如权利要求1所述的基于生成对抗网络的单幅舰船目标SAR图像生成方法，其特征在于，步骤S1包含：
S11、将单幅舰船目标SAR图像旋转至正常视角；
S12、裁剪单幅舰船目标SAR图像为设定的大小、并对裁剪后的图像进行亮度归一化、消噪处理，得到所述规范化的图像识别样本；
S13、对所述图像识别样本进行由粗到精的下采样，得到训练图像xN～x0；训练图像xn的下采样因子为rn，r＞1；使用LabelImg软件对xn进行标记；其中n∈[1,N]。


3.如权利要求2所述的基于生成对抗网络的单幅舰船目标SAR图像生成方法，其特征在于，步骤S2中所述多尺度全卷积金字塔网络包含：依序连接的第零至第N生成对抗网络；其中，第n生成对抗网络得到的图像尺度大于第n-1生成对抗网络得到的图像尺度；
第n生成对抗网络包含：互相耦合的生成器Gn和判别器Dn，所述训练图像xn用于训练判别器Dn，生成器Gn和判别器Dn具有相同的感受野，其中n∈[0,N]；
生成器Gn包含卷积网络、批归一化层、LeakyReLU激活函数；所述卷积网络包含若干个卷积层...

【专利技术属性】
技术研发人员：安锐，冯明，高鹏程，顾丹丹，
申请(专利权)人：上海无线电设备研究所，
类型：发明
国别省市：上海;31