基于GAN网络的SAR图像生成方法及生成装置制造方法及图纸

本发明专利技术公开了一种基于GAN网络的SAR图像生成方法及生成装置，该生成方法包括：获取目标图像；通过GAN网络得到生成图像；基于目标图像、生成图像、目标图像和生成图像融合后的融合图像以及表示目标图像所属类别的标签，训练所述GAN网络以调整生成图像。本发明专利技术实现了在一个生成对抗网络中同时获取生成的船舶目标及其类别信息，GAN网络的生成器中引入残差网络结构不仅可以提升深层网络的训练性能，还能更好地保留SAR图像中船舶目标的结构信息；判别器中引入梯度惩罚，使GAN网络训练更加稳定，收敛更快，同时能够生成更高质量的样本图像。同时能够生成更高质量的样本图像。同时能够生成更高质量的样本图像。

【技术实现步骤摘要】
基于GAN网络的SAR图像生成方法及生成装置


[0001]本专利技术涉及遥感图像处理
，特别涉及一种基于GAN网络的SAR图像生成方法及生成装置。

技术介绍

[0002]合成孔径雷达(SAR)能够主动发射微波，受天气状况影响小，且具有全天候成像的能力，可为气象条件较为复杂的海洋地区提供连续、高精度的观测数据，已被广泛应用于海上目标检测及分类。目前，SAR图像船舶分类已得到了广泛关注，并取得了一定的成果，主要有基于极化目标散射特性、基于局部统计特征、基于深度学习的分类算法等。
[0003]目前，在这些方法中，以卷积神经网络为主的深度学习算法研究较多且成果颇丰。例如，利用具有较深网络卷积结构的VGG19提取船舶目标的多级几何、纹理特征，然后使用具有softmax函数对全连接的特征描述进行分类，获取船舶目标的类别信息。基于大量样本的训练可使卷积神经网络能够有效地识别SAR图像中各种姿态、类型的船舶目标，然而标记样本制作往往需要耗费大量的人力、时间成本。
[0004]近些年，自生成对抗网络(Generative Adversarial Network，GAN)提出后，相关的图像生成网络模型相继产生，并广泛应用于遥感图像的生成、分类任务中。例如，条件生成式对抗网络(conditional Generative Adversarial Networks，CGAN)训练时在生成器和判别器中都加入了图像的类别标签，从而实现图像的定向生成；基于辅助分类器生成对抗网络(Auxiliary C1assifier Generative Adversarial Networks，ACGAN)，利用图像的标签信息进行训练，并在生成器中加入标签信息，从而实现图像的定向生成。虽然GAN网络具有强大的图像特征学习能力以及图像生成能力，然而这类网络(例如ACGAN网络)通常会因为网络结构复杂而出现梯度消失、弥散等现象，造成网络模型难以训练的问题。另外，ACGAN网络的判别器用于图像分类时，存在训练速度慢、判别效果不佳等问题。

技术实现思路

[0005]为了解决现有技术存在的问题，本专利技术实施例提供了一种基于GAN网络的SAR图像生成方法及生成装置，能至少解决现有技术中存在的上述问题。
[0006]本专利技术实施例第一方面提供了一种基于GAN网络的SAR图像生成方法，包括：
[0007]获取目标图像；
[0008]通过GAN网络得到生成图像；
[0009]基于目标图像、生成图像、目标图像和生成图像融合后的融合图像以及表示目标图像所属类别的标签，训练所述GAN网络以调整生成图像。
[0010]在一些实施例中，所述获取目标图像，包括：
[0011]获取包含目标的SAR图像，并对所述SAR图像进行切片处理，得到目标图像。
[0012]在一些实施例中，其特征在于，对获取的SAR图像进行切片处理之前，还包括：
[0013]对获取的SAR图像进行预处理，所述预处理包括对获取的SAR图像进行辐射定标及
归一化处理。
[0014]在一些实施例中，所述GAN网络包括生成器和与所述生成器连接的判别器，
[0015]所述生成器的输入包括随机向量和类标签向量，所述生成器的输出包括生成的生成图像；
[0016]所述判别器的输入包括目标图像、生成图像、目标图像和生成图像融合后的融合图像以及表示所述目标图像所属类别的标签，所述判别器的输出包括输入GAN网络的样本数据的真假判断以及分类结果。
[0017]在一些实施例中，所述GAN网络为卷积神经网络，所述GAN网络的生成器包括残差连接结构。
[0018]在一些实施例中，所述残差连接结构包括多个残差块，每个残差块包括：反卷积层、卷积层、块正则化、激活函数、融合层。
[0019]在一些实施例中，对GAN网络的训练包括：
[0020]将随机向量和类标签向量输入生成器中，得到生成图像；
[0021]将训练样本图像、生成图像、训练样本图像和生成图像融合后的融合图像以及类标签输入判别器中进行训练；
[0022]固定判别器参数，将随机向量和类标签向量再次输入生成器中进行训练，更新生成器参数；
[0023]交替训练生成器和判别器，直至GAN网络收敛。
[0024]在一些实施例中，还包括对训练GAN网络得到的GAN网络模型进行优化，所述优化包括：
[0025]将随机向量和类标签向量输入训练后的生成器中，输出待测试的生成图像；
[0026]将待测试的目标图像、待测试的生成图像、待测试的融合图像以及类标签输入训练后的判别器中，与判别器的参数进行对比；
[0027]根据对GAN网络模型的测试，优化GAN网络模型的参数。
[0028]本专利技术实施例的第二方面提供了一种图像生成装置，包括：
[0029]获取模块，其配置为获取目标图像；
[0030]生成模块，其配置为通过GAN网络得到生成图像；
[0031]训练模块，其配置为基于目标图像、生成图像、目标图像和生成图像融合后的融合图像以及表示目标图像所属类别的标签，训练所述GAN网络以调整生成图像。
[0032]本专利技术实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于GAN网络的SAR图像生成方法的步骤。
附图说明
[0033]图1为本专利技术实施例的基于GAN网络的SAR图像生成方法的流程图；
[0034]图2为本专利技术实施例的船舶目标图像的切片示意图；
[0035]图3为本专利技术实施例的GAN网络的结构示意图；
[0036]图4为本专利技术实施例的GAN网络模型中生成器和判别器的结构示意图；
[0037]图5为本专利技术实施例的船舶目标的生成图像的示意图。
具体实施方式
[0038]将针对具体实施方案并参考某些附图对本专利技术进行描述，但是本专利技术并非限于此，而是仅仅受到权利要求的限制。权利要求中的任何附图标记不应当解释为限制范围。所述附图仅仅是示意性的，并且非限制性的。在附图中，一些元素的大小可以放大，且并非按说明目的的比例绘制。当术语“包含”用于说明书和权利要求中时，其不排斥其他元素或步骤。当提及单数名词使用了不定冠词或的定冠词如
″
一个(a)
″
或
″
(an)
″
、
″
所述(the)
″
时，除非另有明确说明，否则这包括所述名词的复数。此外，在说明书和权利要求书中术语第一、第二、第三等用于区分相似的元素，且未必用于描述相继顺序或时间顺序。应当理解到，如此使用的术语在适当的情形下可以互换，并且本文所述的本专利技术的实施方案能以除了本文所述或说明的顺序之外的其他顺序运行。
[0039]除非本文另有定义，否则用于本专利技术的科技术语和短语，应具有本领域普通技术人员通常所理解的含义本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于GAN网络的SAR图像生成方法，其特征在于，包括：获取目标图像；通过GAN网络得到生成图像；基于目标图像、生成图像、目标图像和生成图像融合后的融合图像以及表示目标图像所属类别的标签，训练所述GAN网络以调整生成图像。2.根据权利要求1所述的基于GAN网络的SAR图像生成方法，其特征在于，所述获取目标图像，包括：获取包含目标的SAR图像，并对所述SAR图像进行切片处理，得到目标图像。3.根据权利要求2所述的基于GAN网络的SAR图像生成方法，其特征在于，对获取的SAR图像进行切片处理之前，还包括：对获取的SAR图像进行预处理，所述预处理包括对获取的SAR图像进行辐射定标及归一化处理。4.根据权利要求1所述的基于GAN网络的SAR图像生成方法，其特征在于，所述GAN网络包括生成器和与所述生成器连接的判别器，所述生成器的输入包括随机向量和类标签向量，所述生成器的输出包括生成的生成图像；所述判别器的输入包括目标图像、生成图像、目标图像和生成图像融合后的融合图像以及表示所述目标图像所属类别的标签，所述判别器的输出包括输入GAN网络的样本数据的真假判断以及分类结果。5.根据权利要求1所述的基于GAN网络的SAR图像生成方法，其特征在于，所述GAN网络为卷积神经网络，所述GAN网络的生成器包括残差连接结构。6.根据权利要求5所述的基于GAN网络的SAR图像生成方法，其特征在于，所述残差连接结构包括多个残差块，每个残差块包括：反卷积层、卷积层...

【专利技术属性】
技术研发人员：王超，李璐，张红，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：