一种基于双重判别的SAR图像超分辨率重建方法技术

本发明专利技术公开了一种基于双重判别的SAR图像超分辨率重建方法，其步骤包括：1、获取高分辨率SAR图像并进行预处理；2、利用生成器网络生成高分辨率SAR图像；3、利用高分判别器对高分辨率图像进行判别；4、利用低分判别器对低分辨率图像进行判别；5、高分判别器指导低分判别器的训练；6、训练网络模型并重建高分辨率SAR图像。本发明专利技术通过对高分辨率图像和低分辨率图像进行联合判别，以进一步提高重建高分辨率图像的准确性。

【技术实现步骤摘要】
一种基于双重判别的SAR图像超分辨率重建方法
本专利技术涉及计算机视觉
，特别涉及一种基于双重判别的SAR图像超分辨率重建方法。
技术介绍
合成孔径雷达(SAR)图像具有极强的抗干扰特性，在航空航天工程、地质勘探、测绘和军事侦察中发挥着关键作用。为了确保SAR图像在图像分类和目标识别方面具有良好的性能，提高现有SAR图像的分辨率是有益的。但是，许多高分辨率图像是从低分辨率图像中重建出来的，很难区分生成的哪一张高分辨率图像效果更好，这对图像超分辨率来说是一个挑战。在图像超分辨率重建领域已有大量的研究工作。最初，使用插值方法生成高分辨率图像，例如最近邻插值、双线性插值和双三次插值。尽管插值方法简单、方便、易于实现，但是它们容易产生模糊的纹理。后来提出了模型统计的方法，学习从低分辨率图像到高分辨率图像的映射，其典型方法包括基于示例的方法、自相似性方法、字典对方法和卷积稀疏编码方法。随着卷积神经网络(CNN)的出现，许多基于CNN的方法也已应用于图像超分辨率重建中。Dong等人首先提出了SRCNN，该方法将三层CNN应用于图像超分辨率重建中，并获得了良好的性能。为了加速网络训练，提出了FSRCNN和ESPCN。随后，通过去除批归一化层并加深网络，提出了增强的深度残差网络EDSR，目的是提高超分辨率的重建性能。密集连接网络通过增加每个残差块的复杂度来提高超分辨率性能，并减少由于网络深度过深而导致的训练困难。尽管这些方法在图像超分辨率重建中有很好的表现，但却忽略了重建高分辨率图像的感知效果。生成对抗网络的提出是深度学习的另一项重大突破，其在图像生成和风格迁移等方面的出色表现备受关注。SRGAN是首次在单图像超分辨率重建中使用生成对抗网络的模型，并产生高频纹理细节，从而实现了非常好的视觉效果。SRGAN的生成器是残差神经网络(SRResNet)，其视觉效果优于SRResNet，但是SRGAN在客观评估指标(例如峰值信噪比(PSNR)和结构相似性(SSIM))方面表现不佳。可能的原因是，判别器根据图像中是否包含一些关键的高频纹理细节来确定图像的真实性。尽管高频纹理信息的内容不是真实的，判别器也无法对其进行区分。因此，SRGAN生成的高频伪像不能用于非常严格的情况下，例如医学诊断和军事目标侦察。后来，提出了增强型SRGAN(ESRGAN)，通过增加每个残差块的复杂度来生成更逼真的高频细节，并使用RaGAN来确定在超分辨图像和真实图像之间哪个更真实。同时，一些使用特征判别的算法也可以准确地重建高分辨率图像的纹理，例如EnhanceNet和SRfeat。尽管这些判别算法增加了高分辨率图像中高频纹理细节在视觉上的感知效果，但无法保证重建的高分辨率图像可以准确地降采样到原始的低分辨率图像。
技术实现思路
本专利技术为克服现有技术的不足之处，提出一种基于双重判别的SAR图像超分辨率重建方法，以期能在对高分辨率图像进行判别的基础上增加对低分辨率图像的判别，从而保证重建的高分辨率图像能准确地降采样到原始的低分辨率图像，使得重建的高分辨率图像更加准确。本专利技术为达到上述专利技术目的，采用如下技术方案：本专利技术一种基于双重判别的SAR图像超分辨率重建方法的特点包括如下步骤：步骤1、获取高分辨率SAR图像并进行预处理：获取真实的高分辨率SAR图像数据集，记为IHR，并通过双三次插值对真实的高分辨率SAR图像集IHR进行降采样得到真实的低分辨率SAR图像集，记为ILR；步骤2、利用生成器网络生成高分辨率SAR图像：将真实的低分辨率图像集ILR输入到生成器网络中，从而利用式(1)得到重建的高分辨率图像集ISR；ISR＝G(ILR；θG)(1)式(1)中，G为生成器网络，θG为生成器网络的参数；步骤3、利用高分判别器DHR对重建的高分辨率图像集ISR和真实的高分辨率图像集IHR进行判别，从而利用式(2)建立高分判别器的损失函数LDHR＝-[DHR(IHR)-DHR(ISR)]2(2)步骤4、对重建的高分辨率图像集ISR进行降采样得到伪造的低分辨率图像集ILR′，再利用低分判别器对伪造的低分辨率图像集ILR'和真实的低分辨率图像集ILR进行判别，从而利用式(3)构建低分判别器的损失函数步骤5、高分判别器指导低分判别器的训练：步骤5.1、利用式(4)将高分判别器的输出结果传给低分判别器，从而得到分类损失Lcls：Lcls＝[DHR(IHR)-DLR(ILR)]2+[DHR(ISR)-DLR(ILR′)]2(4)式(4)中，DHR(IHR)和DHR(ISR)分别为将真实的高分辨率图像集IHR和重建的高分辨率图像集ISR输入到高分判别器中得到的结果，DLR(ILR)和DLR(ILR')分别为将真实的低分辨率图像集ILR和伪造的低分辨率图像集ILR′输入到低分判别器中得到的结果；步骤5.2、利用式(5)将高分判别器提取的特征传给低分判别器，从而得到特征分布损失Lfea：Lfea＝[Fea(IHR)-Fea(ILR)]2+[Fea(ISR)-Fea(ILR')]2(5)式(5)中，Fea(IHR)和Fea(ISR)分别为高分判别器提取的真实的高分辨率图像集IHR和重建的高分辨率图像集ISR的特征分布，Fea(ILR)和Fea(ILR')分别为低分判别器提取的真实的低分辨率图像集ILR和伪造的低分辨率图像集ILR′的特征分布；步骤5.3、将特征分布损失Lfea和分类损失Lcls传给低分判别器，从而利用式(6)重新计算低分判别器的损失函数步骤5.4、利用式(7)构建生成器网络的损失函数LG；LG＝LContent+αLAdver(7)式(7)中，LContent为内容损失，LAdver为对抗损失，α表示为对抗损失与内容损失的比例；步骤5.4.1、利用式(8)建立内容损失函数，表示为真实的高分辨率图像集IHR和重建的高分辨率图像集ISR的均方误差损失，并有：式(8)中，W和H分别为低分辨率图像的宽和高，r为比例因子；x表示图像中像素点的横坐标，y表示图像中像素点的纵坐标；表示真实的高分辨率图像集IHR中第i幅图像在(x,y)处的像素值，表示重建的高分辨率图像集ISR中第i幅图像在(x,y)处的像素值；N表示图像集中样本的总数；步骤5.4.2、利用式(9)建立对抗损失函数LAdver：LAdver＝[DHR(IHR)-DHR(ISR)]2+[DLR(ILR)-DLR(ILR′)]2(9)步骤6、训练网络模型并重建高分辨率SAR图像：步骤6.1、利用Adam优化器对生成器网络和判别器网络交替进行训练；当生成器网络参数保持不变时，训练判别器网络；当判别器网络参数保持不变时，训练生成器网络；直到生成器和判别器网络的损失函数收敛；步骤6.2、利用训练好的生成器网络重建高分辨率SAR图像。与已有技术相比，本专利技术具有如下优点：1.本文档来自技高网...

【技术保护点】
1.一种基于双重判别的SAR图像超分辨率重建方法，其特征包括如下步骤：/n步骤1、获取高分辨率SAR图像并进行预处理：/n获取真实的高分辨率SAR图像数据集，记为I

【技术特征摘要】
1.一种基于双重判别的SAR图像超分辨率重建方法，其特征包括如下步骤：
步骤1、获取高分辨率SAR图像并进行预处理：
获取真实的高分辨率SAR图像数据集，记为IHR，并通过双三次插值对真实的高分辨率SAR图像集IHR进行降采样得到真实的低分辨率SAR图像集，记为ILR；
步骤2、利用生成器网络生成高分辨率SAR图像：
将真实的低分辨率图像集ILR输入到生成器网络中，从而利用式(1)得到重建的高分辨率图像集ISR；
ISR＝G(ILR；θG)(1)
式(1)中，G为生成器网络，θG为生成器网络的参数；
步骤3、利用高分判别器DHR对重建的高分辨率图像集ISR和真实的高分辨率图像集IHR进行判别，从而利用式(2)建立高分判别器的损失函数



步骤4、对重建的高分辨率图像集ISR进行降采样得到伪造的低分辨率图像集ILR′，再利用低分判别器对伪造的低分辨率图像集ILR'和真实的低分辨率图像集ILR进行判别，从而利用式(3)构建低分判别器的损失函数



步骤5、高分判别器指导低分判别器的训练：
步骤5.1、利用式(4)将高分判别器的输出结果传给低分判别器，从而得到分类损失Lcls：
Lcls＝[DHR(IHR)-DLR(ILR)]2+[DHR(ISR)-DLR(ILR′)]2(4)
式(4)中，DHR(IHR)和DHR(ISR)分别为将真实的高分辨率图像集IHR和重建的高分辨率图像集ISR输入到高分判别器中得到的结果，DLR(ILR)和DLR(ILR')分别为将真实的低分辨率图像集ILR和伪造的低分辨率图像集ILR′输入到低分判别器中得到的结果；
步骤5.2、利用式(5)将高分判别器提取的特征传给低分判别器，从而得到特征分布损失Lfea：
Lfea＝[Fea(IHR)-Fea(ILR)]...

【专利技术属性】
技术研发人员：杨学志，肖光义，董张玉，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34