一种基于CycleGAN的SAR图像合成方法技术

本发明专利技术公开了一种基于CycleGAN的SAR图像合成方法，通过采集SAR图像构建SAR目标图像数据集，并对SAR目标图像数据集进行区域划分，得到第一域图像与第二域图像；并通过改进深度卷积生成对抗网络与最小二乘生成对抗网络构建改进循环一致性生成对抗网络CycleGAN，利用得到的改进循环一致性生成对抗网络CycleGAN对第一域图像与第二域图像进行迁徙合成，得到迁徙合成后的SAR图像，并进行直方图均衡，得到最终合成SAR图像；本发明专利技术通过改进深度卷积生成对抗网络与最小二乘生成对抗网络构建改进循环一致性生成对抗网络CycleGAN，提高模型的泛化能力，并通过双重循环结构优化SAR背景与目标迁移融合，并结合直方图均衡，改善图像的细节以及空间结构感，提高图像的质感，可扩充SAR图像数据集。图像数据集。图像数据集。

【技术实现步骤摘要】
一种基于CycleGAN的SAR图像合成方法


[0001]本专利技术涉及SAR图像合成领域，具体涉及一种基于CycleGAN的SAR图像 合成方法。

技术介绍

[0002]SAR图像解译对于SAR系统的应用十分重要，SAR图像生成技术不仅可以 用于欺骗干扰，还可以为后期图像处理研究提供数据等，是诸多SAR图像应用 领域中的重要环节，现实中SAR图像解译经常面临数据集不足的问题，而且由 于噪声干扰的影响，SAR数据集的质量也参差不齐。
[0003]针对缺少SAR目标图像数据导致识别网络难以训练的问题，最近深度学习 领域中提出了一种生成对抗网络结构来生成SAR图像的新方法，这种生成对抗 模型是目前深度生成模型中最具潜力的代表，在无监督类别中被认为是最具前 景的生成模型，能够得到近似真实的数据，有着以假乱真的效果，由于其强大 的生成能力，训练稳定，收敛较快，生成样本多样化等优点，所以在数据扩充 方面，采用该类模型来进行图像生成，可以更好地节约人力物力资源，故将生 成对抗类模型引入SAR图像生成领域具有重要意义。
[0004]现有技术中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CycleGAN的SAR图像合成方法，其特征在于，包括以下步骤：S1、采集SAR图像，构建SAR目标图像数据集；S2、对SAR目标图像数据集进行区域划分，得到第一域图像与第二域图像；S3、构建改进循环一致性生成对抗网络CycleGAN；S4、利用改进循环一致性生成对抗网络CycleGAN对第一域图像与第二域图像进行迁徙合成，得到迁移合成后的SAR图像；S5、对迁移合成后的SAR图像进行直方图灰度均衡，得到最终合成SAR图像。2.根据权利要求1所述的基于CycleGAN的SAR图像合成方法，其特征在于，步骤S1具体包括以下分步骤：S11、选取MSTAR数据集中正常的SAR地物目标图像与SAR背景图像作为SAR图像；S12、对步骤S11采集的SAR图像进行切片，得到SAR目标图像数据集。3.根据权利要求1所述的基于CycleGAN的SAR图像合成方法，其特征在于，步骤S2具体为：选取SAR数据集中需要迁移的SAR目标图像作为第一域图像，选取SAR数据集中需要的SAR风格图像作为第二域图像，完成区域划分。4.根据权利要求3所述的基于CycleGAN的SAR图像合成方法，其特征在于，步骤S3具体包括以下分步骤：S31、构建改进深度卷积生成对抗网络；S32、构建最小二乘生成对抗网络；S33、根据改进深度卷积生成对抗网络与最小二乘生成对抗网络构建改进循环一致性生成对抗网络CycleGAN。5.根据权利要求4所述的基于CycleGAN的SAR图像合成方法，其特征在于，步骤S31具体为：用卷积层替换深度卷积生成对抗网络中池化层；去除深度卷积生成对抗网络中全连接层，并使用批归一化调节深度卷积生成对抗网络中层级输出的数据分布。6.根据权利要求4所述的基于CycleGAN的SAR图像合成方法，其特征在于，步骤S32具体为：通过最小二乘目标函数构建最小二乘生成对抗网络，最小二乘目标函数表示为：最小二乘目标函数表示为：其中，为最小化判别器D损失，为固定判别器D后最小化生成器G损失，P
data
(x)为真实样本x服从的分布，P
z
(z)为生成样本z服从的分布，a,b分别为真实样本x和生成样本z的标记，c为让判别器D判别生成样本z为真实样本x设定的参数，为判别器D将真实样本x判别为生成样本z的均方差损失，为判别器D将生成样本z判别为真实样本x的均方差损失，D(x)为判别器D判别真实样本x产生的标记值，D
(G(z))为判别器D判别生成器的生成样本产生的标记值。7.根据权利要求4所述的基于CycleGAN的SAR图像合成方法，其特征在于，步骤S33具体为：根据改进深度卷积生成对抗网络与最小二乘生成对抗网络构建循环一致性生成对抗网络CycleGAN中成对的生成对抗网络结构，包括：第一生成器、第一判别器、第二生成器、第二判别器，第一生成器对应第一判别器，第二生成器对应第二判别器，生成器用于生成符合真实样本的数据分布，判别器用于判断生成器生成...

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