【技术实现步骤摘要】
一种利用生成对抗网络批量合成特定角度SAR图像的方法
[0001]本专利技术涉及图像处理
,具体的说是一种利用生成对抗网络批量合成特定角度SAR图像的方法。
技术介绍
[0002]生成对抗网络(GAN,Generative Adversarial Networks),由生成网络和判别网络组成,生成网络用于拟合目标数据分布,判别网络用于衡量生成网络生成的数据分布与真实数据分布的差异。当前,学者们已经就GAN完成了许多超分辨率,文字图像转换等领域的研究。GAN在计算机视觉领域的核心应用是生成图像数据集,包括数字、签名、人脸、室外场景等对象。此外,GAN在图像复原、图像去雾和雨滴及自然语言处理等前沿领域也有优秀的应用。
[0003]GAN已成为计算机视觉中新的科研热点。对比传统方法,GAN无需依赖标签数据,而是经由模型自身内部的对抗以优化参数。但GAN的训练过程中难以达到纳什均衡,使其训练过程比较困难。丘成桐团队在低维情况下只对判别网络进行训练和优化而后导出了生成网络的显示解,且论证了WGAN的训练方式并没有得到最优解。为了解决该问题,Rodfird提出DCGAN,通过实验枚举生成网络和判别网络框架,获得一组较好的网络结构,但并没有从根本解决问题。Mart
í
nArjovsky等人提出WGAN,解决了GAN训练不稳定的问题,基本解决了原有GAN模型的模式崩溃,训练不稳定等问题。此后IshaanGulrajani等人提出WGAN
‑
GP,WGAN
‑
GP解决
【技术保护点】
【技术特征摘要】
1.一种利用生成对抗网络批量合成特定角度SAR图像的方法,其特征在于,包括以下步骤:S1、设定生成网络G,从隐空间Z随机采样得到的随机n维向量Z映射为不同尺度的SAR图片I,所有的SAR图片构成空间J;S2、设定针对SAR图片的多尺度判别网络J
→
R,输出输入图片为真实图片的概率;S3、利用生成对抗网络在图像空间训练,使生成网络能模拟真实的SAR图片;S4、解耦生成网络,获得和SAR图片方位角这一语义相关的方向向量n及边界向量Z
inf
;S5、利用生成网络G、方向向量n及边界向量Z
inf
,批量合成特定方位角的SAR图像序列。2.如权利要求1所述的一种利用生成对抗网络批量合成特定角度SAR图像的方法,其特征在于,步骤S1通过以下步骤实现:S11、采用多尺度生成网络结构,并去除第一层的输入噪声;S12、对输入的隐向量Z进行仿射变换,仿射变换的公式如下:G1(Z)=Vz+b其中,V是一个矩阵,b是一个t维偏置向量,G1:R
k
→
R
t
作为特征解纠缠变换,将k
‑
维潜在空间Z投影到t
‑
维特征空间其中,χ为语义空间,X∈χ为语义向量,χ的每个维度独立地控制生成图像的一个语义;S13、将语义向量X发送到生成模块,不同尺度的生成模块依序组成整个生成网络,生成模块的所有输入都包含相同的语义向量,且第一个生成模块合成图像具有来自语义向量的最低分辨率m0×
m0,中间的生成模块接收由前一个生成模块生成的图像并将其与语义向量X组合在一起合成具有更高分辨率的图像,最后一个生成模块模拟具有目标分辨率的图像,其采用的公式如下:其采用的公式如下:其中,i代表生成模块的序号,指最低分辨率m0的图像,S指语义向量,B0(S)指初始生成模块及其输入语义向量S,指分辨率为2
i
m0的图片,指第i个生成模块及其输入语义向量S和图片S14、通过每个生成模块中关键子模块Adain将特征图X
i
归一化,再通过语义向量y
i
的相应标量进行缩放和偏置,通过关键子模块Adain融合语义向量和特征图,控制生成图像的风格,关键子模块Adain为:其中,AdaIN(X
i
,y)指AdaIN模块,y
s,i
指第i层输入语义向量方差,y
b,i
指第i层输入语义向量均值,X
i
指第i层输入的特征图,μ指均值计算,α指方差计算。3.如权利要求2所述的一种利用生成对抗网络批量合成特定角度SAR图像的方法,其特征在于,步骤S2中所述多尺度判别网络与生成网络对称,是一个多尺度分类器,其由若干判别模块构成;所述判别模块由针对SAR图像的表征结构DMAM和若干卷积层构成;所述表征结
构DMAM由下述公式描述:M
i
=S
i
(A(F7×7(I)))其中,F7×7是内核大小为7
×
7的2D卷积,A是一个自注意力模块,S
i
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。