一种机载SAR图像盲超分辨重建方法、装置和设备制造方法及图纸

本申请涉及一种机载SAR图像盲超分辨重建方法、装置和计算机设备。所述方法包括：通过设计在实传图像和精细成像图像之间的一个强化散射特征的SAR图像超分辨网络，通过第一生成器网络根据低分辨率源图像得到第一高分辨率图像，将第一高分辨率图像输入第二生成器网络，得到第二低分辨率图像，将第一高分辨率图像输入第一判别器网络进行判别；通过第二生成器网络根据高分辨率源图像得到第一低分辨率图像，将第一低分辨率图像输入第一生成器网络，得到第二高分辨率图像，将第一低分辨率图像输入第二判别器网络进行判别；另外提出感知循环一致性损失进一步保留图像纹理特征。本发明专利技术能够在提高图像质量的同时重建出清晰的强散射特征。散射特征。散射特征。

【技术实现步骤摘要】
一种机载SAR图像盲超分辨重建方法、装置和设备


[0001]本申请涉及SAR图像处理领域，特别是涉及一种机载SAR图像盲超分辨重建方法、装置和计算机设备。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候侦察的特点和一定的地表穿透能力，是现代高分辨率遥感技术的重要手段之一。机载SAR系统可以在任意指定区域执行任务。根据任务需要，采集到的回波信号在飞行前后通过不同处理方式得到两种类型的图像：实时传输图像和精细成像图像。其中，实时传输图像又被称为实传图像，是飞行过程中回波信号经快速成像和压缩传输等环节得到的图像，其质量退化过程复杂，但能够快速提供图像信息，为紧急事件响应提供支持；精细成像图像是飞行结束后回波信号经精细成像处理得到的图像，退化程度轻但获取实时性较差。为了满足高时效性的要求，实际应用中更关注实传图像，对实传图像的质量也提出了更高的需求。因此，需要采取适当的超分辨(Super
‑
Resolution,SR)重建技术以达到图像质量提升的效果，进而提升SAR应用效能。图像超分辨技术旨在通过一定的数字图像处理方法由退化的低分辨率(Low Resolution,LR)图像重构出高分辨率(High Resolution,HR)图像。
[0003]在过去的几十年里，基于传统方法和基于深度学习方法的SR技术都在一定程度上解决了图像退化的问题。根据退化核是否已知，可以将深度学习SR方法分为图像非盲超分辨和图像盲超分辨两种。图像盲超分辨方法用于解决退化核未知的图像SR问题，按退化建模方式的不同可以分为基于经典退化模型的显式建模和基于外部数据集的隐式建模。在遥感图像领域，真实退化过程难以建模，多采用隐式建模方法，用生成对抗网络(Generative Adversarial Networks,GAN)通过外部数据集的数据分布隐式定义退化模型。
[0004]但现有研究大多针对星载SAR图像，无法直接解决机载SAR实传图像经过多次质量退化，且难以获得严格匹配的不同质量数据的问题。针对机载SAR实传图像的超分辨方法研究尚处于空缺。
[0005]另一方面，SAR图像反映目标区域的后向散射特性，重建过程中强散射特征的表达至关重要。但是现有SR方法往往更加注重纹理细节信息的恢复而忽视了强散射特征。针对机载SAR图像，强散射特征的表现更加明显，在成像系统及传输过程带来的模糊效应下，图像中呈现大片边缘模糊的高灰度区域。现有方法主要针对细节信息的重建问题，容易造成强散射特征的弱化甚至丢失，不适用于机载SAR图像的超分辨重建。
[0006]因此，现有技术存在效果不佳、适应性不佳的问题。

技术实现思路

[0007]基于此，有必要针对上述技术问题，提供一种能够避免训练过程中发生强散射信息丢失的机载SAR图像盲超分辨重建方法、装置、计算机设备和存储介质。
[0008]一种机载SAR图像盲超分辨重建方法，所述方法包括：
[0009]将低分辨率源图像和高分辨率源图像输入预先设计的SAR图像学习模型中；所述SAR图像学习模型包括结构相同的第一生成对抗网络和第二生成对抗网络；所述第一生成对抗网络包括第一生成器网络和第一判别器网络；所述第二生成对抗网络包括第二生成器网络和第二判别器网络；
[0010]通过所述第一生成器网络根据所述低分辨率源图像得到第一高分辨率图像，将所述第一高分辨率图像输入所述第二生成器网络，得到第二低分辨率图像，将所述第一高分辨率图像输入所述第一判别器网络进行判别；
[0011]通过所述第二生成器网络根据所述高分辨率源图像得到第一低分辨率图像，将所述第一低分辨率图像输入所述第一生成器网络，得到第二高分辨率图像，将所述第一低分辨率图像输入所述第二判别器网络进行判别；
[0012]由机载SAR图像数据集构建训练样本集，根据所述训练样本集和预设的损失函数对所述SAR图像学习模型进行训练，得到训练好的SAR图像学习模型；所述训练样本集包括由机载SAR实传图像构建的低分辨率样本集和由机载SAR精细成像图像构建的高分辨率样本集；所述预设的损失函数包括对抗损失函数、循环一致性损失函数和感知循环一致性损失函数；所述循环一致性损失函数和感知循环一致性损失函数由所述低分辨率源图像、所述第二低分辨率图像、所述高分辨率源图像和所述第二高分辨率图像确定；
[0013]获取待重建的SAR实传图像，将所述SAR实传图像输入所述训练好的SAR图像学习模型中的第一生成器网络，得到所述SAR实传图像的重建结果。
[0014]在其中一个实施例中，还包括：所述结构相同的第一生成对抗网络和第二生成对抗网络中，生成器网络的结构包括特征提取模块、特征映射模块和超分辨重建模块；所述特征提取模块包括一个具有7
×
7卷积核的卷积层，两个步长为2的3
×
3卷积层；所述特征映射模块包括九个残差块；所述超分辨重建模块包括两个步长为1/2的转置卷积层和一个步长为1的卷积层。
[0015]在其中一个实施例中，还包括：在所述特征提取模块中，通过CBAM注意力模块引导生成器的特征提取过程。
[0016]在其中一个实施例中，还包括：所述结构相同的第一生成对抗网络和第二生成对抗网络中，判别器网络使用Patch GAN，共包含5个卷积层，在每一层中，使用步长为2的3
×
3卷积核；其中，在第二层卷积后加入CBAM注意力模块。
[0017]在其中一个实施例中，还包括：所述预设的损失函数表示为：
[0018]L(G
X
→
Y
,G
Y
→
X
,D
X
,D
Y
)＝L
GAN
(G
X
→
Y
,D
Y
,X,Y)+
[0019]L
GAN
(G
Y
→
X
,D
X
,Y,X)+λ
c
L
cyc
(G
X
→
Y
,G
Y
→
X
)+
[0020]λ
p
L
per
(G
X
→
Y
,G
Y
→
X
)
[0021]其中，G
X
→
Y
表示所述第一生成器网络，G
Y
→
X
表示所述第二生成器网络，D
X
表示所述第二判别器网络，D
Y
表示所述第一判别器网络，L
GAN
(G
X
→
Y
,D
Y
,X,Y)表示所述第一生成对抗网络的对抗损失函数，L
cyc
(
...

【技术保护点】

【技术特征摘要】
1.一种机载SAR图像盲超分辨重建方法，其特征在于，所述方法包括：将低分辨率源图像和高分辨率源图像输入预先设计的SAR图像学习模型中；所述SAR图像学习模型包括结构相同的第一生成对抗网络和第二生成对抗网络；所述第一生成对抗网络包括第一生成器网络和第一判别器网络；所述第二生成对抗网络包括第二生成器网络和第二判别器网络；通过所述第一生成器网络根据所述低分辨率源图像得到第一高分辨率图像，将所述第一高分辨率图像输入所述第二生成器网络，得到第二低分辨率图像，将所述第一高分辨率图像输入所述第一判别器网络进行判别；通过所述第二生成器网络根据所述高分辨率源图像得到第一低分辨率图像，将所述第一低分辨率图像输入所述第一生成器网络，得到第二高分辨率图像，将所述第一低分辨率图像输入所述第二判别器网络进行判别；由机载SAR图像数据集构建训练样本集，根据所述训练样本集和预设的损失函数对所述SAR图像学习模型进行训练，得到训练好的SAR图像学习模型；所述训练样本集包括由机载SAR实传图像构建的低分辨率样本集和由机载SAR精细成像图像构建的高分辨率样本集；所述预设的损失函数包括对抗损失函数、循环一致性损失函数和感知循环一致性损失函数；所述循环一致性损失函数和感知循环一致性损失函数由所述低分辨率源图像、所述第二低分辨率图像、所述高分辨率源图像和所述第二高分辨率图像确定；获取待重建的SAR实传图像，将所述SAR实传图像输入所述训练好的SAR图像学习模型中的第一生成器网络，得到所述SAR实传图像的重建结果。2.根据权利要求1所述的方法，其特征在于，所述结构相同的第一生成对抗网络和第二生成对抗网络中，生成器网络的结构包括特征提取模块、特征映射模块和超分辨重建模块；所述特征提取模块包括一个具有7
×
7卷积核的卷积层，两个步长为2的3
×
3卷积层；所述特征映射模块包括九个残差块；所述超分辨重建模块包括两个步长为1/2的转置卷积层和一个步长为1的卷积层。3.根据权利要求2所述的方法，其特征在于，在所述特征提取模块中，通过CBAM注意力模块引导生成器的特征提取过程。4.根据权利要求1所述的方法，其特征在于，所述结构相同的第一生成对抗网络和第二生成对抗网络中，判别器网络使用Patch GAN，共包含5个卷积层，在每一层中，使用步长为2的3
×
3卷积核；其中，在第二层卷积后加入CBAM注意力模块。5.根据权利要求1所述的方法，其特征在于，所述预设的损失函数表示为：L(G
X
→
Y
,G
Y
→
X
,D
X
,D
Y
)＝L
GAN
(G
X
→
Y
,D
Y
,X,Y)+L
GAN
(G
Y
→
X
,D
X
,Y,X)+λ
c
L
cyc
(G
X
→
Y
,G
Y
→
X
)+λ
p
L
per
(G
X
→
Y
,G
Y
→
X
)其中，G
X

【专利技术属性】
技术研发人员：张思乾，贾钰嘉，赵凌君，唐涛，雷琳，熊博莅，匡纲要，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：