一种基于模板匹配和InfoGAN的SAR图像扩容方法技术

本发明专利技术公开了一种基于模板匹配和InfoGAN的SAR图像扩容方法，其特征在于，包括以下步骤：S1：获取SAR真实数据集并利用模板匹配算法生成带有角度标签的SAR训练数据集；S2：基于所述SAR训练数据集和InfoGAN生成初始SAR多角度扩容图像。S3：利用FID距离函数从所述初始SAR多角度扩容图像中筛选出满足预设阈值范围的SAR多角度扩容图像。本发明专利技术利用模板匹配算法可提供更准确的目标方位角信息，制作更精确的训练样本；本发明专利技术提供的图像扩容方法能够生成SAR多角度扩容图像，可以构建SAR图像多方位角目标样本库；本发明专利技术利用FID距离函数评价InfoGAN所生成的SAR多角度扩容图像，能够确保高质量目标样本的生成精度。高质量目标样本的生成精度。高质量目标样本的生成精度。

【技术实现步骤摘要】
一种基于模板匹配和InfoGAN的SAR图像扩容方法


[0001]本专利技术涉及遥感图像处理
，更具体的说是涉及一种基于模板匹配和InfoGAN的SAR图像扩容方法。

技术介绍

[0002]合成孔径雷达（Synthetic Aperture Radar, SAR）因其具有高分辨率，全天候以及可穿透遮盖物等特点，已成为军事和民用目标提取与识别领域的重要数据源。近年来，基于深度学习模型的SAR影像目标提取与识别技术成为了研究热点，解决了传统SAR目标检测方法只能提取影像浅层特征等问题，利用深度学习模型提取的深层次特征大大提升了SAR目标识别精度。但基于深度学习模型的SAR目标检测不仅受限于模型结构，样本的数量与质量同样制约着模型的识别精度，高质量的样本过少会导致模型过拟合并且模型的泛化能力也会降低；此外由于SAR影像数据源较少，缺少某些关键特征对应的样本数据，比如一些飞机、舰船等SAR影像目标的姿态角度缺失，严重影响影像目标提取精度。
[0003]因此，如何提供一种可获得高质量SAR扩容图像的方法成为了亟待解决的问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提供一种基于模板匹配和InfoGAN的SAR图像扩容方法。其可以生成高质量的SAR扩容图像。
[0005]为了实现上述目的，本专利技术采用如下技术方案：一种基于模板匹配和InfoGAN的SAR图像扩容方法，包括以下步骤：
[0006]S1：获取SAR真实数据集并利用模板匹配算法生成带有角度标签的SAR训练数据集；
[0007]S2：基于所述SAR训练数据集和InfoGAN生成初始SAR多角度扩容图像。
[0008]优选的，所述SAR图像扩容方法还包括以下步骤:
[0009]S3：利用FID距离函数从所述初始SAR多角度扩容图像中筛选出满足预设阈值范围的SAR多角度扩容图像。
[0010]优选的，S1包括以下步骤：
[0011]S11：从SAR真实数据集中随机选取一幅SAR图像作为目标图像；
[0012]S12：绘制目标图像的矩形框并计算该矩形框的方位角，将矩形框内的图像和该矩形框的方位角保存为模板图像；
[0013]S13：基于模板图像计算SAR真实数据集中剩余图像的匹配度并输出剩余图像的矩形框；
[0014]S14：若剩余图像的匹配度大于等于预设匹配度阈值，则利用其矩形框计算该剩余图像的方位角；若剩余图像的匹配度小于预设匹配度阈值，则执行步骤S15；
[0015]S15：对该剩余图像进行滤波处理并重新计算滤波后的匹配度；
[0016]S16：执行步骤S14,直到所有剩余图像都计算完方位角，最终获得带有角度标签的
SAR训练数据集。
[0017]优选的，S13中的匹配度计算公式为：
[0018][0019]其中，、依次表示模板图像T的X轴方向梯度和Y轴方向梯度，i代表图像第i个像素点；n代表模板图像像素数；u,v依次表示剩余图像中心原点的行列号；、依次表示剩余图像M在坐标上的X轴方向梯度和Y轴方向梯度，、依次表示剩余图像M在坐标上的X轴方向梯度和Y轴方向梯度；表示中心点为的剩余图像的匹配度；Xi，Yi分别代表模板图像中第i个像素点，所对应的剩余图像中该像素点的偏移量；u+Xi，u+Yi代表模板图像中第i个像素点对应的剩余图像中的位置。
[0020]优选的，S2包括以下步骤：
[0021]S21:基于随机噪声、SAR训练数据集中的真实图像和均匀分布的隐藏向量构建特征向量；
[0022]S22：将所述特征向量输入到Generator网络中，获得一张fake图像；
[0023]S23：将所述fake图像和所述真实图像输入到Discriminator网络，以获得fake图像的真假判断结果；若为假则执行S24；若为真则将所述fake图像保存为扩容图像；
[0024]S24：基于所述fake图像的损失值和所述真实图像的损失值更新Discriminator网络的网络参数；
[0025]S25：将所述fake图像输入到Discriminator网络的卷积模块，以保证Discriminator网络的输入、输出不变；基于Generator网络的交叉熵损失函数迭代更新Generator网络的网络参数，Generator生成新的fake图像，重复S22
‑
S23直到判断结果为真；
[0026]S26：将所述判断为真的fake图像输入到Q网络，以获得控制输出图像角度的可解释向量；将Q网络输出的图像与所述判断为真的fake图像同时输入到交叉熵损失函数中，更新Q网络和Generator网络的网络参数，以生成所述初始SAR多角度扩容图像。
[0027]优选的，S24进一步包括：
[0028]采用交叉熵损失函数计算所述fake图像的损失值和所述真实图像的损失值，利用两个损失值的平均值更新Discriminator网络的网络参数。
[0029]优选的，InfoGAN的损失函数公式如下：
[0030][0031]其中代表的是互信息正则约束项，为超参数，为继承的生成对抗网络的目标函数，计算公式如下：
[0032][0033]其中，表示真实图像分布；表示噪声分布，D和G分别表示判别器网络和生成器
网络，D(x)表示判别器网络的输出值，G(z)表示生成器网络的输出值。
[0034]优选的，所述FID距离函数为：
[0035]其中，x代表真实图像，g代表扩容图像，为图像分布的均值，表示图像分布的协方差，代表矩阵中对角元素之和。
[0036]优选的，S3进一步包括：
[0037]计算满足预设阈值范围的SAR多角度扩容图像的方位角，并将其作为扩容图像的标签同扩容图像一起保存至样本库。
[0038]经由上述的技术方案可知，与现有技术相比，本专利技术公开了一种基于模板匹配和InfoGAN的SAR图像扩容方法，其可以获得以下有益技术效果：
[0039]1、本专利技术利用模板匹配算法可提供更准确的目标方位角信息，制作更精确的训练样本；
[0040]2、本专利技术提供的图像扩容方法能够生成SAR多角度扩容图像，可以构建SAR图像多方位角目标样本库；
[0041]3、本专利技术利用FID距离函数评价InfoGAN所生成的SAR多角度扩容图像，可确保高质量目标样本的生成精度。
附图说明
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0043]图1为本专利技术提供的整体流程图；
[0044]图2为本专利技术提供的获得带有角度标签的SAR训练数据集的方法流程图；
[0045]图3为本专利技术提供的生成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模板匹配和InfoGAN的SAR图像扩容方法，其特征在于，包括以下步骤：S1：获取SAR真实数据集并利用模板匹配算法生成带有角度标签的SAR训练数据集；S2：基于所述SAR训练数据集和InfoGAN生成初始SAR多角度扩容图像。2.根据权利要求1所述的基于模板匹配和InfoGAN的SAR图像扩容方法，其特征在于，还包括以下步骤:S3：利用FID距离函数从所述初始SAR多角度扩容图像中筛选出满足预设阈值范围的SAR多角度扩容图像。3.根据权利要求1所述的基于模板匹配和InfoGAN的SAR图像扩容方法，其特征在于，S1包括以下步骤：S11：从SAR真实数据集中随机选取一幅SAR图像作为目标图像；S12：绘制目标图像的矩形框并计算该矩形框的方位角，将矩形框内的图像和该矩形框的方位角保存为模板图像；S13：基于模板图像计算SAR真实数据集中剩余图像的匹配度并输出剩余图像的矩形框；S14：若剩余图像的匹配度大于等于预设匹配度阈值，则利用其矩形框计算该剩余图像的方位角；若剩余图像的匹配度小于预设匹配度阈值，则执行步骤S15；S15：对该剩余图像进行滤波处理并重新计算滤波后的匹配度；S16：执行步骤S14,直到所有剩余图像都计算完方位角，最终获得带有角度标签的SAR训练数据集。4.根据权利要求3所述的基于模板匹配和InfoGAN的SAR图像扩容方法，其特征在于，S13中的匹配度计算公式为：；其中，、依次表示模板图像T的X轴方向梯度和Y轴方向梯度，i代表图像第i个像素点；n代表模板图像像素数；u,v依次表示剩余图像中心原点的行列号；、依次表示剩余图像M在坐标上的X轴方向梯度和Y轴方向梯度，、依次表示剩余图像M在坐标上的X轴方向梯度和Y轴方向梯度；表示中心点为的剩余图像的匹配度；Xi，Yi分别代表模板图像中第i个像素点，所对应的剩余图像中该像素点的偏移量；u+Xi，u+Yi代表模板图像中第i个像素点对应的剩余图像中的位置。5.根据权利要求1所述的基于模板匹配和InfoGAN的SAR图像扩容方法，其特征在于，S2包括以下步骤：S21:基于随机噪声、SAR训练数据集中的真实图像和均匀分布的隐藏向量构建特征向量；S22：将所述特征向量输入到Generator网络中，获得...

【专利技术属性】
技术研发人员：赵金奇，蒋文娟，汪磊，张奎，李强，刘英杰，谢永虎，李健存，
申请(专利权)人：北京观微科技有限公司，
类型：发明
国别省市：