【技术实现步骤摘要】
本专利技术涉及一种可见光图像到sar图像的转换方法、装置、介质及设备，属于图像翻译及仿真。
技术介绍
1、sar图像又称合成孔径雷达图像，是利用合成孔径雷达（synthetic apertureradar）技术生成的图像，合成孔径雷达技术通过向地面发射雷达波并接收其回波信号来生成图像。
2、sar图像仿真的应用方向多种多样，例如雷达图像分类的算法研究，sar图像的目标检测算法研究等。这些不同领域的应用场景有不同的背景和目标特性要求。
3、现有的sar图像生成手段大体分为两种，第一种是传统图像仿真器，第二种是基于神经网络的sar图像仿真。
4、传统图像仿真器不考虑真实环境中各种不确定的随机性，同时计算过程中可能存在近似处理，会导致仿真sar图像与真实图像数据之间存在较大的差异，影响仿真sar图像的使用效果。
5、基于神经网络的sar图像仿真，利用神经网实现图像风格迁移，对sar图像场景中的纹理合成较好，但由于神经网络难以分辨目标区域（如坦克，车辆，舰船等）和背景在sar图像中的表现差异，会发生目标和背景一样黑或是背景纹理被判定成目标等问题，对于包含目标区域的sar图像仿真表现不佳。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种可见光图像到sar图像的转换方法、装置、介质及设备，能够完成可见光图像到sar图像的转换，提升sar图像的质量。为达到上述目的，本专利技术是采用下述技术方案实现的：
2、第一方面
3、获取待处理图像；
4、将包含目标的待处理图像输入预先训练的目标转换模型，得到sar目标图像；
5、将不包含目标的待处理图像输入预先训练的背景转换模型，得到sar背景图像；
6、基于预先得到的目标加权融合系数和背景加权融合系数，融合所述sar目标图像和所述sar背景图像，生成带有目标的sar图像，完成可见光图像到sar图像的转换。
7、结合第一方面，可选地，所述目标转换模型和所述背景转换模型的训练包括：
8、获取用于训练的图像样本，所述图像样本包括对应同一片区域的成对的可见光图像和sar图像，所述可见光图像和sar图像的分辨率相同；
9、将所述用于训练的图像样本切分为小块图像；
10、对所述小块图像进行人工目视解译，将小块图像中包含目标的图像放入目标数据集，将小块图像中不包含目标的图像放入背景数据集。
11、结合第一方面，可选地，所述目标转换模型的训练还包括：利用所述目标数据集，训练预先构建的条件循环生成对抗网络得到所述目标转换模型，其中，所述预先构建的条件循环生成对抗网络为在循环生成对抗网络基础上，在两个判别器和生成器前增加条件处理模块和基于域的特征提取器；
12、所述训练预先构建的条件循环生成对抗网络得到所述目标转换模型，包括：
13、获取所述目标数据集，基于已知的可见光图像和sar图像的目标特征，制作信息标签；
14、将所述信息标签输入预先构建的条件循环生成对抗网络的条件处理模块，将所述目标数据集输入预先构建的条件循环生成对抗网络的特征提取模块，训练预先构建的条件循环生成对抗网络中生成器和判别器的权重和偏置，得到所述目标转换模型。
15、结合第一方面，可选地，所述背景转换模型的训练还包括：利用所述背景数据集，训练预先构建的unet网络得到所述预先训练的背景转换模型，其中，所述预先构建的unet网络为在现有unet网络基础上，增加信息标签处理模块；所述训练预先构建的unet网络得到所述背景转换模型，包括：
16、获取所述背景数据集，基于已知的可见光图像和sar图像的背景特征，制作信息标签；
17、将所述信息标签输入预先构建的unet网络的信息标签处理模块，将所述背景数据集输入入预先构建的unet网络，迭代训练得到所述背景转换模型。
18、结合第一方面，可选地，所述预先得到的目标加权融合系数和背景加权融合系数，通过以下步骤得到：
19、利用预先构建的基于卷积神经网络的特征提取融合网络，从所述sar目标图像中提取目标特征，从所述sar背景图像中提取背景特征；
20、利用所述基于卷积神经网络的特征提取融合网络，计算得到特征融合时目标特征的加权融合系数和背景特征的加权融合系数。
21、结合第一方面，可选地，所述预先构建的基于卷积神经网络的特征提取融合网络，包括：
22、三路特征提取卷积模块：用于将输入的带有sar目标的图像、sar目标图像和sar背景图像，分别送入不同的特征提取卷积层，学习sar目标的特征、sar背景的特征以及融合后的图像特征；
23、深度自适应空洞残差模块：包括执行相同操作的第一基本层和第二基本层以及leakyrelu激活函数；所述leakyrelu激活函数用于处理第一基本层和第二基本层输出的特征图；
24、多路特征融合模块：用于将输入的特征图分为三路进行特征提取，对三路输出的特征图进行逐像素加权平均，输出融合后的特征图；
25、融合参数生成层：用于将融合后的特征图映射到融合系数的空间，输出融合系数x1和x2；
26、生成器：用于通过融合系数x1和x2分别融合目标图像和背景图像，表示为a*x1+b*x2=c，其中a为sar目标图像，x1为sar目标图像的融合系数，b为sar图像背景；x2为sar背景图像的融合系数；c为合成的sar图像；
27、判别器：用于对合成的sar图像和真实的带有sar目标的图像进行相似度比较，根据判断结果对所述融合参数生成层和所述三路特征提取卷积模块进行调节。
28、结合第一方面，可选地，所述生成器和判别器通过对合成的sar图像和真实的带有sar目标的图像进行图像质量和整体相似度评估得出损失函数，并根据损失函数调整生成器和判别器的参数；所述损失函数，通过下式表示：
29、(1)
30、式（1）中，为总损失，为生成器，为判别器；
31、式（1）中，对抗损失在总损失函数中相对重要性的权重，为对抗损失，通过下式表示：
32、（2）
33、式（2）中， x为真实的带有sar目标的图像，为真实图像的概率分布，为判别器对真实图像 x是真实的概率评估，为从真实图像的概率分布中抽取的真实图像样本 x计算出的期望值；为噪声，为噪声数据的概率分布，为生成器使用噪声生成的数据样本；为判别器对于合成的图像是真实的概率评估；为噪声数据的概率分布中抽取的噪声 z计算出的期望值；
34、式（1）中，为均方误差损失在总损失函数中相对重要性的权重，为均方误差损失，通过下式本文档来自技高网...
【技术保护点】
1.一种可见光图像到SAR图像的转换方法，其特征在于，包括：
2.根据权利要求1所述的可见光图像到SAR图像的转换方法，其特征在于，所述目标转换模型和所述背景转换模型的训练包括：
3.根据权利要求2所述的可见光图像到SAR图像的转换方法，其特征在于，所述目标转换模型的训练还包括：利用所述目标数据集，训练预先构建的条件循环生成对抗网络得到所述目标转换模型，其中，所述预先构建的条件循环生成对抗网络为在循环生成对抗网络基础上，在两个判别器和生成器前增加条件处理模块和基于域的特征提取器；
4.根据权利要求2所述的可见光图像到SAR图像的转换方法，其特征在于，所述背景转换模型的训练还包括：利用所述背景数据集，训练预先构建的Unet网络得到所述预先训练的背景转换模型，其中，所述预先构建的Unet网络为在现有Unet网络基础上，增加信息标签处理模块；
5.根据权利要求1所述的可见光图像到SAR图像的转换方法，其特征在于，所述预先得到的目标加权融合系数和背景加权融合系数，通过以下步骤得到：
6.根据权利要求5所述的可见光图像到SAR图像
7.根据权利要求6所述的可见光图像到SAR图像的转换方法，其特征在于，所述生成器和判别器通过对合成的SAR图像和真实的带有SAR目标的图像进行图像质量和整体相似度评估得出损失函数，并根据损失函数调整生成器和判别器的参数；
8.一种可见光图像到SAR图像的转换装置，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1-7中任一所述的可见光图像到SAR图像的转换方法。
10.一种设备，其特征在于，包括：
...【技术特征摘要】
1.一种可见光图像到sar图像的转换方法，其特征在于，包括：
2.根据权利要求1所述的可见光图像到sar图像的转换方法，其特征在于，所述目标转换模型和所述背景转换模型的训练包括：
3.根据权利要求2所述的可见光图像到sar图像的转换方法，其特征在于，所述目标转换模型的训练还包括：利用所述目标数据集，训练预先构建的条件循环生成对抗网络得到所述目标转换模型，其中，所述预先构建的条件循环生成对抗网络为在循环生成对抗网络基础上，在两个判别器和生成器前增加条件处理模块和基于域的特征提取器；
4.根据权利要求2所述的可见光图像到sar图像的转换方法，其特征在于，所述背景转换模型的训练还包括：利用所述背景数据集，训练预先构建的unet网络得到所述预先训练的背景转换模型，其中，所述预先构建的unet网络为在现有unet网络基础上，增加信息标签处理模块；
5....
【专利技术属性】
技术研发人员：肖晖，杨炎泰，盛庆红，王博，李俊，凌霄，贺小伟，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
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。