一种基于ViT-CycleGAN的特种车辆SAR图像迁移生成方法及系统技术方案

本发明专利技术涉及一种基于ViT‑CycleGAN的特种车辆SAR图像迁移生成方法及系统，属于图像处理技术领域。具体为：将SAR图像分为背景域和目标域两个域并进行数据预处理,构成训练数据集；创建基于ViT‑CycleGAN的迁移生成网络模型；对ViT‑CycleGAN迁移生成网络模型的两个生成器模块进行基于图像修补的预训练；利用预训练的ViT‑CycleGAN迁移生成网络模型的生成器模块加上判别器模块构成完整的网络模型进行再次的迁移生成训练；待测试SAR场景图像输入到训练好的ViT‑CycleGAN迁移生成网络模型，得到中央含有特种车辆目标的场景图像。本发明专利技术解决了传统GAN类模型生成特种车辆的背景多样性不足的问题，并能够在保持较高背景忠实度的同时，提高了生成目标的细节表现和真实感。

【技术实现步骤摘要】

本专利技术属于图像处理，具体涉及一种基于vit-cyclegan的特种车辆sar图像迁移生成方法及系统。

技术介绍

1、合成孔径雷达(synthetic aperture radar，sar)技术通过搭载在飞行器上雷达设备，利用脉冲压缩及合成孔径原理进行图像采集。该成像技术具有穿透性，能在全天候、全时段的条件下工作，因而在国防和民用领域均有广泛的应用。然而，在sar自动目标识别(automatic target recognition，atr)领域，尤其在特种车辆sar图像的获取方面却面临着以下挑战，具体如下：在复杂且具有挑战性的地形环境中，例如荒漠、田地、草地及林地等，特种车辆的部署受限，这可能导致复杂场景下的特种车辆sar图像的缺乏。由此产生的数据集背景单一化问题，使得深度学习模型在sar图像目标识别任务中面临着泛化能力不足的问题。

2、随着深度学习的发展，生成对抗网络(generative adversarial network，gan)在sar图像生成领域取得了显著进展，涌现出了一系列创新算法。gan是一种基于博弈论的深度生成模型，由生本文档来自技高网...

【技术保护点】

1.一种基于ViT-CycleGAN的特种车辆SAR图像迁移生成方法，其特征在于，包括：

2.根据权利要求1所述一种基于ViT-CycleGAN的特种车辆SAR图像迁移生成方法，其特征在于，所述背景域图像和目标域图像来源于MSTAR数据集。

3.根据权利要求1所述一种基于ViT-CycleGAN的特种车辆SAR图像迁移生成方法，其特征在于，所述的数据预处理包括：

4.根据权利要求3所述一种基于ViT-CycleGAN的特种车辆SAR图像迁移生成方法，其特征在于，所述数据增强的具体措施为：对获得的SAR图像依次进行随机镜像翻转、颜色抖动以及直方图均衡化。...

【技术特征摘要】

1.一种基于vit-cyclegan的特种车辆sar图像迁移生成方法，其特征在于，包括：

2.根据权利要求1所述一种基于vit-cyclegan的特种车辆sar图像迁移生成方法，其特征在于，所述背景域图像和目标域图像来源于mstar数据集。

3.根据权利要求1所述一种基于vit-cyclegan的特种车辆sar图像迁移生成方法，其特征在于，所述的数据预处理包括：

4.根据权利要求3所述一种基于vit-cyclegan的特种车辆sar图像迁移生成方法，其特征在于，所述数据增强的具体措施为：对获得的sar图像依次进行随机镜像翻转、颜色抖动以及直方图均衡化。

5.根据权利要求1所述一种基于vit-cyclegan的特种车辆sar图像迁移生成方法，其特征在于，所述第一生成器模块和第二生成器结构一样，包括编码器、解码器以及visiontransformer模块，所述vision transformer模块作为连接编码器与解码器的中间层，所述编码器的输出与所述vision transformer模块直接相连，所述vision transformer模块的输出与所述解码器的输入...

【专利技术属性】
技术研发人员：梁继民，王榕旭，郑洋，郭开泰，王梓宇，胡海虹，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：