光学图像跨域对抗生成SAR图像的方法.pdf
一条****杉淑
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
光学图像跨域对抗生成SAR图像的方法.pdf
本发明公开的光学图像跨域对抗生成SAR图像的方法,能够有效提升特定图像分析任务的准确性。本发明通过下述技术方案实现:源域到目标域的图像跨域生成器生成目标域SAR图像,目标域判别器鉴别生成的SAR图像的真or假,同时图像跨域生成器Gx将生成的目标域SAR图像送入图像跨域生成器Gy,通过输入光学图像与重构光学图像的配准,形成源域光学图像到目标域SAR图像的循环一致对抗生成网络;同理,形成目标域SAR图像到源域光学图像的循环一致对抗生成网络;将上述两个循环一致对抗网络并接,构建双向循环一致跨域对抗网络结构,并对
一种基于生成式对抗网络的自适应光学图像盲复原方法.pdf
本发明公开了一种基于生成式对抗网络的自适应光学图像盲复原方法,具体按照如下步骤实施:步骤1,制作空间目标自适应光学模糊图像与对应清晰图像的训练集;步骤2,构建用于训练的生成对抗网络模型;步骤3,将步骤1自适应光学模糊图像与对应清晰图像的训练集输入到步骤2建立的生成对抗网络模型中,得到训练好的生成网络模型;步骤4,将待复原的模糊图像进行尺寸归一化预处理,输入到步骤3训练好的生成网络模型中,得到复原之后的清晰图像。本发明的一种基于生成式对抗网络的自适应光学图像盲复原方法,由于无需估计PSF,提高了单帧图像复原
一种SAR图像转光学图像的转换方法及装置.pdf
本申请涉及一种SAR图像转光学图像的转换方法及装置,所述方法包括:获取SAR图像以及对应的光学图像组成训练集;将训练集中的SAR图像和光学图像输入CFR‑GAN模型,输出判别结果,其中,CFR‑GAN模型包括生成网络和鉴别网络,生成网络包括编码器、交叉融合推理结构、解码器;将光学图像和判别结果输入预先构建的总损失函数,对模型进行训练,得到CFR‑GAN优化模型;将待处理的SAR图像输入CFR‑GAN优化模型进行转换,得到光学转换图像。采用本方法能够利用CFR‑GAN优化模型中的交叉融合推理结构在不同分辨率
基于偏微分方程启发的SAR图像到光学图像的转换方法.pdf
本发明提出了一种基于偏微分方程启发的SAR图像到光学图像的转换方法,实现步骤为:(1)获取训练样本集和测试样本集;(2)构建基于偏微分方程启发的网络模型O;(3)对基于偏微分方程启发的网络模型O进行迭代训练;(4)获取SAR图像转换的结果。本发明提出的基于偏微分方程启发的SAR图像到光学图像的转换方法的网络模型,通过主干分支网络中的TFD启发的边缘块中的残差学习有效地提取多级特征,PMD神经模块网络保留图像的高频结构细节信息并抑制斑点噪声;本发明能够有效促进SAR图像转换为光学图像。
基于深度无监督多步对抗域自适应的高分辨SAR图像地物要素提取方法.pdf
基于深度无监督多步对抗域自适应的高分辨SAR图像地物要素提取方法,首先利用图像变换模型将源域图像转化为目标域图像相近的风格,从而减小源域和目标域的分布差异;再将风格转换过的源域图像和未标记的目标域图像送入对抗自适应网络,一方面训练深层网络学习源域和目标域的特征并进行语义分割,另一方面训练判别器区分其输入来自源域还是目标域,反馈引导深层网络对齐源域和目标域的分布特征;最后用训练好的模型预测目标域大场景的地物类型,完成单极化高分辨SAR影像像素级地物要素提取;本发明突破标记样本不足及源域数据与目标域数据分布不