基于GAN网络的SAR图像生成方法及生成装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112699717A(43)申请公布日2021.04.23(21)申请号201911016197.7(22)申请日2019.10.23(71)申请人中国科学院遥感与数字地球研究所地址100094北京市海淀区邓庄南路9号(72)发明人王超李璐张红(74)专利代理机构北京金信知识产权代理有限公司11225代理人张放(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图3页(54)发明名称基于GAN网络的SAR图像生成方法及生成装置(57)摘要本发明公开了一种基于GAN网络的SAR图像生成方法及生成装置，该生成方法包括：获取目标图像；通过GAN网络得到生成图像；基于目标图像、生成图像、目标图像和生成图像融合后的融合图像以及表示目标图像所属类别的标签，训练所述GAN网络以调整生成图像。本发明实现了在一个生成对抗网络中同时获取生成的船舶目标及其类别信息，GAN网络的生成器中引入残差网络结构不仅可以提升深层网络的训练性能，还能更好地保留SAR图像中船舶目标的结构信息；判别器中引入梯度惩罚，使GAN网络训练更加稳定，收敛更快，同时能够生成更高质量的样本图像。CN112699717ACN112699717A权利要求书1/2页1.基于GAN网络的SAR图像生成方法，其特征在于，包括：获取目标图像；通过GAN网络得到生成图像；基于目标图像、生成图像、目标图像和生成图像融合后的融合图像以及表示目标图像所属类别的标签，训练所述GAN网络以调整生成图像。2.根据权利要求1所述的基于GAN网络的SAR图像生成方法，其特征在于，所述获取目标图像，包括：获取包含目标的SAR图像，并对所述SAR图像进行切片处理，得到目标图像。3.根据权利要求2所述的基于GAN网络的SAR图像生成方法，其特征在于，对获取的SAR图像进行切片处理之前，还包括：对获取的SAR图像进行预处理，所述预处理包括对获取的SAR图像进行辐射定标及归一化处理。4.根据权利要求1所述的基于GAN网络的SAR图像生成方法，其特征在于，所述GAN网络包括生成器和与所述生成器连接的判别器，所述生成器的输入包括随机向量和类标签向量，所述生成器的输出包括生成的生成图像；所述判别器的输入包括目标图像、生成图像、目标图像和生成图像融合后的融合图像以及表示所述目标图像所属类别的标签，所述判别器的输出包括输入GAN网络的样本数据的真假判断以及分类结果。5.根据权利要求1所述的基于GAN网络的SAR图像生成方法，其特征在于，所述GAN网络为卷积神经网络，所述GAN网络的生成器包括残差连接结构。6.根据权利要求5所述的基于GAN网络的SAR图像生成方法，其特征在于，所述残差连接结构包括多个残差块，每个残差块包括：反卷积层、卷积层、块正则化、激活函数、融合层。7.根据权利要求4所述的基于GAN网络的SAR图像生成方法，其特征在于，对GAN网络的训练包括：将随机向量和类标签向量输入生成器中，得到生成图像；将训练样本图像、生成图像、训练样本图像和生成图像融合后的融合图像以及类标签输入判别器中进行训练，更新判别器参数；固定判别器参数，将随机向量和类标签向量再次输入生成器中进行训练，更新生成器参数；交替训练生成器和判别器，直至GAN网络收敛。8.根据权利要求1所述的基于GAN网络的SAR图像生成方法，其特征在于，还包括对训练GAN网络得到的GAN网络模型进行优化，所述优化包括：将随机向量和类标签向量输入训练后的生成器中，输出待测试的生成图像；将待测试的目标图像、待测试的生成图像、待测试的融合图像以及类标签输入训练后的判别器中，与判别器的参数进行对比；根据对GAN网络模型的测试，优化GAN网络模型的参数。9.一种图像生成装置，其特征在于，包括：获取模块，其配置为获取目标图像；2CN112699717A权利要求书2/2页生成模块，其配置为通过GAN网络得到生成图像；训练模块，其配置为基于目标图像、生成图像、目标图像和生成图像融合后的融合图像以及表示目标图像所属类别的标签，训练所述GAN网络以调整生成图像。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1至8任一项所述的基于GAN网络的SAR图像生成方法的步骤。3CN112699717A说明书1/8页基于GAN网络的SAR图像生成方法及生成装置技术领域[0001]本发明涉及遥感图像处理技术领域，特别涉及一种基于GAN网络的SAR图像生成方法及生成装置。背景技术[0002]合成孔径雷达(SAR)能够主