[发明专利]一种基于深度卷积生成对抗网络的高质量图像生成方法

权利要求书

1.一种基于深度卷积生成对抗网络的高质量图像生成方法，其特征在于，主要包括降斑网络(一)；着色网络(二)；损失函数(三)；性能评估指标(四)。

2.基于权利要求书1所述的降斑网络(一)，其特征在于，主要采用分割残差法来处理噪声合成孔径雷达(SAR)图像(图斑产物)；分割残差法是通过将能识别元素的分割残差层并入卷积网络中，这样卷积层就可以在训练过程中学习斑元素；在分割残差层之前的输出代表预估斑，降斑图像是通过对输入的预估斑图像分割后得到的。

3.基于权利要求书3所述的SAR图像，其特征在于，SAR是一种连贯的雷达图像技术，能够生成高分辨率的图像；SAR图像可以由以下模型表示：

Y＝F⊙X (1)

其中，Y代表SAR图像；F是标准褪色斑噪音随机变量；⊙指数组元素相乘。

4.基于权利要求书3所述的预估斑，其特征在于，是由降斑网络的噪声预估片段产生；噪声预估片段由8个卷积层组成，这些卷积层具有恰当的零填充以保证输入和输出的图像具有相同的维度；首先，用批标准化来减少内部协方差变化；每层卷积层(除了最后一个卷积层)包含64个过滤器；然后，带有跳跃连接的分割残差层用预估斑将输入图像分割；最后，一个双曲线切线层被堆放在网络末端，作为一个非线性公式。

5.基于权利要求书1所述的着色网络(二)，其特征在于，着色网络用8个卷积层和3个跳跃连接组成了对称的编码器-译码器卷积神经网络；每一个卷积层核心尺寸均为3×3；在每一个步骤中都有64个特征映射。

6.基于权利要求书1所述的损失函数(三)，其特征在于，这里的损失函数是将逐个的L₁损失函数和对抗性损失函数以恰当的权重组成，函数公式定义如下：

L_D＝L_L1(gray(Y)，gray(X)；G_D) (2)

L＝L_D+L_C (4)

其中，gray(X)和gray(Y)分别为X和Y的灰度形式；L_D和L_C分别为降斑网络和着色网络；λ_a为平衡L₁损失函数和对抗性损失函数的权重。

7.基于权利要求书1所述的性能评估指标(四)，其特征在于，为了评估本方法的效率和性能，对本方法在以下三个指标下进行测评：降斑性能、合成图像结果和真实SAR图像结果。

8.基于权利要求书7所述的降斑性能，其特征在于，主要通过峰值信噪比、结构相似指数、通用质量指数和降斑增益四个指标来评测本方法的降斑性能。

9.基于权利要求书7所述的合成图像结果，其特征在于，本方法合成的图像的伪像少，在祛斑过程中也做到了对细节信息的保护；在最终输出结果中也避免了局部灰色的出现，主要是由于本方法结合了L₁损失函数和对抗性损失函数的特性。

10.基于权利要求书7所述的真实SAR图像结果，其特征在于，将同一地点同一时间的SAR图像、卫星图像和本方法处理后的图像进行对比，结果显示本方法能够从SAR图像生成高质量可见图像。