[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

说明书

本发明中提出的一种基于深度卷积生成对抗网络的高质量图像生成方法，其主要内容包括降斑网络、着色网络、损失函数和性能评估指标，其过程为，首先使用降斑网络对合成孔径雷达(SAR)观测到的噪声图像进行降斑处理，然后用着色网络将降斑网络转化为可见图像；接下来，通过损失函数(结合了L₁损失函数和对抗性损失函数的特性)对局部灰色进行识别并着色，最后利用降斑性能、合成图像结果和真实SAR图像结果三个指标对本方法进行性能评估。本方法相比起已有方法合成的图像伪像更少，保护了细节信息；在最终输出结果中也避免了局部灰色的出现，能够生成高质量可见图像。

技术领域

本发明涉及图像处理领域，尤其是涉及了一种基于深度卷积生成对抗网络的高质量图像生成方法。

背景技术

合成孔径雷达(SAR)可通过发射微波，接收地面目标反射回波来获取信息进行成像(SAR图像)，这种成像技术受天气和时间的影响小，因而被广泛应用。但是由于成像雷达发射的是纯相干波，这种信号照射目标时，目标的随机散射信号与发射信号的干涉产生斑点噪声，并使图像的像素灰度值剧烈变化，即在均匀的目标表面，有的像素呈现亮点，有的呈暗点，模糊了图像的精细结构，使图像解译能力降低，因此，为了生成高质量的图像，对SAR图像进行处理尤为重要。在农林领域，SAR图像可应用于土地利用情况调查、作物和树木分类、作物和树木长势检测、作物产量和树木蓄积量估计等诸多方面，带来了可观的经济效益；在水文领域，SAR图像可用于土壤水分监测、水系分析、水资源调查、海水入侵监测、河道变迁分析等方面，并取得了许多重要的研究成果；另外，SAR图像还在军事目标的识别与毁伤效能评估、矿藏资源的探测、灾情探测与防治、医学图像处理等领域中广泛应用。然而，现有的SAR图像处理方法的处理结果存在的伪像较多，误删了许多图片细节信息并且有局部灰色产生，整体降斑性能不理想。

本发明提出了一种基于深度卷积生成对抗网络的高质量图像生成方法，先使用降斑网络对合成孔径雷达(SAR)观测到的噪声图像进行降斑处理，然后用着色网络将降斑网络转化为可见图像；接下来，通过损失函数(结合了L₁损失函数和对抗性损失函数的特性)对局部灰色进行识别并着色，最后利用降斑性能、合成图像结果和真实SAR图像结果三个指标对本方法进行性能评估。本方法相比起已有方法合成的图像伪像更少，保护了细节信息；在最终输出结果中也避免了局部灰色的出现，能够生成高质量可见图像。

发明内容

针对现有的SAR图像处理方法的处理结果存在的伪像较多，误删了许多图片细节信息并且有局部灰色产生，整体降斑性能不理想等问题，本发明的目的在于提供一种基于深度卷积生成对抗网络的高质量图像生成方法，先使用降斑网络对合成孔径雷达(SAR)观测到的噪声图像进行降斑处理，然后用着色网络将降斑网络转化为可见图像；接下来，通过损失函数(结合了L₁损失函数和对抗性损失函数的特性)对局部灰色进行识别并着色，最后利用降斑性能、合成图像结果和真实SAR图像结果三个指标对本方法进行性能评估。

为解决上述问题，本发明提供一种基于深度卷积生成对抗网络的高质量图像生成方法，其主要内容包括：

(一)降斑网络；

(二)着色网络；

(三)损失函数；

(四)性能评估指标。

其中，所述的降斑网络，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。

进一步地，所述的SAR图像，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：

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。