[发明专利]基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法

说明书

本发明涉及一种基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法，包括以下步骤：步骤1：收集N幅实际海冰遥感图像，利用分形方法生成N个K×K的海冰场景高程矩阵；步骤2：依据每个高程矩阵和海冰色带，逐一索引生成初始仿真海冰RGB图像集；步骤3：将初始仿真海冰RGB图像矢量化，形成N个初始化矢量数据；步骤4：利用步骤3形成的矢量数据作为生成网络初始输入，同时初始化生成网络和判别网络权重参数；步骤5：利用N幅实际海冰遥感图像训练分形深度卷积生成对抗网络；步骤6：通过步骤1～步骤3重新生成矢量数据，将数据输入步骤5所训练完成的分形深度卷积生成对抗网络。本发明能够降低网络计算量，同时提升海冰仿真效果。

技术领域

本发明涉及一种海冰遥感图像仿真方法，特别是一种基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法(Fractal Deep Convolutional Generative AdversarialNetworks，FDCGAN)，本发明属于极地遥感图像分析和仿真研究领域。

背景技术

随着北极海冰的加速融化，越来越多的船只在特殊时间尝试将北极水路作为较短的商业路线，然而恶劣的海冰环境仍然是北部沿海地带和极地航行的巨大威胁。对极地海冰遥感图像的分析和研究，对冰情分析、导航、海冰预警意义重大。当今，极地海冰遥感图像是非常稀有资源，一方面极地航行机会较少，实地飞行也具有一定难度，另外卫星影像易收到恶劣天气、云雾等影响，难以有效应用。因而大多数研究人员几乎没有机会收集有效的研究数据。可见研究一种图像仿真生成方法是必要的。

深度卷积生成对抗网络(DCGAN)是最近几年提出的图像生成方法之一，对多种自然场景都有很好的性能，能够得到十分逼真的仿真图像，从而得到了广泛应用。传统DCGAN的初始化输入为1×100的随机向量，进而训练完成后，可通过输入统一维度的随机向量得到相应的图像。除了DCGAN之外，分形理论对于多种场景的图像生成也是有效的。研究发现，海冰具有云、树木、海岸线等相似的分形特性，因而可基于分形的方法仿真生成海冰图像，进而，如果用分形理论获得仿真图像作为DCGAN的初始化，则可让DCGAN更加快速学习海冰的分形特性，并以此作为约束，改进DCGAN仿真图像的效果，同时由于初始数据已具备了海冰图像特征，因而相对输入随机向量，更易促进DCGAN的收敛效率。受此启发，引入分形深卷积生成对抗网络(FDCGAN)。

综上所述，本发明提出基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法(FDCGAN)进行海冰图像仿真生成。从国际上近期研究设计的北冰洋色带图中筛选了色带。将分形仿真图进行矢量化，选择了维度更低的输入层向量，降低了网络计算量，同时能够提升海冰仿真效果。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种能够降低网络计算量，同时提升海冰仿真效果的基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法。

为解决上述技术问题，本发明一种基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法，包括以下步骤：

步骤(1)：收集N幅实际海冰遥感图像，利用分形方法生成N个K×K的海冰场景高程矩阵；

步骤(2)：依据每个高程矩阵和海冰色带，按步骤(1)生成的海冰场景高程矩阵逐一索引生成初始仿真海冰RGB图像集；

步骤(3)：将步骤(2)生成的初始仿真海冰RGB图像矢量化，形成N个初始化矢量数据；

步骤(4)：利用步骤(3)形成的矢量数据作为生成网络初始输入，同时初始化生成网络和判别网络权重参数；

步骤(5)：利用N幅实际海冰遥感图像训练分形深度卷积生成对抗网络；

步骤(6)：通过步骤(1)～步骤(3)重新生成矢量数据，将重新生成矢量数据输入步骤(5)所训练完成的分形深度卷积生成对抗网络。

本发明还包括：