[发明专利]一种基于超分辨率对抗生成级联网络的SAR小样本识别方法

说明书

本发明属于雷达数据处理领域，具体涉及一种基于超分辨率对抗生成级联网络的SAR小样本识别方法。针对SAR目标图像分辨率低所导致的目标特征不明显，受环境影响较大，数据样本易混淆的问题，提出一个基于深度学习的超分辨率网络，对低分辨率的SAR的小样本图像进行放大。让分类网络能够提取到更多的特征。与传统超分辨率方法不同，利用GAN进行的图像超分辨率能够有效的提取到图像的特征，生成非过度平滑的逼真的高分辨率图像。针对SAR小样本图像具有的低分辨率，特征模糊，样本容易混淆的特点，针对SAR图像固有特点的GAN超分辨率模型。将实现一个4倍放大因子的超分模型，可以将原图像的像素数量放大到原来的16倍。这样可以提供给分类器更多的内容和特征。

技术领域

本发明属于雷达数据处理领域，具体涉及一种基于超分辨率对抗生成级联网络的SAR小样本识别方法。

背景技术

合成孔径雷达即SAR，是一种主动式微波成像传感器，通过发射宽带信号，结合合成孔径技术，SAR能在距离向和方位向上同时获得二维高分辨率图像。与传统光学遥感和高光谱遥感相比，SAR具备全天候、全天时的成像能力，还有一定的穿透性，获得的图像能够反映目标微波散射特性，是人类获取地物信息的一种重要技术手段。SAR已被广泛应用于民生领域，是实现自然资源普查、自然灾害监测等的重要技术手段。

随着SAR技术的日益成熟，其在自然灾害监测等领域得到了较为广泛的应用，具有较高的研究价值。通过对SAR图像目标的分类识别，可以快速有效地获取目标信息。SAR图像反映了电磁波后向散射强度，同时具有几何特征及电磁特征，是一种高分辨率雷达图像。因此,SAR图像解释是一项复杂工程，而利用人工对SAR图像进行判别将耗费大量资源，这说明在SAR自动目标识别领域需要高效的算法。

SAR目标识别是指对目标散射回波信号进行分析，从中提取信号特征与目标属性特征，并对目标的类别与属性进行判别。SAR图像不似光学图像那样直观、边缘易于检测，需要通过计算机对获取的目标信息进行处理，再与数据库中已知的目标特征行比较与测量，从而达到自动识别目标的目的。近十几年来,SAR目标识别技术在理论研究方面已取得众多成果，但距实际应用还有很大差距。

这是因为虽然SAR图像往往拥有超高的分辨率，但是因为SAR的囊括的空间尺度巨大，对高分辨率的SAR图像进行目标分割后所产生出的目标图像极小，分辨率低。而且由于环境复杂，以及SAR存在的相干斑噪声等因素，当需要对图像中的目标进行识别时，通常无法使用常规方法，需要对复杂环境的SAR图像进行降噪，并使用目标分割技术将目标从高分辨率SAR图像中分割出来，进行相应的目标识别。

目前，深度学习技术的发展，其在诸多领域都取得了令人瞩目的成果，这也加快了深度学习技术在更多复杂场景的应用。而计算机视觉领域的相关问题更是在深度学习技术的加持下取得了长足的发展。深度学习技术是以神经网络为基础的机器学习技术，较为经典的深度学习网络如深度卷积神经网络即CNN，其网络结构使得模型具备了强大的特征提取和分类的能力，已能较好的实现一般情况下的目标的检测与识别。而基于深度学习技术的SAR图像分析处理也成为了当前的研究热点，许多研究正利用CNN，来尝试解决SAR小样本识别中，低分辨率条件下的目标识别问题。虽然在部分领域取得了较好的效果，但是仍然存在很多不足。这是因为SAR小样本识别中存在特征模糊，目标易混淆的特性。

生成式对抗网络，是近年来复杂分布上无监督学习最具前景的方法之一。生成式对抗网络包含两个基本模块：生成模型G和判别模型D；模型的输入为随机高斯白噪声信号z，该噪声信号经由生成模型G映射到某个新的数据空间，得到生成数据G(z)；接下来，由判别网络D根据真实数据x与生成数据G(z)的输入来分别输出一个概率值，表示D判断输入是真实数据还是生成其他数据的置信度，以此判断G的产生数据的性能好坏。