[发明专利]一种基于条件生成对抗网络的SAR图像仿真方法

权利要求书

1.一种基于条件生成对抗网络的SAR图像仿真方法，其特征是，包括以下步骤：

步骤1、利用滚动引导滤波方法对目标SAR图像进行去噪；

步骤2、将光学图像与对应的预处理后的SAR图像对制作数据集；包括以下子步骤：

步骤2.1、读入已配准的异源图像对；

步骤2.2、提取光学图像中的特征点，并在对应的SAR图像上以同一坐标位置的像素点为中心截取相同大小的图像块，待几组异源图像均处理完之后，进行数据扩增，将光学图像和SAR图像合并，最后划分训练集和测试集；

步骤3、搭建基于条件生成对抗网络的图像转换网络结构；包括以下子步骤：

步骤3.1、以U-Net网络结构为基础，结合Res-Net对条件生成对抗网络进行优化；

步骤3.2、构建五层卷积判别器网络结构；

步骤4、以光学图像和SAR图像对组成的训练集作为输入，多次迭代训练模型，并使用Adam算法对目标函数进行优化；

步骤5、在测试集上进行SAR效果图的转换和测试。

2.如权利要求1所述的基于条件生成对抗网络的SAR图像仿真方法，其特征是，步骤1的实现包括：对原SAR图像进行高斯滤波，滤波后的图像作为引导图像并且在此基础上进行迭代滤波操作，对图像中大区域的物体边缘进行恢复，具体步骤如下；

步骤1.1、对原SAR图像进行高斯滤波；滤除小区域的斑点与细小结构，表达式为：

式(1)中，J¹(p)表示像素点p经高斯滤波后的像素值大小，N(p)代表该点的周围用于滤波计算的邻域，q表示这一邻域中涉及到的所有像素点，k_p是归一化系数，用于保持计算结果的范围；

步骤1.2、采用引导的方式做后续的迭代，加强图像的边缘结构，数学表达式为：

式(2)中，J^t(p)表示像素点p经过第t次滤波后的像素值大小；J^t-1(p)、J^t-1(q)分别表示像素点p和q经过第t-1次滤波后的像素值大小；δ_s和δ_r分别表示空间尺度和距离尺度。

3.如权利要求1所述的基于条件生成对抗网络的SAR图像仿真方法，其特征是，步骤2的实现包括：

步骤2.1、读入已配准的异源图像对，采用SIFT方法对每一幅光学图像提取所有可能的SIFT特征点，并排除掉两个特征点之间的距离小于d的像素点，利用d来调整在图像中获取到的SIFT特征点的稠密度，取d＝20；

步骤2.2、进行筛选后，以每一个选中的特征点为中心，截取大小为256×256的图像块，若所选区域超出图像边界则丢弃该点；随后在对应的SAR图像上以同一坐标位置的像素点为中心截取相同大小的图像块；将光学图像和SAR图像以相同的命名分别保存到两个对应的文件夹中；

步骤2.3、待几组异源图像均处理完后，对光学图像和SAR图像的两个文件夹中的所有图像进行旋转、镜像、翻转操作以完成数据扩增；

步骤2.4、将光学图像和SAR图像两个文件夹中的图像合并为一张512×256的图像，并保存在另一个文件夹中；

步骤2.5、将步骤2.4所述另一个文件夹中的样本按照80％/20％的比例随机分为训练集和测试集。

4.如权利要求1所述的基于条件生成对抗网络的SAR图像仿真方法，其特征是，步骤3.1所述条件生成对抗网络的生成器采用U-Net网络结构，包括编码器模块和解码器模块；

编码器模块包括8层，每一层均为double(conv+bn+lrelu)+shortcut结构，卷积核数目从64逐层倍增直到512后不变，bn为批量归一化优化，lrelu表示激活函数使用LeakyReLU函数，shortcut指残差网络中的捷径；

解码器模块包括8层，与编解码器层数相同的单元具有相同的卷积核数目，而解码器中每一个单元的结构为conv+bn+relu，relu表示激活函数使用ReLU函数，并对编解码模块对应的层进行拼接；每一卷积操作的卷积核大小均为3×3，每一个单元之间均接有一层2*2的最大池化层。