[发明专利]一种双流特征学习生成对抗网络的低分辨率船舶分类方法

权利要求书

1.一种双流特征学习生成对抗网络的低分辨率船舶分类方法，其特征在于，该方法包括以下步骤：

步骤一、建立船舶图像训练集：在HRSC数据集中选取多种不同类型船型的多张高分辨率船舶图像组成高分辨率船舶图像集，所述高分辨率船舶图像集中图像数量不少于500张，对高分辨率船舶图像集中每张高分辨率船舶图像进行低分辨率处理，得到每张高分辨率船舶图像对应的低分辨率船舶图像，多张高分辨率船舶图像和其对应的低分辨率船舶图像构成船舶图像训练集；

所述船舶图像训练集中每张高分辨率船舶图像和其对应的低分辨率船舶图像组成一组船舶图像训练组；

步骤二、构建并训练双流通道图像分解器，过程如下：

步骤201、构建集高频图像分解器和低频图像分解器为一体的双流通道图像分解器φ，同时构建对高频分量进行重构的高频解码器和对低频分量进行重构的低频解码器并对双流通道图像分解器φ、高频解码器和低频解码器进行初始化；

其中，双流通道图像分解器φ、高频解码器和低频解码器构成双流通道图像分解模型；

步骤202、调取船舶图像训练集中的图像，先将每张图像送入双流通道图像分解器φ中对其进行分解，得到每张图像对应的高频图像h^H和低频图像h^L；再利用高频解码器对每张图像对应的高频图像h^H进行重构，利用低频解码器对每张图像对应的低频图像h^L进行重构；

步骤203、根据公式ξ＝λ₁ξ_rec+λ₂ξ_e，计算双流通道图像分解模型的损失目标函数ξ，其中，ξ_rec为最小化重构损失函数且x为船舶图像训练集中的任一图像的像素矩阵，x'_H为x的高频分量重构像素矩阵，x'_L为x的低频分量重构像素矩阵，||·||₂为二范数；ξ_e为能量损失函数且λ₁为ξ_rec的权重系数，λ₂为ξ_e的权重系数且λ₁+λ₂＝1；

步骤204、当ξ的值落入损失目标阈值区间内时，双流通道图像分解模型训练完成，获取训练好的双流通道图像分解器φ；

步骤三、优化基于特征学习的生成对抗网络，过程如下：

步骤301、第i组船舶图像训练组的分解，过程如下：

步骤3011、调取第i组船舶图像训练组，利用训练好的双流通道图像分解器φ对其中的高分辨率船舶图像进行分解，得到高分辨率高频分量船舶图像p^H和高分辨率低频分量船舶图像p^L；其中，i为船舶图像训练组编号且i＝1，2，…，I，I为船舶图像训练集中船舶图像训练组的总组数；

利用训练好的双流通道图像分解器φ对其中的低分辨率船舶图像进行分解，得到低分辨率高频分量船舶图像q^H和低分辨率低频分量船舶图像q^L；将低分辨率高频分量船舶图像q^H送入到生成对抗网络的高频生成器中，得到低分辨率高频分量船舶图像q^H的训练增强图像，其中，生成对抗网络的高频生成器的权重参数集合为θ₁；将低分辨率低频分量船舶图像q^L送入到生成对抗网络的低频生成器中，得到低分辨率低频分量船舶图像q^L的训练增强图像，其中，生成对抗网络的低频生成器的权重参数集合为θ₂；

生成对抗网络的高频生成器和生成对抗网络的低频生成器均依次由9×9的卷积层、1×1的卷积层、多个残差块和平均池化层构成；

步骤3012、将高分辨率高频分量船舶图像p^H和低分辨率高频分量船舶图像q^H的训练增强图像送入到生成对抗网络的高频判别器中，获取高分辨率高频分量船舶图像p^H的真伪值和低分辨率高频分量船舶图像q^H的训练增强图像的真伪值，其中，生成对抗网络的高频判别器的权重参数集合为θ₃；

将高分辨率低频分量船舶图像p^L和低分辨率低频分量船舶图像q^L的训练增强图像送入到生成对抗网络的低频判别器中，获取高分辨率低频分量船舶图像p^L的真伪值和低分辨率低频分量船舶图像q^L的训练增强图像的真伪值，其中，生成对抗网络的低频判别器的权重参数集合为θ₄；

生成对抗网络的高频判别器和生成对抗网络的低频判别器均由多个卷积块构成；

步骤302、计算双参数损失目标函数：

根据公式计算高频分量船舶图像的双参数损失目标函数为高分辨率高频分量船舶图像p^H的期望，为低分辨率高频分量船舶图像q^H的期望；

根据公式计算低频分量船舶图像的双参数损失目标函数为高分辨率低频分量船舶图像p^L的期望，为低分辨率低频分量船舶图像q^L的期望；

步骤303、更新权重参数集合：将高频分量船舶图像的双参数损失目标函数和低频分量船舶图像的双参数损失目标函数分别送入优化器，对步骤四中的对抗网络的高频生成器的权重参数集合θ₁、生成对抗网络的低频生成器的权重参数集合θ₂、生成对抗网络的高频判别器的权重参数集合θ₃、生成对抗网络的低频判别器的权重参数集合为θ₄进行更新；

步骤304、调取新的船舶图像训练组，循环步骤301至步骤303，直至高分辨率高频分量船舶图像p^H的真伪值和高分辨率低频分量船舶图像p^L的真伪值满足第一真伪值阈值范围要求，低分辨率高频分量船舶图像q^H的训练增强图像的真伪值和低分辨率低频分量船舶图像q^L的训练增强图像的真伪值满足第二真伪值阈值范围要求，此时，确定对抗网络的高频生成器的权重参数集合θ₁的训练结果和生成对抗网络的低频生成器的权重参数集合θ₂的训练结果，进而确定对抗网络的高频生成器的训练结果和生成对抗网络的低频生成器的训练结果；

步骤四、训练船舶分类器：利用船舶图像训练集训练船舶分类器；

步骤五、低分辨率船舶图像的高低频分量分解、增强、拼接及分类，过程如下：

步骤501、低分辨率船舶图像的高低频分解及其增强：利用训练好的双流通道图像分解器φ对低分辨率船舶图像进行分解，得到实际低分辨率高频分量船舶图像和实际低分辨率低频分量船舶图像；将实际低分辨率高频分量船舶图像送入到训练好的生成对抗网络的高频生成器中，得到实际低分辨率高频分量船舶图像的训练增强图像，将实际低分辨率低频分量船舶图像送入到训练好的生成对抗网络的低频生成器中，得到实际低分辨率低频分量船舶图像的训练增强图像；

步骤502、实际低分辨率高频分量船舶图像的训练增强图像和实际低分辨率低频分量船舶图像的训练增强图像的图像拼接；

步骤503、低分辨率船舶图像分类：将拼接后的图像送入训练好的船舶分类器中对低分辨率船舶图像进行分类。