[发明专利]一种基于CycleGAN的遥感仿真图像生成方法

说明书

本遥感仿真图像生成方法首先获取游戏卫星图像与现实遥感图像，将其进行相同的分割后划分为训练集与测试集，之后通过深度学习中的经典生成模型CycleGAN算法训练由游戏卫星图像向遥感图像转换的神经网络，训练完成后，固定网络中的生成器参数，即可将任意输入的游戏卫星图像转换为遥感仿真图像。本发明可用于仿真遥感图像的生成。由于现实中的遥感数据很难获得大量的标签，因此使用本方法可有效解决遥感领域数据标注不足的问题，所生成的仿真图像可进一步应用于其他任务，具有广阔的市场前景和应用价值。

技术领域

一种CycleGAN的遥感仿真图像生成方法，属于遥感图像处理领域，特别涉及遥感图像仿真与图像生成技术。

背景技术

遥感图像具有光谱分辨率高、波段多、空间相关性强等特点，在军事、地理、农业等领域均有广泛应用。然而遥感图像的标注成本高，耗时长，且需要相关领域的专家知识。到目前为止，虽然已经存有大量的遥感数据可供获取，但是具有完整像素级标签的数据集数量仍然有限。

针对遥感及计算机视觉领域缺少像素级标签的问题，国内外学者进行了广泛的研究，提出了一系列较为有效的方法，例如半监督生成对抗网络算法，深度域适应算法，场景迁移语义分割算法等。

半监督变分生成对抗网络算法使用，并在此基础上添加了编码器-解码器结构生成伪样本，从而能够在少标签的情况下达到更加鲁棒的分类效果。

深度域适应(DAN)是基于域适应中常见的最大均值差异损失(MMD Loss)的基础上提出的深度域适应的无监督域适应方法。先用预训练的网络对前三层网络参数进行固定，对中间两层网络参数进行微调，最后三层使用MMD Loss进行训练。这种方法在保持源域与目标域分布对齐的基础上又充分发挥了深度卷积神经网络强大的拟合效果，提高了域适应的分类准确率。

场景迁移语义分割算法尝试利用游戏场景图像进行语义分割训练任务，取得了良好的效果，在很大程度上缓解了语义分割中标签不足的问题。

发明内容

(一)要解决的技术问题

本发明提供一种基于CycleGAN的遥感仿真图像生成方法。本方法是对传统遥感仿真图像生成方法的改进和拓展，利用循环生成对抗网络(CycleGAN)将游戏风格的卫星图像转换为显示风格的遥感图像，从而克服了遥感图像像素级标签不足导致的有监督学习任务出现困难的问题。

(二)技术方案

一种基于CycleGAN的遥感仿真图像生成方法，其特征在于包括以下具体步骤：

步骤一、将游戏内的卫星图像进行分割，并划分为训练集和测试集。

步骤二、将现实中的遥感数据集进行相同的分割处理，并同步骤一的相同比例划分训练集和测试集。

步骤三、设置训练的网络参数，包括轮数、学习率等。

步骤四、将训练集数据输入CycleGAN网络进行训练，并用测试集测试训练效果。

步骤五、训练完成后提取训练好的生成器的网络参数，并将现实中的遥感图像输入至该网络，即可生成风格转换的仿真遥感图像。

(三)有益效果

本发明采用深度学习中的循环生成对抗网络进行遥感图像的仿真，充分利用图像中所包含的数据信息，可以有效地生成高质量的遥感仿真图像，做到了对数据的充分挖掘和高效利用；通过对游戏中的高质量卫星图像进行仿真处理生成仿真图像，大量的有标签的游戏图像数据可以作为该方法的数据来源，使得该方法具有相当高的普适性；利用该方法生成仿真图像，可有效地解决遥感领域数据标注不足地问题，生成的遥感仿真图像可进一步用于深度学习的各类常见任务，包括语义分割、目标检测等；采用计算机视觉领域较为成熟的CycleGAN算法进行遥感仿真图像的生成，该方法有可靠的理论支撑与良好的实际效果，算法的收敛速度较快，具有可观的运行效率。