[发明专利]用于目标识别的SAR数据集扩增方法

权利要求书

1.一种用于目标识别的SAR数据集扩增方法，包括：

获取包含目标的SAR数据集并进行预处理；

通过核心特征提取模块和散射特征提取模块分别提取目标的核心特征信息和散射特征信息；

将所述核心特征信息输入第一级生成对抗网络，得到低分辨率图像；

将所述低分辨率图像和所述散射特征信息输入第二级生成对抗网络，得到高分辨率图像，对SAR数据集进行扩增。

2.根据权利要求1所述的方法，其特征在于，所述预处理的过程包括对SAR数据集中的图像进行归一化处理，并裁切为包含整个目标的尺寸为512×512的图像切片。

3.根据权利要求2所述的方法，其特征在于，所述通过核心特征提取模块提取目标的核心特征信息，包括：

构建核心特征提取模块，所述核心特征提取模块包括用于对所述尺寸为512×512的图像切片进行卷积处理的3个3×3卷积层，每两个卷积层之间包含的BatchNorm批量归一层、ReLU激活层和MaxPool最大池化层，以及用于输出尺寸为64×64的核心特征图的一个3×3卷积层和Sigmoid激活层；其中，每个MaxPool最大池化层对所述尺寸为512×512的图像切片进行2倍降采样；

利用SAR数据集对所述核心特征提取模块进行单独训练，在图像切片的每个目标中心点所在位置叠加二维高斯分布作为真值，以Focal Loss作为训练的损失函数；

利用训练后的核心特征提取模块提取目标在任意图像切片中的位置和方向信息。

4.根据权利要求2所述的方法，其特征在于，所述通过散射特征提取模块提取目标的散射特征信息，包括：

构建散射特征提取模块，所述散射特征提取模块包括用于对所述尺寸为512×512的图像切片进行卷积处理的3个3×3卷积层，每两个卷积层之间包含的BatchNorm批量归一层和ReLU激活层，以及用于输出尺寸为512×512的强散射点预测图的一个3×3卷积层和Sigmoid激活层；

利用SAR数据集对所述散射特征提取模块进行单独训练，利用Harris-Laplace算法通过计算图像切片得到目标的强散射点分布图作为真值，训练的损失函数为：

其中，i、j为强散射点预测图的位置索引，H为强散射点分布真值图；

利用训练后的散射特征提取模块提取目标在任意图像切片中的强散射点分布信息。

5.根据权利要求1所述的方法，其特征在于，所述将所述核心特征信息输入第一级生成对抗网络，得到低分辨率图像，包括：

构建第一级生成对抗网络，所述第一级生成对抗网络包括生成器G₁和判别器D₁；

利用SAR数据集对所述生成器G₁和所述判别器D₁进行联合训练，所述生成器G₁通过不断迭代减小目标函数，所述判别器D₁通过不断迭代增大目标函数；

将所述核心特征信息与随机噪声输入所述生成器G₁，得到尺寸为64×64的包含对应原SAR图像中目标核心特征信息的低分辨率图像，所述判别器D₁区分所述低分辨率图像及其对应的原SAR图像直接降采样8倍得到的图像。

6.根据权利要求5所述的方法，其特征在于，所述利用SAR数据集对所述生成器G₁和所述判别器D₁进行联合训练的目标函数为：

其中，f_c表示核心特征信息，z₁表示随机噪声，表示低分辨率图像对应的原SAR图像直接降采样8倍得到的图像。