[发明专利]用于目标识别的SAR数据集扩增方法

说明书

本发明涉及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。通过实施本发明的上述方案，两级生成对抗网络、核心特征提取模块和散射特征提取模块的结合使用，可以使两级生成对抗网络分级学习图像中目标的粗略核心特征和精细散射特征，降低单级网络的学习难度，同时可以扩增获得质量高、细节更为真实的SAR目标图像切片。

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种用于目标识别的SAR数据集扩增方法。

背景技术

合成孔径雷达具有全天时全天候成像能力，随着天基遥感技术的快速发展，SAR图像目标识别成为了一个重要的研究方向，在海洋监测、机场和港口管理等应用中具有重要价值。近年来，基于深度学习的SAR图像目标识别方法已经取得了不错的效果，但由于SAR图像的标注代价昂贵并且费时费力，SAR图像目标识别任务面临数据样本匮乏的问题。

目前主流的图像生成方法普遍基于生成对抗网络，然而，不同于光学遥感图像，SAR成像是由SAR传感器主动发射电磁波，通过接收目标对电磁波的散射来进行成像。SAR图像特有的散射成像机制使得不同类型的目标具有各不相同的散射特征。一般的生成对抗网络应用于SAR图像目标生成时效果欠佳，得到的结果与真实目标的散射特征相去甚远。同时，用于目标识别的目标切片往往尺寸较大，单独的生成对抗网络难以一次性学习生成高分辨率的目标样本，生成的结果真实性普遍较差。

发明内容

为解决上述现有技术存在的技术问题，本发明的目的在于提供一种用于目标识别的SAR数据集扩增方法，可以扩增获得质量高、细节真实的SAR目标图像切片。

为实现上述发明目的，本发明的技术方案是：

本发明实施例提供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。

根据本发明实施例的一个方面，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。

根据本发明实施例的一个方面，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。

根据本发明实施例的一个方面，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：