[发明专利]单样本遥感图像生成方法、系统、设备、存储介质及应用

说明书

本发明公开了一种单样本遥感图像生成方法、系统、设备、存储介质及应用，涉及图像处理技术领域，所述单样本遥感图像生成方法在SinGAN框架基础上，基于超强通道注意力机制，设计了ECA‑Convblock模块用于模型深层次特征的提取，同时在训练中引入了GELU激活函数来增加网络学习过程中的非线性拟合能力，结合残差学习生成器有效增强了模型在不同遥感图像类型和遥感图像场景下的生成能力。实验结果显示，相较于SinGAN和ConSinGAN主流算法，本发明中的算法具有更好的训练效果及稳定性，将该方法应用到机场跑道损伤图像生成与评估中，在保持较高的图像生成质量前提下，可以满足跑道毁伤图像解译与毁伤效果评估等实战性较强的生成任务。

技术领域

本发明涉及图像处理技术领域，尤其涉及单样本遥感图像生成方法、系统、设备、存储介质及应用。

背景技术

传统的GAN算法需要有大量的数据样本作为训练集才可能获得较好的生成效果，这并不利于在缺乏特定样本条件下的遥感图像数据扩增任务。因此基于少样本、单样本、零样本训练数据下的GAN算法一直都是学者研究的重点。对于那些样本数量少、获取难度大的遥感图像来说，利用单张遥感图像作为训练样本来进行图像生成任务具有较强的实际意义。

现有的SinGAN在生成图像的质量和多样性上均有明显的不足，并且泛化能力较差，无法在遥感图像生成任务中达到预期的效果。其主流变体ConSinGAN虽然解决了轻量化问题，但是由于简化了模型使得无法有效训练纹理复杂的图像。

发明内容

针对上述存在的问题，本发明旨在提供一种单样本遥感图像生成方法、系统、设备、存储介质及应用，基于超强通道注意力机制，对SinGAN模型进行改进，提高特征提取能力，使其更加适用于遥感图像生成任务，在渐进式生成网络架构的基础上，设计了一种基于ECA注意力机制的生成器策略，结合残差学习模块来进行单尺度下的图像特征提取任务，使得最终得到的图像生成方法具有更好的训练效果及稳定性。

为了实现上述目的，本发明所采用的技术方案如下：

单样本遥感图像生成方法，其特征在于，包括以下步骤，

S1：基于超强通道注意力机制ECANet模型，构建ECA-SinGAN生成器，对SinGAN模型进行改进；

S2：基于单样本遥感图像，使用步骤S1中改进后的SinGAN模型，采用逐尺寸的训练方法对样本特征进行提取；

S3：使用步骤S2中提取的样本特征进行图像生成。

进一步的，步骤S1中所述的ECANet模型包括GAP模块，一维卷积模块和权重融合模块；

所述GAP模块将输入大小为H×W×C的特征图利用全局池化操作压缩到1×1×C的特征向量范围内；

所述一维卷积模块用于通道特征学习，输出1×1×C的一维权重向量；而且，所述一维卷积模块使用超参数k进行跨通道间的交互控制，也即ω＝σ(CID_k(y))，式中，CID代表一维卷积的操作，k为一维卷积核大小，w为一维卷积输出张量，y为一维卷积输入张量；

所述权重融合模块用于将一维卷积模块输出的一维权重向量与原特征图进行点乘后得到最终的输出特征图。

进一步的，超参数k的计算方法包括以下步骤，

步骤a：基于超参数k与通道维数C之间的非线性比例关系，将超参数k与通道维数C之间的映射关系表示为C＝φ(k)；

步骤b：将步骤a中的映射关系进行指数变换，得到C＝φ(k)＝2^(γ*k-b)；

步骤c：将步骤b中的指数变换结果进一步的进行对数变换，得到

其中，γ和b是经验参数，γ为2，b为1，odd表示选择奇数。