本发明涉及sar图像处理,特别是涉及一种基于深度条件生成模型的sar目标图像生成方法。
背景技术:
1、合成孔径雷达(sar)是一项采用数字处理技术引领遥感领域的重要技术。与传统的光学遥感技术不同,sar具有极强的穿透特性,可以利用微波信号穿透云雾、雨雪、烟尘等大气干扰,在不受制于光照和气象条件的情况下实现持续观测。此外,sar具备卓越的高分辨率成像能力,能够捕捉目标微小细节,为准确的目标识别和监测提供了坚实的基础。sar凭借这些独特优势,使其已被广泛应用于军事、民用和科学研究等多个领域中。
2、随着高性能计算机的不断发展,深度学习方法在计算机视觉领域得到了广泛应用,这一趋势也延伸到了sar任务。深度神经网络算法在sar任务中表现出色,但要充分发挥其性能,需要足够高质量的样本来支撑模型的训练和性能优化。然而,sar技术一直以来都被认为是一种代价昂贵的监测手段。这是因为与其他光学或红外成像设备相比,sar系统的部署涉及到昂贵的飞行任务或卫星发射,其成本远高于传统设备。所以获取大量丰富的sar图像通常需要承担相当高的成本,导致现有的sar图像数据极其有限。
3、近年来,生成对抗网络(gan)逐渐被引入图像处理领域,受到广泛关注并显示出了广泛的应用前景。尽管gan已经在自然图像和合成图像的生成任务中取得了成功,但它也存在一些问题。例如,gan容易出现网络训练不稳定、生成的图像不可控和模式崩溃等,这会使生成器难以学习到真实数据的全部分布,而只能生成单一的数据样本。在一些情况下,由于训练不稳定,甚至导致生成器崩溃,生成出难以接受的样本。由于sar图像与光学图像具有不同的成像机制和sar图像的散射特性,当将gan应用于sar图像生成时,这些问题更加显著。尽管存在这些挑战,由于gan在其他图像生成任务中表现出了巨大的潜力,因此发明一个在sar图像生成任务中表现出色的gan,就显得具有重要的意义。
技术实现思路
1、本发明的目的是解决上述问题和扩充sar目标图像数据集。
2、为实现上述目的,本发明的技术方案如下:
3、一种基于深度条件生成模型的sar目标图像生成方法,包括:
4、s1:获取sar目标图像,对其进行数据预处理,建立sar图像数据集和构建生成器的输入;
5、s2:搭建对偶鉴别器改进条件生成对抗网络(ddm-cgan)的结构;
6、s3:使用所述sar图像数据集对所述ddm-cgan模型进行训练;
7、s4:使用训练好的ddm-cgan模型中的生成器生成指定类别的sar目标图像。
8、进一步的,步骤s1中所述的构建生成器的输入具体为:
9、s11:从服从高斯分布n(0,1)的噪声分布pz(z)随机采样,得到一个维度为nz的随机噪声向量z;
10、s12:构建一个字典映射表,将nc个不同的目标图像类别映射到nz维的连续变量空间中。每一个不同的目标类都对应着所述字典映射表中唯一的目标类向量y;
11、s13:指定需要生成的sar图像的目标类别,从所述字典映射表中获取指定类别对应的目标类向量yi,通过向量的点积运算将其嵌入到所述随机噪声向量z中,得到附有类别信息的随机噪声。
12、进一步的,所述ddm-cgan模型包括生成器、对偶鉴别器和辅助鉴别分类器;
13、进一步的,所述生成器的结构包括第一层的转置卷积、中间五层的最近邻上采样和卷积操作和最后一层的普通卷积;
14、进一步的,所述对偶鉴别器和所述辅助鉴别分类器的结构共享前五层的普通卷积和平均池化,最后两层都为全连接层。
15、进一步的,步骤s3中所述的ddm-cgan模型具体的训练步骤如下:
16、s31:构建所述ddm-cgan模型的目标函数,根据所述目标函数对模型进行参数更新和优化;
17、进一步的,所述目标函数包括:
18、通过使用所述对偶鉴别器,结合替代损失和标准gan的原始损失的优势,将二者合并得到的一个对抗损失:
19、
20、其中,表示生成器g期望目标函数v(g,d1,d2)值最小,对偶鉴别器d1,d2期望目标函数v(g,d1,d2)值最大,e[·]表示期望,d1(·)表示鉴别器1的输出,d2(·)表示鉴别器2的输出,g(·)表示生成器生成的图像,z表示附有类别信息的随机噪声,pr(x)表示真实图像的分布,pz(z)表示随机噪声的分布。
21、针对此对抗损失提出的一种改进的梯度惩罚(mgp)算法:
22、
23、其中,y为输入目标图像的类别标签,惩罚区域ppenalty中的由计算所得,ξ和φ分别服从u[0,1]分布和nd[0,ci]分布,xr和xg分别为y类别的真实图像和生成图像,权重系数ε是0到1之间的随机浮点值,表示梯度,||·||2表示2-范数。
24、由所述辅助鉴别分类器提供的分类损失:
25、
26、其中,cadc(yreal|x)表示数据x被鉴别分类器cadc鉴别为真实数据且标签为y的可能性,cadc(yfake|x)表示数据x被分类为类别为y且为假,分别表示生成样本与标签的联合分布和真实样本与标签的联合分布。能够促使分类器有效地学习sar目标图像的类别特征信息和准确地鉴别输入的sar图像是真实目标图像还是生成图像,ladc,g可以有效地指导生成器生成指定类别且真实的sar目标图像。
27、s32:将所述附有类别信息的随机噪声向量作为所述生成器的输入,将所述sar图像数据集中的图像、所述生成器产生的生成图像和由所述mgp算法得到合并图像及各自对应的所述目标类向量作为所述对偶鉴别器和辅助鉴别分类器的输入;
28、s33:根据所述目标函数对所述ddm-cgan模型进行交替训练,并利用adam算法对模型参数更新。
29、进一步的,步骤s4中所述生成指定类别的sar目标图像具体为:
30、选定需要生成的目标图像的类别,将其对应的所述附有类别信息的随机噪声输入到训练好的ddm-cgan模型中的生成器中,输出指定类别的sar目标图像。
31、本发明的有益效果为:
32、提供了一种基于深度条件生成模型的sar目标图像生成方法,具体是提出了一种对偶鉴别器改进条件生成对抗网络,可以快速地生成大量高质量的指定类别的sar目标图像。与现有技术相比,该方法通过结合饱和损失和非饱和损失的优势,避免了模型训练不收敛的问题;通过改进传统的梯度惩罚算法,促进模型的训练稳定性;通过引入一个具有鉴别能力的新型辅助分类器,提高了生成sar目标图像的多样性。
1.一种基于深度条件生成模型的sar目标图像生成方法,其特征在于,包括如下的步骤:
2.根据权利要求1所述的基于深度条件生成模型的sar目标图像生成方法,其特征在于,所述的构建生成器的输入具体为:
3.根据权利要求1所述的基于深度条件生成模型的sar目标图像生成方法,其特征在于,所述的ddm-cgan模型的结构分别为:
4.根据权利要求1所述的基于深度条件生成模型的sar目标图像生成方法,其特征在于,所述的ddm-cgan模型具体的训练步骤如下:
5.根据权利要求1所述的基于深度条件生成模型的sar目标图像生成方法,其特征在于,所述的对偶鉴别器和辅助鉴别分类器的输入还包括由所述mgp算法得到合并图像及其对应的所述目标类向量。