首页 / 专利库 / 单位和数量 / 显色指数 / 一种基于深度卷积生成对抗网络的高质量图像生成方法

一种基于深度卷积生成对抗网络的高质量图像生成方法

阅读:1052发布:2020-08-01

专利汇可以提供一种基于深度卷积生成对抗网络的高质量图像生成方法专利检索,专利查询,专利分析的服务。并且本 发明 中提出的一种基于深度卷积生成对抗网络的高 质量 图像生成方法,其主要内容包括降斑网络、着色网络、损失函数和性能评估指标,其过程为,首先使用降斑网络对 合成孔径雷达 (SAR)观测到的噪声图像进行降斑处理,然后用着色网络将降斑网络转化为可见图像;接下来,通过损失函数(结合了L1损失函数和对抗性损失函数的特性)对局部灰色进行识别并着色,最后利用降斑性能、合成图像结果和真实SAR图像结果三个指标对本方法进行性能评估。本方法相比起已有方法合成的图像伪像更少,保护了细节信息;在最终输出结果中也避免了局部灰色的出现,能够生成高质量可见图像。,下面是一种基于深度卷积生成对抗网络的高质量图像生成方法专利的具体信息内容。

1.一种基于深度卷积生成对抗网络的高质量图像生成方法,其特征在于,主要包括降斑网络(一);着色网络(二);损失函数(三);性能评估指标(四)。
2.基于权利要求书1所述的降斑网络(一),其特征在于,主要采用分割残差法来处理噪声合成孔径雷达(SAR)图像(图斑产物);分割残差法是通过将能识别元素的分割残差层并入卷积网络中,这样卷积层就可以在训练过程中学习斑元素;在分割残差层之前的输出代表预估斑,降斑图像是通过对输入的预估斑图像分割后得到的。
3.基于权利要求书3所述的SAR图像,其特征在于,SAR是一种连贯的雷达图像技术,能够生成高分辨率的图像;SAR图像可以由以下模型表示:
Y=F⊙X    (1)
其中,Y代表SAR图像;F是标准褪色斑噪音随机变量;⊙指数组元素相乘。
4.基于权利要求书3所述的预估斑,其特征在于,是由降斑网络的噪声预估片段产生;
噪声预估片段由8个卷积层组成,这些卷积层具有恰当的零填充以保证输入和输出的图像具有相同的维度;首先,用批标准化来减少内部协方差变化;每层卷积层(除了最后一个卷积层)包含64个过滤器;然后,带有跳跃连接的分割残差层用预估斑将输入图像分割;最后,一个双曲线切线层被堆放在网络末端,作为一个非线性公式。
5.基于权利要求书1所述的着色网络(二),其特征在于,着色网络用8个卷积层和3个跳跃连接组成了对称的编码器-译码器卷积神经网络;每一个卷积层核心尺寸均为3×3;在每一个步骤中都有64个特征映射。
6.基于权利要求书1所述的损失函数(三),其特征在于,这里的损失函数是将逐个的L1损失函数和对抗性损失函数以恰当的权重组成,函数公式定义如下:
LD=LL1(gray(Y),gray(X);GD)    (2)
L=LD+LC    (4)
其中,gray(X)和gray(Y)分别为X和Y的灰度形式;LD和LC分别为降斑网络和着色网络;
λa为平衡L1损失函数和对抗性损失函数的权重。
7.基于权利要求书1所述的性能评估指标(四),其特征在于,为了评估本方法的效率和性能,对本方法在以下三个指标下进行测评:降斑性能、合成图像结果和真实SAR图像结果。
8.基于权利要求书7所述的降斑性能,其特征在于,主要通过峰值信噪比、结构相似指数、通用质量指数和降斑增益四个指标来评测本方法的降斑性能。
9.基于权利要求书7所述的合成图像结果,其特征在于,本方法合成的图像的伪像少,在祛斑过程中也做到了对细节信息的保护;在最终输出结果中也避免了局部灰色的出现,主要是由于本方法结合了L1损失函数和对抗性损失函数的特性。
10.基于权利要求书7所述的真实SAR图像结果,其特征在于,将同一地点同一时间的SAR图像、卫星图像和本方法处理后的图像进行对比,结果显示本方法能够从SAR图像生成高质量可见图像。

说明书全文

一种基于深度卷积生成对抗网络的高质量图像生成方法

技术领域

[0001] 本发明涉及图像处理领域,尤其是涉及了一种基于深度卷积生成对抗网络的高质量图像生成方法。

背景技术

[0002] 合成孔径雷达(SAR)可通过发射微波,接收地面目标反射回波来获取信息进行成像(SAR图像),这种成像技术受天气和时间的影响小,因而被广泛应用。但是由于成像雷达发射的是纯相干波,这种信号照射目标时,目标的随机散射信号与发射信号的干涉产生斑点噪声,并使图像的像素灰度值剧烈变化,即在均匀的目标表面,有的像素呈现亮点,有的呈暗点,模糊了图像的精细结构,使图像解译能降低,因此,为了生成高质量的图像,对SAR图像进行处理尤为重要。在农林领域,SAR图像可应用于土地利用情况调查、作物和树木分类、作物和树木长势检测、作物产量和树木蓄积量估计等诸多方面,带来了可观的经济效益;在文领域,SAR图像可用于土壤水分监测、水系分析、水资源调查、海水入侵监测、河道变迁分析等方面,并取得了许多重要的研究成果;另外,SAR图像还在军事目标的识别与毁伤效能评估、矿藏资源的探测、灾情探测与防治、医学图像处理等领域中广泛应用。然而,现有的SAR图像处理方法的处理结果存在的伪像较多,误删了许多图片细节信息并且有局部灰色产生,整体降斑性能不理想。
[0003] 本发明提出了一种基于深度卷积生成对抗网络的高质量图像生成方法,先使用降斑网络对合成孔径雷达(SAR)观测到的噪声图像进行降斑处理,然后用着色网络将降斑网络转化为可见图像;接下来,通过损失函数(结合了L1损失函数和对抗性损失函数的特性)对局部灰色进行识别并着色,最后利用降斑性能、合成图像结果和真实SAR图像结果三个指标对本方法进行性能评估。本方法相比起已有方法合成的图像伪像更少,保护了细节信息;在最终输出结果中也避免了局部灰色的出现,能够生成高质量可见图像。

发明内容

[0004] 针对现有的SAR图像处理方法的处理结果存在的伪像较多,误删了许多图片细节信息并且有局部灰色产生,整体降斑性能不理想等问题,本发明的目的在于提供一种基于深度卷积生成对抗网络的高质量图像生成方法,先使用降斑网络对合成孔径雷达(SAR)观测到的噪声图像进行降斑处理,然后用着色网络将降斑网络转化为可见图像;接下来,通过损失函数(结合了L1损失函数和对抗性损失函数的特性)对局部灰色进行识别并着色,最后利用降斑性能、合成图像结果和真实SAR图像结果三个指标对本方法进行性能评估。
[0005] 为解决上述问题,本发明提供一种基于深度卷积生成对抗网络的高质量图像生成方法,其主要内容包括:
[0006] (一)降斑网络;
[0007] (二)着色网络;
[0008] (三)损失函数;
[0009] (四)性能评估指标。
[0010] 其中,所述的降斑网络,主要采用分割残差法来处理噪声合成孔径雷达(SAR)图像(图斑产物);分割残差法是通过将能识别元素的分割残差层并入卷积网络中,这样卷积层就可以在训练过程中学习斑元素;在分割残差层之前的输出代表预估斑,降斑图像是通过对输入的预估斑图像分割后得到的。
[0011] 进一步地,所述的SAR图像,SAR是一种连贯的雷达图像技术,能够生成高分辨率的图像;SAR图像可以由以下模型表示:
[0012]
[0013] 其中,Y代表SAR图像;F是标准褪色斑噪音随机变量; 指数组元素相乘。
[0014] 进一步地,所述的预估斑,是由降斑网络的噪声预估片段产生;噪声预估片段由8个卷积层组成,这些卷积层具有恰当的零填充以保证输入和输出的图像具有相同的维度;首先,用批标准化来减少内部协方差变化;每层卷积层(除了最后一个卷积层)包含64个过滤器;然后,带有跳跃连接的分割残差层用预估斑将输入图像分割;最后,一个双曲线切线层被堆放在网络末端,作为一个非线性公式。
[0015] 其中,所述的着色网络,用8个卷积层和3个跳跃连接组成了对称的编码器-译码器卷积神经网络;每一个卷积层核心尺寸均为3×3;在每一个步骤中都有64个特征映射。
[0016] 其中,所述的损失函数,这里的损失函数是将逐个的L1损失函数和对抗性损失函数以恰当的权重组成,函数公式定义如下:
[0017] LD=LL1(gray(Y),gray(X);GD)  (2)
[0018]
[0019] L=LD+LC  (4)
[0020] 其中,gray(X)和gray(Y)分别为X和Y的灰度形式;LD和LC分别为降斑网络和着色网络;λa为平衡L1损失函数和对抗性损失函数的权重。
[0021] 其中,所述的性能评估指标,为了评估本方法的效率和性能,对本方法在以下三个指标下进行测评:降斑性能、合成图像结果和真实SAR图像结果。
[0022] 进一步地,所述的降斑性能,主要通过峰值信噪比、结构相似指数、通用质量指数和降斑增益四个指标来评测本方法的降斑性能。
[0023] 进一步地,所述的合成图像结果,本方法合成的图像的伪像少,在祛斑过程中也做到了对细节信息的保护;在最终输出结果中也避免了局部灰色的出现,主要是由于本方法结合了L1损失函数和对抗性损失函数的特性。
[0024] 进一步地,所述的真实SAR图像结果,其特征在于,将同一地点同一时间的SAR图像、卫星图像和本方法处理后的图像进行对比,结果显示本方法能够从SAR图像生成高质量可见图像。附图说明
[0025] 图1是本发明一种基于深度卷积生成对抗网络的高质量图像生成方法的系统框架图。
[0026] 图2是本发明一种基于深度卷积生成对抗网络的高质量图像生成方法的网络架构图。
[0027] 图3是本发明一种基于深度卷积生成对抗网络的高质量图像生成方法的处理结果图。

具体实施方式

[0028] 需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和具体实施例对本发明作进一步详细说明。
[0029] 图1是本发明一种基于深度卷积生成对抗网络的高质量图像生成方法的系统框架图。主要包括降斑网络、着色网络、损失函数和性能评估指标。
[0030] 损失函数,这里的损失函数是将逐个的L1损失函数和对抗性损失函数以恰当的权重组成,函数公式定义如下:
[0031] LD=LL1(gray(Y),gray(X);GD)  (1)
[0032]
[0033] L=LD+LC  (3)
[0034] 其中,gray(X)和gray(Y)分别为X和Y的灰度形式;LD和LC分别为降斑网络和着色网络;λa为平衡L1损失函数和对抗性损失函数的权重。
[0035] 性能评估指标,为了评估本方法的效率和性能,对本方法在以下三个指标下进行测评:降斑性能、合成图像结果和真实SAR图像结果。
[0036] 其中,降斑性能,主要通过峰值信噪比、结构相似指数、通用质量指数和降斑增益四个指标来评测本方法的降斑性能。
[0037] 其中,合成图像结果,本方法合成的图像的伪像少,在祛斑过程中也做到了对细节信息的保护;在最终输出结果中也避免了局部灰色的出现,主要是由于本方法结合了L1损失函数和对抗性损失函数的特性。
[0038] 其中,真实SAR图像结果,其特征在于,将同一地点同一时间的SAR图像、卫星图像和本方法处理后的图像进行对比,结果显示本方法能够从SAR图像生成高质量可见图像。
[0039] 图2是本发明一种基于深度卷积生成对抗网络的高质量图像生成方法的网络架构图。包括降斑网络和着色网络的架构图。
[0040] 降斑网络,主要采用分割残差法来处理噪声合成孔径雷达(SAR)图像(图斑产物);分割残差法是通过将能识别元素的分割残差层并入卷积网络中,这样卷积层就可以在训练过程中学习斑元素;在分割残差层之前的输出代表预估斑,降斑图像是通过对输入的预估斑图像分割后得到的。
[0041] 其中,SAR图像,SAR是一种连贯的雷达图像技术,能够生成高分辨率的图像;SAR图像可以由以下模型表示:
[0042]
[0043] 其中,Y代表SAR图像;F是标准褪色斑噪音随机变量; 指数组元素相乘。
[0044] 其中,预估斑,其特征在于,是由降斑网络的噪声预估片段产生;噪声预估片段由8个卷积层组成,这些卷积层具有恰当的零填充以保证输入和输出的图像具有相同的维度;首先,用批标准化来减少内部协方差变化;每层卷积层(除了最后一个卷积层)包含64个过滤器;然后,带有跳跃连接的分割残差层用预估斑将输入图像分割;最后,一个双曲线切线层被堆放在网络末端,作为一个非线性公式。
[0045] 着色网络,用8个卷积层和3个跳跃连接组成了对称的编码器-译码器卷积神经网络;每一个卷积层核心尺寸均为3×3;在每一个步骤中都有64个特征映射。
[0046] 图3是本发明一种基于深度卷积生成对抗网络的高质量图像生成方法的处理结果图。本图显示了本方法相比起已有方法合成的图像伪像更少,保护了细节信息;在最终输出结果中也避免了局部灰色的出现,能够生成高质量可见图像。
[0047] 对于本领域技术人员,本发明不限制于上述实施例的细节,在不背离本发明的精神和范围的情况下,能够以其他具体形式实现本发明。此外,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,这些改进和变型也应视为本发明的保护范围。因此,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈