[发明专利]SAR遥感图像到光学遥感图像的翻译方法

说明书

本发明公开了一种SAR遥感图像到光学遥感图像的翻译方法，在训练阶段，构建包括生成器网络和判别器网络的对抗神经网络；对SAR遥感图像进行预处理，将预处理图像及对应的光学遥感图像构成训练集；根据多幅SAR遥感图像所属的地物不同将训练集分成若干个子集；针对任一子集，将子集中的预处理图像输入到对抗神经网络中，对生成器网络和判别器网络交替训练，得到子集对应的对抗神经网络预测模型；在测试阶段，对待翻译的SAR遥感图像进行预处理，并根据其所属的地物，选择相应的对抗神经网络预测模型；将预处理图像输入到相应的对抗神经网络预测模型中，生成器输出翻译结果；优点是翻译结果的精度高、视觉效果好，且能适用于分辨率较高的SAR遥感图像的翻译。

技术领域

本发明涉及一种SAR(合成孔径雷达)遥感图像的处理技术，尤其是涉及一种基于对抗神经网络的SAR遥感图像到光学遥感图像的翻译方法。

背景技术

合成孔径雷达(SAR)是主动式遥感成像，其具有不受白天黑夜的影响成像，可以全天候工作等优点，因此，SAR遥感图像目前被广泛应用。

SAR遥感图像与光学遥感图像不同，其反映的是地物的后向散射特性，虽然其更能体现地物的粗糙程度和含水量，具有纹理、形状等特性，但是相比于光学遥感图像，SAR遥感图像的可读性较差，不像光学遥感图像那样直接易懂，解读SAR遥感图像需要专业的知识，如果不是熟悉SAR遥感图像的人，则很难从SAR遥感图像上解读出什么有用的信息。因此，将SAR遥感图像翻译到光学遥感图像有利于解读SAR遥感图像。

然而，由于SAR遥感图像与光学遥感图像的地物特点差异较大，因此将SAR遥感图像翻译生成光学遥感图像极具挑战性。目前，SAR遥感图像到光学遥感图像的翻译方法研究相对较少，目前针对该难题，通常先对SAR遥感图像进行分类，再根据光学遥感图像的纹理特点对不同地物类别进行纹理替换，来模拟光学遥感图像。然而，由于生成的纹理精度不高，因此导致这种方法只能适用于分辨率较低的场景中。

发明内容

本发明所要解决的技术问题是提供一种基于对抗神经网络的SAR遥感图像到光学遥感图像的翻译方法，其翻译结果的精度高、视觉效果好，其能够适用于分辨率较高的SAR遥感图像的翻译。

本发明解决上述技术问题所采用的技术方案为：一种SAR遥感图像到光学遥感图像的翻译方法，其特征在于包括训练阶段和测试阶段两个过程；

所述的训练阶段过程的具体步骤为：

步骤1_1：构建一个对抗神经网络：该对抗神经网络包括生成器网络和判别器网络；生成器网络由依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层、第五反卷积层、第六反卷积层、第七反卷积层、第八反卷积层、第九反卷积层组成，第一卷积层的输入端接收待处理的灰度图像，第八卷积层与第二反卷积层之间进行跳跃连接，第七卷积层与第三反卷积层之间进行跳跃连接，第六卷积层与第四反卷积层之间进行跳跃连接，第五卷积层与第五反卷积层之间进行跳跃连接，第四卷积层与第六反卷积层之间进行跳跃连接，第三卷积层与第七反卷积层之间进行跳跃连接，第二卷积层与第八反卷积层之间进行跳跃连接，第一卷积层与第九反卷积层之间进行跳跃连接，第九反卷积层的输出端输出一幅三通道图像；判别器网络由依次连接的第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层组成，第十卷积层的输入端接收待处理的灰度图像和一幅三通道图像，第十四卷积层的输出端输出一个数值给sigmoid函数，sigmoid函数输出一个区间[0,1]内的值；