[发明专利]基于自归一化生成对抗网络的SAR图像超分辨率重建方法

说明书

本发明涉及一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法，包括以下步骤：将原始的低分辨率SAR图像输入自归一化生成对抗网络的生成器中，输出得到重建的超分辨率SAR图像；将原始的高分辨SAR图像与生成得到的超分辨SAR图像一起输入自归一化生成对抗网络的判别器中；若判别器判断输入的超分辨率SAR图像为生成器重建输出的，则重新训练生成器；若判别器判断为原始的高分辨率SAR图像，则将待重建的低分辨率SAR图像输入生成器中，对应输出重建的超分辨率SAR图像。与现有技术相比，本发明采用SeLU激活函数，改进得到具有自归一化功能的生成对抗网络，能够提升模型的稳定性和对SAR图像的适应性，从而达到从低分辨率原图中重建超分辨率图像的目的。

技术领域

本发明涉及合成孔径雷达图像超分辨率处理技术领域，尤其是涉及一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法。

背景技术

SAR(Synthetic Aperture Radar)，即合成孔径雷达，是一种主动式的对地观测系统，可安装在飞机、卫星、宇宙飞船等飞行平台上，全天时、全天候对地实施观测、并具有一定的地表穿透能力。因此，SAR系统在灾害监测、环境监测、海洋监测、资源勘查、农作物估产、测绘和军事等方面的应用上具有独特的优势，可发挥其他遥感手段难以发挥的作用。

合成孔径雷达主要是机载或星载平台，由于平台硬件及成像原理等因素的限制，机/星载SAR采集到的原始图像数据很难全部保证足够高的分辨率，导致图像特征信息不明显，进而对后续的图像分析处理造成影响。从低分辨率的原始图像中重建高分辨率图像一直是图像处理领域的重点研究课题。近年来基于生成对抗网络(GAN)的重建算法已逐渐成为图像超分辨率重建领域的主流方法，例如被广泛应用于光学图像超分辨率重建领域的SRGAN方法，在原始的SRGAN算法设计中，用于图像重建的生成器为数个残差模块组成的卷积神经网络结构，每个残差模块主要包括卷积层，批量归一化(Batch Norm，BN)层和激活函数。BN操作能够通过将输入图像中每个单元的均值和方差归一化至μ＝0,σ²＝1，从而加速网络的训练进程和避免梯度消失，是保证深度模型训练稳定性的重要步骤。然而这些基于经典GAN模型的图像重建对图像范围灵活性影响较大，无法适应大尺寸的SAR图像超分辨率重建。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法，以适应大尺寸SAR图像的超分辨率重建，同时满足重建图像的高质量要求。

本发明的目的可以通过以下技术方案来实现：一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法，包括以下步骤：

S1、获取原始的高分辨率SAR图像以及低分辨率SAR图像；

S2、将原始的低分辨率SAR图像输入自归一化生成对抗网络的生成器中，输出得到重建的超分辨率SAR图像；

S3、将原始的高分辨SAR图像与步骤S2得到的超分辨SAR图像一起输入自归一化生成对抗网络的判别器中，由判别器判断输入的超分辨率SAR图像是由生成器重建输出的还是原始的高分辨率SAR图像；

S4、若判别器判断为生成器重建输出的，则返回步骤S2重新训练生成器；若判别器判断为原始的高分辨率SAR图像，则执行步骤S5；

S5、将待重建的低分辨率SAR图像输入自归一化生成对抗网络的生成器中，对应输出重建的超分辨率SAR图像。

进一步地，所述生成器包括依次连接的生成器输入层、生成器第一卷积层、生成器第一激活函数层、第一残差模块组、生成器第二卷积层、总求和层、上采样组、生成器第三卷积层和生成器输出层，所述生成器第一激活函数层的输出还连接至总求和层，所述生成器第一激活函数层采用SeLU激活函数。