[发明专利]基于生成对抗网络的SAR图像自动彩色化方法

说明书

基于生成对抗网络的SAR图像自动彩色化方法，涉及遥感技术领域。搭建风格转换配对数据集；搭建多尺度的生成对抗网络，从中嵌入风格转换网络：生成对抗网络具有四个连接层，每层都包括生成器和判别器，每层的输入图像经卷积后逐渐减小，在前一层向后层传递中加入随机噪声；生成器的模型在无监督模型基础上改为U‑net结构，进行图像轮廓特征提取；判别器选择PatchGAN结构，将生成图像分块，对每一部分进行真实概率判别；在传统条件生成对抗网络的损失函数基础上，加入L1正则项；对输入图像进行增强预处理；所得模型进行训练，当损失函数达到收敛时，训练结束，得到RGB三通道彩色影像。提升SAR数据的解译和信息提取功能。

技术领域

本发明涉及遥感技术领域，尤其是涉及一种基于生成对抗网络的SAR图像自动彩色化方法。

背景技术

目前，各种星载和机载遥感平台不断出现，遥感技术成为大范围、快速感知和获取地面信息的重要手段，大量遥感图像被获取。遥感技术的应用领域十分广泛，对遥感数据的统计和分析利用中，主要应用场景包括军事、地质矿产勘探、环境监测、城市建设管理等。

基于主动微波成像机理的合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候、不受恶劣天气影响的观测特点，能穿透云层，在空间对地观测和军事侦察等方面具有独特优势。但与常见的光学成像(RGB)原理不同，SAR图像中的灰度级对应的是不同材料不同结构的物体对微波的电磁散射强度，没有直接的颜色信息，因此SAR图像的理解和解译具有较高的难度。目前，SAR遥感影像已成为观测海洋与陆地的重要数据源，如何提升SAR图像的解译和信息提取功能，提高SAR数据的利用率是关键所在。考虑到人眼对彩色图像的敏感性，对SAR图像进行自动彩色化处理，对于解译判读具有重要意义。

目前对于SAR灰度图像处理多为伪彩色化方法，生成的伪彩色化图像还无法有效真实反映数据信息。神经网络是近年的研究热点，而生成对抗网络是2014年被提出的深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一，多用于图像生成领域，因此GAN的图像彩色化方法对于SAR图像彩色化处理具有重要参考价值。本发明以生成对抗网络为基础，针对SAR遥感待处理数据的特殊性和不同地区(陆地、海洋)的差别，搭建一个基于生成对抗网络的SAR图像自动彩色化训练模型。

发明内容

本发明的目的在于提供具有对SAR数据处理的普适性，对于SAR遥感数据的信息获取具有重要意义，使得SAR色彩信息更为丰富，突破原先的灰度图像应用局限的一种基于生成对抗网络的SAR图像自动彩色化方法。

本发明包括以下步骤：

1)搭建风格转换配对数据集；

2)进行多尺度的生成对抗网络搭建，并从中嵌入风格转换网络：所述生成对抗网络具有四个连接层，每层都包括生成器(G)和判别器(D)，每层的输入图像经过卷积后逐渐减小，在前一层向后层传递中加入随机噪声；

3)生成器(G)的模型在无监督模型基础上设计为U-net结构，进行图像轮廓特征提取；

4)判别器(D)选择PatchGAN结构，将生成图像分块，对每一部分进行真实概率的判别；

5)在传统条件生成对抗网络(CGAN)的损失函数基础上，加入L1正则项，生成对抗网络模型目标函数；

6)对输入图像进行增强预处理；

7)所得模型进行训练，当损失函数达到收敛时，训练结束，得到RGB三通道彩色影像。

在步骤1)中，所述搭建风格转换配对数据集是利用欧空局(ESA)发射的Sentinel-1和Sentinel-2卫星影像进行相同经纬度的匹配建立关联数据集；所述关联数据集包括Sentinel-1VV极化SAR数据和Sentinel-2的B2、B3、B4波段合成的光学数据。