CN110599423A - 一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法 - Google Patents
一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法 Download PDFInfo
- Publication number
- CN110599423A CN110599423A CN201910868790.8A CN201910868790A CN110599423A CN 110599423 A CN110599423 A CN 110599423A CN 201910868790 A CN201910868790 A CN 201910868790A CN 110599423 A CN110599423 A CN 110599423A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- images
- neural network
- brightness compensation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 230000014759 maintenance of location Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 101100174785 Bacillus subtilis (strain 168) ganS gene Proteins 0.000 description 3
- 101100382166 Nitrosomonas europaea (strain ATCC 19718 / CIP 103999 / KCTC 2705 / NBRC 14298) cycA3 gene Proteins 0.000 description 3
- 101150052102 cycA gene Proteins 0.000 description 3
- 101150108006 cycB gene Proteins 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 101150106538 pscC gene Proteins 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 2
- 235000011613 Pinus brutia Nutrition 0.000 description 2
- 241000018646 Pinus brutia Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域，具体涉及一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法，包括以下步骤：S1、将SAR图像裁剪成1024*1024大小的子图；S2、对裁剪的子图按亮度是否均匀进行分类，将分类后90％的图像作为训练集，其余作为测试集；S3、根据CycleGAN理论模型，构建合适的神经网络模型；S4、将S2中训练集导入S3中神经网络模型进行训练，并选择优化器进行优化；S5、模型训练完毕后，将异常图像输入模型，模型将输出最终图像。本发明方法与传统的亮度补偿方法相比，本发明具有更强的亮度补偿能力、图像特征保留能力，并且模型一经训练，可多次重复使用，简化了图像处理的过程。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于深度学习CycleGAN 模型处理SAR图像亮度补偿方法。
背景技术
高分三号卫星是中国高分专项工程的一颗遥感卫星，是世界上成像模式最多的合成孔径雷达(SAR)卫星。卫星成像幅宽大，与高空间分辨率优势相结合，既能实现大范围普查，也能详查特定区域，可满足不同用户对不同目标成像的需求，其广泛用于服务于海洋、减灾、水利、气象以及其他多个领域，为海洋监视监测、海洋权益维护和应急防灾减灾等提供重要技术支撑。
其中，SAR是一种微波斜距成像雷达，SAR图像的亮度信息实际反映了地面目标对雷达波的后向散射强度，而散射强度的强弱又取决于雷达侧视角度、雷达波长、雷达极化方式、表面朝向、表面粗糙度、目标介质及含水量等诸多因素。因此，实际复杂的地物特征使SAR图像的亮度信息在很大的动态范围内波动，导致SAR图像出现亮度不均匀的现象，例如，我国在用高分三号影像数据制作《高分三号全国雷达遥感正射影像图》期间，发现在塔克拉玛干沙漠地区收集的数据中，部分影像存在近距端亮、远距端暗的亮度不均匀现象，其中，76景影像中有25景出现亮度不均匀现象，需要进行亮度校正影像占比高达32％，这些亮度不均匀的图像严重影响图像的后续处理与解译，所以能否有效地对图像进行亮度补偿处理显得尤为重要。
现有对SAR图像亮度的处理的方法，包括武汉大学教授王邦松提出了单景图像两步补偿的频率域低通滤波方法(王邦松.SAR影像自动配准与镶嵌方法研究[D].武汉大学2015)以及采用SAR图像匀光算法，如：基于加性噪声模型的匀光算法、基于照度-反射率模型的匀光算法等，这些都针对SAR 图像的亮度补偿做了一定改进，但是在处理时，容易丢失图像的特征信息、亮度补偿能力不够强、处理程序复杂，不能多次使用问题等。
然而由于CycleGAN是针对光学图像所提出的，而光学图像和SAR图像的成像方式完全不一样，原CycleGAN模型并不能很好地适应SAR图像的特性，导致了模型训练难、训练后预期效果不佳等问题。
有鉴于此，本发明人通过对CycleGAN理论模型深度探索研究，并经过多次反复试验让原本针对光学图像的CycleGAN适用于SAR图像，让其在 SAR图像上也能发挥良好的效果。
发明内容
为了解决现有技术中存在的上述问题，本发明提供一种基于深度学习 CycleGAN模型处理SAR图像亮度补偿方法，该模型方法一经训练，可多次重复使用，并且具有更强的亮度补偿能力、图像特征保留能力。
本发明要解决的技术问题通过以下技术方案实现：本发明提供一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法，该方法包括以下步骤：
S1：对SAR图像裁剪
将SAR图像裁剪成若干个1024*1024大小的子图，所述子图允许部分区域重叠；
S2：对裁剪的子图分类
选出亮度不均匀的异常子图，作为X类图像，选出亮度均匀的正常子图，作为Y类图像，分类完成后，将X类图像和Y类图像中的一部分数据划分为训练集，其余部分数据划分为测试集；
S3：根据CycleGAN理论模型，构建如下神经网络模型
构建的生成器神经网络为：
(1)编码：有3个卷积层，输入通道为1，第一个卷积层滤波器数量 (ngf)为13，步长为1，padding策略为0，卷积核大小为7*7；第二个卷积层滤波器数量为26，步长为2；padding策略为1；第三个卷积层滤波器数量为52，步长为1，padding策略为1；激活函数均为LeakRelu；
(2)转换：由若干个个残差模块组成，输入通道和输出通道均为52；激活函数均为LeakRelu；
(3)解码：有2个反卷积层,1个卷积层，输入通道为52；第一个反卷积层滤波器数量为26，步长为2，padding策略为1；第二个反卷积层滤波器数量为13，步长为2，padding策略为1；卷积层滤波器数量为1，padding 策略为0，反卷积核大小为7*7；前2个反卷积层用的激活函数为LeakRelu，最后一个卷积层用的激活函数为Tanh；
构建的判别器神经网络为：
采用Patch-GAN中判别器的patch策略，将输入图像裁剪为若干个 70*70大小子图像，将子图像输入判别器的卷积神经网络，判别器的神经网络模型有5个卷积层，输入通道为1，第一个卷积层滤波器数量(ndf)为13，步长为2；第二个卷积层滤波器数量为26，步长为2；第三个卷积层滤波器数量为52，步长为2；第四个卷积层滤波器数量为104，步长为1；第五个卷积层滤波器数量为1，步长为1；padding策略均为1；运用的激活函数均为LeakReLu；判别器最终会输出一个通道为1的预测映射(prediction map)；
S4：将S2中训练集导入S3中构建的神经网络模型对所述神经网络模型进行训练，并选择优化器进行优化；
S5：神经网络模型训练完毕后，将异常图像输入所述训练后的神经网络模型，所述训练后的神经网络模型将输出对异常图像进行亮度补偿的结果，该结果即为亮度补偿后的最终图像。
优选地，S2将X类图像和Y类图像中的90％数据划分为训练集，其余 10％数据划分为测试集。
优选地，S3由9个残差模块组成。
优选地，S4中优化器为Adam；迭代次数为200，初始学习速率为0.0002，前100次迭代学习速率保持在0.0002，后一百次时学习速率线性衰减，最终在200次训练完毕时降为0。
与现有技术相比，本发明的有益效果：
1、本发明根据CycleGAN理论模型，经过大量科学实验，通过调整网络复杂度、调整网络非线性度、采用合理的损失函数正则化策略、添加或减少Dropout、调整迭代次数、调整学习速率、调整batch大小、调整卷积核大小、调整卷积核数量等，构建出适合处理SAR图像的神经网络模型，并将训练集导入到模型中训练，使损失函数符合预期，本发明方法中的模型一经训练，可多次重复使用，免去了在应用时繁琐的图像处理步骤。
2、本发明神经网络模型中生成器使用强大的卷积神经网络模型，具有很强的特征保留能力，从而使被处理SAR图像的特征几乎全部保留。
3、本发明在对模型进行训练时，使用的训练集含有Y类亮度均匀的图像，这样经过训练后的模型在处理异常图像时，最终得到的经过亮度补偿后的图像与Y类图像相近，具有更强的亮度补偿能力。
附图说明
图1为本发明处理SAR图像亮度补偿方法步骤流程图；本方法实验用的高分三号SAR图像一
图2为本发明实验用的高分三号SAR图像一；
图3为本发明实验用的高分三号SAR图像二；
图4为图2裁剪的1024*1024的子图之一；
图5为图4经过本发明深度学习CycleGAN模型处理之后的效果图；
图6为图3裁剪的1024*1024的子图之一；
图7为图6经过本发明深度学习CycleGAN模型处理之后的效果图
图8为CycleGAN理论模型；
图9为生成器网络架构示意图；
图10为判别器网络架构示意图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明，其中实施例包含理论计算分析与实际飞行试验。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，详细说明如下。
由于SAR卫星成像角度、地形、雷达天线图的变化以及特殊地物的强后向散射，单幅SAR影像内部出现亮度分布不均匀的问题，表现出明显的亮道，严重影响图像的后续处理与解译，所以能否有效地对图像进行亮度补偿显得尤为重要。
高分三号卫星能够获得高分辨率的SAR图像，其具有明显的边缘、点、纹理等细节特征，所以如何在亮度补偿的同时保留明显的细节信息是高分三SAR图像处理的另一个重要目标。
以下是本发明实现其上述目的具体实施过程：一种基于深度学习 CycleGAN模型处理SAR图像亮度补偿方法，如附图1所示，其包括以下步骤：
S1：对SAR图像裁剪
将SAR图像裁剪成若干个1024*1024大小的子图，所述子图允许部分区域重叠；裁剪成1024*1024正方形的子图，其优点有以下两个方面：一、图像进行90度旋转后长宽保持与原图像一致，可以利用这个特点对原有数据集进行旋转，增大数据集，达到更好的训练效果；二、异常图像中既有局部很亮，又有局部很暗，形成鲜明对比，当子图裁剪尺寸过小，这种对比就不明显，在亮度异常图像中裁剪出一张整体偏暗或偏亮的子图，模型会认为他是正常图像；如果裁剪尺寸过大，首先用于训练的数据集就会减少，其次会极大地受限于硬件(主要是GPU显存)，从而无法得到好的训练效果，因为计算机硬件资源有限，而深度学习又极度依赖硬件资源，如果训练图像尺寸过大，我们只能通过缩减神经网络进行妥协，当神经网络过于简单时，我们将无法得到预期效果；
S2：对裁剪的子图分类
选出亮度不均匀的异常子图，作为X类图像，选出亮度均匀的正常子图，作为Y类图像，分类完成后，将X类图像和Y类图像中的一部分数据划分为训练集，其余部分数据划分为测试集；优选地，将X类图像和Y类图像中的90％数据划分为训练集，其余10％数据划分为测试集，其目的是保证有足够的训练集对模型进行训练，以保证训练结果，另外有一定的测试集数据进行对训练后的模型进行测设，其上述数据百分占比是经过实验得出的一个合理划分策略；
S3：根据CycleGAN理论模型，构建神经网络模型，CycleGAN理论模型具体如附图8所示，在模型中，G与F是数据域X与Y的映射函数，功能为将X映射到Y以及将Y映射到X，其中：G:X→Y，F:Y→X；
此外，DX与DY是X与Y的判别函数，其中：DX：判别X与F(Y)，DY：判别 Y与G(X)。DX会输出[0,1]之间的一个数，在理想状态下，DX(F(Y))＝ 0；DX(Y)＝1，同样地，DY会输出[0,1]之间的一个数，在理想状态下， DY(G(X))＝0；DY(Y)＝1；
因此，对于映射函数G与其判别器DY的对抗损失(adversarial loss)为：
对于映射函数F与其判别器DX的对抗损失(adversarial loss)为：
在此，我们对上述两个式子出现的符号进行解释说明: 表示的是当随机变量x满足pdata的概率分布时，f(x)关于 pdata(x)的期望。
同时，根据CycleGAN的性质，应满足：F(G(x))≈x，G(F(y))≈y，为缩减映射函数G与F的映射空间，因此将循环一致性损失(cycle consistency loss)激励：
综上所述，完整的CycleGAN理论模型对象如下，其中λ系数的作用是控制两个对象的相对重要性：
LGAN(G,F,DX,DY)
＝LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+λ×LGAN(G,F,X,Y)
根据上述理论模型，我们需要解决的学习问题是：
以上为CycleGAN的理论模型，在实际代码实现中，我们采取以下的神经网络模型：
我们构建的生成器为：
(1)编码(Encoder)：有3个卷积层，输入通道为1，第一个卷积层滤波器数量(ngf)为13，步长为1，padding策略为0，卷积核大小为7*7；第二个卷积层滤波器数量为26，步长为2；padding策略为1；第三个卷积层滤波器数量为52，步长为1，padding策略为1；激活函数均为LeakRelu
(2)转换(Transformer)：由若干个残差模块(Resnet Block)组成，是X→Y图像转换的关键步骤，输入通道和输出通道均为52；激活函数均为LeakRelu；经过实验，将残差模的个数定为9个；
(3)解码(Decoder):有2个反卷积层,1个卷积层，输入通道为 52；第一个反卷积层滤波器数量为26，步长为2，padding策略为1；第二个反卷积层滤波器数量为13，步长为2，padding策略为1；卷积层滤波器数量为1，padding策略为0，反卷积核大小为7*7；前2个反卷积层用的激活函数为LeakRelu，最后一个卷积层用的激活函数为Tanh解码(Decoder)作用是将图像还原为输入图像大小(1024*1024)，并输出图像；
我们构建的判别器为：
采用Patch-GAN中判别器的patch策略，将输入图像裁剪为若干个 70*70大小子图像，将子图像输入判别器的卷积神经网络，判别器的神经网络模型有5个卷积层，输入通道为1，第一个卷积层滤波器数量(ndf)为13，步长为2；第二个卷积层滤波器数量为26，步长为2；第三个卷积层滤波器数量为52，步长为2；第四个卷积层滤波器数量为104，步长为1；第五个卷积层滤波器数量为1，步长为1；padding策略均为1；运用的激活函数均为LeakReLu；判别器最终会输出一个通道为1的预测映射(prediction map)；
S4：将S2中训练集导入S3中构建的神经网络模型对所述神经网络模型进行训练，并选择优化器进行优化；
具体训练时：我们采用的优化器是Adam，迭代次数为200，初始学习速率为0.0002，前100次迭代学习速率保持在0.0002，后一百次时学习速率线性衰减，最终在200次训练完毕时降为0，选择Adam是因为其有效的随机优化方式，其计算效率高、对内存需求低，Adam优化器的模型在训练时收敛得更快，损失函数更小，最终图像的亮度补偿效果更好；
附图9为生成器网络架构示意图，附图10为判别器网络架构示意图，从附图9和附图10可知，训练集数据在该模型中的运行过程如下：
(1)将亮度异常图像(X类)realA输入生成器G，经过生成器网络后，得到了输出图像fakeB；
(2)将fakeB输入判别器Dx，由判别器判定fakeB的类别，若判断其属于Y类图像(亮度均匀图像)则输出1，否则为0；
(3)将fakeB输入生成器F，经过生成器网络后，得到输出图像cycA；
(4)将正常图像(Y类，亮度均匀图像)realB输入生成器F，经过生成器网络后，得到输出图像fakeA；
(5)将fakeA输入判别器Dy，由判别器判定fakeA的类别，若判断其属于Y类图像(亮度均匀图像)则输出0，否则为1；
(6)将fakeA输入生成器G，经过生成器网络后，得到输出图像cycB；
(7)根据S3公式可以出计算fakeB与realB、fakeA与realA之间的对抗损失函数，cycA与realA、cycB与realB之间的循环一致性损失函数，从而可以验证fakeB与realB、fakeA与realA、cycA与realA、cycB与realB之间的差异是否达到预期(如果差异不符合预期，可以通过增大迭代次数、增加模型复杂度以及调整学习速率等方式进行调参)。
S5：神经网络模型训练完毕后，将异常图像输入训练后的神经网络模型，训练后的神经网络模型将输出对异常图像进行亮度补偿的结果，该结果即为亮度补偿后的最终图像。
为了验证本发明的方法对高分三号SAR图像的亮度补偿效果，以下选用如图2和图3所示的两幅高分三号SAR图像进行实验：
首先对图2和图3进行裁剪，裁剪成1024*1024大小的子图，在图2 和图3中虚框表示用于本次实验的子图，分别对应为图4和图6；
将图4与图6分别导入已训练完毕的根据CycleGAN理论模型，构建的神经网络模型后(经过多次科学验证，该模型对于处理高分三号SAR图像的损失函数达到预期)，对应生成图5与图7，即为最终经过亮度补偿后的效果图。
由生成的图5和图7可以明确得知，异常的SAR图像通过本发明方法处理后，其亮度很好地经过补偿，图像特征几乎完全保留，另外模型一经训练，可多次重复使用，简化了图像处理的过程
经过试验，本发明方法还可以对其他图像的亮度进行处理，例如可以处理彩色图像，此时因为彩色图像有3个通道，故相应的将本发明中的输入通道改为3。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (4)
1.一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法，其特征在于，包括以下步骤：
S1：对SAR图像裁剪
将SAR图像裁剪成若干个1024*1024大小的子图，所述子图允许部分区域重叠；
S2：对裁剪的子图分类
选出亮度不均匀的异常子图，作为X类图像，选出亮度均匀的正常子图，作为Y类图像，分类完成后，将X类图像和Y类图像中的一部分数据划分为训练集，其余部分数据划分为测试集；
S3：根据CycleGAN理论模型，构建如下神经网络模型
构建的生成器神经网络为：
(1)编码：有3个卷积层，输入通道为1，第一个卷积层滤波器数量(ngf)为13，步长为1，padding策略为0，卷积核大小为7*7；第二个卷积层滤波器数量为26，步长为2；padding策略为1；第三个卷积层滤波器数量为52，步长为1，padding策略为1；激活函数均为LeakRelu；
(2)转换：由若干个残差模块组成，输入通道和输出通道均为52；激活函数均为LeakRelu；
(3)解码：有2个反卷积层,1个卷积层，输入通道为52；第一个反卷积层滤波器数量为26，步长为2，padding策略为1；第二个反卷积层滤波器数量为13，步长为2，padding策略为1；卷积层滤波器数量为1，padding策略为0，反卷积核大小为7*7；前2个反卷积层用的激活函数为LeakRelu，最后一个卷积层用的激活函数为Tanh；
构建的判别器神经网络为：
采用Patch-GAN中判别器的patch策略，将输入图像裁剪为若干个70*70大小子图像，将子图像输入判别器的卷积神经网络，判别器的神经网络模型有5个卷积层，输入通道为1，第一个卷积层滤波器数量(ndf)为13，步长为2；第二个卷积层滤波器数量为26，步长为2；第三个卷积层滤波器数量为52，步长为2；第四个卷积层滤波器数量为104，步长为1；第五个卷积层滤波器数量为1，步长为1；padding策略均为1；运用的激活函数均为LeakReLu；判别器最终会输出一个通道为1的预测映射(prediction map)；
S4：将S2中训练集导入S3中构建的神经网络模型对所述神经网络模型进行训练，并选择优化器进行优化；
S5：神经网络模型训练完毕后，将异常图像输入所述训练后的神经网络模型，所述训练后的神经网络模型将输出对异常图像进行亮度补偿的结果，该结果即为亮度补偿后的最终图像。
2.一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法，其特征在于：所述S2将X类图像和Y类图像中的90％数据划分为训练集，其余10％数据划分为测试集。
3.一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法，其特征在于：所述S3由9个残差模块组成。
4.一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法，其特征在于：所述S4中优化器为Adam；迭代次数为200，初始学习速率为0.0002，前100次迭代学习速率保持在0.0002，后一百次时学习速率线性衰减，最终在200次训练完毕时降为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910868790.8A CN110599423A (zh) | 2019-09-16 | 2019-09-16 | 一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910868790.8A CN110599423A (zh) | 2019-09-16 | 2019-09-16 | 一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110599423A true CN110599423A (zh) | 2019-12-20 |
Family
ID=68859671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910868790.8A Pending CN110599423A (zh) | 2019-09-16 | 2019-09-16 | 一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110599423A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723535A (zh) * | 2021-09-02 | 2021-11-30 | 北京大学 | 基于CycleGAN深度学习的细胞微核组学图像处理方法及存储介质 |
| CN116645448A (zh) * | 2023-04-25 | 2023-08-25 | 北京卫星信息工程研究所 | 光学遥感影像的定量云自动添加方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636754A (zh) * | 2018-12-11 | 2019-04-16 | 山西大学 | 基于生成对抗网络的极低照度图像增强方法 |
| CN110222758A (zh) * | 2019-05-31 | 2019-09-10 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、设备及存储介质 |
-
2019
- 2019-09-16 CN CN201910868790.8A patent/CN110599423A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636754A (zh) * | 2018-12-11 | 2019-04-16 | 山西大学 | 基于生成对抗网络的极低照度图像增强方法 |
| CN110222758A (zh) * | 2019-05-31 | 2019-09-10 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| PHILLIP ISOLA等: "Image-to-Image Translation with Conditional Adversarial Networks", 《ARXIV》 * |
| TAKUHIRO KANEKO 等: "CYCLEGAN-VC2:IMPROVED CYCLEGAN-BASED NON-PARALLEL VOICE CONVERSION", 《ARXIV》 * |
| 曾碧 等: "基于CycleGAN的非配对人脸图片光照归一化方法", 《广东工业大学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723535A (zh) * | 2021-09-02 | 2021-11-30 | 北京大学 | 基于CycleGAN深度学习的细胞微核组学图像处理方法及存储介质 |
| CN116645448A (zh) * | 2023-04-25 | 2023-08-25 | 北京卫星信息工程研究所 | 光学遥感影像的定量云自动添加方法及装置 |
| CN116645448B (zh) * | 2023-04-25 | 2023-12-22 | 北京卫星信息工程研究所 | 光学遥感影像的定量云自动添加方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533620B (zh) | 基于aae提取空间特征的高光谱和全色图像融合方法 | |
| He et al. | Small infrared target detection based on low-rank and sparse representation | |
| CN109102477A (zh) | 一种基于非凸低秩稀疏约束的高光谱遥感图像恢复方法 | |
| CN110197517B (zh) | 基于多域循环一致性对抗生成网络的sar图像上色方法 | |
| CN110660038A (zh) | 一种基于生成对抗网络的多光谱图像与全色图像融合方法 | |
| CN108830796A (zh) | 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法 | |
| CN114821261B (zh) | 一种图像融合的方法 | |
| CN111161141B (zh) | 基于频带间注意力机制对抗学习高光谱单图超分辨率方法 | |
| CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
| CN104657951A (zh) | 图像乘性噪声移除方法 | |
| CN116645569B (zh) | 一种基于生成对抗网络的红外图像彩色化方法和系统 | |
| CN110599423A (zh) | 一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法 | |
| CN114894740A (zh) | 一种太赫兹单像素成像方法与系统 | |
| CN107274360A (zh) | 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法 | |
| Cheng et al. | A highway traffic image enhancement algorithm based on improved GAN in complex weather conditions | |
| CN117522738A (zh) | 基于光学遥感影像和sar影像的图像去云方法及系统 | |
| CN112883908A (zh) | 一种基于空频特征一致性的sar图像到光学图像映射的方法 | |
| CN117252936A (zh) | 一种适配多种训练策略的红外图像彩色化方法及系统 | |
| CN105760857B (zh) | 一种高光谱遥感影像目标探测方法 | |
| Kumar et al. | Underwater image enhancement using deep learning | |
| CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
| CN110223243A (zh) | 基于张量的非局部自相似和低秩正则的张量修复方法 | |
| CN113705340A (zh) | 一种基于雷达遥感数据的深度学习变化检测方法 | |
| CN112184552B (zh) | 一种基于高频特征学习的子像素卷积图像超分辨方法 | |
| Feng et al. | Bridging the Gap Between Haze Scenarios: A Unified Image Dehazing Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Sun Zengguo Inventor after: Li Mian Inventor after: Zhang Qingjun Inventor after: Lv Zheng Inventor after: Wen Genfeng Inventor after: Lin Dedao Inventor after: Meng Xuying Inventor after: Ren Guowen Inventor after: Du Zhuo Inventor after: Wang Kaixuan Inventor before: Sun Zengguo Inventor before: Wen Genfeng Inventor before: Lin Dedao Inventor before: Meng Xuying Inventor before: Ren Guowen Inventor before: Du Zhuo Inventor before: Wang Kaixuan Inventor before: Li Mian |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
| RJ01 | Rejection of invention patent application after publication |