CN115546351A - 一种基于卷积网络的合成孔径雷达图像着色方法 - Google Patents

一种基于卷积网络的合成孔径雷达图像着色方法 Download PDF

Info

Publication number
CN115546351A
CN115546351A CN202211532678.5A CN202211532678A CN115546351A CN 115546351 A CN115546351 A CN 115546351A CN 202211532678 A CN202211532678 A CN 202211532678A CN 115546351 A CN115546351 A CN 115546351A
Authority
CN
China
Prior art keywords
image
representing
synthetic aperture
aperture radar
coloring
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.)
Granted
Application number
CN202211532678.5A
Other languages
English (en)
Other versions
CN115546351B (zh
Inventor
李冠群
俞伟学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Genyu Muxing Beijing Space Technology Co ltd
Original Assignee
Genyu Muxing Beijing Space Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Genyu Muxing Beijing Space Technology Co ltd filed Critical Genyu Muxing Beijing Space Technology Co ltd
Priority to CN202211532678.5A priority Critical patent/CN115546351B/zh
Publication of CN115546351A publication Critical patent/CN115546351A/zh
Application granted granted Critical
Publication of CN115546351B publication Critical patent/CN115546351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及图像处理技术领域，公开了一种基于卷积网络的合成孔径雷达图像着色方法，包括：获取原始合成孔径雷达图像，根据图像着色计算池得到精细化图像，将所述精细化图像输入至合成孔径雷达图像着色网络，得到着色图像。通过以双阶三分支卷积模块组件合成孔径雷达图像图像着色生成器网络，能够充分提取合成孔径雷达图像图像的深层多尺度语义特征信息，从而根据合成孔径雷达图像图像所观测到的地物信息学习赋予其对应的色彩信息，并通过判别器网络与着色网络联合的对抗训练，提高合成孔径雷达图像图像的着色结果的视觉真实性，从而降低对于合成孔径雷达图像图像的解译门槛，使其更易视觉上进行理解。

Description

一种基于卷积网络的合成孔径雷达图像着色方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于卷积网络的合成孔径雷达图像着色方法。
背景技术
合成孔径雷达图像（Synthetic Aperture Rada，SAR）是一种主动式的对地观测系统，受益其成像机制，SAR图像的采集不受时间和天气的影响，可以全天时全天候的进行地面观测。然而，也正由于其成像机制，SAR图像在视觉上往往以灰度形式呈现，没有颜色信息。因此，往往SAR图像的解读需要相当的专业知识，为后续的应用带来了一定程度的门槛。为了SAR图像的较易理解，一个比较直接简单的方式是对SAR图像进行着色，使其易于观察理解。
目前偶有基于深度学习策略的SAR图像着色方法的研究。然而，无论是上述的哪一种方法，都是将光学遥感图像中的色彩信息作为图像的一种风格，将这种图像风格从光学遥感图像中学习出来，再将其迁移至灰度的SAR图像当中，使得SAR图像具有色彩信息。这种方式往往对SAR图像着色的效果与地面真实效果差距较大，主要是因为对于SAR图像轮廓、边缘、纹理的多尺度上下文语义特征学习和提取能力不足。此外，这些已有方法往往采用了风格迁移中已有的常规网络结构，如GANilla等，这类网络对于日常照片来说能够取得较好的效果。然而，相比于日常照片图像，光学遥感图像和SAR图像采集拍摄角度不同，遥感图像中所蕴含的语义信息要丰富复杂得多，针对于日常照片而设计的风格迁移已有的网络结构无法满足对于遥感图像的特征提取要求，尤其是对于SAR图像的着色来说。总地，未见基于对抗式双阶三分支卷积生成网络的SAR图像着色方法。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种基于卷积网络的合成孔径雷达图像着色方法。
为实现上述目的，本发明提供的一种基于卷积网络的合成孔径雷达图像着色方法，包括：
获取原始合成孔径雷达图像；
根据图像着色计算池得到精细化图像；
将所述精细化图像输入至合成孔径雷达图像着色网络，得到着色图像。
根据本发明的一个方面，所述根据图像着色计算池得到精细化图像的方法为：
将所述原始合成孔径雷达图像输入至所述图像着色计算池，所述图像着色分支共有9个着色计算池和双阶三分支卷积模块，将所述原始合成孔径雷达图像依次通过9个着色计算池得到所述精细化图像，通过第一个着色计算池的公式为，
Figure 486140DEST_PATH_IMAGE001
；
其中，
Figure 721950DEST_PATH_IMAGE002
表示通过第一个着色计算池的输出；
Figure 778636DEST_PATH_IMAGE003
表示卷积；
Figure 605647DEST_PATH_IMAGE004
表示整流线性激活函数；
Figure 249249DEST_PATH_IMAGE005
表示原始合成孔径雷达图像；
将所述原始合成孔径雷达图像通过第一个着色计算池的结果依次输入至第二个、第三个和第四个着色计算池，其中的公式为，
Figure 429694DEST_PATH_IMAGE006
；
其中，
Figure 153937DEST_PATH_IMAGE007
表示通过第
Figure 761636DEST_PATH_IMAGE008
个着色计算池的输出；
Figure 391069DEST_PATH_IMAGE009
表示双阶三分支卷积模块；
Figure 499839DEST_PATH_IMAGE010
表示倍数为2的最大池化；
将通过第四个着色计算池的结果输入至第五个着色计算池，其中的公式为，
Figure 32583DEST_PATH_IMAGE011
；
其中，
Figure 76762DEST_PATH_IMAGE012
表示倍数为2的最邻近插值；
Figure 944224DEST_PATH_IMAGE013
表示通过第
Figure 105953DEST_PATH_IMAGE014
个着色计算池的输出；
将通过第五个着色计算池的结果依次输入至第六个、第七个和第八个着色计算池，其中的公式为，
Figure 742471DEST_PATH_IMAGE015
；
其中，
Figure 691972DEST_PATH_IMAGE016
表示通过第
Figure 594200DEST_PATH_IMAGE008
个着色计算池；
Figure 248035DEST_PATH_IMAGE017
表示通道堆叠；
将通过第一个着色计算池的输出
Figure 676743DEST_PATH_IMAGE002
和通过第八个着色计算池的输出
Figure 380169DEST_PATH_IMAGE018
通过第九个着色计算池进行通道堆叠，使用所述双阶三分支卷积模块对其进行精细处理后得到所述精细化图像，得到所述精细化图像的公式为，
Figure 284540DEST_PATH_IMAGE019
；
其中，
Figure 492798DEST_PATH_IMAGE020
表示精细化图像。
根据本发明的一个方面，使用所述双阶三分支卷积模块的方法为：
所述双阶三分支卷积模块包含两个阶段，每个阶段包括三个对不同尺度进行特征提取的提取分支，第一阶段为初阶特征提取，第二阶段为则高阶特征提取，通过如下公式对所述双阶三分支卷积模块进行训练，
Figure 838329DEST_PATH_IMAGE021
；
Figure 395212DEST_PATH_IMAGE022
；
Figure 770567DEST_PATH_IMAGE023
；
其中，
Figure 766205DEST_PATH_IMAGE024
表示训练双阶三分支卷积模块的输入；
Figure 903926DEST_PATH_IMAGE004
表示整流线性激活函数；
Figure 710339DEST_PATH_IMAGE025
表示一个3×3的卷积；
Figure 323723DEST_PATH_IMAGE026
表示一个5×5的卷积；
Figure 106740DEST_PATH_IMAGE027
表示一个7×7的卷积；
Figure 364546DEST_PATH_IMAGE028
表示通过第一阶段第一个提取分支的输出；
Figure 591128DEST_PATH_IMAGE029
表示通过第一阶段第二个提取分支的输出；
Figure 176961DEST_PATH_IMAGE030
表示通过第一阶段第三个提取分支的输出；
合并和融合第一阶段中三个提取分支的输出，得到第一结果，其中公式为，
Figure 186505DEST_PATH_IMAGE031
；
其中，
Figure 626714DEST_PATH_IMAGE032
表示第一结果；
将所述第一结果输出至第二阶段得到通过第二阶段三个提取分支中的输出，其中公式为，
Figure 70202DEST_PATH_IMAGE033
；
Figure 267966DEST_PATH_IMAGE034
；
Figure 143518DEST_PATH_IMAGE035
；
其中，
Figure 251282DEST_PATH_IMAGE036
表示通过第二阶段第一个提取分支的输出；
Figure 819667DEST_PATH_IMAGE037
表示通过第二阶段第二个提取分支的输出；
Figure 504726DEST_PATH_IMAGE038
表示通过第二阶段第三个提取分支的输出；
合并和融合第二阶段中三个提取分支的输出，得到第二结果，其中公式为，
Figure 427377DEST_PATH_IMAGE039
；
其中，
Figure 638916DEST_PATH_IMAGE040
表示第二结果；
对所述第二结果进行精细化处理，得到通过所述双阶三分支卷积模块的最终结果，其中公式为，
Figure 50305DEST_PATH_IMAGE041
；
其中，
Figure 35710DEST_PATH_IMAGE042
表示通过双阶三分支卷积模块的最终结果。
根据本发明的一个方面，使用均方误差对所述图像着色计算池进行约束训练，其中公式为，
Figure 315382DEST_PATH_IMAGE043
；
其中，
Figure 833957DEST_PATH_IMAGE044
表示均方误差损失；
Figure 416248DEST_PATH_IMAGE045
表示与其对应的真实光学遥感图像。
根据本发明的一个方面，还包括对所述着色图像进行图像判别，判别所述着色图像是否为真实光学遥感图像，使用判别器网络对所述着色图像进行判别，所述判别器网络包含一个输入处理单元，八个特征提取单元和一个输出处理单元，将所述精细化图像输入至所述输入处理单元得到第一特征，其中公式为，
Figure 138216DEST_PATH_IMAGE046
；
其中，
Figure 706732DEST_PATH_IMAGE047
表示第一特征；
将所述第一特征依次输入至所述特征提取单元得到第二特征，其中公式为，
Figure 502649DEST_PATH_IMAGE048
；
其中，
Figure 646055DEST_PATH_IMAGE049
表示通过第
Figure 104587DEST_PATH_IMAGE050
个特征提取单元得到的输出；
Figure 601427DEST_PATH_IMAGE051
表示当前第
Figure 376485DEST_PATH_IMAGE050
个特征提取单元的输入；
Figure 379207DEST_PATH_IMAGE052
表示批规范化层；
将所述第二特征输入至所述输出处理单元得到判别概率，其中公式为，
Figure 341347DEST_PATH_IMAGE053
；
其中，
Figure 376299DEST_PATH_IMAGE054
表示第二特征；
Figure 520711DEST_PATH_IMAGE055
表示S型生长曲线函数；
Figure 943602DEST_PATH_IMAGE056
表示判别概率。
根据本发明的一个方面，使用联合对抗式训练方法对所述合成孔径雷达图像着色网络进行训练，其中公式为，
Figure 65141DEST_PATH_IMAGE057
;
其中，A表示联合对抗式训练函数；
Figure 513572DEST_PATH_IMAGE058
表示期望计算；
Figure 466484DEST_PATH_IMAGE059
表示图像着色计算池的学习参数；
Figure 997959DEST_PATH_IMAGE060
表示判别器网络的学习参数；
Figure 658660DEST_PATH_IMAGE061
表示将真实光学遥感图像输入至判别器网络；
Figure 425628DEST_PATH_IMAGE062
表示将原始合成孔径雷达图像输入至判别器网络。
为实现上述目的，本发明提供一种基于卷积网络的合成孔径雷达图像着色系统，包括：
原始合成孔径雷达图像获取模块：获取原始合成孔径雷达图像；
精细化图像获取模块：根据图像着色计算池得到精细化图像；
合成孔径雷达着色图像获取模块：将所述精细化图像输入至合成孔径雷达图像着色网络，得到着色图像。
为实现上述目的，本发明提供一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述针对一种基于卷积网络的合成孔径雷达图像着色方法。
为实现上述目的，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述针对一种基于卷积网络的合成孔径雷达图像着色方法。
基于此，本发明的有益效果在于：
通过以双阶三分支卷积模块组件合成孔径雷达图像图像着色生成器网络，能够充分提取合成孔径雷达图像图像的深层多尺度语义特征信息，从而根据合成孔径雷达图像图像所观测到的地物信息学习赋予其对应的色彩信息，并通过判别器网络与着色网络联合的对抗训练，提高合成孔径雷达图像图像的着色结果的视觉真实性，从而降低对于合成孔径雷达图像图像的解译门槛，使其更易视觉上进行理解。
附图说明
图1示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色方法的流程图；
图2示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色方法的双阶三分支卷积模块的流程图；
图3示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的图像着色计算池图；
图4示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的判别器网络图；
图5示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的联合对抗式训练方法图；
图6示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容，应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”，术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色方法的流程图，如图1所示，本发明的一种基于卷积网络的合成孔径雷达图像着色方法，包括：
获取原始合成孔径雷达图像；
根据图像着色计算池得到精细化图像；
将所述精细化图像输入至合成孔径雷达图像着色网络，得到着色图像。
根据本发明的一个实施方式，所述根据图像着色计算池得到精细化图像的方法为：
图3示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的图像着色计算池图，如图3所示，将所述原始合成孔径雷达图像输入至所述图像着色计算池，所述图像着色分支共有9个着色计算池和双阶三分支卷积模块，将所述原始合成孔径雷达图像依次通过9个着色计算池得到所述精细化图像，通过第一个着色计算池的公式为，
Figure 170730DEST_PATH_IMAGE001
；
其中，
Figure 686156DEST_PATH_IMAGE002
表示通过第一个着色计算池的输出；
Figure 641342DEST_PATH_IMAGE003
表示卷积；
Figure 556209DEST_PATH_IMAGE004
表示整流线性激活函数；
Figure 732981DEST_PATH_IMAGE005
表示原始合成孔径雷达图像；
将所述原始合成孔径雷达图像通过第一个着色计算池的结果依次输入至第二个、第三个和第四个着色计算池，其中的公式为，
Figure 730893DEST_PATH_IMAGE006
；
其中，
Figure 861791DEST_PATH_IMAGE007
表示通过第
Figure 845928DEST_PATH_IMAGE008
个着色计算池的输出；
Figure 424677DEST_PATH_IMAGE009
表示双阶三分支卷积模块；
Figure 780440DEST_PATH_IMAGE010
表示倍数为2的最大池化；
将通过第四个着色计算池的结果输入至第五个着色计算池，其中的公式为，
Figure 585585DEST_PATH_IMAGE011
；
其中，
Figure 435730DEST_PATH_IMAGE012
表示倍数为2的最邻近插值；
Figure 619718DEST_PATH_IMAGE013
表示通过第
Figure 834798DEST_PATH_IMAGE014
个着色计算池的输出；
将通过第五个着色计算池的结果依次输入至第六个、第七个和第八个着色计算池，其中的公式为，
Figure 923977DEST_PATH_IMAGE015
；
其中，
Figure 623817DEST_PATH_IMAGE016
表示通过第
Figure 52525DEST_PATH_IMAGE008
个着色计算池；
Figure 500824DEST_PATH_IMAGE017
表示通道堆叠；
将通过第一个着色计算池的输出
Figure 890348DEST_PATH_IMAGE002
和通过第八个着色计算池的输出
Figure 19978DEST_PATH_IMAGE018
通过第九个着色计算池进行通道堆叠，使用所述双阶三分支卷积模块对其进行精细处理后得到所述精细化图像，得到所述精细化图像的公式为，
Figure 162246DEST_PATH_IMAGE019
；
其中，
Figure 313871DEST_PATH_IMAGE020
表示精细化图像。
根据本发明的一个实施方式，图2示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色方法的双阶三分支卷积模块的流程图，如图2所示，使用所述双阶三分支卷积模块的方法为：
所述双阶三分支卷积模块包含两个阶段，每个阶段包括三个对不同尺度进行特征提取的提取分支，第一阶段为初阶特征提取，第二阶段为则高阶特征提取，通过如下公式对所述双阶三分支卷积模块进行训练，
Figure 315325DEST_PATH_IMAGE021
；
Figure 842122DEST_PATH_IMAGE022
；
Figure 58470DEST_PATH_IMAGE023
；
其中，
Figure 51834DEST_PATH_IMAGE024
表示训练双阶三分支卷积模块的输入；
Figure 337322DEST_PATH_IMAGE004
表示整流线性激活函数；
Figure 182656DEST_PATH_IMAGE025
表示一个3×3的卷积；
Figure 440462DEST_PATH_IMAGE026
表示一个5×5的卷积；
Figure 198202DEST_PATH_IMAGE027
表示一个7×7的卷积；
Figure 987298DEST_PATH_IMAGE028
表示通过第一阶段第一个提取分支的输出；
Figure 262422DEST_PATH_IMAGE029
表示通过第一阶段第二个提取分支的输出；
Figure 233789DEST_PATH_IMAGE030
表示通过第一阶段第三个提取分支的输出；
合并和融合第一阶段中三个提取分支的输出，得到第一结果，其中公式为，
Figure 880540DEST_PATH_IMAGE031
；
其中，
Figure 78303DEST_PATH_IMAGE032
表示第一结果；
将所述第一结果输出至第二阶段得到通过第二阶段三个提取分支中的输出，其中公式为，
Figure 16172DEST_PATH_IMAGE033
；
Figure 61619DEST_PATH_IMAGE034
；
Figure 302108DEST_PATH_IMAGE035
；
其中，
Figure 315063DEST_PATH_IMAGE036
表示通过第二阶段第一个提取分支的输出；
Figure 40311DEST_PATH_IMAGE037
表示通过第二阶段第二个提取分支的输出；
Figure 127216DEST_PATH_IMAGE038
表示通过第二阶段第三个提取分支的输出；
合并和融合第二阶段中三个提取分支的输出，得到第二结果，其中公式为，
Figure 600923DEST_PATH_IMAGE039
；
其中，
Figure 383065DEST_PATH_IMAGE040
表示第二结果；
对所述第二结果进行精细化处理，得到通过所述双阶三分支卷积模块的最终结果，其中公式为，
Figure 803682DEST_PATH_IMAGE041
；
其中，
Figure 807410DEST_PATH_IMAGE042
表示通过双阶三分支卷积模块的最终结果。
根据本发明的一个实施方式，使用均方误差对所述图像着色计算池进行约束训练，其中公式为，
Figure 769462DEST_PATH_IMAGE043
；
其中，
Figure 429113DEST_PATH_IMAGE044
表示均方误差损失；
Figure 450159DEST_PATH_IMAGE045
表示与其对应的真实光学遥感图像。
根据本发明的一个实施方式，图4示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的判别器网络图，如图4所示，还包括对所述着色图像进行图像判别，判别所述着色图像是否为真实光学遥感图像，使用判别器网络对所述着色图像进行判别，所述判别器网络包含一个输入处理单元，八个特征提取单元和一个输出处理单元，将所述精细化图像输入至所述输入处理单元得到第一特征，其中公式为，
Figure 121443DEST_PATH_IMAGE046
；
其中，
Figure 140215DEST_PATH_IMAGE047
表示第一特征；
将所述第一特征依次输入至所述特征提取单元得到第二特征，其中公式为，
Figure 880637DEST_PATH_IMAGE048
；
其中，
Figure 954642DEST_PATH_IMAGE049
表示通过第
Figure 870645DEST_PATH_IMAGE050
个特征提取单元得到的输出；
Figure 919372DEST_PATH_IMAGE051
表示当前第
Figure 366665DEST_PATH_IMAGE050
个特征提取单元的输入；
Figure 667197DEST_PATH_IMAGE052
表示批规范化层；
将所述第二特征输入至所述输出处理单元得到判别概率，其中公式为，
Figure 500024DEST_PATH_IMAGE053
；
其中，
Figure 234499DEST_PATH_IMAGE054
表示第二特征；
Figure 152777DEST_PATH_IMAGE055
表示S型生长曲线函数；
Figure 991420DEST_PATH_IMAGE056
表示判别概率。
根据本发明的一个实施方式，图5示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的联合对抗式训练方法图，如图5所示，使用联合对抗式训练方法对所述合成孔径雷达图像着色网络进行训练，其中公式为，
Figure 757381DEST_PATH_IMAGE057
;
其中，A表示联合对抗式训练函数；
Figure 23278DEST_PATH_IMAGE058
表示期望计算；
Figure 428851DEST_PATH_IMAGE059
表示图像着色计算池的学习参数；
Figure 445086DEST_PATH_IMAGE060
表示判别器网络的学习参数；
Figure 924609DEST_PATH_IMAGE061
表示将真实光学遥感图像输入至判别器网络；
Figure 954882DEST_PATH_IMAGE063
表示将原始合成孔径雷达图像输入至判别器网络。
根据本发明的一个实施例，判别器网络判断其为真实光学遥感图像的概率，着色器的学习更新目标为使得上述总体目标公式的值取得最小，而判别器网络的学习更新目标为使得上述总体目标公式的值取得最大，故两者的联合训练构成了对抗形式，整体的训练过程以判别器对任何输入的输出概率均为50%为终止，即达到了对抗训练的稳定状态。
根据本发明的一个实施例，
Figure 395222DEST_PATH_IMAGE064
，
Figure 903564DEST_PATH_IMAGE065
和
Figure 768752DEST_PATH_IMAGE066
的尺寸分别为
Figure 744492DEST_PATH_IMAGE067
的二分之一，四分之一和八分之一，和
Figure 859079DEST_PATH_IMAGE068
的尺寸均为
Figure 108795DEST_PATH_IMAGE069
的八分之一，
Figure 641538DEST_PATH_IMAGE070
和
Figure 544772DEST_PATH_IMAGE071
的尺寸均为
Figure 84338DEST_PATH_IMAGE072
的四分之一，
Figure 183750DEST_PATH_IMAGE073
和
Figure 617005DEST_PATH_IMAGE074
的尺寸均为
Figure 832086DEST_PATH_IMAGE075
的二分之一。进而利用双阶三分支卷积模块进行特征精细，再而利用最邻近插值进行特征上采样。第六个，第七个和第八个计算池的计算结果特征
Figure 937576DEST_PATH_IMAGE076
，
Figure 388149DEST_PATH_IMAGE077
和
Figure 816857DEST_PATH_IMAGE078
的尺寸分别为
Figure 514423DEST_PATH_IMAGE079
的四分之一，二分之一和相同。
根据本发明的一个实施例，双阶三分支卷积模块共包括两个阶段，每个阶段均包含三个分支，三个分支分别代表对于不同尺度特征的提取，而对于两个阶段，第一个阶段代表初阶的多尺度特征提取，第二个阶段则代表进阶的多尺度特征提取。
不仅如此，为实现上述发明目的，本发明还提供一种基于卷积网络的合成孔径雷达图像着色系统，图6示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的流程图，如图6所示，根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统，该系统包括：
原始合成孔径雷达图像获取模块：获取原始合成孔径雷达图像；
精细化图像获取模块：根据图像着色计算池得到精细化图像；
合成孔径雷达着色图像获取模块：将所述精细化图像输入至合成孔径雷达图像着色网络，得到着色图像。
根据本发明的一个实施方式，所述根据图像着色计算池得到精细化图像的方法为：
图3示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的图像着色计算池图，如图3所示，将所述原始合成孔径雷达图像输入至所述图像着色计算池，所述图像着色分支共有9个着色计算池和双阶三分支卷积模块，将所述原始合成孔径雷达图像依次通过9个着色计算池得到所述精细化图像，通过第一个着色计算池的公式为，
Figure 153215DEST_PATH_IMAGE080
；
其中，
Figure 17266DEST_PATH_IMAGE002
表示通过第一个着色计算池的输出；
Figure 379108DEST_PATH_IMAGE081
表示卷积；
Figure 795046DEST_PATH_IMAGE082
表示整流线性激活函数；
Figure 796500DEST_PATH_IMAGE083
表示原始合成孔径雷达图像；
将所述原始合成孔径雷达图像通过第一个着色计算池的结果依次输入至第二个、第三个和第四个着色计算池，其中的公式为，
Figure 41405DEST_PATH_IMAGE084
；
其中，
Figure 569339DEST_PATH_IMAGE007
表示通过第
Figure 844593DEST_PATH_IMAGE008
个着色计算池的输出；
Figure 395660DEST_PATH_IMAGE085
表示双阶三分支卷积模块；
Figure 512433DEST_PATH_IMAGE086
表示倍数为2的最大池化；
将通过第四个着色计算池的结果输入至第五个着色计算池，其中的公式为，
Figure 832556DEST_PATH_IMAGE087
；
其中，
Figure 465662DEST_PATH_IMAGE088
表示倍数为2的最邻近插值；
Figure 317075DEST_PATH_IMAGE013
表示通过第
Figure 654515DEST_PATH_IMAGE014
个着色计算池的输出；
将通过第五个着色计算池的结果依次输入至第六个、第七个和第八个着色计算池，其中的公式为，
Figure 766828DEST_PATH_IMAGE089
；
其中，
Figure 210316DEST_PATH_IMAGE016
表示通过第
Figure 470396DEST_PATH_IMAGE008
个着色计算池；
Figure 549211DEST_PATH_IMAGE090
表示通道堆叠；
将通过第一个着色计算池的输出
Figure 329079DEST_PATH_IMAGE002
和通过第八个着色计算池的输出
Figure 959781DEST_PATH_IMAGE018
通过第九个着色计算池进行通道堆叠，使用所述双阶三分支卷积模块对其进行精细处理后得到所述精细化图像，得到所述精细化图像的公式为，
Figure 379261DEST_PATH_IMAGE091
；
其中，
Figure 307771DEST_PATH_IMAGE092
表示精细化图像。
根据本发明的一个实施方式，图2示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色方法的双阶三分支卷积模块的流程图，如图2所示，使用所述双阶三分支卷积模块的方法为：
所述双阶三分支卷积模块包含两个阶段，每个阶段包括三个对不同尺度进行特征提取的提取分支，第一阶段为初阶特征提取，第二阶段为则高阶特征提取，通过如下公式对所述双阶三分支卷积模块进行训练，
Figure 519310DEST_PATH_IMAGE093
；
Figure 930699DEST_PATH_IMAGE094
；
Figure 916104DEST_PATH_IMAGE095
；
其中，
Figure 461355DEST_PATH_IMAGE024
表示训练双阶三分支卷积模块的输入；
Figure 137187DEST_PATH_IMAGE082
表示整流线性激活函数；
Figure 296642DEST_PATH_IMAGE096
表示一个3×3的卷积；
Figure 815348DEST_PATH_IMAGE097
表示一个5×5的卷积；
Figure 774076DEST_PATH_IMAGE098
表示一个7×7的卷积；
Figure 648623DEST_PATH_IMAGE099
表示通过第一阶段第一个提取分支的输出；
Figure 526449DEST_PATH_IMAGE100
表示通过第一阶段第二个提取分支的输出；
Figure 2559DEST_PATH_IMAGE101
表示通过第一阶段第三个提取分支的输出；
合并和融合第一阶段中三个提取分支的输出，得到第一结果，其中公式为，
Figure 764979DEST_PATH_IMAGE102
；
其中，
Figure 540037DEST_PATH_IMAGE032
表示第一结果；
将所述第一结果输出至第二阶段得到通过第二阶段三个提取分支中的输出，其中公式为，
Figure 542759DEST_PATH_IMAGE103
；
Figure 911423DEST_PATH_IMAGE104
；
Figure 71009DEST_PATH_IMAGE105
；
其中，
Figure 418683DEST_PATH_IMAGE106
表示通过第二阶段第一个提取分支的输出；
Figure 779257DEST_PATH_IMAGE107
表示通过第二阶段第二个提取分支的输出；
Figure 697534DEST_PATH_IMAGE108
表示通过第二阶段第三个提取分支的输出；
合并和融合第二阶段中三个提取分支的输出，得到第二结果，其中公式为，
Figure 677123DEST_PATH_IMAGE109
；
其中，
Figure 302139DEST_PATH_IMAGE040
表示第二结果；
对所述第二结果进行精细化处理，得到通过所述双阶三分支卷积模块的最终结果，其中公式为，
Figure 895932DEST_PATH_IMAGE110
；
其中，
Figure 347510DEST_PATH_IMAGE042
表示通过双阶三分支卷积模块的最终结果。
根据本发明的一个实施方式，使用均方误差对所述图像着色计算池进行约束训练，其中公式为，
Figure 989844DEST_PATH_IMAGE111
；
其中，
Figure 594001DEST_PATH_IMAGE112
表示均方误差损失；
Figure 109427DEST_PATH_IMAGE113
表示与其对应的真实光学遥感图像。
根据本发明的一个实施方式，图4示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的判别器网络图，如图4所示，还包括对所述着色图像进行图像判别，判别所述着色图像是否为真实光学遥感图像，使用判别器网络对所述着色图像进行判别，所述判别器网络包含一个输入处理单元，八个特征提取单元和一个输出处理单元，将所述精细化图像输入至所述输入处理单元得到第一特征，其中公式为，
Figure 939980DEST_PATH_IMAGE114
；
其中，
Figure 448322DEST_PATH_IMAGE115
表示第一特征；
将所述第一特征依次输入至所述特征提取单元得到第二特征，其中公式为，
Figure 421832DEST_PATH_IMAGE116
；
其中，
Figure 29530DEST_PATH_IMAGE117
表示通过第
Figure 409696DEST_PATH_IMAGE050
个特征提取单元得到的输出；
Figure 534778DEST_PATH_IMAGE118
表示当前第
Figure 51210DEST_PATH_IMAGE050
个特征提取单元的输入；
Figure 95389DEST_PATH_IMAGE119
表示批规范化层；
将所述第二特征输入至所述输出处理单元得到判别概率，其中公式为，
Figure 14716DEST_PATH_IMAGE120
；
其中，
Figure 864860DEST_PATH_IMAGE121
表示第二特征；
Figure 439061DEST_PATH_IMAGE122
表示S型生长曲线函数；
Figure 263929DEST_PATH_IMAGE056
表示判别概率。
根据本发明的一个实施方式，图5示意性表示根据本发明的一种基于卷积网络的合成孔径雷达图像着色系统的联合对抗式训练方法图，如图5所示，使用联合对抗式训练方法对所述合成孔径雷达图像着色网络进行训练，其中公式为，
Figure 618687DEST_PATH_IMAGE123
;
其中，A表示联合对抗式训练函数；
Figure 679047DEST_PATH_IMAGE058
表示期望计算；
Figure 684918DEST_PATH_IMAGE059
表示图像着色计算池的学习参数；
Figure 195533DEST_PATH_IMAGE060
表示判别器网络的学习参数；
Figure 709691DEST_PATH_IMAGE124
表示将真实光学遥感图像输入至判别器网络；
Figure 652371DEST_PATH_IMAGE063
表示将原始合成孔径雷达图像输入至判别器网络。
根据本发明的一个实施例，判别器网络判断其为真实光学遥感图像的概率，着色器的学习更新目标为使得上述总体目标公式的值取得最小，而判别器网络的学习更新目标为使得上述总体目标公式的值取得最大，故两者的联合训练构成了对抗形式，整体的训练过程以判别器对任何输入的输出概率均为50%为终止，即达到了对抗训练的稳定状态。
根据本发明的一个实施例，
Figure 60218DEST_PATH_IMAGE125
，
Figure 617102DEST_PATH_IMAGE126
和
Figure 930140DEST_PATH_IMAGE127
的尺寸分别为
Figure 988095DEST_PATH_IMAGE128
的二分之一，四分之一和八分之一，和
Figure 204444DEST_PATH_IMAGE129
的尺寸均为
Figure 666649DEST_PATH_IMAGE130
的八分之一，
Figure 280033DEST_PATH_IMAGE131
和
Figure 63050DEST_PATH_IMAGE132
的尺寸均为
Figure 320856DEST_PATH_IMAGE133
的四分之一，
Figure 344176DEST_PATH_IMAGE134
和
Figure 133271DEST_PATH_IMAGE135
的尺寸均为
Figure 142816DEST_PATH_IMAGE136
的二分之一。进而利用双阶三分支卷积模块进行特征精细，再而利用最邻近插值进行特征上采样。第六个，第七个和第八个计算池的计算结果特征
Figure 379762DEST_PATH_IMAGE137
，
Figure 755074DEST_PATH_IMAGE138
和
Figure 952837DEST_PATH_IMAGE139
的尺寸分别为
Figure 890706DEST_PATH_IMAGE140
的四分之一，二分之一和相同。
根据本发明的一个实施例，双阶三分支卷积模块共包括两个阶段，每个阶段均包含三个分支，三个分支分别代表对于不同尺度特征的提取，而对于两个阶段，第一个阶段代表初阶的多尺度特征提取，第二个阶段则代表进阶的多尺度特征提取。
为实现上述发明目的，本发明还提供一种电子设备，该电子设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，计算机程序被处理器执行时实现上述一种基于卷积网络的合成孔径雷达图像着色方法。
为实现上述发明目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述一种基于卷积网络的合成孔径雷达图像着色方法。
基于此，本发明的有益效果在于，通过以双阶三分支卷积模块组件合成孔径雷达图像图像着色生成器网络，能够充分提取合成孔径雷达图像图像的深层多尺度语义特征信息，从而根据合成孔径雷达图像图像所观测到的地物信息学习赋予其对应的色彩信息，并通过判别器网络与着色网络联合的对抗训练，提高合成孔径雷达图像图像的着色结果的视觉真实性，从而降低对于合成孔径雷达图像图像的解译门槛，使其更易视觉上进行理解。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

Claims (9)

1.一种基于卷积网络的合成孔径雷达图像着色方法，其特征在于，包括：
获取原始合成孔径雷达图像；
根据图像着色计算池得到精细化图像；
将所述精细化图像输入至合成孔径雷达图像着色网络，得到着色图像。
2.根据权利要求1所述的一种基于卷积网络的合成孔径雷达图像着色方法，其特征在于，所述根据图像着色计算池得到精细化图像的方法为：
将所述原始合成孔径雷达图像输入至所述图像着色计算池，所述图像着色分支共有9个着色计算池和双阶三分支卷积模块，将所述原始合成孔径雷达图像依次通过9个着色计算池得到所述精细化图像，通过第一个着色计算池的公式为，
Figure 279953DEST_PATH_IMAGE001
；
其中，
Figure 873745DEST_PATH_IMAGE002
表示通过第一个着色计算池的输出；
Figure 295631DEST_PATH_IMAGE003
表示卷积；
Figure 265861DEST_PATH_IMAGE004
表示整流线性激活函数；
Figure 588126DEST_PATH_IMAGE005
表示原始合成孔径雷达图像；
将所述原始合成孔径雷达图像通过第一个着色计算池的结果依次输入至第二个、第三个和第四个着色计算池，其中的公式为，
Figure 290503DEST_PATH_IMAGE006
；
其中，
Figure 448952DEST_PATH_IMAGE007
表示通过第
Figure 708026DEST_PATH_IMAGE008
个着色计算池的输出；
Figure 432269DEST_PATH_IMAGE009
表示双阶三分支卷积模块；
Figure 39967DEST_PATH_IMAGE010
表示倍数为2的最大池化；
将通过第四个着色计算池的结果输入至第五个着色计算池，其中的公式为，
Figure 669401DEST_PATH_IMAGE011
；
其中，
Figure 43750DEST_PATH_IMAGE012
表示倍数为2的最邻近插值；
Figure 232286DEST_PATH_IMAGE013
表示通过第
Figure 89515DEST_PATH_IMAGE014
个着色计算池的输出；
将通过第五个着色计算池的结果依次输入至第六个、第七个和第八个着色计算池，其中的公式为，
Figure 19294DEST_PATH_IMAGE015
；
其中，
Figure 541542DEST_PATH_IMAGE016
表示通过第
Figure 427327DEST_PATH_IMAGE008
个着色计算池；
Figure 501462DEST_PATH_IMAGE017
表示通道堆叠；
将通过第一个着色计算池的输出
Figure 872532DEST_PATH_IMAGE002
和通过第八个着色计算池的输出
Figure 198471DEST_PATH_IMAGE018
通过第九个着色计算池进行通道堆叠，使用所述双阶三分支卷积模块对其进行精细处理后得到所述精细化图像，得到所述精细化图像的公式为，
Figure 689495DEST_PATH_IMAGE019
；
其中，
Figure 732536DEST_PATH_IMAGE020
表示精细化图像。
3.根据权利要求2所述的一种基于卷积网络的合成孔径雷达图像着色方法，其特征在于，使用所述双阶三分支卷积模块的方法为：
所述双阶三分支卷积模块包含两个阶段，每个阶段包括三个对不同尺度进行特征提取的提取分支，第一阶段为初阶特征提取，第二阶段为则高阶特征提取，通过如下公式对所述双阶三分支卷积模块进行训练，
Figure 981115DEST_PATH_IMAGE021
；
Figure 173062DEST_PATH_IMAGE022
；
Figure 800483DEST_PATH_IMAGE023
；
其中，
Figure 482000DEST_PATH_IMAGE024
表示训练双阶三分支卷积模块的输入；
Figure 795039DEST_PATH_IMAGE004
表示整流线性激活函数；
Figure 728360DEST_PATH_IMAGE025
表示一个3×3的卷积；
Figure 193976DEST_PATH_IMAGE026
表示一个5×5的卷积；
Figure 797127DEST_PATH_IMAGE027
表示一个7×7的卷积；
Figure 20298DEST_PATH_IMAGE028
表示通过第一阶段第一个提取分支的输出；
Figure 554047DEST_PATH_IMAGE029
表示通过第一阶段第二个提取分支的输出；
Figure 185755DEST_PATH_IMAGE030
表示通过第一阶段第三个提取分支的输出；
合并和融合第一阶段中三个提取分支的输出，得到第一结果，其中公式为，
Figure 84441DEST_PATH_IMAGE031
；
其中，
Figure 122804DEST_PATH_IMAGE032
表示第一结果；
将所述第一结果输出至第二阶段得到通过第二阶段三个提取分支中的输出，其中公式为，
Figure 742135DEST_PATH_IMAGE033
；
Figure 120027DEST_PATH_IMAGE034
；
Figure 251931DEST_PATH_IMAGE035
；
其中，
Figure 823595DEST_PATH_IMAGE036
表示通过第二阶段第一个提取分支的输出；
Figure 636831DEST_PATH_IMAGE037
表示通过第二阶段第二个提取分支的输出；
Figure 931546DEST_PATH_IMAGE038
表示通过第二阶段第三个提取分支的输出；
合并和融合第二阶段中三个提取分支的输出，得到第二结果，其中公式为，
Figure 312980DEST_PATH_IMAGE039
；
其中，
Figure 60356DEST_PATH_IMAGE040
表示第二结果；
对所述第二结果进行精细化处理，得到通过所述双阶三分支卷积模块的最终结果，其中公式为，
Figure 411703DEST_PATH_IMAGE041
；
其中，
Figure 878368DEST_PATH_IMAGE042
表示通过双阶三分支卷积模块的最终结果。
4.根据权利要求3所述的一种基于卷积网络的合成孔径雷达图像着色方法，其特征在于，使用均方误差对所述图像着色计算池进行约束训练，其中公式为，
Figure 617654DEST_PATH_IMAGE043
；
其中，
Figure 790009DEST_PATH_IMAGE044
表示均方误差损失；
Figure 758096DEST_PATH_IMAGE045
表示与其对应的真实光学遥感图像。
5.根据权利要求4所述的一种基于卷积网络的合成孔径雷达图像着色方法，其特征在于，还包括对所述着色图像进行图像判别，判别所述着色图像是否为真实光学遥感图像，使用判别器网络对所述着色图像进行判别，所述判别器网络包含一个输入处理单元，八个特征提取单元和一个输出处理单元，将所述精细化图像输入至所述输入处理单元得到第一特征，其中公式为，
Figure 89721DEST_PATH_IMAGE046
；
其中，
Figure 249175DEST_PATH_IMAGE047
表示第一特征；
将所述第一特征依次输入至所述特征提取单元得到第二特征，其中公式为，
Figure 908827DEST_PATH_IMAGE048
；
其中，
Figure 929873DEST_PATH_IMAGE049
表示通过第
Figure 601156DEST_PATH_IMAGE050
个特征提取单元得到的输出；
Figure 354349DEST_PATH_IMAGE051
表示当前第
Figure 563613DEST_PATH_IMAGE050
个特征提取单元的输入；
Figure 699934DEST_PATH_IMAGE052
表示批规范化层；
将所述第二特征输入至所述输出处理单元得到判别概率，其中公式为，
Figure 678255DEST_PATH_IMAGE053
；
其中，
Figure 602348DEST_PATH_IMAGE054
表示第二特征；
Figure 49641DEST_PATH_IMAGE055
表示S型生长曲线函数；
Figure 474806DEST_PATH_IMAGE056
表示判别概率。
6.根据权利要求5所述的一种基于卷积网络的合成孔径雷达图像着色方法，其特征在于，使用联合对抗式训练方法对所述合成孔径雷达图像着色网络进行训练，其中公式为，
Figure 822480DEST_PATH_IMAGE057
;
其中，A表示联合对抗式训练函数；
Figure 917475DEST_PATH_IMAGE058
表示期望计算；
Figure 898069DEST_PATH_IMAGE059
表示图像着色计算池的学习参数；
Figure 815341DEST_PATH_IMAGE060
表示判别器网络的学习参数；
Figure 440357DEST_PATH_IMAGE061
表示将真实光学遥感图像输入至判别器网络；
Figure 830887DEST_PATH_IMAGE062
表示将原始合成孔径雷达图像输入至判别器网络。
7.一种基于卷积网络的合成孔径雷达图像着色系统，其特征在于，包括：
原始合成孔径雷达图像获取模块：获取原始合成孔径雷达图像；
精细化图像获取模块：根据图像着色计算池得到精细化图像；
合成孔径雷达着色图像获取模块：将所述精细化图像输入至合成孔径雷达图像着色网络，得到着色图像。
8.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的一种基于卷积网络的合成孔径雷达图像着色方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的一种基于卷积网络的合成孔径雷达图像着色方法。
CN202211532678.5A 2022-12-02 2022-12-02 一种基于卷积网络的合成孔径雷达图像着色方法 Active CN115546351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211532678.5A CN115546351B (zh) 2022-12-02 2022-12-02 一种基于卷积网络的合成孔径雷达图像着色方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211532678.5A CN115546351B (zh) 2022-12-02 2022-12-02 一种基于卷积网络的合成孔径雷达图像着色方法

Publications (2)

Publication Number Publication Date
CN115546351A true CN115546351A (zh) 2022-12-30
CN115546351B CN115546351B (zh) 2023-04-07

Family

ID=84721607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211532678.5A Active CN115546351B (zh) 2022-12-02 2022-12-02 一种基于卷积网络的合成孔径雷达图像着色方法

Country Status (1)

Country Link
CN (1) CN115546351B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109829A (zh) * 2023-04-11 2023-05-12 耕宇牧星(北京)空间科技有限公司 一种基于融合网络的珊瑚礁水域图像分割方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036530A (zh) * 2014-05-21 2014-09-10 中国科学院电子学研究所 一种合成孔径雷达图像的处理方法及装置
CN107358214A (zh) * 2017-07-20 2017-11-17 中国人民解放军国防科学技术大学 基于卷积神经网络的极化sar地物分类方法
CN108717698A (zh) * 2018-05-28 2018-10-30 深圳市唯特视科技有限公司 一种基于深度卷积生成对抗网络的高质量图像生成方法
CN110197517A (zh) * 2019-06-11 2019-09-03 常熟理工学院 基于多域循环一致性对抗生成网络的sar图像上色方法
CN113487493A (zh) * 2021-06-02 2021-10-08 厦门大学 基于GANilla的SAR图像自动彩色化方法
US11300652B1 (en) * 2020-10-30 2022-04-12 Rebellion Defense, Inc. Systems and methods for generating images from synthetic aperture radar data using neural networks

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036530A (zh) * 2014-05-21 2014-09-10 中国科学院电子学研究所 一种合成孔径雷达图像的处理方法及装置
CN107358214A (zh) * 2017-07-20 2017-11-17 中国人民解放军国防科学技术大学 基于卷积神经网络的极化sar地物分类方法
CN108717698A (zh) * 2018-05-28 2018-10-30 深圳市唯特视科技有限公司 一种基于深度卷积生成对抗网络的高质量图像生成方法
CN110197517A (zh) * 2019-06-11 2019-09-03 常熟理工学院 基于多域循环一致性对抗生成网络的sar图像上色方法
US11300652B1 (en) * 2020-10-30 2022-04-12 Rebellion Defense, Inc. Systems and methods for generating images from synthetic aperture radar data using neural networks
CN113487493A (zh) * 2021-06-02 2021-10-08 厦门大学 基于GANilla的SAR图像自动彩色化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XI YANG 等: "SAR-to-optical image translation based on improved CGAN", 《PATTERN RECOGNITION》 *
卢庆林等: "面向SAR图像处理的生成式对抗网络应用综述", 《电讯技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109829A (zh) * 2023-04-11 2023-05-12 耕宇牧星(北京)空间科技有限公司 一种基于融合网络的珊瑚礁水域图像分割方法

Also Published As

Publication number Publication date
CN115546351B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Golts et al. Unsupervised single image dehazing using dark channel prior loss
CN108230329B (zh) 基于多尺度卷积神经网络的语义分割方法
CN107123089B (zh) 基于深度卷积网络的遥感图像超分辨重建方法及系统
CN110428428B (zh) 一种图像语义分割方法、电子设备和可读存储介质
CN111950453B (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN110111288B (zh) 基于深度辅助学习的图像增强及盲图质量评价网络系统
CN111932577B (zh) 文本检测方法、电子设备及计算机可读介质
CN112419333B (zh) 一种遥感影像自适应特征选择分割方法及系统
CN109993702B (zh) 基于生成对抗网络的满文图像超分辨率重建方法
CN113743417B (zh) 语义分割方法和语义分割装置
CN115546351B (zh) 一种基于卷积网络的合成孔径雷达图像着色方法
CN115641442B (zh) 一种基于融合网络的山体图像山脊线分割方法
Zhao et al. CRAS-YOLO: A novel multi-category vessel detection and classification model based on YOLOv5s algorithm
CN115546500A (zh) 一种红外图像小目标检测方法
Michael et al. A general framework for human-machine digitization of geographic regions from remotely sensed imagery
CN112330562B (zh) 一种异构遥感图像变换方法及系统
CN113205016B (zh) 恒等残差型Unet与遥感水体指数的河湖岸线变化检测方法
CN116543165B (zh) 一种基于双通道复合深度网络的遥感图像果树分割方法
CN116109829B (zh) 一种基于融合网络的珊瑚礁水域图像分割方法
Jiang et al. Semantic segmentation network combined with edge detection for building extraction in remote sensing images
CN117058367A (zh) 高分辨率遥感影像建筑物语义分割方法及装置
CN116309213A (zh) 一种基于生成对抗网络的高实时多源图像融合方法
CN115205624A (zh) 一种跨维度注意力聚合的云雪辩识方法、设备及存储介质
CN115688234A (zh) 一种基于条件卷积的建筑布局生成方法、装置及介质
Zhang et al. Objective evaluation-based efficient learning framework for hyperspectral image classification

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
GR01 Patent grant
GR01 Patent grant