论文部分内容阅读
SAR是一种主动式成像雷达系统,在SAR图像解译技术研究中,常需要大量SAR图像数据进行分析而面临数据不足的问题,一般采用SAR图像模拟器来产生SAR图像来解决这一问题。然而,现有的SAR图像模拟器产生的SAR图像在逼真度和可控性上还存在不足。随着GAN等深度学习方法在光学图像的重建和生成领域获得成功应用,其生成的图像分辨率和逼真度也不断提高,研究基于GAN的SAR图像的生成技术成为可能并具有重要的价值和意义。本文所研究的SAR图像生成算法,是基于GAN的强大的生成学习能力,本文研究了三种GAN算法进行SAR图像的生成,并研究了CGAN算法可控的生成SAR图像。论文主要内容概括如下:首先,本文给出了传统基于特征提取的SAR图像生成方法,首先对SAR图像进行边缘检测,然后基于二维熵阈值分割算法对SAR图像进行区域分割,并对分割后的图像进行特征提取,最后使用RD算法进行SAR图像的重建。最后本文根据二维熵阈值分割算法分割得到的SAR图像进行SAR图像的重建结果,其结果在目标区域的轮廓和阴影上表现很好,但是在视觉上相似度不高,目标多样性差。基于特征提取方法生成的SAR图像与真实图像相似度不高、多样性不足。本文针对这一问题,使用GAN的方法进行SAR图像的生成,首先介绍了三种GAN实现算法的原理,然后搭建深度学习的开源框架TensorFlow实验环境,根据MSTAR数据集设计GAN网络结构,最后依据上述三种GAN算法进行训练。300个epoch后训练收敛,其结果表明使用GAN产生的SAR图像的相似度更高,多样性更好。基于GAN生成的SAR图像其目标方向是随机的,要产生方向可控的目标图像,则需采用CGAN。本文针对CGAN中SAR目标方向的条件标签设计问题,提出一种N-Progressive标签编码方法。当训练60000个iteration后,N-Progressive方法标签可达到收敛,损失值稳定在理论值附近。在网络结构相同,模型的参数设置一致的情况下,与传统常用的标签编码方法label-encoding和one-hot编码进行相比,模型不会发生崩溃,生成SAR目标方向与设置一致,图像质量较好。