买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：陕西师范大学

摘要：本发明提供了一种基于自注意力机制和CycleGAN的ScanSAR图像扇贝效应抑制方法，包括如下步骤：S1：构建ScanSAR图像数据集；S2：构建对抗生成网络模型；S3：将数据集输入构建的神经网络模型中，进行训练；S4：将存在扇贝效应的ScanSAR图像输入到经步骤三训练后的网络模型中；该基于自注意力机制和CycleGAN的ScanSAR图像扇贝效应抑制方法，对ScanSAR图像的扇贝效应进行处理。在CycleGAN的基础，结合自注意机制，构成一种新型的具有远距离依赖的循环一致对抗生成网络模型。具有更有效消除图像扇贝效应条纹现象的能力，使得图像质量得到明显的提升。

主权项：1.一种基于自注意力机制和CycleGAN的ScanSAR图像扇贝效应抑制方法，其特征在于，包括如下步骤：S1：对ScanSAR图像进行裁剪，构建数据集；S2：基于CycleGAN模型结合自注意力机制，构建具有远距离依赖的循环一致对抗生成网络模型；包括如下步骤：S301：构建的生成器神经网络；所述生成器神经网络包括：编码部分、第一自注意力模块、图像转换部分、第二自注意力模块、解码部部分；第一自注意力模块，将第一部分提取的特征图通过卷积网络的隐藏层得到初始特征convolutionfeaturemapsx，后通过1×1的卷积核得到两个特征空间featurespacef＝Wfx和g＝Wgx,Wf,Wg为权重矩阵，然后使用f和g来计算注意力，公式如下所示： 其中βj,i表示在生成第j个位置时对于第i个局部的注意力，将结果经过softmax归一化得到注意力特征图attentionmap；接着使用得到的注意力图，并通过另一个1×1卷积核得到的特征空间计算得到注意力层的输出，如下所示: 上述的三个权重矩阵Wf,Wg,Wh需通过训练学习；最后将注意力层的输出和x进行结合，得到最终的输出yi＝γoi+xi，其中γ初始设置为0，使得模型可以从简单的局部特征学起，逐渐学习到全局；图像转换部分：由7个残差模块组成，是通过提取的特征完成图像不同类别的转换；残差模块不改变特征图大小，输入通道和输出通道均为128，激活函数均为LeakRelu；第二自注意力模块与第一自注意力模块相同，对转换之后的特征图中的全局特征进行凸显，提高图像复原质量；编码部分：由三层卷积模块构成，每一层卷积模块从前往后包括一层卷积网络、实例归一化和Relu激活函数；三层卷积模块的卷积网络层中的卷积核数不断增加32增加到128个，保证网络提取到足够的特征；解码部分：有3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，最后一个卷积层使用的激活函数为Tanh；S302：构建的判别器神经网络；所述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predictionmap；S3：将准备好的训练数据集输入步骤二构建的神经网络模型中，进行训练；S4：将存在扇贝效应的ScanSAR图像输入到经步骤三训练后的网络模型中，即可对扇贝效应的条纹现象进行消除。

全文数据：

权利要求：

百度查询： 陕西师范大学 一种基于自注意力机制和CycleGAN的ScanSAR图像扇贝效应抑制方法