1.一种基于生成式对抗网络的SAR图像转化为光学图像的方法，其特征在于，在训练阶段，首先构建SAR图像场景分类数据集和构造残差神经网络SAR图像场景分类模型，并采用构建的SAR图像场景分类数据集训练残差神经网络SAR图像场景分类模型；

然后构建不同场景下的像素级配准的SAR图像和光学图像对数据集，同时构造生成式对抗网络图像转化模型，采用不同场景下的SAR图像和光学图像对数据集训练所述生成式对抗网络模型，得到多个不同场景下训练好的生成式对抗网络模型；

在测试阶段，首先对整幅SAR图像进行无重叠的分割，得到多个SAR图像块，再采用训练好的残差神经网络SAR图像场景分类模型对所述SAR图像块进行场景分类，然后根据每个SAR图像块的分类结果选取不同的生成式对抗网络模型把SAR图像块转化为光学图像块，最后对转化后的光学图像块进行拼接得到最终的拼接结果。

2.根据权利要求1所述的基于生成式对抗网络的SAR图像转化为光学图像的方法，其特征在于，所述训练阶段具体包括以下步骤：S1、构建SAR图像场景分类数据集；

S2、构造残差神经网络SAR图像场景分类模型；

S3、残差神经网络SAR图像场景分类模型训练，得到训练好的残差神经网络SAR图像场景分类模型；

S4、构建不同场景下的像素级配准SAR图像和光学图像对数据集，并随机抽取各集合下

70％的图像对作为训练样本集，其余的图像对作为测试样本；

S5、构造不同场景下的生成式对抗网络图像转化模型，具体是通过调整已被提出应用于从语义标签图中生成逼真的高分辨率图像任务的PIX2PIX-HD网络结构，并抛弃原有的语义标签图生成器结构和标签判别结构，来构造用于完成图像转化任务的SAR2OPT-GAN模型；

S6、整幅SAR图像进行无重叠分块处理，得到待转化的多幅SAR图像块；

S7、使用训练好的残差神经网络SAR图像场景分类模型对步骤S6得到的SAR图像块进行场景分类，得出SAR图像块所属类别对应的图像标签；

S8、根据分类结果选取不同的GAN模型参数进行图像转化，根据步骤S7中得到的图像标签，选取对应的场景分类模型，载入模型，将待处理图像输入到训练好的网络中，进行图像转化，得到合成的多块光学图像块；

S9、将步骤S8中得到的光学图像块按原对应顺序进行无缝拼接，得到合成的整幅光学图像。

3.根据权利要求2所述的基于生成式对抗网络的SAR图像转化为光学图像的方法，其特征在于，步骤S5具体包括以下步骤：S5.1、随机初始化全局生成器GA，局部生成器GB，多尺度判别器D的网络参数；

S5.2、设置生成网络的结构与判别网络的结构，其中生成网络由全局生成器GA和局部生成器GB组成，判别网络由多尺度判别器组成，生成网络和判别网络共同组成条件生成式对抗网络；

S5.3、将清晰完整的SAR图像和对应的光学图像经处理后输入网络；

S5.4、设定用于图像转化的生成对抗网络的损失函数；

对不同尺度上真实光学图像与生成光学图像的特征差异进行求和，并与经Dense Net模型训练得到的感知损失相加，公式如下：其中， 为多尺度判别器的各层损失函数之和；

D1、D2、D3代表处理不同尺度的生成图像的判别器；

αFM(G,Dk)为第k层判别器中基于判别器的特征匹配损失；

λ为用来平衡生成图像与真实图像间的特征匹配损失和判别器处理后的对抗约束损失两种损失的权重大小；

S5.5、将待处理SAR图像输入生成网络，经由全局生成器GA和局部生成器GB处理得到合成图像，计算生成图像与真实图像的差异，分别优化生成器和多尺度判别器，并利用梯度下降方法，结合步骤5.4中所述，反复进行前述操作，直至整体损失函数收敛，得到不同场景下生成式对抗网络的模型参数。