基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法技术

本发明专利技术公开了一种基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法，包括：构建训练数据样本集；构建数据预处理系统，对样本数据进行预处理；构建生成器网络模型，将预处理后的图像输入生成器网络模型，得到保证图像尺寸和细节特征的输出图像；构建判别器网络模型，与生成器网络模型在训练的过程中不断对抗训练，得到质量好的图像；构建训练模型，通过训练模型对生成器网络模型和判别器网络模型进行训练；构建梯度惩罚项模型，在训练模型损失函数基础上增加梯度惩罚项，模型训练时，引入的梯度惩罚项使训练过程中梯度不会骤变；开始训练，获得优质的水下声呐仿真图像。本发明专利技术能够生成更高质量、更高分辨率和细节更逼真的水下声呐图像。

【技术实现步骤摘要】
基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法
本专利技术属于声呐图像
，更具体的说是涉及一种基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法。
技术介绍
随着信息技术的发展，水下探测技术取得了巨大进步。各类水下作业需要良好的探测工具。传统的基于光学、雷达信号的探测方式在水下均受到较大的干扰，水下浑浊、强噪的环境使得信号的穿透力差，受噪声影响严重。而声学信号在水下的衰减大大降低，具有较远的可视距离，在水下的表现远远优于其他成像方式，因而成为水下探测的主要工具。但是由于水下探测成像设备造价昂贵，使用成本高，不适合大规模拍摄，导致海底声呐图像数据集很是稀少。同时，由于水下噪声的影响，图像质量较差，直接利用传统深度学习算法对水下声呐图像进行分类，难以获得较好的分类效果，误分类率较高。另外，深度学习的目标检测算法是基于大数据的，而数据缺乏已成为深度学习算法处理海底声呐图像的首要障碍。目前常用的数据扩充方法有镜像、旋转、尺度变换、裁剪等。这些方法是对原始数据进行处理的，但是在一定程度上还是缺少多样性，使训练的结本文档来自技高网...

【技术保护点】
1.一种基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法，其特征在于，包括如下步骤：/nS1：构建训练数据样本集；/nS2：构建数据预处理系统，对样本数据进行预处理；/nS3：构建生成器网络模型，将预处理后的图像输入生成器网络模型，得到保证图像尺寸和细节特征的输出图像；/nS4：构建判别器网络模型，判别器网络模型能够与生成器网络模型在训练的过程中不断对抗训练，最终得到质量好的图像；/nS5：构建训练模型，通过训练模型能够对生成器网络模型和判别器网络模型进行训练；/nS6：构建梯度惩罚项模型，在训练模型损失函数的基础上增加梯度惩罚项，模型训练时，引入的梯度惩罚项使训练过程中梯度不会骤变；/...

【技术特征摘要】
1.一种基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法，其特征在于，包括如下步骤：
S1：构建训练数据样本集；
S2：构建数据预处理系统，对样本数据进行预处理；
S3：构建生成器网络模型，将预处理后的图像输入生成器网络模型，得到保证图像尺寸和细节特征的输出图像；
S4：构建判别器网络模型，判别器网络模型能够与生成器网络模型在训练的过程中不断对抗训练，最终得到质量好的图像；
S5：构建训练模型，通过训练模型能够对生成器网络模型和判别器网络模型进行训练；
S6：构建梯度惩罚项模型，在训练模型损失函数的基础上增加梯度惩罚项，模型训练时，引入的梯度惩罚项使训练过程中梯度不会骤变；
S7：开始训练，获得优质的水下声呐仿真图像。


2.根据权利要求1所述的一种基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法，其特征在于，数据样本集要保证样本的多样性和数量，通过镜像、旋转、尺度变换、裁剪、平移方法对数据集进行数据扩充操作。


3.根据权利要求2所述的一种基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法，其特征在于，预处理系统对样本数据的预处理包括：导入图像、尺寸裁剪、图像缩放、修剪图像、图像归一化和图像随机洗牌。


4.根据权利要求1所述的一种基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法，其特征在于，构建一个包含i+1个反卷积层的生成器网络模型，生成器网络模型的结构依次为：图像输入层→第一个反卷积层→图像批归一化层→LeakyReLu层→第二个反卷积层→图像批归一化层→LeakyReLu层→第三个反卷积层→图像批归一化层→LeakyReLu层→第四个反卷积层→图像批归一化层→LeakyReLu层→第五个反卷积层→.....→Tanh层。


5.根据权利要求1所述的一种基于生成式对抗网络的水下声呐仿真图像...

【专利技术属性】
技术研发人员：王正阳，叶秀芬，雷敏，刘文智，李海波，
申请(专利权)人：哈尔滨工程大学，中国船舶重工集团有限公司第七一零研究所，
类型：发明
国别省市：黑龙江;23