一种基于自编码器的红外仿真图像质量评估方法技术

本发明专利技术公开了一种基于自编码器的红外仿真图像质量评估方法，包括将真实红外图像进行网格化，水平方向竖直方向均匀化采样，得到真实红外图像网格图；将真实红外图像网格图输入至自编码器，对真实红外图像网格图进行训练，直至自编码器损失值收敛；将待评估的仿真红外图像进行与真实红外图像相同的网格化操作后输入训练好的自编码器中，输出每个仿真红外图像网格图的重构图，计算仿真红外图像网格图与对应的重构图的损失值，从而计算得到每一张仿真红外图像对应的所有仿真红外图像网格图损失的平均值；根据预先设置的分数阈值，对所有仿真红外图像损失平均值进行筛选，得到高真实性仿真图像。本发明专利技术能对仿真红外图像进行有效的质量评估。的质量评估。的质量评估。

【技术实现步骤摘要】
一种基于自编码器的红外仿真图像质量评估方法


[0001]本申请属于数字图像处理
，涉及一种利用自编码器在红外仿真图像上进行质量评估的方法，更具体是一种新的利用自编码器的编码重建过程中的损失值对红外仿真图像进行真实性评估。

技术介绍

[0002]在物理学中，凡是高于绝对零度(即
‑
273.15℃)的物质都可以产生红外线，其本质是一种电磁波，人眼无法看到红外辐射，而红外成像系统与人眼不同，其中心元件探测器对红外辐射敏感，基于物体红外辐射的强度，通过显示器可以量化生成人眼可见的红外图像。红外成像系统较可见光系统穿透能力强，发现距离远，能够全天时全天候地工作，不受光照变化的影响，具有在黑暗环境中目标识别能力强、抗干扰能力强、灵活性高等特点。尤其是在森林搜救、公共安防、军事行动等很多方面都起着重要的作用。
[0003]近年来，深度学习技术飞速发展，深度神经网络这种优良的性能，在很大程度上也依赖于海量的数据。但是实际很多场景红外图像的数量很少，难以支撑一个模型的训练，而要保证很好的完成任务，就必须获得更多的数据。随着红外成像技术的不断进步得到了迅猛发展，目前面向红外的智能化探测系统正在升级改造中，需要使用智能感知模型对目标进行精确高效的识别定位，必须考虑能够在各种自然和人为干扰环境下准确捕获目标，这就需要大量的不同成像条件、不同干扰场景下的红外训练样本，对系统进行大规模不同场景下的测试与评估，从而保证系统的鲁棒性。由于红外探测仪等设备普遍价格昂贵，大规模实地采集代价较高。而且在大多数场景下，通过实拍获取红外图像是非常困难的，例如卫星红外图像以及军事目标红外图像的获取都需要耗费大量的人力物力。针对该问题常采用数据增强和红外仿真的方法来扩充红外样本，数据增强需要基于已有的红外样本，且其并不能改变图像本身内容，对训练的提升有限，目前基于红外仿真的样本扩充成为一个新的趋势，已有一些较为成熟的方法可大批量生成仿真红外样本。然而，利用仿真红外样本进行红外训练样本集扩充依然面临红外样本仿真的质量评估，仿真红外样本的真实性和可用性必须得到保证以后才可应用于网络训练中，现有的仿真图像评估方法多基于像素级，这需要完美配对的真实红外数据才能进行评价。对于大批量的仿真红外样本缺乏非配对的评估方法。
[0004]在当前的研究背景下，为了应对仿真红外图像质量评估缺乏配对真实红外样本的问题，设计一种基于自编码器的红外仿真图像质量评估方法，该方法可以利用已有的真实红外图像的内容，在不用配对的情况下就能对仿真红外图像进行有效的质量评估。

技术实现思路

[0005]本专利技术针对上述研究现状和存在的问题，提供一种基于自编码器的红外仿真图像质量评估方法。利用已有真实红外图像的先验知识，在仿真红外图像无配对真实图像的情况下，采用网格将图像均匀分割成很多网格图，并将网格图送入自编码器训练直到收敛，再
用同样的方法将仿真红外图像也网格化送入已训练好的自编码器中，获取到的每个网格的损失值就代表该网格的真实性，并对全图进行加权获得整张图的真实性。
[0006]为了实现上述的专利技术目的，本专利技术基于自编码器的红外仿真图像质量评估方法，包括如下步骤：
[0007]S1、将真实红外图像进行网格化，水平方向竖直方向均匀化采样，得到真实红外图像网格图，作为自编码器的训练数据；
[0008]S2、将真实红外图像网格图输入至自编码器，对真实红外图像网格图进行训练，直至自编码器损失值收敛；
[0009]S3、将待评估的仿真红外图像进行与真实红外图像相同的网格化操作后输入训练好的自编码器中，输出每个仿真红外图像网格图的重构图，计算仿真红外图像网格图与对应的重构图的损失值，从而计算得到每一张仿真红外图像对应的所有仿真红外图像网格图损失的平均值；
[0010]S4、根据预先设置的分数阈值，对所有仿真红外图像损失平均值进行筛选，得到高真实性仿真图像。
[0011]优选的，所述S1具体包括：
[0012]S11、定义真实红外图像集仿真红外图像集仿真红外图像集W1
×
H1和W2
×
H2分别是真实红外图像和仿真红外图像的尺寸，N与M分别代表真实红外图像和仿真红外图像数量，C代表图像的通道数量，Z
n
代表第n个真实红外图像，F
m
代表第m个仿真红外图像；
[0013]S12、网格划分定义，在真实红外图像和仿真红外图像中的滑动步长分别为S1和S2，网格的尺寸为w
×
h，相邻网格允许重叠，真实红外图像得到W1/S1
×
H1/S1个网格图，仿真红外图像得到W2/S2
×
H2/S2个网络图；
[0014]对真实红外图像按照上述参数进行切割得到的真实红外图像网格图作为自编码器的训练数据；
[0015]S13、将真实红外图像网格图进行编号，将的网格数据定义为表示Z
n
形成的第i行第j列的网格图，i≤W1/S1，j≤H1/S1，形成自编码器的训练集表示为
[0016]优选的，所述S2具体包括：
[0017]S21、定义自编码器：编码器定义为E(
·
)，解码器定义为D(
·
)，公式如下：
[0018][0019]其中，x表示自编码器的输入，，θ
D
和θ
F
分别是编码器和解码器的参数，y是中间层输出，是解码器的输出；
[0020]S22、定义损失函数，公式如下：
[0021][0022]其中，B是训练数据的个数，将训练数据集输入至自编码器中，通过优化算法，例如动量梯度下降算法或Adam算法等优化该自编码器，使得损失函数值变小直至收敛。
[0023]优选的，所述S3具体包括：
[0024]S31、按照S1中设定的参数，对待评估的每张仿真红外图像进行切割得到仿真红外图像网格图，将仿真红外图像网格图进行编号，并将的网格数据定义为i≤W2/S2，j≤H2/S2，得到仿真红外图像网格图集合将仿真红外图像网格图集合输入已经训练好的自编码器，自编码器将输出重构图，采用均方误差计算原始输入仿真红外图像网格图和对应的重构图的重构损失值的重构损失值从而得到分数集合
[0025]S32、从分数集合取出每一幅仿真红外图像的网格损失分数，对所有网格损失分数取平均得到图像F
m
分数S
m
，计算公式为：
[0026][0027]其中，i表示F
m
第i行，j表示F
m
第j列。
[0028]优选的，所述S4具体包括：
[0029]S41、S
m
代表第m个仿真红外图像的真实性得分，将得分集合{S
m
}的元素进行由小到大的排序，分数越低则表明图像真实性越强，分数越高则表明图像真实性越弱；
[0030]S42、通过预先设置的分数阈值，对所有仿真红外图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自编码器的红外仿真图像质量评估方法，其特征在于，包括如下步骤：S1、将真实红外图像进行网格化，水平方向竖直方向均匀化采样，得到真实红外图像网格图，作为自编码器的训练数据；S2、将真实红外图像网格图输入至自编码器，对真实红外图像网格图进行训练，直至自编码器损失值收敛；S3、将待评估的仿真红外图像进行与真实红外图像相同的网格化操作后输入训练好的自编码器中，输出每个仿真红外图像网格图的重构图，计算仿真红外图像网格图与对应的重构图的损失值，从而计算得到每一张仿真红外图像对应的所有仿真红外图像网格图损失的平均值；S4、根据预先设置的分数阈值，对所有仿真红外图像损失平均值进行筛选，得到高真实性仿真图像。2.根据权利要求1所述的一种基于自编码器的红外仿真图像质量评估方法，其特征在于，所述S1具体包括：S11、定义真实红外图像集仿真红外图像集仿真红外图像集W1
×
H1和W2
×
H2分别是真实红外图像和仿真红外图像的尺寸，N与M分别代表真实红外图像和仿真红外图像数量，C代表图像的通道数量，代表第n个真实红外图像，F
m
代表第m个仿真红外图像；S12、网格划分定义，在真实红外图像和仿真红外图像中的滑动步长分别为S1和S2，网格的尺寸为w
×
h，相邻网格允许重叠，真实红外图像得到W1/S1
×
H1/S1个网格图，仿真红外图像得到W2/S2
×
H2/S2个网络图；对真实红外图像按照上述参数进行切割得到的真实红外图像网格图作为自编码器的训练数据；S13、将真实红外图像网格图进行编号，将的网格数据定义为表示Z
n
形成的第i行第j列的网格图，i≤W1/S1，j≤H1/S1，形成自编码器的训练集表示为3.根据权利要求2所述的一种基于自编码器的红...

【专利技术属性】
技术研发人员：李波，赵磊，陈佳豪，韦星星，武嘉妮，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：