一种改善空气热浪下机场跑道成像畸变的方法技术

本发明专利技术提供一种改善空气热浪下机场跑道成像畸变的方法，该方法包括：(1)采集大量真实热浪图X和真实非热浪图Y；(2)构造体系模型，该体系模型由生成器G、生成器F、判别器D

【技术实现步骤摘要】
一种改善空气热浪下机场跑道成像畸变的方法


[0001]本专利技术涉及图像处理领域，尤其是涉及一种改善空气热浪下机场跑道成像畸变的方法。

技术介绍

[0002]夏季高温天气下，机场跑道地表温度急剧上升，受热的空气会对光线产生折射，导致利用光学设备成像时产生热浪现象。光学设备本身无法对热浪图片进行复原，因此也无法对跑道上易产生安全隐患的物体进行精确成像。本专利提出的方法能有效依托现有硬件条件，快速恢复图像的真实信息，有助于避免跑道的安全隐患以及提高机场的经济效益。

技术实现思路

[0003]本专利技术的目的在于：针对现有技术存在的问题，提供一种改善空气热浪下机场跑道成像畸变的方法，能有效依托现有硬件条件，快速恢复图像的真实信息，有助于避免跑道的安全隐患以及提高机场的经济效益。
[0004]本专利技术的专利技术目的通过以下技术方案来实现：
[0005]一种改善空气热浪下机场跑道成像畸变的方法，该方法包括：
[0006](1)采集大量真实热浪图X和真实非热浪图Y；
[0007](2)构造体系模型，该体系模型由生成器G、生成器F、判别器D
y
和判别器D
x
组成；
[0008](3)对体系模型进行训练：将真实热浪图X输入生成器G生成对应的生成非热浪图X
’
；将真实非热浪图Y输入生成器F生成对应的生成热浪图Y
’
；判别器D
y
用于判别一张非热浪图是生成非热浪图像X
’
还是真实非热浪图Y；判别器D
x
用于判别一张热浪图是生成热浪图Y
’
还是真实热浪图X；
[0009](4)用训练好的模型恢复空气热浪下机场跑道的成像。
[0010]作为进一步的技术方案，所述体系模型引入循环对抗损失函数，其表示为：
[0011]L
CycleGAN
(G,F,D
x
,D
y
)＝L
GAN
(G,D
y
,X,Y)+L
GAN
(G,D
x
,X,Y)+λL
cyc
(G,F)；其中：
[0012]生成器G的映射函数G：X
‑
>Y及其判别器D
y
的原始的目标函数为：
[0013]L
GAN
(G,D
y
,X,Y)＝Ε
y～Pdata(y)
[logD
y
(y)]+Ε
x～Pdata(x)
[log(1
‑
D
y
(G(x)))]，
[0014]生成器F的映射函数F：Y
‑
>X及其判别器D
x
的原始的目标函数为：
[0015]L
GAN
(G,D
x
,X,Y)＝Ε
x～Pdata(x)
[logD
x
(x)]+Ε
y～Pdata(y)
[log(1
‑
D
y
(F(y)))]，
[0016]循环一致性损失公式：L
cyc
(G,F)＝Ε
x～Pdata(x)
[||F(G(x))
‑
x||1]+Ε
y～Pdata(y)
[||G(F(y))
‑
y||1]。
[0017]作为进一步的技术方案，所述体系模型在引入循环对抗损失函数的基础上再引入循环感知一致性损失函数后，其表示为： L(G,F,D
x
,D
y
)＝L
CycleGAN
(G,F,D
x
,D
y
)+γ*L
Perceptua
(G,F)，其中，γ为循环感知一致性损失的权重，循环感知一致性损失的公式：
[0018]作为进一步的技术方案，γ设置为：循环对抗损失设置比循环感知一致性损失的
权重高。
[0019]作为进一步的技术方案，采集的图像数据在送入体系模型之前，采用拉普拉斯金字塔方法对图像进行缩放。
[0020]作为进一步的技术方案，采用SSIM值作为拉普拉斯金字塔方法处理的图像的评价指标
[0021]与现有技术相比，本专利技术具有以下优点：
[0022]1.该方法的模型在训练过程中不需要成对的有热浪和无热浪地面实况图像作为样本，也不需要考虑光线在大气中的折射模型参数。
[0023]2.该方法训练后生成的模型属于通用模型，可以跨场景使用。
[0024]3.该方法考虑了计算能力弱和计算能力强两种情况下的使用方式，适用性更广泛。
附图说明
[0025]图1为构造体系模型的结构图。
具体实施方式
[0026]下面结合附图和具体实施例对本专利技术进行详细说明。
[0027]实施例
[0028]本实施例提供一种改善空气热浪下机场跑道成像畸变的方法，该方法包括：
[0029](1)采集大量真实热浪图X和真实非热浪图Y。不需要成对采集相同场景下的有热浪图像和无热浪图像。
[0030](2)如图1所示，构造体系模型，该体系模型由生成器G、生成器F、判别器 D
y
和判别器D
x
组成；
[0031](3)对体系模型进行训练：将真实热浪图X输入生成器G生成对应的生成非热浪图X
’
；将真实非热浪图Y输入生成器F生成对应的生成热浪图Y
’
；判别器D
y
用于判别一张非热浪图是生成非热浪图像X
’
还是真实非热浪图Y；判别器D
x
用于判别一张热浪图是生成热浪图Y
’
还是真实热浪图X；
[0032](4)用训练好的模型恢复空气热浪下机场跑道的成像。
[0033]以下是对体系模型的具体说明：
[0034](31)对抗性损失。将对抗损失应用于两个映射函数。对于生成器G的映射函数 G：X
‑
>Y及其判别器D
y
，原始的目标函数表示为：
[0035]L
GAN
(G,D
y
,X,Y)＝Ε
y～Pdata(y)
[logD
y
(y)]+Ε
x～Pdata(x)
[log(1
‑
D
y
(G(x)))]ꢀꢀꢀ
(1)
[0036]其中函数G的目标是最小化该函数，判别器D
y
的目标则是最大化该函数，其中
[0037]E(*)表示分布函数的期望值，x表示真实热浪图片，y表示真实非热浪图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改善空气热浪下机场跑道成像畸变的方法，其特征在于，该方法包括：(1)采集大量真实热浪图X和真实非热浪图Y；(2)构造体系模型，该体系模型由生成器G、生成器F、判别器D
y
和判别器D
x
组成；(3)对体系模型进行训练：将真实热浪图X输入生成器G生成对应的生成非热浪图X
’
；将真实非热浪图Y输入生成器F生成对应的生成热浪图Y
’
；判别器D
y
用于判别一张非热浪图是生成非热浪图像X
’
还是真实非热浪图Y；判别器D
x
用于判别一张热浪图是生成热浪图Y
’
还是真实热浪图X；(4)用训练好的模型恢复空气热浪下机场跑道的成像。2.根据权利要求1所述的一种改善空气热浪下机场跑道成像畸变的方法，其特征在于，所述体系模型引入循环对抗损失函数，其表示为：L
CycleGAN
(G,F,D
x
,D
y
)＝L
GAN
(G,D
y
,X,Y)+L
GAN
(G,D
x
,X,Y)+λL
cyc
(G,F)；其中：生成器G的映射函数G：X
‑
>Y及其判别器D
y
的原始的目标函数为：L
GAN
(G,D
y
,X,Y)＝Ε
y～Pdata(y)
[logD
y
(y)]+Ε
x～Pdata(x)
[log(1
‑
D
y
(G(x)))]，生成器...

【专利技术属性】
技术研发人员：谭诗雨，代超，刘宗是，刘茁，
申请(专利权)人：成都辰天信息科技有限公司，
类型：发明
国别省市：