【技术实现步骤摘要】
一种前景和背景关联共生的红外图像迭代生成方法
[0001]本专利技术涉及计算机视觉
,具体涉及一种面向红外空中弱小目标图像生成的前景和背景关联共生的红外图像迭代生成方法。
技术介绍
[0002]20世纪以来红外成像以及红外图像目标探测等技术得到了广泛的应用和发展。与可见光成像不同,红外图像成像效果不依赖于环境的光照,而是取决于物体发射的热辐射程度。所以红外图像可以更清楚的辨别场景中的物体和背景,具有较强的抗干扰能力,很大程度的消除了光照、阴影等外界环境的影响。
[0003]红外空中弱小目标检测是空中目标探测的核心技术之一,且一直是光电探测领域研究的热点问题。尤其是复杂背景下的弱小运动目标检测,尚缺乏有效的技术解决途径。面向军事等特殊场景的红外图像数据,面临着实测场景少和采集难度大等难题。在目标图像样本外场采集成本高的同时,还存在无法遍历不同环境条件下的所有可能,导致真实的红外弱小目标图像非常有限。当前关于空中红外红外弱小目标的可用数据集规模通常很小,不足以支持面向红外弱小目标检测的有效模型训练。因此如何获得更多 ...
【技术保护点】
【技术特征摘要】
1.一种前景和背景关联共生的红外图像迭代生成的方法,包括:步骤1,采集训练图像,获得红外图像数据集。由于公开的空中弱小目标红外图像数据集较少,本专利所述的数据来源包括:部分真实红外图像(如SIRST等公开数据集),通过缩比模型实地采集仿真数据,以及对空中弱小目标可见光图像进行显著性检测后的显著性图来近似替代。所述的训练图像数据集用于训练各个生成网络模型。本发明对图像根据不同环境类型定义不同领域(domain),即同一环境条件下(如天气、云层条件等)的红外目标图像定义为同一个domain。步骤2,训练用于生成前景目标区域的多态无监督图像到图像转换模型(MUNIT,Multimodal Unsupervised Image
‑
to
‑
Image Translation)。MUNIT模型实现领域1的图像到领域2的图像的风格迁移转换。MUNIT的训练需要两个自编码器,分别对应领域1和领域2。两个自编码器都需要在各自的领域中进行训练,保证同一张图片可以还原出相似的图片;步骤3,构建MUNIT生成“多态”的空中弱小目标的前景图片。MUNIT在无监督图像转换模型UNIT的共享隐变量(latent code)基础上,假设该共享隐变量由内容编码c和风格编码s共同构成。对于空中弱小目标,内容编码的含义接近于图片中物体的初级特征信息,比如朝向,边缘等。而风格则描述图片中物体的一些高级属性,如颜色、纹理、样式等。给定某个红外弱小目标图像,截取红外目标所在的矩形闭包区域,作为目标前景区域;步骤4,图像的风格编码满足一个高斯分布,图像的不同风格就是高斯分布的一些数据。在共享内容编码的情况下,固定领域1中图像1的目标前景区域的内容编码c1,结合领域2中图像2的风格编码s2,再通过解码器生成新的图片,实现从领域1生成领域2样式的图片x1→2。因此在生成图片时,MUNIT将同一个内容c和不同的风格s组合并编码输出,就可以得到多态的空中弱小目标的前景图片;步骤5,以级联方式逐步迭代生成科学共生的多样化背景。通过步骤4所述的过程生成某个给定红外图像中红外弱小目标的多态图像区域后,选择无监督循环对抗生成网络CycleGAN(Cycle Generative Adversarial Network)逐步迭代扩展生成跟原始图像大小一致的完整空中小目标红外图像。步骤6,CycleGAN中生成器的训练。原始无背景的红外图像通过生成器学习背景的数据分布。经过卷积下采样得到特征向量,特征向量经过多层卷积层后通过转置卷积后生成结果图像。Z随机变量在生成器G中控制属性,使得生成结果不唯一,保证输出结果多...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。