一种基于噪声自我感知的神经辐射场SAR图像模拟方法技术

本发明专利技术公开了一种基于噪声自我感知的神经辐射场SAR图像模拟方法，包括以下步骤：S1、构建图像渲染网络模型；S2、对图像渲染网络模型进行训练，得到最佳的图像渲染网络模型；S3、将所需的SAR方向角输入到最佳的图像渲染网络模型中进行三维渲染，得到网络模拟的SAR图像；本发明专利技术将原本的二维图像生成问题转化为三维渲染问题，可以一般性地得到任意方向角下的SAR图像，该基于噪声自我感知的神经辐射场SAR图像模拟方法产生的结果与真实SAR图像有很高的相似度，模拟效果好。模拟效果好。模拟效果好。

【技术实现步骤摘要】
一种基于噪声自我感知的神经辐射场SAR图像模拟方法


[0001]本专利技术涉及图像处理
，具体的说是一种基于噪声自我感知的神经辐射场SAR图像模拟方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)技术近年来应用得越来越广泛，它通过发射和接收雷达波而获得地面信息，具有全天时、全天候工作的特点，且雷达波对地面植被具有一定的穿透能力。SAR图像已广泛应用于军事和国民经济领域，包括飞机目标检测、土地监测、导航、自然灾害监测等。
[0003]现有的SAR图像模拟方法通常是生成二维图像，模拟产生的结果与真实SAR图像差别较大，较难满足人们的实际使用需求。

技术实现思路

[0004]本专利技术的目的在于提出了一种基于噪声自我感知的神经辐射场SAR图像模拟方法。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]一种基于噪声自我感知的神经辐射场SAR图像模拟方法，包括以下步骤：
[0007]S1、构建图像渲染网络模型；
[0008]S2、对图像渲染网络模型进行训练，得到最佳的图像渲染网络模型；
[0009]S3、将所需的SAR方向角输入到最佳的图像渲染网络模型中进行三维渲染，得到网络模拟的SAR图像。
[0010]优选地，步骤S1中构建的所述图像渲染网络模型为：可使用一个参数为θ的深度神经网络f
θ
:预测三维空间某个点(x,y,z)，在给定方向角(θ,φ)下的颜色值c＝(r,g,b)、透明度σ和噪声程度β。
[0011]优选地，步骤S2的具体过程为：
[0012]S21、划分训练数据集，确定网络参数；
[0013]S22、根据均匀分布随机采样样本点列，并计算样本点列在Ground Truth平面渲染结果；
[0014]S23、采样难样本点列，并计算难样本点列在Ground Truth平面渲染结果；
[0015]S24、计算损失函数并更新图像渲染网络模型的网络参数；
[0016]S25、判断损失函数是否收敛，若收敛，则保存为最佳的图像渲染网络模型；若不收敛，则重复执行步骤S22
‑
S24，直至损失函数收敛。
[0017]优选地，步骤S21中所述网络参数的确定过程为：根据光学原理，将合成孔径雷达的2D成像中的像素值对应的累计效果通过以下公式计算:
[0018][0019]其中，C(r)表示渲染结果的颜色，r＝o+td表示起点为o方向为d的射线，t
n
和t
f
分别表示镜头的近端和远端，T(t)表示点t处的累积的透明度衰减，σ(r(t))和c(r(t),d)分别表示网络对射线上距离近端为t的点的透明度和颜色的预测，σ(r(s))表示射线上距离近端为s的点的透明度，并使用quadrature数值积分法离散化地求解。
[0020]优选地，步骤S22的具体过程为：
[0021]S221、从区间[t
n
,t
f
]，根据均匀分布采样N个点:
[0022][0023]S222、采用这N个离散点表示射线上的积分变量，并用以下公式估计渲染结果:
[0024][0025]其中，δ
i
＝t
i+1
‑
t
i
表示相邻采样点之间的距离，σ
i
和c
i
分别表示网络对采样点i的透明度和颜色值的预测；
[0026]S223、采用以下公式对网络预测的噪声在射线上积分，以估计像素值受噪声的影响程度:
[0027][0028]其中，β(r(s))表示射线上距近端距离为s处预测的噪声值；
[0029]S224、使用一个固定的映射将5d输入向量的每个元素映射成一个高维向量，映射如下:
[0030]γ(p)＝(sin(20πp),cos(20πp),
…
,sin(2
L
‑1πp),cos(2
L
‑1πp))；
[0031]S225、将网络数量从1个变为2个，分别为coarse网络和fine网络，coarse网络在均匀采样的点上优化，并根据下式为每个采样点计算一个权重
[0032][0033]其中，该权重表示采样点i在积累过程中受透明度影响的衰减系数及受噪声的影响程度，衰减或受噪声影响越大，该点的权重越低。
[0034]优选地，步骤S23的具体过程为：
[0035]S231、由S22得到归一化的权重此时表示射线r上采样点重要程度的概率密度函数W；
[0036]S232、由概率密度函数W在射线上随机采样Nc个点；
[0037]S233、将这Nc个点按步骤S224相同方式映射到高维空间。
[0038]优选地，步骤S24中所述损失函数的计算过程为：采用coarse网络和fine网络的预测结果及Ground Truth的均方误差作为损失函数:
[0039][0040]其中，和分别表示coarse网络和fine网络的预测结果，C(r)表示射线r对应Ground Truth点的像素值，β为射线r累计的噪声程度，噪声越大，该点损失函数的权重越低，β(r)表示射线累计的噪声值。
[0041]采用上述技术方案后，本专利技术与
技术介绍
相比，具有如下优点：本专利技术将原本的二维图像生成问题转化为三维渲染问题，可以一般性地得到任意方向角下的SAR图像，该基于噪声自我感知的神经辐射场SAR图像模拟方法产生的结果与真实SAR图像有很高的相似度，模拟效果好。
附图说明
[0042]图1为本专利技术的流程图；
[0043]图2为本专利技术的图像渲染网络模型的训练流程图。
具体实施方式
[0044]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0045]本专利技术主要涉及的是一种基于噪声自我感知的神经辐射场SAR图像模拟方法，下面结合附图对本实施例进行详细说明。
[0046]请参阅图1至图2，本专利技术公开了一种基于噪声自我感知的神经辐射场SAR图像模拟方法，包括以下步骤：
[0047]S1、构建图像渲染网络模型；
[0048]步骤S1中构建的所述图像渲染网络模型为：可使用一个参数为θ的深度神经网络f
θ
:预测三维空间某个点(x,y,z)，在给定方向角(θ,φ)下的颜色值c＝(r,g,b)、透明度σ和噪声程度β；
[0049]S2、对图像渲染网络模型进行训练，得到最佳的图像渲染网络模型；
[0050]步骤S2的具体过程为：
[0051]S21、划分训练数据集，确定网络参数；
[0052]步骤S21中所述网络参数的确定过程为：根据光学原理，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于噪声自我感知的神经辐射场SAR图像模拟方法，其特征在于，包括以下步骤：S1、构建图像渲染网络模型；S2、对图像渲染网络模型进行训练，得到最佳的图像渲染网络模型；S3、将所需的SAR方向角输入到最佳的图像渲染网络模型中进行三维渲染，得到网络模拟的SAR图像。2.如权利要求1所述的一种基于噪声自我感知的神经辐射场SAR图像模拟方法，其特征在于，步骤S1中构建的所述图像渲染网络模型为：可使用一个参数为θ的深度神经网络f
θ
:预测三维空间某个点(x,y,z)，在给定方向角(θ,φ)下的颜色值c＝(r,g,b)、透明度σ和噪声程度β。3.如权利要求2所述的一种基于噪声自我感知的神经辐射场SAR图像模拟方法，其特征在于，步骤S2的具体过程为：S21、划分训练数据集，确定网络参数；S22、根据均匀分布随机采样样本点列，并计算样本点列在GroundTruth平面渲染结果；S23、采样难样本点列，并计算难样本点列在GroundTruth平面渲染结果；S24、计算损失函数并更新图像渲染网络模型的网络参数；S25、判断损失函数是否收敛，若收敛，则保存为最佳的图像渲染网络模型；若不收敛，则重复执行步骤S22
‑
S24，直至损失函数收敛。4.如权利要求3所述的一种基于噪声自我感知的神经辐射场SAR图像模拟方法，其特征在于，步骤S21中所述网络参数的确定过程为：根据光学原理，将合成孔径雷达的2D成像中的像素值对应的累计效果通过以下公式计算:其中，C(r)表示渲染结果的颜色，r＝o+td表示起点为o方向为d的射线，t
n
和t
f
分别表示镜头的近端和远端，T(t)表示点t处的累积的透明度衰减，σ(r(t))和c(r(t),d)分别表示网络对射线上距离近端为t的点的透明度和颜色的预测，σ(r(s))表示射线上距离近端为s的点的透明度，并使用quadrature数值积分法离散化地求解。5.如权利要求4所述的一种基于噪声自我感知的神经辐射场SAR图像模拟方法，其特征在于，步骤S22的具体过程为：S221、从区间[t
n
,t

【专利技术属性】
技术研发人员：王连生，胡利平，高洁，周联昱，
申请(专利权)人：厦门大学，
类型：发明
国别省市：