纹理智能生成的红外海面背景仿真方法及系统技术方案

本发明专利技术提供了一种纹理智能生成的红外海面背景仿真方法及系统，包括：步骤S1：从实测海面背景数据中提取本征辐射特征；步骤S2：利用本征辐射特征数据对模型进行训练，对海面纹理进行扩充；步骤S3：进行红外海面纹理随机映射和海面动态场景渲染。本发明专利技术将为智能算法的学习、训练和测试，提供高效、快速、经济、样本量大、逼真度高的仿真数据，提升目标特性建模与仿真水平和能力，对红外传感器系统智能探测识别技术的发展具有重大意义。别技术的发展具有重大意义。别技术的发展具有重大意义。

【技术实现步骤摘要】
纹理智能生成的红外海面背景仿真方法及系统


[0001]本专利技术涉及目标特性建模与仿真领域，具体地，涉及一种纹理智能生成的红外海面背景仿真方法及系统，更为具体地，涉及一种可支持高逼真度红外海面背景图像仿真方法及系统。

技术介绍

[0002]由于战场环境的复杂化和目标特性的不确定性等给红外传感器系统与技术的发展带来了越来越严重的挑战，智能化技术是未来新一代红外传感器系统研发面临的关键问题。红外传感器系统的智能化就是指利用所获得的充分、有效的数据自动做出决策。因此，必须建立包括适当数目的代表性的样本、用于有效的训练和测试的目标特征数据库。
[0003]仿真生成红外图像数据的优势是能够产生覆盖宽泛变化范围的运行使用条件，另外可以在数据产生过程中产生标注和有关目标、环境和探测敏感条件的精确的元数据。然而，不幸的是，红外数据也是非常难以精确建模的，这使得高逼真度的红外图像的生成非常复杂而且计算上具有很大的挑战。
[0004]目前，国内外研究的目标特性建模方法可以分为两种。方法一属于正向建模过程，通过分析仿真实体的样本数据产生机理，构建仿真本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种纹理智能生成的红外海面背景仿真方法，其特征在于，包括：步骤S1：从实测海面背景数据中提取本征辐射特征；步骤S2：利用本征辐射特征数据对模型进行训练，对海面纹理进行扩充；步骤S3：进行红外海面纹理随机映射和海面动态场景渲染。2.根据权利要求1所述的纹理智能生成的红外海面背景仿真方法，其特征在于，在所述步骤S1中：建立海面红外特性反演模型，从实测海面背景数据中提取本征辐射特征；包括数据标定和效应去除，效应去除包括大气效应去除和成像系统效应去除；具体包括：用实测得到的红外图像特征数据获取目标的真实温度场分布，通过反演得到海场景亮度辐射信息和温度分布信息的技术，依据红外辐射传输理论，以及光电信号转换原理，通过建立红外光照模型、大气传输模型、传感器成像系统效应模型和红外反演框架，将实测的目标红外辐射信息反推得到的目标红外本征自发辐射分布信息；其中，数据定标根据黑体辐射定标和普朗克公式进行转换计算得到辐射亮度值；大气效应去除通过MODTRAN软件结合拍摄时的环境和拍摄距离信息计算在拍摄波段的大气透过率和路径辐射值；根据到达热像仪前的辐射亮度值L
ap
结合大气平均透过率和大气路径辐射值求出目标的本征辐射值L
o
；针对成像系统效应去除，对图像进行盲元补偿与噪声抑制，在依据调制传递函数理论，对输入的红外图像做傅里叶变换进行逆滤波变换，进行傅里叶逆变换，去除空间传递效应；根据数据定标结果得到本征的温度值或辐射亮度值。3.根据权利要求1所述的纹理智能生成的红外海面背景仿真方法，其特征在于，在所述步骤S2中：建立智能纹理生成模型，利用本征辐射特征数据形成样本训练集对智能模型开展训练，训练完成后基于StyleGAN实现海面纹理扩充，并根据扩充结果得到海面纹理特征；具体包括：通过生成对抗网络架构，用数量少于预设标准的实测海面图像样本来生成数量大于预设标准的红外海面背景图像数据集，完成数据扩充；反演提取红外样本图像数据集作为红外纹理特征图像输入；使用生成网络对红外纹理特征图像进行编、解码操作，生成待判定的红外纹理特征图像；使用判别网络对生成结果进行判断，完成生成对抗网络结构的搭建；定义选择损失函数，并在训练中使用优化器对生成对抗网络的损失函数进行优化，同时逐步调整超参数以得到训练后的生成对抗网络；使用训练完成的生成对抗网络生成符合条件的海面红外纹理特征图像。4.根据权利要求3所述的纹理智能生成的红外海面背景仿真方法，其特征在于：步骤S2.1：构建训练样本数据集通过反演得到海面温度数据，将训练集图片像素裁成预设尺寸，生成训练所需的实测样本数据集；步骤S2.2：智能模型构建与训练StyleGAN采用了由低到高，逐分辨率递进式的训练方法，StyleGAN由生成器和判别器组成；首先构建生成对抗网络模型，并对生成对抗网络内部的生成网络和判别网络进行权重及数据的初始化操作；
其次定义模型损失函数，选用Adam优化器对损失函数进行优化；步骤S2.3：网络模型开展训练，使用误差反向传播算法进行训练，反向传播包括：步骤S2.3.1：前向传播，将输入送进网络，经过网络计算得到预测值；对预测值与该输入的真实标签求误差；步骤S2.3.2：权重更新，对于网络中每个需要更新的参数，计算误差关于该参数的偏导数，并以此对参数进行更新；步骤S2.4：调整超参数使网络收敛，迭代反向传播过程，直到迭代次数超过设定的次数，完成训练过程；步骤S2.5：固定生成器，保存训练完成后的参数和网络模型，生成符合预设条件的图像。5.根据权利要求1所述的纹理智能生成的红外海面背景仿真方法，其特征在于，在所述步骤S3中：建立海面红外辐射模型，采用三维海面纹理映射方法，利用灰度特征调制因子对海面BRDF的亮度分布计算结果进行调制，利用UV展开映射采样方法对海面高度场的亮度特征进行调制，并利用渲染引擎实现三维场景的动态驱动，通过输入不同的传感器参数，添加大气传输效应，实现不同视角、不同距离下的海面场景仿真；具体包括：考虑海面鳞光闪烁和海天线的辐射特性在三维空间中建立海面红外辐射传输模型；将扩展的红外纹理特征映射至海面辐射模型中，利用灰度特征调制因子对海面BRDF的亮度分布计算结果进行调制，利用UV展开映射采样方法对海面高度场的亮度特征进行调制，基于虚幻引擎渲染生成三维海场景红外图像序列数据。6.一种纹理智...

【专利技术属性】
技术研发人员：李凡，王丙乾，佘少波，沈涛，张小威，王立权，吴鑫，张国泉，刘德连，柴娟芳，田义，杨杨，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：