System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理,具体涉及一种红外知识先验的红外图像生成方法。
技术介绍
1、利用可见光图像得到对应红外图像的方法,能够有效解决红外图像在红外制导、红外对抗和红外目标识别任务中数据缺乏的问题。常规红外图像主要是通过红外热像仪针对目标场景进行拍摄得到的,然而在对于一些特殊环境下,红外热像仪所能获得的图像数据量相对不足。同时,红外热像仪应与其他仪器相比,价格仍然很昂贵,这些都限制了红外图像数据的获得,影响了红外图像的应用。
2、当前,一些基于生成对抗网络的红外图像生成方法能够在一定程度上生成表征红外图像的特征,但是没有挖掘出可见光-红外图像的共有深度特征,导致生成的红外图像在不同程度上表现失真。
3、因此亟需设计种红外知识先验的红外图像生成方法,以解决上述问题。
技术实现思路
1、针对上述现有技术存在的缺陷,本专利技术的目的在于提供一种红外知识先验的红外图像生成方法,包括:步骤1.获取可见光-红外图像数据集,并在其内选出对应组的可见光-红外图像;步骤2.使用特征网络对可见光-红外图像进行特征提取,得到可见光-红外图像特征集;步骤3.以可见光-红外图像特征集为基础,结合特征网络的损失函数构造可见光-红外图像特征集损失函数;步骤4.优化可见光-红外图像特征集损失函数,得到优化后的特征网络;步骤5.使用优化的后特征网络构建条件生成对抗网络,并利用条件生成对抗网络对可见光-红外图像进行特征提取,得到生成红外特征图;步骤6.对生成红外特征图像进行判别,依据判别结果和
2、本专利技术的还提供一种红外知识先验的红外图像生成系统,包括:目标图像获取模块,用于获取可见光-红外图像数据集,并选出对应组的可见光-红外图像;第一优化模块,用于使用特征网络对可见光-红外图像进行特征提取,得到可见光-红外图像特征集,再以可见光-红外图像特征集为基础,结合特征网络的损失函数构造可见光-红外图像特征集损失函数,最后优化可见光-红外图像特征集损失函数,得到优化后的特征网络;第二优化模块,用于使用优化的后特征网络构建条件生成对抗网络,并利用条件生成对抗网络对可见光-红外图像进行特征提取,得到生成红外特征图,再对生成红外特征图像进行判别,依据判别结果和生成红外特征图像,构造生成红外特征图像损失函数,最后优化生成红外特征图像损失函数,得到优化后的条件生成对抗网络;转换模块,用于条件生成对抗网络将实时可见光图像转换为对应的红外图像。
3、为了实现上述目的,本专利技术所采用的技术方案如下:
4、一种红外知识先验的红外图像生成方法,包括:
5、步骤1.获取可见光-红外图像数据集,并选出对应组的可见光-红外图像;
6、步骤2.使用特征网络对可见光-红外图像进行特征提取,得到可见光-红外图像特征集;
7、步骤3.以可见光-红外图像特征集为基础,结合特征网络的损失函数构造可见光-红外图像特征集损失函数;
8、步骤4.优化可见光-红外图像特征集损失函数,得到优化后的特征网络;
9、步骤5.使用优化的后特征网络构建条件生成对抗网络,并利用条件生成对抗网络对可见光-红外图像进行特征提取,得到生成红外特征图像;
10、步骤6.对生成红外特征图像进行判别,依据判别结果和生成红外特征图像,构造生成红外特征图像损失函数;
11、步骤7.优化生成红外特征图像损失函数,得到优化后的条件生成对抗网络;
12、步骤8.使用条件生成对抗网络将实时可见光图像转换为对应的红外图像。
13、优选地,步骤3中构造可见光-红外图像特征集损失函数过程包括:
14、步骤3-1、将步骤2的可见光-红外图像特征集根据坐标位置的不同分为正负样本;
15、步骤3-2、将步骤3-1的正负样本代入特征网络的损失函数中,从而构造出可见光-红外图像特征集损失函数。
16、优选地,可见光-红外图像特征集损失函数公式为:
17、
18、其中,v为图像特征,vn为第n个图像特征,v+为图像特征正样本,v-为图像特征负样本,τ代表温度系数。
19、优选地,步骤4中的优化过程包括:
20、步骤4-1、初始化可见光-红外图像特征集损失函数中的参数矩阵,以及可见光-红外图像特征集损失函数中参数梯度的一阶矩估计和二阶矩估计;
21、步骤4-2、对初始化后的可见光-红外图像特征集损失函数中参数梯度的一阶矩估计和二阶矩估计进行更新;
22、步骤4-3、根据更新后的一阶矩估计和二阶矩估计及特征网络中的学习率参数,对特征网络的网络权重参数进行更新,实现参数的动态调整,完成对特征网络的训练,得到优化后的特征网络。
23、优选地,获取生成红外特征图像集的过程为:
24、步骤5-1、构建条件生成对抗网络中的生成网络;
25、步骤5-2、对生成网络和判别网络进行初始化;
26、步骤5-3、使用初始化的生成网络对可见光-红外图像的可见光图像进行特征提取,获得生成红外特征图。
27、优选地,构建条件生成对抗网络中的生成网络的过程为:将优化后的特征网络作为条件生成对抗网络中的生成网络的编码部分,从而构成条件生成对抗网络中的生成网络。
28、优选地,步骤6中的构造生成红外特征图像损失函数的过程包括:
29、步骤6-1、使用初始化后的判别网络将生成红外特征图与对应可见光图像进行组合并作为网络输入至初始化后的判别网络,再使用初始化后的判别网络对输入的组合进行下采样,得到采样后的特征图;
30、步骤6-2、使用初始化后的判别网络对采样后的特征图进行判别,将其特征信息压缩到0和1之间;
31、步骤6-3、将判别结果和生成红外特征图像输入至条件生成对抗网络的损失函数中,得到生成对抗损失公式,并结合l1损失公式和感知损失公式,最终得到生成红外特征图像损失函数。
32、优选地,对抗损失公式为:
33、
34、其中,lcgan代表条件生成对抗网络的的损失,e(·)表示期望值;下标x~pdata表示x取自可见光图像的数据,下标x,y~pdata表示x取自可见光图像及y取自x对应的真实红外图像的数据;x表示可见光图像,y表示x对应的真实红外图像,z表示x对应的红外生成图像;d(x,y)表示判别器判断真实数据是否真实的概率,g(x,z)表示生成网络根据可见光图像x生成的红外图像z,d(x,g(x,z))表示判别网络判断生成数据g(x,z)是否真实的概率;
35、l1损失公式为:<本文档来自技高网...
【技术保护点】
1.一种红外知识先验的红外图像生成方法,其特征在于:包括:
2.根据权利要求1所述的一种红外知识先验的红外图像生成方法,其特征在于:步骤3中构造可见光-红外图像特征集损失函数过程包括:
3.根据权利要求2所述的一种红外知识先验的红外图像生成方法,其特征在于:可见光-红外图像特征集损失函数公式为:
4.根据权利要求1所述的一种红外知识先验的红外图像生成方法,其特征在于:步骤4中的优化过程包括:
5.根据权利要求1所述的一种红外知识先验的红外图像生成方法,其特征在于:获取生成红外特征图像集的过程为:
6.根据权利要求1所述的一种红外知识先验的红外图像生成方法,其特征在于:步骤6中的构造生成红外特征图像损失函数的过程包括:
7.根据权利要求6所述的一种红外知识先验的红外图像生成方法,其特征在于:
8.根据权利要求1所述的一种红外知识先验的红外图像生成方法,其特征在于:步骤7中对生成红外特征图像损失函数进行优化的过程为:
9.一种红外知识先验的红外图像生成系统,其特征在于:包括:
...
【技术特征摘要】
1.一种红外知识先验的红外图像生成方法,其特征在于:包括:
2.根据权利要求1所述的一种红外知识先验的红外图像生成方法,其特征在于:步骤3中构造可见光-红外图像特征集损失函数过程包括:
3.根据权利要求2所述的一种红外知识先验的红外图像生成方法,其特征在于:可见光-红外图像特征集损失函数公式为:
4.根据权利要求1所述的一种红外知识先验的红外图像生成方法,其特征在于:步骤4中的优化过程包括:
5.根据权利要求1所述的一种红外知识先验的红外图像生成方法,其特征在于:获取生成红外特征图...
【专利技术属性】
技术研发人员:鲜勇,苏娟,李冰,马得草,李少朋,伍薇,
申请(专利权)人:中国人民解放军火箭军工程大学,
类型:发明
国别省市:
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。