[发明专利]基于梯度约束生成对抗网络的异谱段红外图像变换方法

权利要求书

1.一种基于梯度约束生成对抗网络的异谱段红外图像变换方法，其特征在于，包括：利用生成子网络将待测红外图像变换为异谱段红外图像，

所述生成子网络的训练包括：

(1)将若干已经配对好的两种谱段红外图像对分为训练样本对和测试样本对，构建生成对抗网络，所述生成对抗网络包括生成子网络和鉴别子网络；

(2)将训练样本对输入生成对抗网络，基于梯度约束的损失函数，计算鉴别子网络和生成子网络的损失，反向传播更新鉴别子网络和生成子网络；

(3)将测试样本对均分为若干测试图像块，利用测试图像块测试生成子网络，得到变换图像，当变换图像与测试图像块之间的局部相关值的均值大于等于阈值时，得到训练好的生成子网络；

所述构建生成对抗网络包括：

基于卷积神经网络，用步长为k的卷积层代替下采样操作，用卷积层代替全连接层，在每一层卷积层之后加入BN层，在生成子网络中除了输出层用tanh函数外，其余层都用Relu函数；而在鉴别子网络中采用LeakyReLu作为激活函数。

2.如权利要求1所述的一种基于梯度约束生成对抗网络的异谱段红外图像变换方法，其特征在于，所述阈值的范围为0.8-1。

3.如权利要求1或2所述的一种基于梯度约束生成对抗网络的异谱段红外图像变换方法，其特征在于，所述损失函数包括鉴别子网络的损失函数和生成子网络的损失函数，所述鉴别子网络的损失函数在生成对抗网络的损失函数基础上添加鉴别子网络的权值更新幅度约束，所述生成子网络的损失函数在生成对抗网络的损失函数基础上添加梯度特征差异约束和像素级差异约束。

4.如权利要求3所述的一种基于梯度约束生成对抗网络的异谱段红外图像变换方法，其特征在于，所述生成子网络的损失函数为：

L_G＝L_GAN(G,D)+λ₁L_l2(G)+λ₂L_feat(G)

其中，L_GAN(G,D)为生成对抗网络的损失函数，L_l2(G)为像素级差异，L_feat(G)为梯度特征差异，λ₁为像素级差异权重，λ₂为梯度特征差异权重，G为生成子网络，D为鉴别子网络，L_G为生成子网络的损失函数。

5.如权利要求4所述的一种基于梯度约束生成对抗网络的异谱段红外图像变换方法，其特征在于，所述像素级差异为：

其中，M和N分别表示生成子网络在训练过程输出的图像G(x)的行数和列数，|y-G(x)|₂表示y与G(x)的欧式距离，y为训练样本对中用于与G(x)对比的异谱段红外图像，x为训练样本对中用于输入生成子网络进行变换的红外图像，E_x,y[|y-G(x)|₂]为训练样本对的|y-G(x)|₂的期望。

6.如权利要求4所述的一种基于梯度约束生成对抗网络的异谱段红外图像变换方法，其特征在于，所述梯度特征差异为：

L_feat(G)＝E_x,y[|Ncc(f_y,f_G(x))-1|]

其中，f_y为训练样本对中用于与G(x)对比的异谱段红外图像y的梯度特征，f_G(x)为生成子网络在训练过程输出的图像G(x)的梯度特征，Ncc(f_y,f_G(x))为f_y与f_G(x)的互相关值，E_x,y[|Ncc(f_y,f_G(x))-1|]为训练样本对的|Ncc(f_y,f_G(x))-1|的期望。