[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

说明书

本发明公开了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，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，生成子网络的训练包括：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；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；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，得到变换图片，当变换图片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。本发明的图像变换的结果较好。

技术领域

本发明属于红外图像处理领域，更具体地，涉及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。

背景技术

随着科技进步，伪装和干扰技术不断发展，单波段宽带目标探测与识别已不能满足在复杂条件下的目标识别的需求，多波段探测与多特征信息融合技术即将成为目标识别的重要手段。红外多光谱图像既能提供目标的空间信息，又能提供目标的光谱信息，为红外目标的特征提取、融合和识别提供了分析的数据基础。

红外成像技术的快速发展和它在诸多领域有着重大应用价值，对国民经济及国防建设发展有着重大贡献。如何快速、高效率地研制适合于各种复杂红外背景环境和干扰下能准确探测目标的红外成像系统，已成为现代红外技术关键问题之一。

然而，由于技术原因，长波红外波段的多光谱、超光谱成像遥感器及探测系统的研制门槛较高，基本上被发达国家所掌握，现有设备很少，且多为项目专用设备，例如SEBASS、TIRIS、AHI等成像光谱仪系统。长波红外波段的多光谱、超光谱成像探测仪器的研制和目标背景光谱特征分析与探测算法的研究需要大量仿真、半仿真试验环境，由于红外波段多光谱、超光谱成像光谱仪器的缺乏，难以获取足够的真实数据来建立仿真环境，如何得到近似真实场景的多光谱仿真图像，是迫切需要解决的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了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，由此解决现有技术存在成本高、耗时长、难以得到近似真实场景的多光谱仿真图像的技术问题。

为实现上述目的，本发明提供了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，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。

进一步地，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。

进一步地，阈值的范围为0.8-1。

进一步地，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。

进一步地，生成子网络的损失函数为：