[发明专利]非对称的细粒度红外图像生成系统及方法

说明书

本发明提供了一种非对称的细粒度红外图像生成系统及方法，包括：编码器，用于获取红外图像，并对所述红外图像进行编码，得到红外图像的真实样本x的表征z；生成器，用于获取真实样本的表征z，并通过对分布P(x|z,c)采样，生成红外图像的生成样本x’，将所述真实样本与所述生成样本进行成对样本匹配；判别器，用于将所述真实样本的均值特征与生成样本的均值特征相匹配；分类器，用于拟合后验概率分布P(c|x)；红外图像生成模型，用于生成细粒度条件图像。本发明可以解决因生成对抗模型不稳定而使图像生成失败的情况，同时可以细粒度地控制红外图像条件生成，生成的红外图像多样性真实性较好。

技术领域

本发明涉及图像生成技术领域，特别涉及一种非对称的细粒度红外图像生成系统及方法。

背景技术

近年来，深度学习领域的图像生成一直是研究热点，而生成模型最杰出的代表分别是生成对抗网络Generative Adversarial Networks(GAN)和变分自动编码机VariationAuto-Encoder(VAE)，VAE由于利用均方误差构造损失函数，导致生成的图像模糊，而传统的GAN对于如何利用表征z没有任何限制，导致模型训练很难收敛且生成的图像往往不真实。最近，许多模型试图改善生成样本的质量。例如，WGAN使用EM距离作为训练GAN的目标，MCGAN使用均值和协方差特征匹配。他们需要限制参数的范围，因此鉴别器会降低辨别力。发明一种图像生成模型能融合GAN生成图像精度高和VAE模型训练稳定的优势成为研究的热门。

红外成像系统已广泛应用在光学遥感，夜间导航，目标探测及精确制导等军事领域，采用红外成像的武器系统具有精度高，抗干扰能力强等特点，这些武器系统在研发过程中，需要大量数据进行训练和评估，大量真实的红外图像有助于提升红外成像系统的性能，但由于气候等不可控条件影响，全部采用真实的红外图像往往耗费大量的时间和资源，同时，这些武器系统本身是集多种技术于一体的复杂系统，为了缩短研发周期，降低研发费用，使用红外图像生成技术有效的训练和评估红外成像系统成为一种行之有效的手段。

发明内容

本发明提供了一种非对称的细粒度红外图像生成系统及方法，其目的是为了解决红外图像生成模型训练不稳定，生成的图像不真实，种类少的问题。

为了达到上述目的，本发明的实施例提供了一种非对称的细粒度红外图像生成系统，包括：

编码器，用于获取红外图像，并对所述红外图像进行编码，得到红外图像的真实样本x的表征z；

生成器，用于获取真实样本的表征z，并通过对分布P(x|z,c)采样，生成红外图像的生成样本x’，将所述真实样本与所述生成样本进行成对样本匹配；

判别器，用于将所述真实样本的均值特征与生成样本的均值特征相匹配；

分类器，用于拟合后验概率分布P(c|x)；

红外图像生成模型，用于生成细粒度条件图像。

其中，所述编码器具体用于将输入的红外图像转化为一个二进制矩阵，图像标签转换为10维度的one-hot向量，对图像矩阵进行卷积，批量归一化，非线性激活操作，得到逼近红外图像真实样本分布的均值μ和协方差ε通过公式z＝μ+r·exp(ε)，得到红外图像的真实样本的表征z。

其中，所述判别器将所述真实样本的均值特征与生成样本的均值特征相匹配需要使损失函数最小化，

损失函数的公式为L_D＝-E_X～Pr[logD(x)]-E_z～Pz[log(1-D(G(z))]；

所述生成器将所述真实样本与所述生成样本进行成对样本匹配也需要使生成器对应的损失函数最小化，

损失函数的公式为