[发明专利]一种基于样式生成对抗网络的红外纹理样本扩充方法

说明书

本发明公开了一种基于样式生成对抗网络的红外纹理样本扩充方法，包括：利用多张实拍的红外纹理图像组成训练集；构造由生成器网络和判别器网络组成的样式生成对抗网络；利用训练集和随机生成的特征向量对所述生成器网络进行训练；利用训练集、生成器网络生成的图像以及随机生成的特征向量对所述判别器网络进行训练；对所述生成器网络和所述判别器网络交替进行训练，使得损失小于预设阈值，获得经训练的样式生成对抗网络模型；利用经训练的样式生成对抗网络模型获得红外纹理图像。本发明采用样式生成对抗网络，将实拍的红外纹理样本作为训练集，并采用交替训练方式，使生成的红外纹理样本更加接近实拍图像，提高了红外纹理样本的真实感。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于样式生成对抗网络的红外纹理样本扩充方法，可用于对红外纹理样本进行扩充，以便为自然场景特性建模仿真提供多样、真实的红外纹理图像，提高场景的复杂度和真实感。

背景技术

红外成像技术由于目标探测能力强、抗干扰能力强等特点，常用于目标的检测、识别和跟踪等方面。因此，复杂光学场景特性建模成为急需解决的问题。而复杂光学场景需要大量的、多样的红外背景纹理图像作为支撑，才能使得模型具有较好的复杂感和真实感。由于通过实验人工测量获得的数据目前十分有限，因此需要通过深度学习样本扩充方法获得大量的红外背景纹理。

当前大部分的红外图像样本扩充都是通过生成方法，尤其是生成对抗网络(GAN)，获得的图像分辨率和质量正在迅速提高。目前，用于高分辨率图像合成的最新方法是StyleGAN，其已被证明可以在各种数据集上可靠地工作。

StyleGAN的显著特征是非常规的生成器体系结构。映射网络f不再将输入的潜在编码仅馈送至网络的开头，而是将其转换为中间的潜在编码。然后仿射变换生成控制图层的样式，并通过自适应实例归一化(AdaIN)参与合成网络g进行合成。另外，通过向合成网络提供额外的随机噪声图来促进随机变化，这种设计允许中间潜空间W的纠缠比输入潜空间Z的纠缠小得多。但是许多观察者已经注意到由StyleGAN生成的图像中的特征伪影，少量生成的图片有明显的液滴伪像，这个液滴伪像也存在于特征图上。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于样式生成对抗网络的红外纹理样本扩充方法，旨在解决扩充红外图像样本时仿真过程复杂，扩充的红外图像样本真实感较差，可见光到红外的光电转换方法训练集获取难度大，扩充红外图像样本缺乏多样性，扩充数量有限等问题。

本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种基于样式生成对抗网络的红外纹理样本扩充方法，包括：

S1：利用多张实拍的红外纹理图像组成训练集；

S2：构造由生成器网络和判别器网络组成的样式生成对抗网络；

S3：利用训练集和随机生成的特征向量对所述生成器网络进行训练；

S4：利用训练集、生成器网络生成的图像以及随机生成的特征向量对所述判别器网络进行训练；

S5：对所述生成器网络和所述判别器网络交替进行训练，使得损失小于预设阈值，获得经训练的样式生成对抗网络模型；

S6：利用经训练的样式生成对抗网络模型获得红外纹理图像。

在本发明的一个实施例中，所述S2包括：

S2.1：构建生成器网络，所述生成器网络包括映射网络单元和合成网络单元；

S2.2：构建判别器网络；

S2.3：将所述生成器网络和判别器网络进行级联，获得所述样式生成对抗网络。