[發明專利]一種基于生成式對抗網絡的自適應光學圖像盲復原方法

在審

• 申請號: 202010713133.9
• 申請日: 2020-07-22
• 公開（公告）號: CN111968047A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 史江林;張榮之;徐蓉;郭世平;劉長海;諶釗
• 申請（專利權）人: 中國西安衛星測控中心
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/62
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 弓長

1.一種基于生成式對抗網絡的自適應光學圖像盲復原方法，其特征在于，具體按照如下步驟實施：

步驟1，制作空間目標自適應光學模糊圖像與對應清晰圖像的訓練集；

步驟2，構建用于訓練的生成對抗網絡模型；

步驟3，將步驟1自適應光學模糊圖像與對應清晰圖像的訓練集輸入到步驟2建立的生成對抗網絡模型中，得到訓練好的生成網絡模型；

步驟4，將待復原的模糊圖像進行尺寸歸一化預處理，輸入到步驟3訓練好的生成網絡模型中，得到復原之后的清晰圖像。

2.根據權利要求1所述的一種基于生成式對抗網絡的自適應光學圖像盲復原方法，其特征在于，所述步驟1具體為：

步驟1.1，獲取真實空間目標仿真3D模型數據集；

步驟1.2，對步驟1.1獲取的3D模型數據集中的每個目標，在不同姿態下進行渲染，得到空間目標清晰圖像數據集；

步驟1.3，對空間目標清晰圖像數據集的每個清晰圖像o(x)采用Zernike多項式法模擬進行大氣湍流降質仿真，得到對應模糊觀測圖像i(x)，得到空間目標自適應光學模糊圖像i(x)與對應清晰圖像o(x)的訓練集。

3.根據權利要求2所述的一種基于生成式對抗網絡的自適應光學圖像盲復原方法，其特征在于，所述模糊觀測圖像i(x)的計算方法為：

其中，

式中，為Zernike多項式法表示的大氣湍流降質波前，a_k為第k項Zernike多項式的系數，每一項稱為波前模式，在單位圓域內為1/π，圓域之外為零，F是傅里葉變換，是極坐標系下的極軸。

4.根據權利要求2所述的一種基于生成式對抗網絡的自適應光學圖像盲復原方法，其特征在于，所述步驟2具體為：生成對抗網絡模型包括生成網絡G_θG和判別網絡D_θD；

所述生成網絡G_θG的結構為：包含15層，第1層為輸入卷積層，卷積核大小7×7，個數為64；第2-3層為步長卷積單元，卷積核大小3×3，步長為2，個數分別為128和256；第4-12層為殘差卷積單元，每個殘差卷積單元包含兩個3×3的卷積層；第13-14層為轉置卷積單元，卷積核大小3×3，步長為2，個數分別為128和64；第15層為輸出卷積層，卷積核大小7×7，個數為64；除第15層輸出卷積外，每個卷積層后接一個實例歸一化單元和ReLU激活單元；

所述判別網絡D_θD的結構為：包含5層，第1-3層為卷積層，卷積核大小為4×4，步長為2，個數分別為64、128、256；第4-5層為卷積層，卷積核大小為4×4，步長為1，個數分別為分別512、1。

5.根據權利要求4所述的一種基于生成式對抗網絡的自適應光學圖像盲復原方法，其特征在于，所述生成對抗網絡模型的損失函數由生成網絡的內容損失函數與判別網絡的對抗損失函數加權和組成：

其中，λ是權重系數。

6.根據權利要求5所述的一種基于生成式對抗網絡的自適應光學圖像盲復原方法，其特征在于，所述生成網絡的內容損失函數采用感知損失：

其中，φ_i,j是預先訓練好的卷積網絡模型結構中第i個池化層前、第j個卷積層輸出的特征圖，W_i,j和H_i,j是對應特征圖的維數。

7.根據權利要求5所述的一種基于生成式對抗網絡的自適應光學圖像盲復原方法，其特征在于，所述判別網絡的對抗損失函數，采用帶梯度懲罰的Wasserstein距離作為損失，其不以重建清晰圖像的概率作為輸出，損失按下式計算：

其中，N是批處理樣本個數。