一种基于生成式对抗网络的自适应光学图像盲复原方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111968047A(43)申请公布日2020.11.20(21)申请号202010713133.9(22)申请日2020.07.22(71)申请人中国西安卫星测控中心地址710043陕西省西安市新城区咸宁东路462号(72)发明人史江林张荣之徐蓉郭世平刘长海谌钊(74)专利代理机构西安弘理专利事务所61214代理人弓长(51)Int.Cl.G06T5/00(2006.01)G06K9/62(2006.01)权利要求书3页说明书6页附图3页(54)发明名称一种基于生成式对抗网络的自适应光学图像盲复原方法(57)摘要本发明公开了一种基于生成式对抗网络的自适应光学图像盲复原方法，具体按照如下步骤实施：步骤1，制作空间目标自适应光学模糊图像与对应清晰图像的训练集；步骤2，构建用于训练的生成对抗网络模型；步骤3，将步骤1自适应光学模糊图像与对应清晰图像的训练集输入到步骤2建立的生成对抗网络模型中，得到训练好的生成网络模型；步骤4，将待复原的模糊图像进行尺寸归一化预处理，输入到步骤3训练好的生成网络模型中，得到复原之后的清晰图像。本发明的一种基于生成式对抗网络的自适应光学图像盲复原方法，由于无需估计PSF，提高了单帧图像复原效率。CN111968047ACN111968047A权利要求书1/3页1.一种基于生成式对抗网络的自适应光学图像盲复原方法，其特征在于，具体按照如下步骤实施：步骤1，制作空间目标自适应光学模糊图像与对应清晰图像的训练集；步骤2，构建用于训练的生成对抗网络模型；步骤3，将步骤1自适应光学模糊图像与对应清晰图像的训练集输入到步骤2建立的生成对抗网络模型中，得到训练好的生成网络模型；步骤4，将待复原的模糊图像进行尺寸归一化预处理，输入到步骤3训练好的生成网络模型中，得到复原之后的清晰图像。2.根据权利要求1所述的一种基于生成式对抗网络的自适应光学图像盲复原方法，其特征在于，所述步骤1具体为：步骤1.1，获取真实空间目标仿真3D模型数据集；步骤1.2，对步骤1.1获取的3D模型数据集中的每个目标，在不同姿态下进行渲染，得到空间目标清晰图像数据集；步骤1.3，对空间目标清晰图像数据集的每个清晰图像o(x)采用Zernike多项式法模拟进行大气湍流降质仿真，得到对应模糊观测图像i(x)，得到空间目标自适应光学模糊图像i(x)与对应清晰图像o(x)的训练集。3.根据权利要求2所述的一种基于生成式对抗网络的自适应光学图像盲复原方法，其特征在于，所述模糊观测图像i(x)的计算方法为：其中，式中，为Zernike多项式法表示的大气湍流降质波前，ak为第k项Zernike多项式的系数，每一项称为波前模式，在单位圆域内为1/π，圆域之外为零，F是傅里叶变换，是极坐标系下的极轴。4.根据权利要求2所述的一种基于生成式对抗网络的自适应光学图像盲复原方法，其特征在于，所述步骤2具体为：生成对抗网络模型包括生成网络GθG和判别网络DθD；所述生成网络GθG的结构为：包含15层，第1层为输入卷积层，卷积核大小7×7，个数为64；第2-3层为步长卷积单元，卷积核大小3×3，步长为2，个数分别为128和256；第4-12层为残差卷积单元，每个残差卷积单元包含两个3×3的卷积层；第13-14层为转置卷积单元，卷积核大小3×3，步长为2，个数分别为128和64；第15层为输出卷积层，卷积核大小7×7，个数为64；除第15层输出卷积外，每个卷积层后接一个实例归一化单元和ReLU激活单元；所述判别网络DθD的结构为：包含5层，第1-3层为卷积层，卷积核大小为4×4，步长为2，个数分别为64、128、256；第4-5层为卷积层，卷积核大小为4×4，步长为1，个数分别为分别512、1。5.根据权利要求4所述的一种基于生成式对抗网络的自适应光学图像盲复原方法，其2CN111968047A权利要求书2/3页特征在于，所述生成对抗网络模型的损失函数由生成网络的内容损失函数与判别网络的对抗损失函数加权和组成：其中，λ是权重系数。6.根据权利要求5所述的一种基于生成式对抗网络的自适应光学图像盲复原方法，其特征在于，所述生成网络的内容损失函数采用感知损失：其中，φi,j是预先训练好的卷积网络模型结构中第i个池化层前、第j个卷积层输出的特征图，Wi,j和Hi,j是对应特征图的维数。7.根据权利要求5所述的一种基于生成式对抗网络的自适应光学图像盲复原方法，其特征在于，所述判别网络的对抗损失函数，采用带梯度惩罚的Wasserstein距离作为损失，其不以重建清晰图像的概率作为输出，损失按下式计算：其中，N是批处理样本个数。8.根据权利要求5所述的一种基于生成式对抗网络的自适应光学图像盲复原方法，其特征在于