一种顾及特征冗余性的生成对抗云仿真生成方法技术

本发明专利技术公开了一种顾及特征冗余性的生成对抗云仿真生成方法，其特征在于：设置用于仿真云的生成对抗网络，所述生成对抗网络包括判别网络和生成网络，所述生成网络包括编码器和解码器，解码器中嵌入有特征通道选择器；进行将底图以及云掩膜堆叠后输入生成网络中的编码器部分，对输入的影像和云掩膜进行处理，生成高维度特征；生成网络中的解码器部分，在每一个特征大小尺度上都嵌入特征通道选择器模块对特征进行筛选；将生成网络生成的粗结果输入到判别网络中，得到仿真结果的真实性判断结果；在训练完成后，使用判别网络中的编码器以及解码器进行云仿真。本发明专利技术能够根据输入的无云底图以及云掩膜生成指定区域存在云雾的仿真影像。真影像。真影像。

【技术实现步骤摘要】
一种顾及特征冗余性的生成对抗云仿真生成方法


[0001]本专利技术涉及图像处理领域，尤其是一种顾及特征冗余性的生成对抗云仿真生成方法系统。

技术介绍

[0002]遥感影像的云雾仿真生成技术广泛应用于重要目标遮蔽、大气反演等领域。主要可分为基于真实物理模型生成云雾的方法和基于随机噪声以及神经网络的仿真云雾的方法。虽然基于云雾生成规律的物理模型仿真出来的云雾更加真实，但是由于所涉及到的方法有很强的专业性，并且对于参数的选择有严格的限制，所以利用真实物理模型进行云雾仿真的难度较高，增加了云雾仿真的成本。基于随机噪声的云雾仿真生成方法能够通过利用随机噪声仿真生成云雾，具备简单快捷的优点，但是生成的云雾往往真实性不足，云雾特点较为单一。
[0003]因此，针对上述问题，本专利技术设计了一种顾及特征冗余性的生成对抗云仿真生成方法，该方法采用嵌入特征筛选模块的生成对抗网络，综合利用判别网络以及生成网络之前的相互迭代对抗学习实现真实云雾的仿真生成。同时，为了能够选择性剔除生成网络生成的特征中存在的噪声与冗余信息，本专利技术还设计了特征选择模块筛选特征中的重要信息，实现特征的筛选与再增强，提高仿真云的真实性。

技术实现思路

[0004]针对上述问题，本专利技术提出了一种顾及特征冗余性的生成对抗云仿真生成方法。
[0005]本专利技术提供一种顾及特征冗余性的生成对抗云仿真生成方法，设置用于仿真云的生成对抗网络，所述生成对抗网络包括判别网络和生成网络，所述生成网络包括编码器和解码器，解码器中嵌入有特征通道选择器；进行以下步骤，
[0006]1)将底图以及云掩膜堆叠后输入生成网络中的编码器部分，对输入的影像和云掩膜进行处理，生成高维度特征；
[0007]2)生成网络中的解码器部分，在每一个特征大小尺度上都嵌入特征通道选择器模块对特征进行筛选；
[0008]3)将生成网络生成的粗结果输入到判别网络中，得到仿真结果的真实性判断结果；
[0009]4)在训练完成后，使用判别网络中的编码器以及解码器进行云仿真。
[0010]而且，生成网络的编码器中，将堆叠的图像输入，经过两次“3*3卷积、批归一化以及激活函数ReLu”处理操作得到处理后的特征，并对特征进行最大池化，特征尺寸降为原来的1/2；
[0011]重复以上处理4次，得到卷积特征图。
[0012]而且，生成网络的解码器中，将通过特征通道选择器重筛选和增强的特征输入到后续处理部分，包括经过3*3卷积、批归一化、激活函数ReLu得到变化后的特征，然后经过2*
2的上采样、3*3的卷积得到上采样后的特征；通过将编码器在对应阶段的特征与该阶段的特征进行堆叠，保证特征信息不丢失，再将堆叠后的特征依次输入到通道特征选择模块、3*3卷积以及激活函数ReLu中，得到经过选择的特征；
[0013]重复以上处理3次，直到特征大小恢复为原图像大小，最后经过一次卷积和激活函数sigmoid得到带有云的粗结果。
[0014]而且，所述特征通道选择器包含全局自适应池化Global Pooling、两个全连接层FC、一个激活函数ReLu以及一个激活函数sigmoid，处理过程如下，
[0015]输入经过生成网络编码部分处理的高维度深度特征(H*W*C)，经过Global Pooling将特征压缩为1*1*C，H、W、C分别为长、宽以及通道数；将压缩后的1*1*C维的特征输入到第一个全连接层FC进行筛选，生成1*1*C/r维度的特征，r为衰减率；将得到的特征输入激活函数ReLu中对特征进行重激活；利用第二个全连接层FC将重激活后的特征再进行筛选，得到1*1*C维度的特征，使得再增强后的权重与特征图在通道维度上具备相同数量；
[0016]将经过上述处理得到的通道描述符输入激活函数sigmoid中激发每个通道；最后利用特征通道描述符对输入的特征图Input进行重新加权成直接馈送到后续层的输出Output。
[0017]本专利技术提出的方法在网络内部对特征进行重筛选和再增强，并将低层特征和高层特征进行融合，利用尺度上下文特征；将两个网络进行迭代对抗学习，使得在每一次训练中能够根据判别网络的结果对生成网络进行优化；将特征通道选择模块嵌入网络内部，使得生成网络具备特征选择能力，构成一个端到端的网络仿真生成云雾。本专利技术通过生成对抗学习策略以及特征通道选择模块对特征进行处理，仿真模拟效果逼真。
[0018]本专利技术的主要特点：
[0019](1)在网络内部进行特征的再增强，利用门控筛选机制得到通道描述子对输入的特征进行重新筛选和增强，过滤掉特征中的噪音和冗余信息。
[0020](2)利用迭代以及对抗学习思路对生成网络进行指导和训练，使得整个网络能够自主对抗，从而提高生成网络的仿真生成能力，实现云仿真生成。
[0021]本专利技术处理方法清晰，可操作性强，能够根据输入的无云底图以及云掩膜生成指定区域存在云雾的仿真影像，方法简单，可操作性强，有很好的扩展性。
附图说明
[0022]图1为本专利技术实施例顾及特征冗余性的生成对抗云仿真生成网络图。
[0023]图2为本专利技术实施例特征通道选择器的原理图。
具体实施方式
[0024]以下结合附图和实施例提供本专利技术的技术方案实现说明。
[0025]本专利技术实施例是一种顾及特征冗余性的生成对抗云仿真生成方法，是利用输入底图和对应云掩膜生成带有真实云雾的云仿真方法；实现过程包括，首先进行影像特征的自动编码与特征筛选；然后利用判别网络对生成网络生成的结果进行真假判别，使得判别网络与生成网络迭代对抗学习，提高网络能力；最后利用训练好的嵌入特征筛选模块的生成网络进行云的仿真生成。本专利技术技术方案可采用计算机软件技术实现自动运行流程。
[0026]本专利技术首先提供了用于仿真云的生成对抗网络。所述生成对抗网络包括判别网络和生成网络，所述生成网络包括编码器和解码器，解码器中嵌入有特征通道选择器。本专利技术将特征通道选择器嵌入生成网络内部以筛选网络提取的特征，能够减少特征中的冗余以及噪声信息；利用生成网络和判别网络进行迭代对抗，不断提高生成网络的性能，从而提高网络生成结果的质量，实现高质量云仿真生成。
[0027](1)嵌入特征通道选择器的生成网络实现如下：
[0028]1.1首先将底图以及云掩膜堆叠后输入生成网络中的编码部分，进行一系列的卷积、池化、降采样操作，得到通道数为n*n*512的卷积特征图，n的大小为输入图像的1/16；
[0029]1.2利用特征通道选择器对高维度的深度特征进行重筛选和再增强；
[0030]1.3将通过特征通道选择器重筛选和增强的特征输入到生成网络中的解码部分，利用卷积模块(包含卷积、ReLu(非线性激活函数)、Batch Normalization(批归一化)以及上采样)对特征进行大小恢复，同时在每一特征大小尺度上均采用相同的处理方式，直到特征大小恢复为原图像大小，最后在经过一次卷积和激活函数sigmoid得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种顾及特征冗余性的生成对抗云仿真生成方法，其特征在于：设置用于仿真云的生成对抗网络，所述生成对抗网络包括判别网络和生成网络，所述生成网络包括编码器和解码器，解码器中嵌入有特征通道选择器；进行以下步骤，1)将底图以及云掩膜堆叠后输入生成网络中的编码器部分，对输入的影像和云掩膜进行处理，生成高维度特征；2)生成网络中的解码器部分，在每一个特征大小尺度上都嵌入特征通道选择器模块对特征进行筛选；3)将生成网络生成的粗结果输入到判别网络中，得到仿真结果的真实性判断结果；4)在训练完成后，使用判别网络中的编码器以及解码器进行云仿真。2.如权利要求1所述一种顾及特征冗余性的生成对抗云仿真生成方法，其特征在于：生成网络的编码器中，将堆叠的图像输入，经过两次“3*3卷积、批归一化以及激活函数ReLu”处理操作得到处理后的特征，并对特征进行最大池化，特征尺寸降为原来的1/2；重复以上处理4次，得到卷积特征图。3.如权利要求2所述一种顾及特征冗余性的生成对抗云仿真生成方法，其特征在于：生成网络的解码器中，将通过特征通道选择器重筛选和增强的特征输入到后续处理部分，包括经过3*3卷积、批归一化、激活函数ReLu得到变化后的特征，然后经过2*2的上采样、3*3的卷积得到上采样后的特征；通过将编码器在对应阶段的...

【专利技术属性】
技术研发人员：孙开敏，李王斌，李文卓，
申请(专利权)人：武汉大学，
类型：发明
国别省市：