基于风格迁移的声呐仿真图像生成方法、系统及介质技术方案

本发明专利技术公开了一种基于风格迁移的声呐仿真图像生成方法、系统及介质，其中方法包括：根据真实声呐图像中所包含的目标物体类别，以卫星遥感图像为输入，对卫星遥感图像进行识别，识别出与目标物体类别相同的识别物，对识别物所在范围进行标记；对经过识别并标记的卫星遥感图像进行图像分割，以目标物体类别为分类，构建卫星子图像数据集；构建风格迁移网络，以真实的声呐图像作为风格图像，对分割后的卫星子图像进行风格迁移，生成声呐仿真图像，以作为训练样本图像。本发明专利技术基于遥感卫星图像，使用风格迁移网络，获得模拟的声呐图像，能够有效扩充声呐数据集的数量，为基于声呐图像的后续相关工作提供基础。本发明专利技术可广泛应用于图像处理技术领域。处理技术领域。处理技术领域。

【技术实现步骤摘要】
基于风格迁移的声呐仿真图像生成方法、系统及介质


[0001]本专利技术涉及图像处理
，尤其涉及一种基于风格迁移的声呐仿真图像生成方法、系统及介质。

技术介绍

[0002]声呐作为一种高分辨率、多用途、低成本的水下成像设备，广泛应用于海洋、河流、湖泊等水域。它因为能获得高分辨率，连续的海底图像的特点，广泛应用于海洋测绘、近海勘探和水下搜索救援等领域。在水下搜索、救援活动中，声呐可以有效探测飞机残骸、沉船等水下目标。在长时间的水下搜索、救援任务中，救援人员需要连续仔细地检查声呐图像，以确认是否有目标物体。工作一段时间后，工作人员会产生视觉疲劳，容易错过救援目标。为了有效减少工作人员的工作量，减少视觉疲劳引起的错误判断，提高工作效率，对声呐图像进行自动分类具有现实意义。但是，现有技术存在以下缺陷：
[0003]近年来准确度较高的水底图像自动分类算法均使用深度神经网络算法，这类算法需要大量的声呐图像数据进行训练。但是由于声呐图像往往与紧急救援或者国防相关，所以获取数据集难度大，现在仍没有公开的、统一的大批量声呐图像。这使得卷积神经网络在声呐领域始终无法获得较大范围的应用。

技术实现思路

[0004]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种基于风格迁移的声呐仿真图像生成方法、系统及介质。
[0005]本专利技术所采用的技术方案是：
[0006]一种基于风格迁移的声呐仿真图像生成方法，包括以下步骤：
[0007]根据真实声呐图像中所包含的目标物体类别，以卫星遥感图像为输入，对所述卫星遥感图像进行识别，识别出与所述目标物体类别相同的识别物，对识别物所在范围进行标记；
[0008]对经过识别并标记的卫星遥感图像进行图像分割，以目标物体类别为分类，构建卫星子图像数据集；
[0009]构建风格迁移网络，以真实的声呐图像作为风格图像，对分割后的卫星子图像进行风格迁移，生成声呐仿真图像，以作为训练样本图像。
[0010]进一步地，所述对所述卫星遥感图像进行识别，识别出与所述目标物体类别相同的识别物，对识别物所在范围进行标记，包括：
[0011]采用经预设数据集训练过的目标识别网络，对卫星遥感图像进行目标检测，将检测的结果分为n+1类，其中n为目标物体类别数量；
[0012]对目标物所在区域进行标记，其中，标记区域的分辨率根据不同的输入图像进行调整。
[0013]进一步地，所述对经过识别并标记的卫星遥感图像进行图像分割，以目标物体类
别为分类，构建卫星子图像数据集，包括：
[0014]对识别物进行标记后，获得目标区域，读取目标区域的参数x,y,w,h，其中，x,y为目标区域左上角的横纵坐标，w,h为目标区域横纵方向尺度；
[0015]根据读取到的参数，对目标区域进行自适应分辨率分割，分割的卫星子图像的区域为：
[0016][0017]其中，为由原始图片的横纵方向尺度所决定的自适应分辨率缩放因子；为原始标记的分割范围，为自适应分辨率放缩以后的分割范围。
[0018]进一步地，所述自适应分辨率缩放因子λ通过以下方式获得：
[0019][0020]其中，f(w,h)为w,h中较小边。
[0021]进一步地，所述风格迁移网络使用空洞空间金字塔结构提取风格特征图。
[0022]进一步地，所述构建风格迁移网络，以真实的声呐图像作为风格图像，对分割后的卫星子图像进行风格迁移，生成声呐仿真图像，以作为训练样本图像，包括：
[0023]构建卷积神经网络，利用所述卷积神经网络网络提取真实声呐图像和卫星子图像的特征，以两张图片特征间的欧式距离和格拉姆矩阵的欧氏距离为损失函数进行优化，获得声呐仿真图像。
[0024]进一步地，所述构建卷积神经网络，利用所述卷积神经网络网络提取真实声呐图像和卫星子图像的特征，以两张图片特征间的欧式距离和格拉姆矩阵的欧氏距离为损失函数进行优化，获得声呐仿真图像，包括：
[0025]以VGG16网络的前17层为基础，在VGG16前17层中添加shortcut连接，构建卷积神经网络；
[0026]添加shortcut后的卷积神经网络计算表示为：
[0027]x
l+1
＝x
l
+F(x
l
)
[0028]式中，x
l
和x
l+1
分别表示网络第l层和第l+1层的特征；F(x
l
)表示网络的卷积和激活操作；添加shortcut后的网络反向传播过程为：
[0029][0030]使用训练后的VGG16网络前17层作为所述卷积神经网络的主干，以真实的声呐图像作为风格图像，卫星子图像作为内容图像输入带有shortcut的VGG16网络，分别提取风格特征S和内容特征C；
[0031]以风格特征S和内容特征C之间欧氏距离为内容损失，内容损失表示为：
[0032][0033]式中i表示特征图中第i个元素；
[0034]风格损失函数为：
[0035][0036][0037][0038]式中是风格特征S(也称风格图片S)在CNN第l层第(i,j,k)位置的输出，其中(i,j,k)对应高，宽，通道三个维度；
[0039]是风格图片在CNN第l层第(i,j,k
′
)位置的输出，其中(i,j,k
′
)对应高，宽，通道三个维度；
[0040]为是网络生成图像G在CNN第l层第(i,j,k)位置的输出，其中(i,j,k)对应高，宽，通道三个维度；
[0041]为CNN第l层高度维度上的总数；
[0042]为CNN第l层宽度维度上的总数；
[0043]为CNN第l层通道维度上的总数；
[0044]为CNN第l层的风格特征S在通道k
′
和通道k的格拉姆矩阵；
[0045]为CNN第l层的内容特征C在通道k
′
和通道k的格拉姆矩阵；
[0046]风格迁移的损失函数为：
[0047]L＝αL
c
+βL
s
[0048]式中α、β为权重系数。
[0049]本专利技术所采用的另一技术方案是：
[0050]一种基于风格迁移的声呐仿真图像生成系统，包括：
[0051]卫星图像处理模块，用于根据真实声呐图像中所包含的目标物体类别，以卫星遥感图像为输入，对所述卫星遥感图像进行识别，识别出与所述目标物体类别相同的识别物，对识别物所在范围进行标记；
[0052]卫星图像分割模块，用于对经过识别并标记的卫星遥感图像进行图像分割，以目标物体类别为分类，构建卫星子图像数据集；
[0053]图像风格迁移模块，用于构建风格迁移网络，以真实的声呐图像作为风格图像，对
分割后的卫星子图像进行风格迁移，生成声呐仿真图像，以作为训练样本图像。...

【技术保护点】

【技术特征摘要】
1.一种基于风格迁移的声呐仿真图像生成方法，其特征在于，包括以下步骤：根据真实声呐图像中所包含的目标物体类别，以卫星遥感图像为输入，对所述卫星遥感图像进行识别，识别出与所述目标物体类别相同的识别物，对识别物所在范围进行标记；对经过识别并标记的卫星遥感图像进行图像分割，以目标物体类别为分类，构建卫星子图像数据集；构建风格迁移网络，以真实的声呐图像作为风格图像，对分割后的卫星子图像进行风格迁移，生成声呐仿真图像，以作为训练样本图像。2.根据权利要求1所述的一种基于风格迁移的声呐仿真图像生成方法，其特征在于，所述对所述卫星遥感图像进行识别，识别出与所述目标物体类别相同的识别物，对识别物所在范围进行标记，包括：采用经预设数据集训练过的目标识别网络，对卫星遥感图像进行目标检测，将检测的结果分为n+1类，其中n为目标物体类别数量；对目标物所在区域进行标记。3.根据权利要求1所述的一种基于风格迁移的声呐仿真图像生成方法，其特征在于，所述对经过识别并标记的卫星遥感图像进行图像分割，以目标物体类别为分类，构建卫星子图像数据集，包括：对识别物进行标记后，获得目标区域，读取目标区域的参数x,y,w,h，其中，x,y为目标区域左上角的横纵坐标，w,h为目标区域横纵方向尺度；根据读取到的参数，对目标区域进行自适应分辨率分割，分割的卫星子图像的区域为：其中，为由原始图片的横纵方向尺度所决定的自适应分辨率缩放因子；为原始标记的分割范围，为自适应分辨率放缩以后的分割范围。4.根据权利要求3所述的一种基于风格迁移的声呐仿真图像生成方法，其特征在于，所述自适应分辨率缩放因子λ通过以下方式获得：其中，f(w,h)为w,h中较小边。5.根据权利要求1所述的一种基于风格迁移的声呐仿真图像生成方法，其特征在于，所述风格迁移网络使用空洞空间金字塔结构提取风格特征图。6.根据权利要求1所述的一种基于风格迁移的声呐仿真图像生成方法，其特征在于，所述构建风格迁移网络，以真实的声呐图像作为风格图像，对分割后的卫星子图像进行风格迁移，生成声呐仿真图像，以作为训练样本图像，包括：构建卷积神经网络，利用所述卷积神经网络网络提取真实声呐图像和卫星子图像的特
征，以两张图片特征间的欧式距离和格拉姆矩阵的欧氏距离为损失函数进行优化，获得声呐仿真图像。7.根据权利要求6所述的一种基于风格迁移的声呐仿真图像生成方法，其特征在于，所述构建卷积神经网络，利用所述卷积神经网络网络提取真实声呐图像和卫星子图像的特征，以两张图片特征间的欧式距离和格拉姆矩阵的欧氏距离为损失函数进行优化，获得声呐仿真图像，包括：以VGG16网络的前17层为基础，在VGG16前17层中添加shortcut连接，构建卷积神经网络；添加shortcut后的卷积神经网络计算表示为：x

【专利技术属性】
技术研发人员：陈德山，李卓翼，王之森，吴兵，汪洋，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：