CN111325317B - 一种基于生成对抗网络的波前像差确定方法及装置 - Google Patents
一种基于生成对抗网络的波前像差确定方法及装置 Download PDFInfo
- Publication number
- CN111325317B CN111325317B CN202010070602.XA CN202010070602A CN111325317B CN 111325317 B CN111325317 B CN 111325317B CN 202010070602 A CN202010070602 A CN 202010070602A CN 111325317 B CN111325317 B CN 111325317B
- Authority
- CN
- China
- Prior art keywords
- sample set
- image
- image sample
- network
- consistent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004075 alteration Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000006731 degradation reaction Methods 0.000 claims abstract description 57
- 230000015556 catabolic process Effects 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 18
- 238000003384 imaging method Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000008485 antagonism Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J9/00—Measuring optical phase difference; Determining degree of coherence; Measuring optical wavelength
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Studio Devices (AREA)
Abstract
本申请公开了一种基于生成对抗网络的波前像差确定方法及装置,该方法包括:确定当前环境下真实图像的第一图像样本集,将所述第一图像样本集中各个图像进行退化处理得到第二图像样本集;通过生成网络将所述第二图像样本集中各个图像进行复原处理,得到复原后的第三图像样本集;通过鉴别网络判断所述第三图像样本集与所述第一图像样本集中对应的图像是否一致;若不一致,则调整所述生成网络中的网络参数直到所述第三图像样本集与所述第一图像样本集中对应的图像一致为止。完成学习后,对包含波前像差的与第一样本集相同分辨率的任意遥感图像进行处理(对应第二样本集),获得复原后的图像(对应第三样本集),根据包含波前像差的输入图像和复原图像确定波前像差。
Description
技术领域
本申请涉及波前检测技术领域,尤其涉及一种基于生成对抗网络的波前像差确定方法及装置。
背景技术
空间光学遥感器受航天器发射过程中的振动冲击、热环境变化、力学环境变化等因素的影响,造成遥感器的镜面变化,从而在轨工作后会存在静态像差,导致波前畸变的发生从而影响成像质量。为了提高空间光学遥感器的成像质量,通常采用像差补偿的方法对空间光学遥感器成像像差进行补偿,而波前像差数据的准确获取直接影响成像像差补偿效果。
目前,通常采用波前检测技术获取波前畸变数据,常见的波前检测技术又可以分为两种方式,一种是基于专用传感器的探测方式,该方式主要利用剪切干涉仪、哈特曼夏克(HS)波前探测器、四棱锥波前传感器、相位差(PD)探测焦面等探测器或成像焦面进行像差的探测和计算;另一种是无专用传感器的探测方式,该方式主要利用光斑光强、成像质量等因素进行波前畸变幅度的判断。不管是基于专用传感器的探测方式,还是无专用传感器的探测方式都对环境条件要求比较高,但是,在空间遥感领域环境复杂,例如,受到振动、冲击、热环境、力学环境的因素影响,导致现有的波前检测技术确定出的波前像差数据的应用范围和准确性有限。
发明内容
本申请解决的技术问题是:针对现有技术确定出的波前像差数据的准确性较低。本申请提供了一种基于生成对抗网络的波前像差确定方法及装置,借鉴生成对抗网络方案,在当前实际环境下,训练波前像差补偿的生成对抗网络,以使得训练出的生成对抗网络与当前实际环境相适应,使得基于生成对抗网络确定出的复原图像更贴合实际情况,进而基于生成对抗网络确定出的复原图像得到波前像差的准确性更高。
第一方面,本申请实施例提供了一种基于生成对抗网络的波前像差确定方法,所述生成对抗网络包括生成网络和鉴别网络,该方法包括:
确定当前环境下真实图像的第一图像样本集,将所述第一图像样本集中各个图像进行退化处理得到第二图像样本集;
通过生成网络将所述第二图像样本集中各个图像进行复原处理,得到复原后的第三图像样本集;
通过鉴别网络判断所述第三图像样本集与所述第一图像样本集中对应的图像是否一致;
若不一致,则调整所述生成网络中的网络参数直到所述第三图像样本集与所述第一图像样本集中对应的图像一致为止,并根据所述第二图像样本集与所述第三图像样本集中对应的图像确定波前像差。
本申请实施例所提供的方案中,通过生成对抗网络中的生成网络将第二图像样本集中的图像进行恢复处理,得到第三图像样本集,然后,通过鉴别网络判断第一图像样本集与第三图像样本集中对应的图像是否一致,若不一致,则调整所述生成网络中的网络参数直到所述第三图像样本集与所述第一图像样本集中对应的图像一致为止,根据所述第一图像样本集与所述第三图像样本集中对应的图像确定波前像差。因此,本申请实施例所提供的方案中,通过生成对抗网络中生成网络和鉴别网络进行相互博弈的方式进行学习,使得生成网络复原的图像尽可能接近真实图像,进而使得通过生成网络复原的图像和真实图像确定出的波前像差的准确性更高,以及通过生成网络和鉴别网络进行相互博弈的方式确定波前像差,能够适应不同的应用场景,提高了方案的适用性。
可选地,将所述第一图像样本集中各个图像进行退化处理得到第二图像样本集,包括:
在当前环境下,根据所述真实图像与退化图像之间预设的映射关系,建立图像退化模型;
根据所述图像退化模型对所述第一图像样本集进行退化处理得到所述第二图像样本集。
可选地,通过鉴别网络判断所述第三图像样本集与所述第一图像样本集中对应的图像是否一致,包括:
确定所述第一图像样本集与所述第三图像样本集中对应的图像之间的相似度,并判断所述相似度是否大于预设的第一阈值;
若大于,则确定所述第一图像样本集与所述第三图像样本集中对应的图像一致。
可选地,若所述第一图像样本集与所述第三图像样本集中对应的图像一致,根据所述第一图像样本集与所述第三图像样本集中对应的图像确定波前像差之前,还包括:
判断所述第一阈值是否小于预设的第二阈值;
若不小于,则减小所述第一阈值,直到所述第一阈值小于所述第二阈值为止,重新判断所述第一图像样本集与所述第三图像样本集中对应的图像是否一致;
若不一致,则重新调整所述网络参数,直到所述第一图像样本集与所述第三图像样本集中对应的图像一致为止。
第二方面,本申请实施例提供了一种基于生成对抗网络的波前像差确定装置,该装置包括:
确定单元,用于确定当前环境下真实图像的第一图像样本集,将所述第一图像样本集中各个图像进行退化处理得到第二图像样本集;
生成单元,用于通过生成网络将所述第二图像样本集中各个图像进行复原处理,得到复原后的第三图像样本集;
鉴别单元,用于通过鉴别网络判断所述第三图像样本集与所述第一图像样本集中对应的图像是否一致;
调整单元,用于若不一致,则调整所述生成网络中的网络参数直到所述第三图像样本集与所述第一图像样本集中对应的图像一致为止,并根据所述第一图像样本集与所述第三图像样本集中对应的图像确定波前像差。
可选地,所述确定单元,具体用于:
在当前环境下,根据所述真实图像与退化图像之间预设的映射关系,建立图像退化模型;
根据所述图像退化模型对所述第一图像样本集进行退化处理得到所述第二图像样本集。
可选地,所述鉴别单元,具体用于:
确定所述第一图像样本集与所述第三图像样本集中对应的图像之间的相似度,并判断所述相似度是否大于预设的第一阈值;
若大于,则确定所述第一图像样本集与所述第三图像样本集中对应的图像一致。
可选地,所述鉴别单元,还用于:
判断所述第一阈值是否小于预设的第二阈值;
若不小于,则减小所述第一阈值,直到所述第一阈值小于所述第二阈值为止,重新判断所述第一图像样本集与所述第三图像样本集中对应的图像是否一致;
若不一致,则重新调整所述网络参数,直到所述第一图像样本集与所述第三图像样本集中对应的图像一致为止。
第三方面,本申请实施例提供了一种计算机设备,该计算机设备包括:
存储器,用于存储至少一个处理器所执行的指令;
处理器,用于执行存储器中存储的指令执行第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行第一方面所述的方法。
附图说明
图1为本申请实施例所提供的一种生成对抗网络的结构示意图;
图2为本申请实施例所提供的一种基于生成对抗网络的波前像差确定方法的流程图;
图3为本申请实施例所提供的一种基于生成对抗网络的波前像差确定装置的结构示意图;
图4为本申请实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
为了便于理解本申请实施例所提供的波前像差确定方法的过程,下面对生成对抗网络进行简要介绍。
参见图1为本申请实施例所提供的生成对抗网络的结构示意图。生成对抗网(Generative Adversarial Networks,GAN)是一种生成式网络模型,在图1中,生成对抗网络包括生成网络1和鉴别网络2;其中,生成网络1用于对输入的退化后的图像进行恢复处理,得到恢复后的图像;鉴别网络2用于鉴别恢复后的图像与实际的图像是否相同。在生成对抗网络中生成网络1和鉴别网络2均为神经网络,生成对抗网路是通过让生成网络1和鉴别网络2进行相互博弈的方式进行学习。
进一步,为了便于理解上述生成对抗网络的工作过程,下面对生成对抗网络中生成网络1和鉴别网络2进行相互博弈过程进行简要介绍。
生成网络1从潜在空间中随机采样作为输入,其输出结果需要尽量模仿训练集中的真实样本;将生成网络1的输出和/或真实样本作为鉴别网络2的输入,鉴别网络2从真实样本中将生成网络1的输出辨别出来;生成网络1和鉴别网络2相互对抗,不断调整各自的网络参数,直到鉴别网络2无法判断生成网络1输出结果是否真实为止。
以下结合说明书附图对本申请实施例所提供的一种基于生成对抗网络的波前像差确定方法做进一步详细的说明,该方法具体实现方式可以包括以下步骤(方法流程如图2所示):
步骤201,确定当前环境下真实图像的第一图像样本集,将所述第一图像样本集中各个图像进行退化处理得到第二图像样本集。
在本申请实施例所提供的方案中,计算机设备随机在当前环境下获取多个真实图像,并将该多个真实的不同成像对象的相同分辨率的遥感图像组成第一图像样本集。具体的,计算机设备在当前环境下获取多个真实图像的方式有多种,例如,计算机设备通过图像采集装置获取多个真实图像,图像采集设备可以设置于计算机设备上,也可以不设置于计算机设备上,通过无线或有线通信与计算机设备进行数据交互,在此并不赘述。
进一步,计算机设备在确定第一图像样本集之后,计算机设备将第一图像样本集中的图像进行退化处理,在本申请实施例所提供的方案中,将第一图像样本集中的图像进行退化处理的方式有多种,下面以一种较佳的方式为例进行说。
在一种可能实现方式中,将所述第一图像样本集中各个图像进行退化处理得到第二图像样本集,包括:
在当前环境下,根据所述真实图像与退化图像之间预设的映射关系,建立图像退化模型;根据所述图像退化模型对所述第一图像样本集进行退化处理得到所述第二图像样本集。
具体的,以Zernike多项式表示波前像差为例,根据真实图像与退化图像之间预设的映射关系确定退化模型,例如,退化模型包括线性退化模型或高斯退化模型。退化模型可以由退化函数H(x,y)表示,例如,若退化模型为线性退化模型,则退化函数H(x,y)表示为如下形式:
其中,d是退化函数的长度。
若退化模型为高斯退化模型,则退化函数H(x,y)表示为如下形式:
其中,K为归一化常数;α为一个正常数;C为H(x,y)的圆形支持域。
进一步,在确定退化模型之后,根据退化模型将第一图像样本集中各个图像进行退化处理,得到第二图像样本集,其中,第二图像样本集中的图像通过如下函数表示:
g(x,y)=H[f(x,y)]+n(x,y)
其中,g(x,y)为第二图像样本集中的任一图像;n(x,y)为噪声函数。
利用波前像差函数加载在退化图像上可获得复原图像。此时根据在光学系统中获取的图像受到成像设备与像差的影响,利用波前像差函数加载在退化图像上获得复原图像是一个卷积的过程,对平移不变的点扩展函数(Point Spread Function,PSF)和不连续成像,卷积是一个叠加的积分,具体的退化图像与真实图像之间存在如下公式所示的关系:
步骤202,通过生成网络将所述第二图像样本集中各个图像进行复原处理,得到复原后的第三图像样本集。
具体的,计算机设备将第一图像样本集中的图像进行退化处理之后,将第二图像样本集中的图像输入到生成网络,生成网络根据预设的恢复算法将第二图像样本集中的图像进行复原处理,得到复原后的第三图像样本集。在本申请实施例所提供的方案中,预设的恢复算法包括最小二乘法、多项式拟合算法等。
步骤203,通过鉴别网络判断所述第三图像样本集与所述第一图像样本集中对应的图像是否一致。
具体的,计算机设备将第三图像样本集以及第一图像样本集作为鉴别网络的输入,鉴别网络将第三图像样本集以及第一图像样本集中的图像分别进行预处理,得到预处理之后的图像样本集,例如,预处理包括图像切割、图像归一化、图像增强等,然后,提取预处理之后的图像样本集中的图像特征,根据第一图像样本集以及第三图像样本集中的对应图像的图像特征,确定第一图像样本集以及第三图像样本集中的对应图像是否一致。在本申请实施例所提供的方案中,计算机设备确定第一图像样本集以及第三图像样本集中的对应图像是否一致的方式有多种,下面以较佳的一种为例进行说明。
在一种可能实现方式中,通过鉴别网络判断所述第三图像样本集与所述第一图像样本集中对应的图像是否一致,包括:确定所述第一图像样本集与所述第三图像样本集中对应的图像之间的相似度,并判断所述相似度是否大于预设的第一阈值;若大于,则确定所述第一图像样本集与所述第三图像样本集中对应的图像一致。
步骤204,若不一致,则调整所述生成网络中的网络参数直到所述第三图像样本集与所述第一图像样本集中对应的图像一致为止,并根据所述第一图像样本集与所述第三图像样本集中对应的图像确定波前像差。
在本申请实施例所提供的方案中,计算机设备在确定第三图像样本集与第一图像样本集中对应的图形一致时,计算机设备根据第一图像样本集合第三图像样本集中对应的图像的稳态点可以得到退化函数H(x,y),在获取退化函数之后需,将退化函数经过傅里叶逆变换,并结合成像系统的光瞳函数、成像参数就可以获得系统的波前像差。
本申请实施例所提供的方案中,通过生成对抗网络中的生成网络将第二图像样本集中的图像进行恢复处理,得到第三图像样本集,然后,通过鉴别网络判断第一图像样本集与第三图像样本集中对应的图像是否一致,若不一致,则调整所述生成网络中的网络参数直到所述第三图像样本集与所述第一图像样本集中对应的图像一致为止,根据所述第一图像样本集与所述第三图像样本集中对应的图像确定波前像差。因此,本申请实施例所提供的方案中,通过生成对抗网络中生成网络和鉴别网络进行相互博弈的方式进行学习,使得生成网络复原的图像尽可能接近真实图像,进而使得通过生成网络复原的图像和真实图像确定出的波前像差的准确性更高,以及通过生成网络和鉴别网络进行相互博弈的方式确定波前像差,能够适应不同的应用场景,提高了方案的适用性。
进一步,为了提高波前像差的精度,若所述第一图像样本集与所述第三图像样本集中对应的图像一致,在本申实施例所提供的方案的步骤204之前,还包括:判断所述第一阈值是否小于预设的第二阈值;若不小于,则减小所述第一阈值,直到所述第一阈值小于所述第二阈值为止,重新判断所述第一图像样本集与所述第三图像样本集中对应的图像是否一致;若不一致,则重新调整所述网络参数,直到所述第一图像样本集与所述第三图像样本集中对应的图像一致为止。
基于与上述相同的方明构思,本申请实施例提供了一种基于生成对抗网络的波前像差确定装置,参见图3,该装置包括:
确定单元301,用于确定当前环境下真实图像的第一图像样本集,将所述第一图像样本集中各个图像进行退化处理得到第二图像样本集;
生成单元302,用于通过生成网络将所述第二图像样本集中各个图像进行复原处理,得到复原后的第三图像样本集;
鉴别单元303,用于通过鉴别网络判断所述第三图像样本集与所述第一图像样本集中对应的图像是否一致;
调整单元304,用于若不一致,则调整所述生成网络中的网络参数直到所述第三图像样本集与所述第一图像样本集中对应的图像一致为止,并根据所述第一图像样本集与所述第三图像样本集中对应的图像确定波前像差。
可选地,所述确定单元301,具体用于:
在当前环境下,根据所述真实图像与退化图像之间预设的映射关系,建立图像退化模型;
根据所述图像退化模型对所述第一图像样本集进行退化处理得到所述第二图像样本集。
可选地,所述鉴别单元303,具体用于:
确定所述第一图像样本集与所述第三图像样本集中对应的图像之间的相似度,并判断所述相似度是否大于预设的第一阈值;
若大于,则确定所述第一图像样本集与所述第三图像样本集中对应的图像一致。
可选地,所述鉴别单元303,还用于:
判断所述第一阈值是否小于预设的第二阈值;
若不小于,则减小所述第一阈值,直到所述第一阈值小于所述第二阈值为止,重新判断所述第一图像样本集与所述第三图像样本集中对应的图像是否一致;
若不一致,则重新调整所述网络参数,直到所述第一图像样本集与所述第三图像样本集中对应的图像一致为止。
本申请实施例提供了一种计算机设备,参见图4,该计算机设备包括:
存储器401,用于存储至少一个处理器所执行的指令;
处理器402,用于执行存储器中存储的指令执行图1所述的方法。
本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行图1所述的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (6)
1.一种基于生成对抗网络的波前像差确定方法,所述生成对抗网络包括生成网络和鉴别网络,其特征在于,包括:
确定当前环境下真实图像的第一图像样本集,将所述第一图像样本集中各个图像进行退化处理得到第二图像样本集;
通过生成网络将所述第二图像样本集中各个图像进行复原处理,得到复原后的第三图像样本集;
通过鉴别网络判断所述第三图像样本集与所述第一图像样本集中对应的图像是否一致;
若不一致,则调整所述生成网络中的网络参数直到所述第三图像样本集与所述第一图像样本集中对应的图像一致为止,并根据所述第二图像样本集与所述第三图像样本集中对应的图像确定波前像差;
通过鉴别网络判断所述第三图像样本集与所述第一图像样本集中对应的图像是否一致,包括:
确定所述第一图像样本集与所述第三图像样本集中对应的图像之间的相似度,并判断所述相似度是否大于预设的第一阈值;
若大于,则确定所述第一图像样本集与所述第三图像样本集中对应的图像一致;
若所述第一图像样本集与所述第三图像样本集中对应的图像一致,根据所述第一图像样本集与所述第三图像样本集中对应的图像确定波前像差之前,还包括:
判断所述第一阈值是否小于预设的第二阈值;
若不小于,则减小所述第一阈值,直到所述第一阈值小于所述第二阈值为止,重新判断所述第一图像样本集与所述第三图像样本集中对应的图像是否一致;
若不一致,则重新调整所述网络参数,直到所述第一图像样本集与所述第三图像样本集中对应的图像一致为止。
2.如权利要求1所述的方法,其特征在于,将所述第一图像样本集中各个图像进行退化处理得到第二图像样本集,包括:
在当前环境下,根据所述真实图像与退化图像之间预设的映射关系,建立图像退化模型;
根据所述图像退化模型对所述第一图像样本集进行退化处理得到所述第二图像样本集。
3.一种基于生成对抗网络的波前像差确定装置,其特征在于,包括:
确定单元,用于确定当前环境下真实图像的第一图像样本集,将所述第一图像样本集中各个图像进行退化处理得到第二图像样本集;
生成单元,用于通过生成网络将所述第二图像样本集中各个图像进行复原处理,得到复原后的第三图像样本集;
鉴别单元,用于通过鉴别网络判断所述第三图像样本集与所述第一图像样本集中对应的图像是否一致;
调整单元,用于若不一致,则调整所述生成网络中的网络参数直到所述第三图像样本集与所述第一图像样本集中对应的图像一致为止,并根据所述第一图像样本集与所述第三图像样本集中对应的图像确定波前像差;
所述鉴别单元,具体用于:
确定所述第一图像样本集与所述第三图像样本集中对应的图像之间的相似度,并判断所述相似度是否大于预设的第一阈值;
若大于,则确定所述第一图像样本集与所述第三图像样本集中对应的图像一致;
所述鉴别单元,还用于:
判断所述第一阈值是否小于预设的第二阈值;
若不小于,则减小所述第一阈值,直到所述第一阈值小于所述第二阈值为止,重新判断所述第一图像样本集与所述第三图像样本集中对应的图像是否一致;
若不一致,则重新调整所述网络参数,直到所述第一图像样本集与所述第三图像样本集中对应的图像一致为止。
4.如权利要求3所述的装置,其特征在于,所述确定单元,具体用于:
在当前环境下,根据所述真实图像与退化图像之间预设的映射关系,建立图像退化模型;
根据所述图像退化模型对所述第一图像样本集进行退化处理得到所述第二图像样本集。
5.一种计算机设备,其特征在于,包括:
存储器,用于存储至少一个处理器所执行的指令;
处理器,用于执行存储器中存储的指令执行如权利要求1-2任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-2任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010070602.XA CN111325317B (zh) | 2020-01-21 | 2020-01-21 | 一种基于生成对抗网络的波前像差确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010070602.XA CN111325317B (zh) | 2020-01-21 | 2020-01-21 | 一种基于生成对抗网络的波前像差确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325317A CN111325317A (zh) | 2020-06-23 |
CN111325317B true CN111325317B (zh) | 2023-12-12 |
Family
ID=71163265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010070602.XA Active CN111325317B (zh) | 2020-01-21 | 2020-01-21 | 一种基于生成对抗网络的波前像差确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325317B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933060A (zh) * | 2016-06-24 | 2016-09-07 | 温州大学 | 一种基于动力学反馈神经网络的波前重构方法 |
CN109073777A (zh) * | 2018-07-25 | 2018-12-21 | 合刃科技(深圳)有限公司 | 一种隐身物体探测系统和方法 |
CN109712109A (zh) * | 2018-11-06 | 2019-05-03 | 杭州电子科技大学 | 一种基于残差卷积神经网络的光学图像相位解缠绕方法 |
CN109739033A (zh) * | 2019-02-25 | 2019-05-10 | 中国科学院光电技术研究所 | 一种无波前探测的液晶像差校正方法 |
CN110044498A (zh) * | 2019-04-18 | 2019-07-23 | 中国科学院光电技术研究所 | 一种基于深度学习的哈特曼波前传感器模式波前复原方法 |
CN110207835A (zh) * | 2019-05-23 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于离焦图像训练的波前校正方法 |
WO2019200702A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 去网纹系统训练方法、去网纹方法、装置、设备及介质 |
WO2019237846A1 (zh) * | 2018-06-11 | 2019-12-19 | 腾讯科技(深圳)有限公司 | 图像处理方法、人脸识别方法、装置和计算机设备 |
-
2020
- 2020-01-21 CN CN202010070602.XA patent/CN111325317B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933060A (zh) * | 2016-06-24 | 2016-09-07 | 温州大学 | 一种基于动力学反馈神经网络的波前重构方法 |
WO2019200702A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 去网纹系统训练方法、去网纹方法、装置、设备及介质 |
WO2019237846A1 (zh) * | 2018-06-11 | 2019-12-19 | 腾讯科技(深圳)有限公司 | 图像处理方法、人脸识别方法、装置和计算机设备 |
CN109073777A (zh) * | 2018-07-25 | 2018-12-21 | 合刃科技(深圳)有限公司 | 一种隐身物体探测系统和方法 |
CN109712109A (zh) * | 2018-11-06 | 2019-05-03 | 杭州电子科技大学 | 一种基于残差卷积神经网络的光学图像相位解缠绕方法 |
CN109739033A (zh) * | 2019-02-25 | 2019-05-10 | 中国科学院光电技术研究所 | 一种无波前探测的液晶像差校正方法 |
CN110044498A (zh) * | 2019-04-18 | 2019-07-23 | 中国科学院光电技术研究所 | 一种基于深度学习的哈特曼波前传感器模式波前复原方法 |
CN110207835A (zh) * | 2019-05-23 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于离焦图像训练的波前校正方法 |
Non-Patent Citations (1)
Title |
---|
鲍华 ; 饶长辉 ; 田雨 ; 钟立波 ; 陈浩 ; 龙潇 ; .自适应光学图像事后重建技术研究进展.光电工程.2018,(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111325317A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214973B (zh) | 针对隐写分析神经网络的对抗安全载体生成方法 | |
CN108414240B (zh) | 一种检测机器异常振动的方法与装置 | |
CN109902018B (zh) | 一种智能驾驶系统测试案例的获取方法 | |
CN110992363A (zh) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 | |
CN109636746B (zh) | 图像噪声去除系统、方法及设备 | |
CN112766189A (zh) | 深度伪造检测方法、装置、存储介质及电子设备 | |
CN112785507A (zh) | 图像处理方法及装置、存储介质、终端 | |
CN109145981B (zh) | 深度学习自动化模型训练方法及设备 | |
CN113469118B (zh) | 多目标行人跟踪方法及装置、电子设备、存储介质 | |
Cozzolino et al. | Towards universal gan image detection | |
CN111325317B (zh) | 一种基于生成对抗网络的波前像差确定方法及装置 | |
CN112488137A (zh) | 样本获取方法、装置、电子设备及机器可读存储介质 | |
JP7354129B2 (ja) | 光学センサの内蔵試験のためのシステムおよび方法 | |
CN108229392A (zh) | 一种瞳孔定位方法、装置、设备和介质 | |
CN110363288B (zh) | 一种神经网络的输入图像生成方法和系统 | |
CN111353526A (zh) | 一种图像匹配方法、装置以及相关设备 | |
CN114384780B (zh) | 透过散射介质成像的方法、装置、计算机设备和存储介质 | |
CN108781280B (zh) | 一种测试方法、装置及终端 | |
CN116405233A (zh) | 一种基于改进vaegan与深度神经网络的网络入侵检测方法 | |
CN115035608A (zh) | 活体检测方法、装置、设备及系统 | |
Byun et al. | Vision-based virtual vibration sensor using error calibration convolutional neural network with signal augmentation | |
CN112580689A (zh) | 神经网络模型的训练方法、应用方法、装置和电子设备 | |
CN111027589A (zh) | 一种多分制目标检测算法评价系统及方法 | |
CN111260757A (zh) | 一种图像处理方法、装置及终端设备 | |
CN116092169B (zh) | 一种以采集频率与范围为权重的数据关联度计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |