一种基于生成对抗网络的异源图像迁移方法

1.一种基于生成对抗网络的异源图像迁移的方法，其特征在于，包括下列步骤：步骤1：红外与可见光数据集的选取与制作，分为监督学习数据集和无监督学习数据集；步骤101：监督学习数据集的选取与制作，监督学习数据集中的图像是匹配成对的红外图像和可见光图像，两者一一对应；步骤102：无监督学习数据集的选取与制作，无监督学习数据集包含可见光图像和红外图像两个独立的集合，它们之间并不是一一匹配的关系；步骤2：基于半监督学习的生成对抗网络架构STVGAN，实现了红外图像与可见光图像之间的有效迁移；其中生成对抗网络架构STVGAN的具体步骤为：步骤201：首先通过基于编解码模型的生成器X将红外图像迁移为可见光图像，生成器由编码网络E与解码网络G组成，编码器负责将红外域特征转化为潜空间向量，解码器将潜空间向量转化为可见光图像；步骤202：将生成的可见光图像通过判别网络模块的多尺度判别器进行判别，计算对抗损失函数；步骤203：将生成的可见光图像通过生成器Y将可见光图像迁移为红外图像，计算循环损失函数；步骤204：将可见光图像依次输入生成器Y，多尺度判别器，生成器X，计算对应的对抗损失函数，循环损失函数；步骤205：先在少量监督学习数据集上预训练网络模型，再在大量无监督学习数据集上利用循环一致性原理进行无监督训练；步骤3：减少生成对抗网络架构STVGAN中总损失函数的值，获取训练好的生成器网络；STVGAN训练降低总损失函数的值，获取生成器网络的具体步骤为：步骤301：监督训练时损失结合了内容损失，感知损失，对抗损失和循环损失；步骤302：无监督训练时损失包括对抗损失和循环损失；步骤303：将监督训练损失和无监督训练损失结合，构成复合损失函数，减少总损失函数的值，经过训练，得到训练好的生成器网络；步骤4：使用生成对抗网络架构STVGAN中的生成器网络，将红外图像迁移为可见光图像。 2.如权利要求1所述方法，其特征在于，步骤2中的半监督图像迁移网络架构。 3.如权利要求1所述方法，其特征在于，步骤2中多尺度判别网络设计。 4.如权利要求1所述方法，其特征在于，步骤3中的复合损失函数，融合了对抗损失，内容损失，感知损失，循环损失。