买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长春智冉光电科技有限公司

摘要：本发明属于图像处理技术领域，具体公开提供的一种多轴运动平台下线阵相机成像抖动去除方法，该方法包括：当运动平台进行不同运动方向上运动时，通过线阵相机获取对应图像数据集；通过采用循环生成对抗网络，得到深度学习网络结构；进行深度学习网络结构的对抗训练；输出不含抖动误差的图像数据；本发明通过使用半监督深度学习方法学习两组来自不同运动轴的数据，直接将抖动图像优化至不含抖动误差的图像，有效解决了当前硬件校正和软件校正存在的欠缺性问题，不仅弥补了当前硬件校正方式存在的场景局限性，扩展了图像抖动去除的适用场景，并且还提高了图像抖动去除的便利性和去除效果，实现了图像抖动的快速去除。

主权项：1.一种多轴运动平台下线阵相机成像抖动去除方法，其特征在于：该方法包括以下步骤：步骤1、数据集获取：当运动平台进行不同运动方向上运动时，通过线阵相机获取对应图像数据集，所述运动方向包括横向运动和纵向运动；步骤2、网络结构构建：通过采用循环生成对抗网络，得到深度学习网络结构，所述深度学习网络结构由两组生成器和两组判别器组成；步骤3、网络结构训练：进行生成器和判别器的对抗训练；步骤4、图像抖动去除：将不同运动方向的对应图像数据集中的图像数据输入至度学习网络结构中进行训练，进而输出不含抖动误差的图像数据；所述通过线阵相机获取对应图像数据集具体包括：在运动平台横向运动时，通过线阵相机获取存在抖动图像数据集，记为；在运动平台纵向运动时，通过线阵相机获取不存在抖动图像数据集，记为；所述生成器的输入为存在抖动图像数据，输出为去除抖动后图像数据；所述生成器的输入为不存在抖动图像数据，而其输出为存在抖动图像数据；所述深度学习网络结构的数据流为两组数据流，所述两组数据流分别为存在抖动图像数据集和不存在抖动图像数据集组成，其中，存在抖动图像数据集的具体传递方式为：S1、从所述存在抖动图像数据集中提取任意存在抖动图像数据，其中，；S2、将存在抖动图像数据作为生成器的输入数据，进而输出经过校正后的图像数据，；S3、将经过校正后的图像数据作为判别器的输入数据，对经过校正后的图像数据进行真实无抖动判断，进而输出经过校正后的图像数据为真实无抖动图像数据的判别概率值；S4、将经过校正后的图像数据作为生成器的输入数据，进而输出存在抖动的图像数据，；所述进行生成器和判别器的对抗训练为分别进行迭代训练，所述进行迭代训练的具体训练过程包括：K1、对两组生成器和两组判别器的参数进行初始化，所述参数包括权重和偏置；K2、将存在抖动图像数据集作为训练集，在所述训练集中抽取若干训练集数据样本；K3、通过生成器生成与所述训练集数据样本数目相同的训练集数据样本，并通过生成器生成与所述训练集数据样本数目相同的另一组训练数据集样本，将生成器和生成器生成的生成的训练集数据样本作为假图像样本；K4、固定生成器的参数，并更新判别器的参数，同时固定生成器的参数，并更新判别器的参数；K5、更新若干次判别器后，更新一次固定生成器的参数和更新一次生成器的参数，并固定判别器和判别器的参数；K6、重复K4步骤和K5步骤，交替训练生成器和判别器；K7、当判别器和判别器输出判别概率值为0.5时，结束生成器和判别器的训练，若判别器和判别器输出判别概率值小于0.5时返回步骤K6；所述进行生成器和判别器的对抗训练时还包括设定损失函数，所述设定损失函数具体表示公式为：，为设定损失函数，为对抗损失，为循环一致性损失，为同一性损失；所述对抗损失的具体表达式如下：，其中，表示数学期望，表示存在抖动图像数据集中的存在抖动图像数据，表示不存在抖动图像数据集中的不存在抖动图像数据，表示对存在抖动图像数据集中的存在抖动图像数据进行期望操作得到的期望值，表示对不存在抖动图像数据集中不存在抖动图像数据进行期望操作得到的期望值；所述循环一致性损失函数的具体表达式如下：；所述同一性损失函数的具体表达式如下：。

全文数据：

权利要求：

百度查询： 长春智冉光电科技有限公司 一种多轴运动平台下线阵相机成像抖动去除方法