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！

龙图腾网获悉大连海事大学申请的专利一种基于生成对抗网络的声呐图像仿真方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117292144B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311374902.7，技术领域涉及：G06T11/60；该发明授权一种基于生成对抗网络的声呐图像仿真方法是由周新;郭爱彬;孙斌设计研发完成，并于2023-10-23向国家知识产权局提交的专利申请。

本一种基于生成对抗网络的声呐图像仿真方法在说明书摘要公布了：本发明公开了一种基于生成对抗网络的声呐图像仿真方法，具体步骤如下：S1:将原始声呐图像作为高分辨率图像，对原始声呐图像进行预处理得到低分辨率的图像，将高分辨率图像与低分辨率图像组成数据集；S2：创建生成对抗网络模型，所述生成对抗网络模型包括声呐图像生成网络模块和声呐图像判别网络模块，基于所述数据集中的低分辨率图像，所述声呐图像生成网络模块生成超分辨率的图像，基于所述生成的超分辨率的图像和所述数据集中的高分辨率图像，所述声呐图像判别网络模块用于输出判别结果；S3：基于所述数据集对所述生成对抗网络模型进行训练，获得训练完成的生成对抗网络模型；S4：基于训练完成的生成对抗网络模型进行声呐图像的仿真。本发明通过构建的生成对抗网络模型可以提高现有声呐图像的清晰度，生成分辨率更高的声呐图像。

本发明授权一种基于生成对抗网络的声呐图像仿真方法在权利要求书中公布了：1.一种基于生成对抗网络的声呐图像仿真方法，其特征在于，具体步骤如下： S1：将原始声呐图像作为高分辨率图像，对原始声呐图像进行预处理得到低分辨率的图像，将高分辨率图像与低分辨率图像组成数据集； S2：创建生成对抗网络模型，所述生成对抗网络模型包括声呐图像生成网络模块和声呐图像判别网络模块，基于所述数据集中的低分辨率图像，所述声呐图像生成网络模块生成超分辨率的图像，基于所述生成的超分辨率的图像和所述数据集中的高分辨率图像，所述声呐图像判别网络模块用于输出判别结果； S3：基于所述数据集对所述生成对抗网络模型进行训练，获得训练完成的生成对抗网络模型； S4：基于训练完成的生成对抗网络模型进行声呐图像的仿真； 所述声呐图像生成网络模块包括第一输入模块、特征提取模块、特征学习模块和第一输出模块； 所述第一输入模块包括第一卷积层和第一PReLU激活函数层；所述第一输入模块用于提取输入的低分辨率图像的边缘和纹理特征输出第一特征图，并将第一特征图传输给所述特征提取模块； 所述特征提取模块用于提取第一特征图的边缘和纹理特征输出第二特征图，并将第二特征图传输给所述特征学习模块； 所述特征提取模块包括多尺度卷积模块，所述多尺度卷积模块包括第一分支、第二分支、第三分支、第四分支和第五分支； 所述第一分支包括1×1第一分支卷积层和第一分支空洞卷积层，用于提取所述第一特征图的感受野大小为3×3范围的边缘和纹理特征； 所述第二分支包括1×1第二分支卷积层、第二分支非对称卷积层和第二分支空洞卷积层，用于提取所述第一特征图的感受野大小为9×9范围的边缘和纹理特征； 所述第三分支包括1×1第三分支卷积层、第三分支非对称卷积层和第三分支空洞卷积层，用于提取所述第一特征图的感受野大小为9×9范围的边缘和纹理特征； 所述第四分支包括1×1第四分支卷积层、第四分支非对称卷积层和第四分支空洞卷积层，用于提取所述第一特征图的感受野大小为15×15范围的边缘和纹理特征； 所述第五分支将上述四个分支分别输出的特征图沿通道维度进行拼接操作，得到2倍于原本通道数的特征图，再利用1×1第五分支卷积层将所述2倍于原本通道数的特征图调整为通道数为原本通道数1倍的特征图，并通过跳跃连接将其与所述第一特征图沿通道维度进行求和，再经过ReLU激活函数层输出第二特征图； 所述特征学习模块用于提取第二特征图的形状和物体整体结构特征输出第三特征图，并将第三特征图传输给所述第一输出模块； 所述特征学习模块包括L个密集连接的残差块，且L≥2，每个所述残差块包括第二卷积层和第二PReLU激活函数层，第一个残差块将所述第二特征图作为输入，第L个残差块将第二特征图与前面L-1个残差块分别输出的特征图进行求和操作后输出的特征图作为输入，并输出第三特征图； 所述第一输出模块包括第二卷积块、若干个上采样模块和第三卷积块；所述第一输出模块用于对第三特征图进行上采样输出超分辨率的图像，并将生成的超分辨率的图像传输给所述声呐图像判别网络模块； 所述第二卷积块包括第三卷积层和第一BN层，所述第三卷积层按照使所述第三特征图的纹理、边缘以及上下文信息与所述高分辨率图像对应的规则将所述第三特征图映射到所述数据集中的高分辨率图像中，所述第一BN层用于对所述第三卷积层的输出进行批量归一化处理后输出第四特征图并传输给所述上采样模块； 每个所述上采样模块包括第四卷积层、亚像素卷积层和第三PReLU激活函数层，所述第四卷积层用于将第四特征图中拆分并输出r2个低分辨率特征图，所述亚像素卷积层基于r2个低分辨率特征图进行亚像素卷积生成大小为r2的高分辨率的特征图，r为放大倍数，再经过所述第三PReLU激活函数层后传输给所述第三卷积块； 所述第三卷积块包括第五卷积层，用于将上采样模块输出的高分辨率的特征图中包含的抽象高级特征转化为最终输出图像的像素表示并输出超分辨率的图像，所述抽象高级特征包括与物体类别相关的形状及外观特征； 所述声呐图像判别网络模块包括第二输入模块，若干个卷积模块和第二输出模块； 所述第二输入模块用于提取所述超分辨率的图像以及所述数据集中的高分辨率图像的边缘和纹理特征，分别输出第四特征图和第五特征图并传输给所述卷积模块； 所述第二输入模块包括第六卷积层和第四PReLU激活函数层，所述第六卷积层用于提取所述超分辨率的图像以及所述数据集中的高分辨率图像的边缘和纹理特征，再经过所述第四PReLU激活函数层输出第四特征图和第五特征图； 每个所述卷积模块包括第七卷积层、第二BN层和第一LeakyReLU激活函数层，所述第七卷积层用于提取所述第四特征图和第五特征图的形状和物体整体结构特征，通过所述第二BN层进行批量归一化处理，在经过所述第一LeakyReLU激活函数层后输出第六特征图和第七特征图；所述卷积模块用于提取第四特征图和第五特征图的形状和物体整体结构特征，分别输出第六特征图和第七特征图，并传输给所述第二输出模块； 所述第二输出模块用于计算第六特征图和第七特征图之间的Wasserstein距离； 所述第二输出模块包括依次连接的第一全连接层、第二LeakyReLU激活函数层和第二全连接层，第一全连接层用于输出第六特征图和第七特征图的特征向量，所述第二LeakyReLU激活函数层将所述第六特征图和第七特征图的特征向量逐像素相加后输出；第二全连接层基于所述第二LeakyReLU激活函数层输出的特征向量计算得到Wasserstein距离，即一个实数值并输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连海事大学，其通讯地址为：116000 辽宁省大连市甘井子区凌水街道凌海路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。