基于生成对抗网络的太阳图像配准方法、设备及存储介质

1.本发明涉及图像配准领域，尤其涉及一种基于生成对抗网络的太阳图像配准方法、设备及存储介质。


背景技术：

2.随着科学技术的进步，人们发现，太阳活动与人类的生产和生活息息相关，太阳活动会对空间环境和地球高空大气环境产生扰动，从而影响轨道卫星运作，使得地面的无线电短波通讯受到影响；还会扰动地球磁场，产生“磁暴”现象，使得磁针不能正确指示方向；更是会引发自然灾害，比如地震、旱涝灾害等，威胁人们的生命财产安全。可见，太阳活动对人们的日常生活有很大影响，因此有必要研究太阳活动，从而对太阳活动进行预测，而对于太阳活动的研究主要围绕对太阳进行观测从而得到的观测数据进行。
3.现如今，人们一般使用地基太阳望远镜和空基太阳望远镜对太阳活动进行观测，地基太阳望远镜和空基太阳望远镜为太阳观测提供了更加精确的时间分辨率以及空间分辨率。但由于不同望远镜安装系统的差异，以及不同的空间分辨率和方位，造成了太阳图像的不匹配，因此图像配准成为了太阳观测科学研究的关键步骤。目前传统的图像配准方法所使用的方式包括了灰度、特征以及频域等，但由于观测到的太阳图像往往没有固定边界，导致特征不明显，因此根据传统的方法很难获取准确的配准参数。


技术实现要素：

4.本发明的主要目的在于提供一种基于生成对抗网络的太阳图像配准方法、设备及存储介质，旨在解决观测到的太阳图像特征不明显，很难获取准确的配准参数以进行图像配准的技术问题。
5.为实现上述目的，本发明提供一种基于生成对抗网络的太阳图像配准方法，所述太阳图像配准方法包括以下步骤：
6.获取太阳观测数据，其中，所述太阳观测数据包括参考图像以及待配准图像；
7.基于预先建立的初始生成对抗网络模型以及所述参考图像，获得目标生成对抗网络模型；
8.基于所述目标生成对抗网络模型对所述待配准图像进行配准，获得所述参考图像对应的配准图像。
9.优选地，所述基于预先建立的初始生成对抗网络模型以及所述参考图像，获得目标生成对抗网络模型的步骤包括：
10.对所述参考图像进行预处理，获得待输入图像；
11.基于所述待输入图像对所述初始生成对抗网络模型进行训练，以获得训练完成的所述目标生成对抗网络模型。
12.优选地，所述对所述参考图像进行预处理的步骤包括：
13.对所述参考图像进行预设的空间变换流程，其中，所述空间变换流程包括刚体变
换、相似变换、仿射变换以及透视变换。
14.优选地，所述基于所述待输入图像对所述初始生成对抗网络模型进行训练的步骤包括：
15.将所述待输入图像以及随机噪声输入所述初始生成对抗网络模型的生成器，使得所述生成器通过学习获得形变特征参数，并基于所述形变特征参数与所述随机噪声生成对应的比对图像；
16.将所述比对图像与所述待输入图像输入所述初始生成对抗网络模型的判别器，基于所述判别器输出样本标签值；
17.若所述样本标签值为1，则确定所述比对图像与所述待输入图像匹配，所述生成器以及所述判别器构成所述目标生成对抗网络模型。
18.优选地，所述基于所述判别器输出样本标签值的步骤之后，还包括：
19.若所述样本标签值为0，则输出所述判别器的训练权重参数，将所述训练权重参数返回至所述初始生成对抗网络模型的生成器，获得参数更新后的生成对抗网络模型；
20.将参数更新后的生成对抗网络模型作为所述初始生成对抗网络模型，并返回执行将所述待输入图像以及随机噪声输入所述初始生成对抗网络模型的生成器的步骤。
21.优选地，所述基于所述目标生成对抗网络模型对所述待配准图像进行配准，获得所述参考图像对应的配准图像的步骤包括：
22.获取所述目标生成对抗网络模型的训练权重参数；
23.将所述训练权重参数应用于所述待配准图像，获得结果图像；
24.基于所述结果图像确定所述配准图像。
25.优选地，所述基于所述结果图像确定所述配准图像的步骤包括：
26.分别在所述结果图像中与所述参考图像中选取特征点；
27.基于预设条件确定所述结果图像中与所述参考图像中相对位置相同的特征点之间形成的匹配对的数量；
28.若所述匹配对达到预设数量，则确定所述结果图像为所述参考图像对应的配准图像。
29.优选地，所述获取太阳观测数据的步骤之前，还包括：
30.建立所述初始生成对抗网络模型，其中，所述初始生成对抗网络模型包括生成器以及判别器。
31.此外，为实现上述目的，本发明还提供一种基于生成对抗网络的太阳图像配准设备，所述太阳图像配准设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于生成对抗网络的太阳图像配准程序，所述太阳图像配准程序被所述处理器执行时实现如上所述的太阳图像配准方法的步骤。
32.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述可读存储介质上存储有基于生成对抗网络的太阳图像配准程序，所述太阳图像配准程序被处理器执行时实现如上所述的太阳图像配准方法的步骤。
33.本发明通过获取太阳观测数据，其中，所述太阳观测数据包括参考图像以及待配准图像；基于预先建立的初始生成对抗网络模型以及所述参考图像，获得目标生成对抗网络模型；基于所述目标生成对抗网络模型对所述待配准图像进行配准，获得所述参考图像
对应的配准图像。利用生成对抗网络模型对太阳图像的特征进行无监督学习，从而准确地对太阳图像的特征进行识别，最终可以对通过观测获取到的太阳图像进行配准，获取准确的配准参数，在对太阳图像的配准中达到高精准的配准效果。
附图说明
34.图1是本发明实施例方案涉及的硬件运行环境中基于生成对抗网络的太阳图像配准设备的结构示意图；
35.图2为本发明基于生成对抗网络的太阳图像配准方法第一实施例的流程示意图；
36.图3为本发明一实施例的参考图像示意图；
37.图4为本发明一实施例的结果图像示意图；
38.图5为本发明一实施例的结果图像与参考图像进行特征点匹配的示意图。
39.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
40.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
41.如图1所示，图1是本发明实施例方案涉及的硬件运行环境中太阳图像配准设备的结构示意图。
42.本发明实施例终端可以是pc，也可以是智能手机、平板电脑、便携计算机等具有显示功能的终端设备。
43.如图1所示，该太阳图像配准设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
44.可选地，太阳图像配准设备还可以包括摄像头、rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器，在此不再赘述。
45.本领域技术人员可以理解，图1中示出的终端结构并不构成对太阳图像配准设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
46.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及太阳图像配准程序。
47.在图1所示的太阳图像配准设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的太阳图像配准程序。
48.在本实施例中，太阳图像配准设备包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的太阳图像配准程序，其中，处理器1001调用存储器1005中存储的太阳图像配准程序时，执行以下各个实施例中基于生成对抗网络的太阳
图像配准方法的步骤。
49.本发明还提供一种基于生成对抗网络的太阳图像配准方法，参照图2，图2为本发明太阳图像配准方法第一实施例的流程示意图。
50.本实施例中，该方法包括以下步骤：
51.步骤s101，获取太阳观测数据，其中，所述太阳观测数据包括参考图像以及待配准图像；
52.在本实施例中，首先需要对太阳进行观测，获得基本的太阳观测数据，所述太阳观测数据包括通过各种形式获得的太阳图像，例如，通过地基太阳望远镜和空基太阳望远镜对太阳进行观测，其中，地基太阳望远镜是架设在地面的太阳望远镜，空基太阳望远镜是在地球轨道上运转的太阳望远镜。
53.具体地，无论是通过地基太阳望远镜还是通过空基太阳望远镜进行观测，由于不同太阳望远镜之间存在安装系统不同、空间分辨率不同和方位不同等问题，导致每个太阳望远镜获得的太阳观测数据不同，即获得的太阳图像之间存在差异，需要进行图像配准，因此，获取太阳观测数据后，将所述太阳观测数据中的太阳图像分为参考图像以及待配准图像，使得后续可以将待配准图像与参考图像配准。
54.步骤s102，基于预先建立的初始生成对抗网络模型以及所述参考图像，获得目标生成对抗网络模型；
55.在本实施例中，通过对参考图像进行预处理，例如空间变换处理，并将预处理后的图像输入预先建立的初始生成对抗网络模型对其进行训练，从而得到目标生成对抗网络模型。
56.具体地，生成对抗网络模型一般包括生成器和判别器，预先建立一个初始生成对抗网络模型，将预处理后的图像以及随机噪声输入初始生成对抗网络模型的生成器，其中，随机噪声是高斯分布的随机变量，生成器通过学习预处理后的图像的形变特征参数，再将该形变特征参数应用于随机噪声，以获得生成的图像，而后，通过初始生成对抗网络模型的判别器判断生成的图像是否满足要求，若满足预设的要求，则确定该初始生成对抗网络模型已经训练完成，将其作为目标生成对抗网络模型，使得后续可以根据该目标生成对抗网络模型对待配准图像进行配准。
57.步骤s103，基于所述目标生成对抗网络模型对所述待配准图像进行配准，获得所述参考图像对应的配准图像。
58.在本实施例中，获得训练完成的目标生成对抗网络后，根据目标生成对抗网络模型对待配准图像进行配准，将参考图像作为图像配准的目标，最终获得参考图像对应的配准图像。
59.具体地，可以将训练完成的目标生成对抗网络的训练权重参数应用于待配准图像，获得结果图像，而后，分别将结果图像中的特征点与参考图像中特征点进行匹配，相互匹配的特征点之间可以形成匹配对，再根据匹配对的数量是否满足预设条件，从而确定结果图像是否为参考图像对应的配准图像。
60.进一步的，至少存在一个结果图像，若存在多个结果图像且每个结果图像形成的匹配对的数量不满足预设条件，则根据前述对初始生成对抗网络模型进行训练的步骤，继续对该目标生成对抗网络模型进行训练，直到可以根据该目标生成对抗网络模型得到参考
图像对应的配准图像，且匹配对的数量越多，则配准效果越好。
61.本实施例提出的基于生成对抗网络的太阳图像配准方法，通过获取太阳观测数据，其中，所述太阳观测数据包括参考图像以及待配准图像；而后基于预先建立的初始生成对抗网络模型以及所述参考图像，获得目标生成对抗网络模型；最终基于所述目标生成对抗网络模型对所述待配准图像进行配准，获得所述参考图像对应的配准图像。通过利用生成对抗网络模型对太阳图像的特征进行无监督学习，从而准确地对太阳图像的特征进行识别，最终可以对通过观测获取到的太阳图像进行配准，获取准确的配准参数，在对太阳图像的配准中达到高精准的配准效果。
62.基于第一实施例，提出本发明方法的第二实施例，在本实施例中，步骤s102包括：
63.步骤s201，对所述参考图像进行预处理，获得待输入图像；
64.步骤s202，基于所述待输入图像对所述初始生成对抗网络模型进行训练，以获得训练完成的所述目标生成对抗网络模型。
65.在本实施例中，对参考图像进行预处理的流程包括空间变换，具体包括刚体变换、相似变换、仿射变换和透视变换，通过空间变换的流程获得参考图像对应的待输入图像，而后将待输入图像输入初始生成对抗网络模型，对其进行训练，以获得训练完成的目标生成对抗模型。
66.具体地，生成对抗网络模型由生成器和判别器组成，将随机噪声以及对参考图像进行空间变换后的待输入图像输入初始生成对抗模型的生成器，使其通过学习获得对应的形变特征参数，而后，根据形变特征参数以及随机噪声生成并输出比对图像，再将比对图像与待输入图像输入判别器，通过判别器输出比对图像属于真数据还是假数据的判断概率，若为真数据，则比对图像和待输入图像匹配，此时，确定该生成器以及判别器构成的生成对抗网络模型为目标生成对抗网络模型；若为假数据，则输出判别器的训练权重参数，将其返回至生成器，以使得生成器进行下一轮学习，即继续进行训练该模型。
67.本实施例提出的基于生成对抗网络的太阳图像配准方法，通过对所述参考图像进行预处理，获得待输入图像；基于所述待输入图像对所述初始生成对抗网络模型进行训练，以获得训练完成的所述目标生成对抗网络模型。使得后续可以利用训练完成的生成对抗网络模型对太阳图像进行配准，获取准确的配准参数，提高太阳图像配准的准确性，在对太阳图像的配准中达到高精准的配准效果。
68.基于第二实施例，提出本发明方法的第三实施例，在本实施例中，步骤s201包括：
69.步骤s301，对所述参考图像进行预设的空间变换流程，其中，所述空间变换流程包括刚体变换、相似变换、仿射变换以及透视变换。
70.需要说明的是，由于太阳图像中像素数量会随着其波段变换发生剧烈变化，因此，对于获取到的太阳观测数据，即参考图像以及待配准图像，需要先进行像素归一化的操作，首先获取各个图像像素的最小值和最大值，然后对每一个像素值以公式进行归一化，其公式包括：
[0071][0072]
其中，i
img
和i
out
分别为输入和输出图像，min(i
img
)和max(i
out
)为输入图像的两个像素极值。
[0073]
在本实施例中，获取参考图像与待配准图像并对各个图像进行像素归一化后，可以对参考图像进行预设的空间变换流程，以得到待输入图像，使得后续可以根据待输入图像对预先建立的初始生成对抗网络模型进行训练，使得初始生成对抗网络模型中的生成器可以学习相应的形变特征参数，其中，预设的空间变换流程包括刚体变换、相似变换、仿射变换以及透视变换。
[0074]
具体的，对参考图像进行刚体变换的公式包括：
[0075][0076]
其中，t
x
和ty表示平移量，θ表示旋转角，x0和y0表示变换前的坐标，x1和y1表示变换后的坐标。刚体变换后，原图像中各个点的相对位置不会发生改变，而只是将图像进行了一个旋转、平移的过程；
[0077]
对参考图像进行相似变换的公式包括：
[0078][0079]
其中，r表示尺度缩放参数，t
x
和ty表示平移量，θ表示旋转角，x0和y0表示变换前的坐标，x1和y1表示变换后的坐标，相似变换后改变了图像中点与点之间的相对位置，区域面积也会发生改变；
[0080]
对参考图像进行仿射变换的公式包括：
[0081][0082]
其中,t
x
和ty表示平移量，a
11
，a
12
，a
21
，a
22
表示缩放、旋转和错切，x0和y0表示变换前的坐标，x1和y1表示变换后的坐标，仿射变换后改变了图像中非平行线之间的夹角，形成更为复杂的空间映射关系；
[0083]
对参考图像进行透视变换的公式包括：
[0084][0085]
其中，h表示透视矩阵，x0和y0表示变换前的坐标，x1和y1表示变换后的坐标，透视变换能够使原本平行的线变得不再平行；
[0086]
根据上述空间变换的操作对参考图像进行处理，即可得到待输入图像，将待输入图像输入初始生成对抗网络模型，即可使得初始生成对抗网络模型学习到相应的形变特征参数。
[0087]
本实施例提出的基于生成对抗网络的太阳图像配准方法，通过对所述参考图像进行预设的空间变换流程，其中，所述空间变换流程包括刚体变换、相似变换、仿射变换以及透视变换。使得生成对抗网络模型的生成器可以通过该空间变换流程得到的图像学习相应
的形变特征参数，从而进行训练，以获得可以对太阳图像进行配准的生成对抗网络模型，后续在配准太阳图像时获取准确的配准参数，提高太阳图像配准的准确性，在对太阳图像的配准中达到高精准的配准效果。
[0088]
基于第二实施例，提出本发明方法的第四实施例，在本实施例中，步骤s202包括：
[0089]
步骤s401，将所述待输入图像以及随机噪声输入所述初始生成对抗网络模型的生成器，使得所述生成器通过学习获得形变特征参数，并基于所述形变特征参数与所述随机噪声生成对应的比对图像；
[0090]
步骤s402，将所述比对图像与所述待输入图像输入所述初始生成对抗网络模型的判别器，基于所述判别器输出样本标签值；
[0091]
步骤s403，若所述样本标签值为1，则确定所述比对图像与所述待输入图像匹配，所述生成器以及所述判别器构成所述目标生成对抗网络模型。
[0092]
其中，步骤s402之后，还包括：
[0093]
步骤s501，若所述样本标签值为0，则输出所述判别器的训练权重参数，将所述训练权重参数返回至所述初始生成对抗网络模型的生成器，获得参数更新后的生成对抗网络模型；
[0094]
步骤s502，将参数更新后的生成对抗网络模型作为所述初始生成对抗网络模型，并返回执行将所述待输入图像以及随机噪声输入所述初始生成对抗网络模型的生成器的步骤。
[0095]
在本实施例中，对参考图像进行空间变换的预处理流程后，即可获得用于输入初始生成对抗网络模型的待输入图像，初始生成对抗网络模型包括生成器以及判别器，将待输入图像与随机噪声一起输入初始生成对抗网络模型的生成器后，生成器通过学习获得形变特征参数，从而根据形变特征参数与输入的随机噪声生成比对图像，再将比对图像与待输入图像一起输入判别器，由判别器输出样本标签值，通过样本标签值判断比对图像与待输入图像是否匹配。
[0096]
具体地，随机噪声z为高斯分布的随机变量，将待输入图像与随机噪声z一起输入初始生成对抗网络模型的生成器，生成器将随机噪声z不断的映射到该待输入图像的分布上，使得生成的图像的概率不断向该待输入图像靠近，从而使得生成器通过学习获得相应的形变特征参数，而后，通过该形变特征参数与随机噪声z，即可生成比对图像，再通过判别器对比对图像以及待输入图像进行判别，输出样本标签值，若样本标签值为1，则确定比对图像与待输入图像匹配，该初始生成对抗网络模型已经训练完成，将其作为目标生成对抗网络；若样本标签值为0，则确定比对图像与待输入图像不匹配，该初始生成对抗网络模型未匹配完成，,输出该判别器的训练权重参数，将该参数返回至生成器，使得生成器可以根据该参数进行学习，形成新的生成对抗网络模型，优化生成结果，而后再次执行根据随机噪声z生成比对图像的步骤，以使得最终得到训练完成的目标生成对抗网络模型。
[0097]
在一其他实施例中，该目标生成对抗网络模型的目标函数为：
[0098][0099]
其中，g代表生成器，d代表判别器，p
wy
(x)为待输入图像的真实分布，pz为生成网络的输出参数，e表示期望均值；所述生成网络的输入是待输入图像x和随机噪声向量z，输出
是生成图像s(z)；所述判别器的输出为(0，1)的概率，该目标函数为目标生成对抗网络模型所追求的目标形式。
[0100]
本实施例提出的基于生成对抗网络的太阳图像配准方法，通过将所述待输入图像以及随机噪声输入所述初始生成对抗网络模型的生成器，使得所述生成器通过学习获得形变特征参数，并基于所述形变特征参数与所述随机噪声生成对应的比对图像；再将所述比对图像与所述待输入图像输入所述初始生成对抗网络模型的判别器，基于所述判别器输出样本标签值；若所述样本标签值为1，则确定所述比对图像与所述待输入图像匹配，所述生成器以及所述判别器构成所述目标生成对抗网络模型；若所述样本标签值为0，则输出所述判别器的训练权重参数，将所述训练权重参数返回至所述初始生成对抗网络模型的生成器，获得参数更新后的生成对抗网络模型；将参数更新后的生成对抗网络模型作为所述初始生成对抗网络模型，并返回执行将所述待输入图像以及随机噪声输入所述初始生成对抗网络模型的生成器的步骤。不断地训练初始生成对抗网络模型直到得到的目标生成对抗网络模型达到太阳图像配准的标准，根据其可以对太阳图像进行配准，该模型后续在配准太阳图像时具有准确的配准参数，提高了太阳图像配准的准确性，在对太阳图像的配准中达到高精准的配准效果。
[0101]
基于第一实施例，提出本发明方法的第五实施例，在本实施例中，步骤s103包括：
[0102]
步骤s601，获取所述目标生成对抗网络模型的训练权重参数；
[0103]
步骤s602，将所述训练权重参数应用于所述待配准图像，获得结果图像；
[0104]
步骤s603，基于所述结果图像确定所述配准图像。
[0105]
在本实施例中，目标生成对抗网络模型为训练完成的生成对抗网络模型，包括判别器与生成器，获取其判别器的训练权重参数，而后将该训练权重参数应用于待配准图像，即可获得结果图像，如图4所示，图4为本发明的结果图像示意图；而后，确定结果图像是否配准，是否为参考图像对应的配准图像，如图3所示，图3为本发明的参考图像示意图。
[0106]
具体地，上述将比对图像以及待输入图像输入判别器进行判别的步骤之后，若两图像匹配，则判别器输出样本标签值1，此时，获取判别器的训练权重参数，将该训练权重参数应用于待配准图像，以获得结果图像，而后，可以根据特征点将结果图像与参考图像进行匹配，确定是否配准。
[0107]
本实施例提出的基于生成对抗网络的太阳图像配准方法，通过获取所述目标生成对抗网络模型的训练权重参数；并将所述训练权重参数应用于所述待配准图像，获得结果图像；从而基于所述结果图像确定所述配准图像。该目标生成对抗网络为训练完成的生成对抗网络模型，通过使用其训练权重参数作为配准参数对太阳图像进行配准，再通过结果图像与参考图像的特征点检验是否配准，提高了配准参数的准确性，提高了太阳图像配准的准确性，在对太阳图像的配准中达到高精准的配准效果。
[0108]
基于第五实施例，提出本发明方法的第六实施例，参照图5，图5为结果图像与参考图像进行特征点匹配的示意图，在本实施例中，步骤s603包括：
[0109]
步骤s701，分别在所述结果图像中与所述参考图像中选取特征点；
[0110]
步骤s702，基于预设条件确定所述结果图像中与所述参考图像中相对位置相同的特征点之间形成的匹配对的数量；
[0111]
步骤s703，若所述匹配对达到预设数量，则确定所述结果图像为所述参考图像对
应的配准图像。
[0112]
在本实施例中，通过最近邻特征点的方式判断结果图像和参考图像的匹配程度，首先通过特征点提取分别在结果图像中与参考图像中选取相对位置相同的特征点，作为特征点对，可以确定各个特征点对是否匹配，例如，设任一特征点为r，确定距离r最近的特征点为s1，第二近的特征点为s2，并设阈值为d
ration
，那么根据以下公式：
[0113][0114]
其中，d
ration
是预设的阈值，s1是离r最近的特征点，s2是第二近点，d(r，s1)为特征点到第一近点的距离，d(r，s2)为特征点到第二近点的距离；当结果图像与参考图像任一特征点对的两个特征点都满足该公式时，则确定两个特征点匹配，将该特征点对作为匹配对。
[0115]
具体地，确定结果图像与参考图像中匹配对的数量，若达到预设数量，则将结果图像视作已配准，将其作为参考图像对应的配准图像，其中，预设数量可以为1，也可以为其他正整数，可以根据实际情况进行设定。
[0116]
在一其他实施例中，若存在多个结果图像，也可以将匹配对的数量进行对比，确定包括匹配对最多的结果图像配准效果最好，将其作为最优的配准图像。
[0117]
本实施例提出的基于生成对抗网络的太阳图像配准方法，通过分别在所述结果图像中与所述参考图像中选取特征点；并基于预设条件确定所述结果图像中与所述参考图像中相对位置相同的特征点之间形成的匹配对的数量；若所述匹配对达到预设数量，则确定所述结果图像为所述参考图像对应的配准图像。通过最近邻特征点的方式判断结果图像与参考图像的匹配程度，从而确定是否配准，并获得配准图像，提高了太阳图像配准的准确性，在对太阳图像的配准中达到高精准的配准效果。
[0118]
基于上述各个实施例，提出本发明方法的第七实施例，在本实施例中，步骤s101之前，还包括：
[0119]
步骤s801，建立所述初始生成对抗网络模型，其中，所述初始生成对抗网络模型包括生成器以及判别器。
[0120]
在本实施例中，在获取太阳观测数据之前，需要建立初始生成对抗网络模型，初始生成对抗网络模型包括生成器g和判别器d，由生成器g和判别器d构成了训练模型的两个网络。
[0121]
具体地，生成器g包含三层卷积层，判别器d包含四层卷积层，生成器g的具体构成如下：输入通道数为100，为随机向量z的维数，第一层去卷积层的输入通道数为1024，卷积核大小为4*4，移动步长为2，padding填充方式为补零，激活函数为relu；第二层的去卷积层的输入通道数为1024，输出通道数为512，卷积核大小为4*4，移动步长为2，padding填充方式为补零，激活函数为relu；第三层去卷积层的输入通道数为512，输出通道数为256，卷积核大小为4*4，移动步长为2，padding填充方式为补零，激活函数为relu；第四层去卷积层的输入通道数为256，输出通道数为3，激活函数为relu；
[0122]
判别器d的具体构成如下：第一层卷积层的输入通道数为256，输出通道数为512，卷积核大小为4*4，移动步长为2，padding填充方式为补零，激活函数为leakyrelu；第二层卷积层的输入通道数为512，输出通道数为1024，卷积核大小为4*4，移动步长为2，padding填充方式为补零，激活函数为leakyrelu；第三层卷积层的输入通道数为1024，输出通道数
为1，卷积核大小为4*4，移动步长为2，padding填充方式为补零，激活函数为sigmod，最后一层的输出为判断概率0或者1，其中0代表假，1代表真。
[0123]
本实施例提出的基于生成对抗网络的太阳图像配准方法，通过建立所述初始生成对抗网络模型，其中，所述初始生成对抗网络模型包括生成器以及判别器。使得后续可以通过训练该模型，从而获得准确的配准参数，对太阳图像进行配准，在对太阳图像的配准中达到高精准的配准效果。
[0124]
此外，本发明实施例还提出一种基于生成对抗网络的太阳图像配准设备，该太阳图像配准设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的太阳图像配准程序，所述太阳图像配准程序被所述处理器执行时实现如上所述的太阳图像配准方法的步骤。
[0125]
此外，本发明还提供一种计算机可读存储介质，所述介质优选为计算机可读存储介质，其上存储有基于生成对抗网络的太阳图像配准程序，所述太阳图像配准程序被处理器执行时实现如上所述的太阳图像配准方法的步骤。
[0126]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0127]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0128]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0129]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。