本发明属于激光光斑恢复领域，尤其涉及一种基于生成式对抗网络的激光光斑恢复方法。
背景技术：
1、由于激光本身在能量和亮度上的优势，加之最近几年以来激光技术的发展，激光广泛应用于航空及军事领域等高精领域。在这些高精领域中，需要高质量的激光光斑。激光光斑指的是激光束在照射到物体表面时所形成的一个明亮区域。这个光斑的大小、形状和亮度取决于激光束的直径、发散角、波长以及照射到物体表面的距离等因素。激光光斑在实际应用中有许多用途，例如在材料加工、医疗、通信等领域。在材料加工中，激光光斑可以用于切割、焊接、打孔等工艺；在医疗领域，激光光斑可以用于手术、治疗、美容等方面；在通信领域，激光光斑可以用于光纤通信、激光雷达等方面。
2、然而，激光光斑常常受到外界因素的影响，大气湍流的干扰是主要外界因素之一。大气湍流会造成激光光斑光强和相位的变化，导致激光光斑的质量下降，随之影响后续的数据处理工作。现有的激光光斑复原方法难以有效应对大气湍流对激光光斑图像的影响。因此，现有的激光光斑复原方法在恢复激光光斑图像时存在局限性，需要进一步寻找更好的恢复方法。
技术实现思路
1、针对现有技术中的上述不足，本发明提供的一种基于生成式对抗网络的激光光斑恢复方法，解决了现有技术无法有效应对大气湍流对激光光斑图像造成的影响，从而不能有效恢复变化后激光光斑图像的问题。
2、为了达到上述发明目的，本发明采用的技术方案为：
3、提供了一种基于生成式对抗网络的激光光斑恢复方法，其包含以下步骤：
4、步骤s1、生成训练数据集和测试数据集；
5、步骤s2、对训练数据集和测试数据集进行数据预处理；
6、步骤s3、定义生成器和判别器结构，生成器和判别器组合形成生成式对抗网络模型；
7、步骤s4、训练数据输入生成器，只使用生成器完成监督式预训练，更新生成器参数；
8、步骤s5、训练数据输入生成式对抗网络，进行正式训练，更新生成器和判别器参数；
9、步骤s6、测试数据输入生成器，生成恢复图片数据；
10、步骤s7、测试数据和恢复图片数据进入评估环节，输出恢复效果数据。
11、进一步地，步骤s1包括：
12、步骤s1-1、设定激光光斑的基本参数；
13、步骤s1-2、生成低频补偿后的大气湍流随机相位屏；
14、步骤s1-3、选定激光光斑的传输模式，生成理想传输后的光场图片；
15、步骤s1-4、理想传输后的光场图片通过大气湍流随机相位屏，生成通过湍流后的光场图片；
16、步骤s1-5、通过湍流后的光场图片作为特征数据(输入)，理想传输后的光场图片作为标签数据(输出)，组合形成单组数据；
17、步骤s1-6、以步骤s1-5中所述操作生成训练数据集和测试数据集。
18、进一步地，步骤s2的具体过程为：对训练数据集和测试数据集所进行的数据预处理，根据如下公式：
19、
20、得到预处理后的数据中光场图片的像素值y；其中，x表示预处理前数据集中光场图片的像素值，min(x)表示预处理前数据集中光场图片的最小像素值，max(x)表示预处理前数据集中光场图片的最大像素值。
21、进一步地，步骤s3中生成器一共由23层组成，包含卷积层、转置卷积层、批归一化层、leakyrelu激活函数层和sigmoid激活函数层；判别器一共由14层组成，包含卷积层、批归一化层、leakyrelu激活函数层和sigmoid激活函数层；生成式对抗网络由生成器和判别器连接组成，生成器处理输入数据，生成的模拟图片传入判别器，判别器处理模拟图片后更新生成器和判别器参数。
22、进一步地，步骤s4的具体过程为：监督式预训练所使用的数据集、损失函数和优化器与正式训练一致，监督式预训练的训练代数小于正式训练的训练代数，且监督式预训练只使用生成器，只更新生成器参数。
23、进一步地，步骤s5中生成式对抗网络的正式训练，根据公式：
24、
25、α＝c×β
26、得到正式训练的损失函数loss；其中，α表示生成器损失函数权重，β表示判别器损失函数权重，c表示大于1的固定常数，loss(generator)表示生成器损失函数，loss(discriminator)表示判别器损失函数。
27、进一步地，步骤s7中评估环节指标为pearson相关系数、平均绝对值差和平均平方误差，根据公式：
28、
29、
30、
31、得到pearson相关系数r，平均绝对值差mae和平均平方误差mse；其中，n表示每张光场图片的像素总数，xi表示生成的恢复光场图片中的像素值，x表示生成的恢复光场图片中的平均像素值，yi表示测试数据中理想传输后的光场图片同一位置的像素值，y表示测试数据中理想传输后的光场图片的平均像素值。
32、本发明的有益效果为：该方法能有效应对大气湍流对激光光斑图像的干扰，以较高准确率恢复经大气湍流影响后的激光光斑图像；本发明使用生成式对抗网络，能高效率且准确地处理输入数据；采用的生成器和判别器结构稳定可靠，能减少噪声输入的影响。
1.一种基于生成式对抗网络的激光光斑恢复方法，其特征在于，包括以下步骤：
2.按照权利要求1所述的基于生成式对抗网络的激光光斑恢复方法，其特征在于：所述步骤s1进一步包括：
3.根据权利要求2所述的基于生成式对抗网络的激光光斑恢复方法，其特征在于：所述步骤s2的具体过程为：对训练数据集和测试数据集所进行的数据预处理，根据如下公式：
4.根据权利要求3所述的基于生成式对抗网络的激光光斑恢复方法，其特征在于：生成器一共由23层组成，包含卷积层、转置卷积层、批归一化层、leakyrelu激活函数层和sigmoid激活函数层；判别器一共由14层组成，包含卷积层、批归一化层、leakyrelu激活函数层和sigmoid激活函数层；生成式对抗网络由生成器和判别器连接组成，生成器处理输入数据，生成的模拟图片传入判别器，判别器处理模拟图片后更新生成器和判别器参数。
5.根据权利要求4所述的基于生成式对抗网络的激光光斑恢复方法，其特征在于：所述步骤s4的具体过程为：监督式预训练所使用的数据集、损失函数和优化器与正式训练一致，监督式预训练的训练代数小于正式训练的训练代数，且监督式预训练只使用生成器，只更新生成器参数。
6.根据权利要求5所述的基于生成式对抗网络的激光光斑恢复方法，其特征在于：所述步骤s5中生成式对抗网络的正式训练，根据如下公式：
7.根据权利要求6所述的基于生成式对抗网络的激光光斑恢复方法，其特征在于：所述步骤s7中评估环节指标为pearson相关系数、平均绝对值差和平均平方误差，根据如下公式：
8.根据权利要求4所述的基于生成式对抗网络的激光光斑恢复方法，其特征在于：生成器将一个卷积层、一个批归一化层和一个leakyrelu激活函数层依次拼接形成一个卷积块，将一个转置卷积层、一个批归一化层和一个leakyrelu激活函数层依次拼接形成一个转置卷积块；图像数据输入生成器后，首先连续通过四个卷积块，随后连续通过三个转置卷积块，最后通过一个转置卷积层和一个sigmoid激活函数层。
9.根据权利要求4所述的基于生成式对抗网络的激光光斑恢复方法，其特征在于：判别器将一个卷积层、一个批归一化层和一个leakyrelu激活函数层依次拼接形成一个卷积块；图像数据输入判别器后，首先连续通过四个卷积块，随后通过一个卷积层和一个sigmoid激活函数层。
