一种基于深度学习的飞行模拟器仿真方法及系统转让专利
申请号 : CN202211438810.6
文献号 : CN115641403B
文献日 : 2023-02-28
发明人 : 宋贺
申请人 : 北京飞安航空科技有限公司
摘要 :
本发明涉及电子数字数据处理领域，具体涉及一种基于深度学习的飞行模拟器仿真方法及系统，包括：获取飞行模拟器中每个指示灯的最大穿透性和散射范围；获取每个指示灯的高斯分布，获取变换矩阵，根据变换矩阵对每个指示灯的高斯分布进行变换得到每个指示灯变换后的高斯分布；获取每个指示灯的重叠区域和未重叠区域中每个像素点的透射率；将每个指示灯的重叠区域和未重叠区域中每个像素点的透射率得到透射图，获取虚幻引擎在晴朗天气下生成的RGB图像，将RGB图像、透射图作为神经网络的输入，输出雾气图像，飞机在虚拟世界的雾气图像中模拟起飞和降落。本发明实现了有雾天气下飞机起飞和降落的模拟仿真。
权利要求 :
1.一种基于深度学习的飞行模拟器仿真方法，其特征在于，包括：
获取虚幻引擎在不同晴朗天气下生成的RGB图像，获取飞机在虚拟世界中每个指示灯发光时中心点色调的波长，根据可见光的最大波长和每个指示灯发光时中心点色调的波长得到每个指示灯光线的最大穿透性；
获取每个指示灯发光时光晕连通域的最小外接椭圆的焦距，根据每个最小外接椭圆的焦距及对应的指示灯发光时中心点色调的波长得到该指示灯光线的散射范围；
根据每个指示灯光线的最大穿透性和散射范围得到每个指示灯光线的高斯分布，根据虚拟世界中飞机机身与跑道的夹角得到变换矩阵，根据变换矩阵对每个指示灯光线的高斯分布进行变换得到每个指示灯光线变换后的高斯分布；
获取每张RGB图像中每个指示灯光线的重叠区域所包含的所有指示灯光线变换后的高斯分布的最大值，将变换后的高斯分布的最大值作为每个指示灯光线的重叠区域中每个像素点的透射率，将每个指示灯光线变换后的高斯分布作为该RGB图像中指示灯光线的未重叠区域中每个像素点的透射率；
将每张RGB图像中每个指示灯光线的重叠区域和未重叠区域中每个像素点的透射率得到每张RGB图像对应的透射图，将每张RGB图像和其对应的透射图作为神经网络的输入，输出雾气图像，根据雾气图像还原浓雾天气，驾驶员在浓雾天气中模拟起飞和降落。
2.根据权利要求1所述的一种基于深度学习的飞行模拟器仿真方法，其特征在于，得到透射图的方法是：将每个指示灯光线的重叠区域和未重叠区域内每个像素点的透射率作为对应像素点的灰度值；
根据每个像素点的灰度值将每个像素点映射到二维平面得到透射图。
3.根据权利要求1所述的一种基于深度学习的飞行模拟器仿真方法，其特征在于，指示灯光线的散射范围是按如下方法确定的：将最小外接椭圆的焦距与最小外接椭圆对应的指示灯发光时中心点色调的波长的比值作为该指示灯光线的散射范围。
4.根据权利要求1所述的一种基于深度学习的飞行模拟器仿真方法，其特征在于，得到指示灯光线的最大穿透性是按如下方法确定的：以可见光的最大波长与指示灯发光时中心点色调的波长的差值为分子，以可见光的最大波长为分母，将分子分母的比值作为指示灯光线的最大穿透性。
5.根据权利要求1所述的一种基于深度学习的飞行模拟器仿真方法，其特征在于，指示灯光线变换后的高斯分布是按如下方法确定的：获取变换矩阵的转置矩阵；
根据变换矩阵和变换矩阵的转置矩阵对指示灯光线的高斯分布进行校正得到指示灯光线变换后的高斯分布。
6.根据权利要求1所述的一种基于深度学习的飞行模拟器仿真方法，其特征在于，神经网络是按如下方法训练的：获取真实雾天图像；
获取不同晴朗天气下飞机跑道的RGB图像及每张RGB图像对应的透射图；
建立WS‑GAN神经网络；
将不同晴朗天气下飞机跑道的RGB图像及每张RGB图像对应的透射图作为WS‑GAN神经网络生成器的输入，输出雾气图像；
将真实雾天图像和雾气图像作为神经网络判别器的输入，输出对雾气图像的判断结果，直到判别器无法判别真假，神经网络训练完成。
7.根据权利要求1所述的一种基于深度学习的飞行模拟器仿真方法，其特征在于，获取飞行模拟器在虚拟世界中每个指示灯发光时中心点色调的波长的方法是：将RGB图像转化为HSV图像，获取HSV图像中每个指示灯发光时中心像素点在H通道的像素值得到每个指示灯发光时中心点色调的波长。
8.一种基于深度学习的飞行模拟器仿真系统，其特征在于，包括：
数据采集模块：用于获取虚幻引擎在不同晴朗天气下生成的RGB图像，获取飞机在虚拟世界中每个指示灯发光时中心点色调的波长；
数据处理模块：用于根据可见光的最大波长和每个指示灯发光时中心点色调的波长得到每个指示灯的最大穿透性；
获取每个指示灯发光时光晕连通域的最小外接椭圆的焦距，根据每个最小外接椭圆的焦距及对应的指示灯发光时中心点色调的波长得到该指示灯光线的散射范围；
根据每个指示灯光线的最大穿透性和散射范围得到每个指示灯光线的高斯分布，根据虚拟世界中飞机机身与跑道的夹角得到变换矩阵，根据变换矩阵对每个指示灯光线的高斯分布进行变换得到每个指示灯光线变换后的高斯分布；
获取每张RGB图像中每个指示灯光线的重叠区域所包含的所有指示灯光线变换后的高斯分布的最大值，将变换后的高斯分布的最大值作为每个指示灯光线的重叠区域中每个像素点的透射率，将每个指示灯光线变换后的高斯分布作为该RGB图像中指示灯光线的未重叠区域中每个像素点的透射率；
将每张RGB图像中每个指示灯光线的重叠区域和未重叠区域中每个像素点的透射率得到每张RGB图像对应的透射图；
数据输出模块：将每张RGB图像和其对应的透射图作为神经网络的输入，输出雾气图像，根据雾气图像还原浓雾天气，驾驶员在浓雾天气中模拟起飞和降落。
说明书 :
一种基于深度学习的飞行模拟器仿真方法及系统
技术领域
[0001] 本发明涉及电子数字数据处理领域，具体涉及一种基于深度学习的飞行模拟器仿真方法及系统。
背景技术
[0002] 飞行训练系统是专门用来训练航天员的，飞行训练系统的主要功能是在地面复现空间中的飞行条件和飞行器的运动状态，为航天员提供运动感觉、视觉、听觉、操纵负荷等各种感觉，让飞行员好像在空间驾驶飞行器一样，它不受气象条件、场地和时间的限制，具有能源省、成本低的特点。如航天员在飞行模拟器上练一小时的费用仅是空中飞行费用的1/10左右，并且安全可靠。近年来飞行训练模拟器发展十分迅速，模拟空间越来越逼真，训练效果也越来越好。
[0003] 在飞机飞行过程中，起飞和降落环节是事故高发环节，需要着重训练，因此飞行模拟器在进行仿真训练时，往往会着重训练，但是目前飞行模拟器仅仅仿真了正常天气情况下的场景，即在正常天气情况下训练飞机的起飞和降落环节，但是，飞机的事故往往发生在恶劣的天气下，如浓雾天气，因此，当飞行员遇到浓雾天气时，可能会因为经验欠缺而导致飞机起飞或降落时发生安全事故。
发明内容
[0004] 本发明提供一种基于深度学习的飞行模拟器仿真方法及系统，以解决现有的浓雾天气导致飞机起飞或降落时发生安全事故的问题。
[0005] 本发明的一种基于深度学习的飞行模拟器仿真方法，采用如下技术方案：
[0006] 获取虚幻引擎在不同晴朗天气下生成的RGB图像，获取飞机在虚拟世界中每个指示灯发光时中心点色调的波长，根据可见光的最大波长和每个指示灯发光时中心点色调的波长得到每个指示灯光线的最大穿透性；
[0007] 获取每个指示灯发光时光晕连通域的最小外接椭圆的焦距，根据每个最小外接椭圆的焦距及对应的指示灯发光时中心点色调的波长得到该指示灯光线的散射范围；
[0008] 根据每个指示灯光线的最大穿透性和散射范围得到每个指示灯光线的高斯分布，根据虚拟世界中飞机机身与跑道的夹角得到变换矩阵，根据变换矩阵对每个指示灯光线的高斯分布进行变换得到每个指示灯光线变换后的高斯分布；
[0009] 获取每张RGB图像中每个指示灯光线的重叠区域所包含的所有指示灯光线变换后的高斯分布的最大值，将变换后的高斯分布的最大值作为每个指示灯光线的重叠区域中每个像素点的透射率，将每个指示灯光线变换后的高斯分布作为该RGB图像中指示灯光线的未重叠区域中每个像素点的透射率；
[0010] 将每张RGB图像中每个指示灯光线的重叠区域和未重叠区域中每个像素点的透射率得到每张RGB图像对应的透射图，将每张RGB图像和其对应的透射图作为神经网络的输入，输出雾气图像，根据雾气图像还原浓雾天气，驾驶员在浓雾天气中模拟起飞和降落。
[0011] 进一步的，得到透射图的方法是：
[0012] 将每个指示灯光线的重叠区域和未重叠区域内每个像素点的透射率作为对应像素点的灰度值；
[0013] 根据每个像素点的灰度值将每个像素点映射到二维平面得到透射图。
[0014] 进一步的，指示灯光线的散射范围是按如下方法确定的：
[0015] 将最小外接椭圆的焦距与最小外接椭圆对应的指示灯发光时中心点色调的波长的比值作为该指示灯光线的散射范围。
[0016] 进一步的，得到指示灯光线的最大穿透性是按如下方法确定的：
[0017] 以可见光的最大波长与指示灯发光时中心点色调的波长的差值为分子，以可见光的最大波长为分母，将分子分母的比值作为指示灯光线的最大穿透性。
[0018] 进一步的，指示灯光线变换后的高斯分布是按如下方法确定的：
[0019] 获取变换矩阵的转置矩阵；
[0020] 根据变换矩阵和变换矩阵的转置矩阵对指示灯光线的高斯分布进行校正得到指示灯光线变换后的高斯分布。
[0021] 进一步的，神经网络是按如下方法训练的：
[0022] 获取真实雾天图像；
[0023] 获取不同晴朗天气下飞机跑道的RGB图像及每张RGB图像对应的透射图；
[0024] 建立WS‑GAN神经网络；
[0025] 将不同晴朗天气下飞机跑道的RGB图像及每张RGB图像对应的透射图作为WS‑GAN神经网络生成器的输入，输出雾气图像；
[0026] 将真实雾天图像和雾气图像作为神经网络判别器的输入，输出对雾气图像的判断结果，直到判别器无法判别真假，神经网络训练完成。
[0027] 进一步的，获取飞行模拟器在虚拟世界中每个指示灯发光时中心点色调的波长的方法是：
[0028] 将RGB图像转化为HSV图像，获取HSV图像中每个指示灯发光时中心像素点在H通道的像素值得到每个指示灯发光时中心点色调的波长。
[0029] 一种基于深度学习的飞行模拟器仿真系统，包括：
[0030] 数据采集模块：用于获取虚幻引擎在不同晴朗天气下生成的RGB图像，获取飞机在虚拟世界中每个指示灯发光时中心点色调的波长；
[0031] 数据处理模块：用于根据可见光的最大波长和每个指示灯发光时中心点色调的波长得到每个指示灯的最大穿透性；
[0032] 获取每个指示灯发光时光晕连通域的最小外接椭圆的焦距，根据每个最小外接椭圆的焦距及对应的指示灯发光时中心点色调的波长得到该指示灯光线的散射范围；
[0033] 根据每个指示灯光线的最大穿透性和散射范围得到每个指示灯光线的高斯分布，根据虚拟世界中飞机机身与跑道的夹角得到变换矩阵，根据变换矩阵对每个指示灯光线的高斯分布进行变换得到每个指示灯光线变换后的高斯分布；
[0034] 获取每张RGB图像中每个指示灯光线的重叠区域所包含的所有指示灯光线变换后的高斯分布的最大值，将变换后的高斯分布的最大值作为每个指示灯光线的重叠区域中每个像素点的透射率，将每个指示灯光线变换后的高斯分布作为该RGB图像中指示灯光线的未重叠区域中每个像素点的透射率；
[0035] 将每张RGB图像中每个指示灯光线的重叠区域和未重叠区域中每个像素点的透射率得到每张RGB图像对应的透射图；
[0036] 数据输出模块：将每张RGB图像和其对应的透射图作为神经网络的输入，输出雾气图像，根据雾气图像还原浓雾天气，驾驶员在浓雾天气中模拟起飞和降落。
[0037] 本发明的有益效果是：本发明首先获取了每个指示灯光线的最大穿透性和散射范围，根据每个指示灯光线的最大穿透性和散射范围得到每个指示灯光线的高斯分布，在有雾天气时，指示灯光线的散射范围和穿透性对于飞行员的起飞的降落有重要的指引作用，而指示灯之间的光线会相互影响，因此，获取变换矩阵对指示灯光线的高斯分布进行校正，根据指示灯光线变换（校正）后的高斯分布获取透视图，该透射图是为了将虚拟世界中的灯光信息作为先验知识引入神经网络中，提升生成的图像的准确度，而获取透射图前对每个指示灯光线的高斯分布进行校正，使得到的透视图更加准确；将透射图和RGB图像输入神经网络，输出雾气图像，使得最终模拟的有雾天气更加逼真，飞行员在最终模拟的有雾天气中进行起飞和降落的训练，使飞行员在真实有雾天气中能够安全操控飞机的起飞和降落。
附图说明
[0038] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0039] 图1为本发明的一种基于深度学习的飞行模拟器仿真方法的实施例的流程图；
[0040] 图2为本发明的一种基于深度学习的飞行模拟器仿真系统的结构图。
具体实施方式
[0041] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042] 本发明的一种基于深度学习的飞行模拟器仿真方法的实施例，如图1所示，包括：
[0043] S1、获取虚幻引擎在不同晴朗天气下生成的RGB图像，获取飞机在虚拟世界中每个指示灯发光时中心点色调的波长，根据可见光的最大波长和每个指示灯发光时中心点色调的波长得到每个指示灯光线的最大穿透性。
[0044] 飞行模拟机中的仿真软件称为飞行模拟器，飞行模拟器由虚幻引擎和计算机硬件组成，飞行模拟器将现实世界中的飞行模拟机投影到虚拟世界中飞机的驾驶舱所在的位置，实现了驾驶员身临其境的效果，在3D的虚拟世界中，虚幻引擎能够还原各种3D场景的参数。
[0045] 获取飞行模拟器在虚拟世界中每个指示灯发光时中心点色调的波长的方法是：获取虚幻引擎在不同晴朗天气下生成的RGB图像，将RGB图像转化为HSV图像，获取HSV图像中每个指示灯发光时中心像素点在H通道的像素值得到每个指示灯发光时中心点色调的波长。其中，H通道代表色调，每种颜色的波长为现有概念，以某一个指示灯为例，记为第 个指示灯，该点在RGB图像中的RGB值为 ，使用公知的颜色空间转化公式将转化为HSV值，记为 ，在HSV颜色空间中，H代表色调，S代表饱和度，V代表明度。
[0046] 得到每个指示灯的最大穿透性的具体步骤为：查询可见光光谱，可获取色调（H）对应的波长 ，可见光通常指波长范围为：390nm‑780nm，取可见光的最大波长，以可见光的最大波长与指示灯发光时中心点色调的波长 的差值为分子，以可见光的最大波长为分母，将分子分母的比值作为指示灯光线的最大穿透性 。
[0047] 需要说明的是，指示灯发光时中心点为该指示灯最亮的点，因此该点为该指示灯光线穿透性最强的点，利用该点的波长所得到的指示灯的穿透性即为该指示灯光线的最大穿透性。
[0048] S2、获取每个指示灯发光时光晕连通域的最小外接椭圆的焦距，根据每个最小外接椭圆的焦距及对应的指示灯发光时中心点色调的波长得到该指示灯光线的散射范围。
[0049] 将最小外接椭圆的焦距与最小外接椭圆对应的指示灯发光时中心点色调的波长的比值作为该指示灯光线的散射范围 。
[0050] 需要说明的是，由于指示灯形成的光晕是一个不规则的形状，因此，获取其最小外接椭圆，该最小外接椭圆也可能不规则，而椭圆的焦距代表了椭圆的大小，因此，利用其焦距获取指示灯光线的散射范围，此时，该指示灯光线的散射范围最大。
[0051] S3、根据每个指示灯光线的最大穿透性和散射范围得到每个指示灯光线的高斯分布，根据虚拟世界中飞机机身与跑道的夹角得到变换矩阵，根据变换矩阵对每个指示灯光线的高斯分布进行变换得到每个指示灯光线变换后的高斯分布。
[0052] 根据每个指示灯光线的最大穿透性和散射范围得到每个指示灯的高斯分布 ，其中，高斯分布代表了每个指示灯光线中间到边缘的亮度变化情况，即亮度由中间向两边扩散，代表了周围点和最亮的中心点之间的关系，其中，每个指示灯光线中的像素点的高斯值X服从每个指示灯光线的最大穿透性 和散射范围 的分布，即 ，由此，可得到每个指示灯光线的高斯分布，获取高斯分布为现有技术，本发明不再赘述。
[0053] 得到变换矩阵的具体步骤为：获取虚拟世界中飞机机身与跑道的夹角 ，根据虚拟世界中飞机机身与跑道的夹角进行仿射变换得到变换矩阵 ，该过程为现有技术，本发明不再赘述。
[0054] 需要说明的是，由于驾驶员的视角中，两个指示灯的距离很近，光线容易互相影响，所以需要分析RGB图像中所示的角度中两个光源的距离及相互影响的情况。因此，利用变换矩阵对每个指示灯光线的高斯分布进行校正，用以获取更准确的透射图。
[0055] 得到每个指示灯光线变换后的高斯分布的具体步骤为：获取变换矩阵的转置矩阵,根据变换矩阵和变换矩阵的转置矩阵对指示灯光线的高斯分布进行校正得到指示灯光线变换后的高斯分布,即将变换矩阵 、变换矩阵的转置矩阵 和指示灯光线的高斯分布相乘得到该指示灯光线变换后的高斯分布 ，变换后的高斯分布对原高斯分布进行了校正，使得获取的指示灯间的光线分布更加准确。
[0056] S4、获取每张RGB图像中每个指示灯光线的重叠区域所包含的所有指示灯光线变换后的高斯分布的最大值，将变换后的高斯分布的最大值作为每个指示灯光线的重叠区域中每个像素点的透射率，将每个指示灯光线变换后的高斯分布作为该RGB图像中指示灯光线的未重叠区域中每个像素点的透射率。
[0057] 获取指示灯光线的重叠区域中每个像素点的透射率的具体步骤为：获取每个指示灯光线的重叠区域所包含的每个指示灯光线变换后的高斯分布的最大值，如一个指示灯的光线可能会与其他指示灯的光线存在重叠区域，重叠区域一个像素点可能在多个指示灯光线范围内，获取重叠区域中的每个像素点所在的每个指示灯光线变换后的高斯分布，将重叠区域中的每个像素点所在的指示灯光线范围内的指示灯光线变换后的高斯分布的最大值作为该像素点的透射率，也就是说，一个像素点可能对应多个指示灯光线变换后的高斯分布，只选择最大值作为该像素点的透射率。
[0058] 将每个指示灯变换后的高斯分布作为该指示灯光线的未重叠区域中每个像素点的透射率，至此，得到了每个指示灯光线范围内每个像素点的透射率。
[0059] S5、将每张RGB图像中每个指示灯光线的重叠区域和未重叠区域中每个像素点的透射率得到每张RGB图像对应的透射图，将每张RGB图像和其对应的透射图作为神经网络的输入，输出雾气图像，根据雾气图像还原浓雾天气，驾驶员在浓雾天气中模拟起飞和降落。
[0060] 将每个指示灯光线的重叠区域和未重叠区域内每个像素点的透射率作为对应像素点的灰度值，根据每个像素点的灰度值将每个像素点映射到二维平面得到透射图，（现有技术）。
[0061] 神经网络的具体训练步骤为：获取真实雾天图像；获取不同晴朗天气下飞机跑道的RGB图像及每张RGB图像对应的透射图；建立WS‑GAN神经网络；将不同晴朗天气下飞机跑道的RGB图像及每张RGB图像对应的透射图作为WS‑GAN神经网络生成器的输入，输出雾气图像；将真实雾天图像和雾气图像作为神经网络判别器的输入，输出对雾气图像的判断结果，直到判别器无法判别真假，神经网络训练完成。
[0062] 其中，在训练状态，WS‑GAN神经网络包含两大结构，生成器和判别器，两者都是卷积神经网络，生成器的输入是RGB图像和透射图，输出是雾气图像；判别器的输入是雾气图像和真实雾天图像，输出是雾气图像和现实雾天图像的真假类别：真（1），假（0），只能一幅图像为真，另一幅图像为假，不能同真同假。
[0063] 其中，WS‑GAN神经网络训练集的构建过程为：在现实世界中，录制飞机的驾驶舱前方的画面，在同一条降落的路径上，分别录制晴朗天气的视频和起雾天气的视频，安排大数据标注员将相同位置的两种天气的真实RGB图像对应起来，分别作为真实RGB图像和真实雾天图像。更换多个降落路径和机场场景，将多张真实RGB图像和每张真实RGB图像对应的透射图作为训练神经网络的输入，输出雾天图像，然后训练WS‑GAN生成网络，其中，和每张真实RGB图像对应的透射图按照本发明所述获取透射图的方法获取，损失函数使用L2损失函数，优化算法使用RMSProp，经过上述训练状态，不断的迭代训练大约10万次，得到生成效果良好的WS‑GAN神经网络。
[0064] 在使用状态，WS‑GAN神经网络的结构舍弃了判别器，只包含生成器，输入是RGB图像和透射图，输出是雾气图像。输入透射图是为了将虚拟世界中的灯光信息作为先验知识引入到WS‑GAN生成网络中，提升生成图像的准确度。
[0065] 生成WS‑GAN神经网络的核心理念是生成器和判别器的对抗，生成器的功能是根据输入的图像和数据生成新的图像；判别器的功能是判断生成图像是不是所需图像，即为真还是为假，并将误差反向传播，优化生成器的参数，生成器刚开始的生成过程是无序的，随着训练的进行，生成器生成的图像越来越符合要求，直到判别器无法判断真假，或者说为真为假的概率都是0.5，达到了纳什均衡，此时博弈完成。
[0066] 根据雾气图像还原浓雾天气，即将雾气图像映射到三维空间得到浓雾天气，驾驶员在浓雾天气中模拟起飞和降落，积累更多雾天驾驶经验，在遇到雾天天气时，能够使飞机顺利的起飞和降落。
[0067] 一种基于深度学习的飞行模拟器仿真系统，如图2所示，包括：
[0068] 数据采集模块：用于获取虚幻引擎在不同晴朗天气下生成的RGB图像，获取飞机在虚拟世界中每个指示灯发光时中心点色调的波长；数据处理模块：用于根据可见光的最大波长和每个指示灯发光时中心点色调的波长得到每个指示灯的最大穿透性；获取每个指示灯发光时光晕连通域的最小外接椭圆的焦距，根据每个最小外接椭圆的焦距及对应的指示灯发光时中心点色调的波长得到该指示灯光线的散射范围；根据每个指示灯光线的最大穿透性和散射范围得到每个指示灯光线的高斯分布，根据虚拟世界中飞机机身与跑道的夹角得到变换矩阵，根据变换矩阵对每个指示灯光线的高斯分布进行变换得到每个指示灯光线变换后的高斯分布；获取每张RGB图像中每个指示灯光线的重叠区域所包含的所有指示灯光线变换后的高斯分布的最大值，将变换后的高斯分布的最大值作为每个指示灯光线的重叠区域中每个像素点的透射率，将每个指示灯光线变换后的高斯分布作为该RGB图像中指示灯光线的未重叠区域中每个像素点的透射率；将每张RGB图像中每个指示灯光线的重叠区域和未重叠区域中每个像素点的透射率得到每张RGB图像对应的透射图；数据输出模块：用于将每张RGB图像和其对应的透射图作为神经网络的输入，输出雾气图像，根据雾气图像还原浓雾天气，驾驶员在浓雾天气中模拟起飞和降落。
[0069] 本发明的有益效果是：本发明首先获取了每个指示灯光线的最大穿透性和散射范围，根据每个指示灯光线的最大穿透性和散射范围得到每个指示灯光线的高斯分布，在有雾天气时，指示灯光线的散射范围和穿透性对于飞行员的起飞的降落有重要的指引作用，而指示灯之间的光线会相互影响，因此，获取变换矩阵对指示灯光线的高斯分布进行校正，根据指示灯光线变换（校正）后的高斯分布获取透视图，该透射图是为了将虚拟世界中的灯光信息作为先验知识引入神经网络中，提升生成的图像的准确度，而获取透射图前对每个指示灯光线的高斯分布进行校正，使得到的透视图更加准确；将透射图和RGB图像输入神经网络，输出雾气图像，使得最终模拟的有雾天气更加逼真，飞行员在最终模拟的有雾天气中进行起飞和降落的训练，使飞行员在真实有雾天气中能够安全操控飞机的起飞和降落。
[0070] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。