一种用于天文图像的解卷积的网络训练方法技术

本发明专利技术提出一种用于天文图像的解卷积网络训练方法，所述方法包括如下步骤：S1：构建一个包含各种空间目标图像的清晰图像集；S2：为点扩散函数PSF建模并随机生成数据集；将每个点扩散函数与清晰的图像进行卷积以生成退化图像；S3：将所述退化图像作为输入，用于点扩展函数PSF估计的网络(PSFNet)、用于非盲解卷积的网络(NBDNet)或用于盲解卷积网络(BDNet)的解卷积训练。解卷积训练。解卷积训练。

【技术实现步骤摘要】
一种用于天文图像的解卷积的网络训练方法


[0001]本专利技术属图像处理
，尤其涉及一种面向天文图像解卷积的网络训练方法。

技术介绍

[0002]天文图像是人们探索宇宙和监视太空的有效媒介。通过这些图像，人们可以直接观察天体的变化、星系的演化，有效地监测人造卫星和其他人造物体的运行状态。由于涉及的距离很长，天文图像一般需要通过望远镜设备采集。由于光学设备本身的特点和成像环境的影响，望远镜采集到的图像都会出现不同程度的退化。这些退化的图像模糊，失去细节，甚至可能对物体结构和轮廓造成严重损失；因此，它们常常难以满足实际需要。为了获得更清晰的成像结果，人们采取了许多措施。其中最著名的是自适应光学(adaptive optics,AO)，它通过校正波前畸变来补偿大气湍流或其他因素引起的成像模糊。然而，由于AO系统的复杂性和成本，其有效性和响应速度并不总是完全满足校正要求。此外，它们有时会留下明显的校正残差，导致模糊。在这种情况下，应用图像后处理技术可以进一步改善AO图像的质量。本研究的目的，正是为了改善这类图像的后处理。与建造和获取更复杂的AO系统的成本相比，我们的工作成本可以忽略不计，但其效果是非常令人满意的。
[0003]在理想的数字成像系统中，场景中的一个面元(通常被视为一个点)对应于图像屏幕上的一个像素。当成像系统应用于离焦或具有大像差或剧烈运动的图像时，像素被扩展成为图像平面上的一个有限区域。这会导致场景中相邻面元形成的图像重叠，从而导致图像退化。在这一过程中，图像中的每个像素通过在该像素位置上叠加对应面元及其相邻面元的图像而得到。如果成像系统是线性的且平移不变，则退化的成像结果可以用以下等式来描述：
[0004]y＝x*k (1)
[0005]其中，y是退化图像，其是其对应的理想清晰图像；是点扩散函数(PSF)，定义为成像系统对点源或点对象的响应；星号(*)表示卷积运算。上述等式描述了退化图像的每个像素可以被视为理想图像中对应像素及其邻域像素的加权和。
[0006]图像复原的任务是根据已知降质图像，求解清晰图像；公式(1)表明这是一个解卷积问题。图像解卷积是许多领域的一种常见操作，包括天文成像(Starck等人。2002年；La Camera等人。2015年；Ramos等人。2018年)，电子显微镜(Kenig等人。2010年；Preibisch等人。2014；Li等人。2018年)，防抖摄影(Xu et al。2014年；Sun等人。2015年；Chakrabarti 2016年；Nah等人。2017年；Kupyn等人。2018)，医学图像学(Campisi&Egiazarian2007)，(Xie等人。2016年)，这是图像处理领域的一个持续热点问题。根据PSF是否已知，图像解卷积可分为盲解卷积(PSF未知)(Biggs 1988；You&Kaveh 1996；Prato et al)，和非盲解卷积(已知PSF)(Prato等人2012年；Lefkimmiatis和Unser 2013年；Schuler等人2013年；陈2014年)。
[0007]虽然近年来提出了大量的解卷积方法，还出现了通过深度学习和神经网络进行图
像处理的方案，但适用于天文图像的解卷积方法却很少，如何将天文图像的解析和深度学习、神经网络结合，训练出适合多种不同形式天文图像解析的神经网络是我们关注的问题。

技术实现思路

[0008]为解决上述技术问题，本专利技术提出了一种用于天文图像的解卷积网络训练方法，所述方法包括如下步骤：S1：构建一个包含各种空间目标图像的清晰图像集；S2：为点扩散函数PSF建模并随机生成数据集；将每个点扩散函数与清晰的图像进行卷积以生成退化图像；S3：将所述退化图像作为输入，用于点扩展函数PSF估计的网络(PSFNet)、用于非盲解卷积的网络(NBDNet)或用于盲解卷积网络(BDNet)的解卷积训练。
[0009]特别地，其中，步骤S1中构建的清晰图像集进一步包括：从构建的清晰图像集中随机选出用于测试的图像集；并对剩余的图像通过随机裁剪得到用于训练的清晰图像集。
[0010]特别地，其中，步骤S2进一步包括：随机生成两个与上述用于训练和测试的清晰数据集大小相同的PSF数据集。
[0011]特别地，其中，点扩散函数PSF建模如下式，k＝αI0/[1+(r/h)2]+I0[2J1(πr/2rA)/(πr/2rA)],k是代表自适应光学系统的点扩散函数PSF；I0是光源峰值振幅，h为半高宽HWHM；即光源吸收谱带高度最大处高度为一半时谱带的全宽，也即峰值高度一半时的透射峰宽度；r是光圈中心与观察点之间的距离；α描述洛伦兹函数的调谐系数。
[0012]特别地，其中对点扩展函数PSF估计的网络(PSFNet)训练包括：接收的天文图像是退化图像，其得到的输出是所述退化图像的点扩展函数PSF信息。
[0013]特别地，其中对非盲解卷积的网络(NBDNet)进行训练包括：其接收的天文图像是退化图像和所述退化图像对应的点扩展函数PSF信息；其得到的输出是所述退化图像对应的清晰图像。
[0014]特别地，其中对盲解卷积网络(BDNet)进行训练包括：其接收的天文图像是退化图像，其首先会得到所述退化图像对应的点扩展函数PSF信息的估计值，再次和所述退化图像一起，得到的输出是所述退化图像估计得出的清晰图像。
[0015]特别地，其中对盲解卷积网络(BDNet)进行训练包括将训练好的点扩展函数PSF估计的网络(PSFNet)和非盲解卷积的网络(NBDNet)的权值转移到盲解卷积网络(BDNet)的用于PSF估计值和非盲解卷积网的估计值中，然后据此对盲解卷积网络(BDNet)进行权值估计。
[0016]特别地，其中使用RMSE作为损失函数进行训练。
[0017]采用本专利技术的方法，可将天文图像的解析和深度学习、神经网络结合，并训练出适合多种不同形式天文图像解析的神经网络。
附图说明
[0018]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术提出的天文图像的解卷积网络训练方法的流程示意图；
[0020]图2为本专利技术提出的退化图像生成过程示意图；
[0021]图3为本专利技术中测试集的PSFNet、NBDNet和BDNet的PSNR；
[0022]图4为本专利技术中测试集的PSFNet、NBDNet和BDNet的SSIM。
具体实施方式
[0023]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于天文图像的解卷积网络训练方法，其特征在于，所述方法包括如下步骤：S1：构建一个包含各种空间目标图像的清晰图像集；S2：为点扩散函数PSF建模并随机生成数据集；将每个点扩散函数与清晰的图像进行卷积以生成退化图像；S3：将所述退化图像作为输入，用于点扩展函数PSF估计网络(PSFNet)、用于非盲解卷积网络(NBDNet)或用于盲解卷积网络(BDNet)的解卷积训练。2.根据权利要求1所述的天文图像的解卷积网络训练方法，其中，步骤S1中构建的清晰图像集进一步包括：从构建的清晰图像集中随机选出用于测试的图像集；并对剩余的图像通过随机裁剪得到用于训练的清晰图像集。3.根据权利要求2所述的天文图像的解卷积网络训练方法，其中步骤S2进一步包括：随机生成两个与上述用于训练和测试的清晰数据集大小相同的PSF数据集。4.根据权利要求3所述的天文图像的解卷积网络训练方法，其中点扩散函数PSF建模如下式，k＝αI0/[1+(r/h)2]+I0[2J1(πr/2rA)/(πr/2rA)],k是代表自适应光学系统的点扩散函数PSF；I0是光源峰值振幅，h为半高宽HWHM,即光源吸收谱带高度最大处高度为一半时谱带的全宽，也即峰值高度一半时的透射峰宽度；r是光圈中心与观察点之间的距离；α描述洛伦兹...

【专利技术属性】
技术研发人员：马龙，杨薮博，黄姗姗，舒聪，李彦龙，段笑晗，李世飞，喻钧，肖峰，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：