基于深度学习的地基望远镜图像非均匀校正方法技术

基于深度学习的地基望远镜图像非均匀校正方法，涉及图像处理技术领域，解决现有滤波的方法往往对非均匀背景的拟合效果不够准确，导致非均匀校正效果差；而基于多项式拟合的方法需要大量的计算时间，进而导致利用率低等问题，本发明专利技术方法包括构建生成对抗式网络结构；网络训练；以用非均匀背景图像校正三个步骤实现；本发明专利技术采用基于监督学习的方法，在训练前需要对应的数据集。而在非均匀背景的拟合中，我们是通过网络的推理而非利用非均匀模型的先验知识，因此我们的方法能实现更多种的空间图像非均匀校正任务。校正效率高；校正步骤不含复杂的迭代算法，非均匀图像通过生成器的推理过程仅通过卷积池化等操作，因此对非均匀背景的复原速度较快。景的复原速度较快。景的复原速度较快。

【技术实现步骤摘要】
基于深度学习的地基望远镜图像非均匀校正方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于深度学习的地基望远镜图像非均匀校正方法。

技术介绍

[0002]通过地基望远镜获得空间信息是空间态势感知中的重要方法，但地基望远镜易受到各类光学问题影响。探测器在生成图像时在受到渐晕，杂散光影响后会产生图像非均匀性。非均匀的图像对后续的图像拼接，前后背景分割以及空间目标的检测会产生影响。因此，对空间图像的非均匀性校正是重要图像预处理步骤。
[0003]专利《一种红外图像非均匀性校正方法及系统》公开了一种红外图像非均匀性校正方法及系统,涉及红外图像处理领域。该专利技术提供的红外图像非均匀性校正方法,可以消除探测器温度和场景变化对红外成像的影响，提高红外成像质量。
[0004]文献《单幅星天观测图像的渐晕校正，Vignetting correction for a single star
‑
sky observation image》该文献中提出了一种地基望远镜图像非均匀校正方法。通过EM算法迭代计算非均匀背景，实现了对空间图像的准确校正。
[0005]图像非均匀校正技术的主要目的是校正星图中的各类渐晕和散射光等无关的信息导致的非均匀性，从而保证目标检测识别的性能，然而现有的一些图像非均匀校正算法需要已知模型，从而无法对受未知的复杂的渐晕和散射光影响的图像进行准确校正。而基于滤波的方法往往对背景的拟合效果不够准确，进而导致不够理想的校正效果。同时传统的校正算法的时间较长，往往无法做到实时校正。
[0006]针对上述缺点，本专利技术提出的基于深度学习的方法对非均匀背景进行建模。该方法同样不需要事先获得非均匀函数，通过网络对非均匀图像的学习，直接从非均匀图像中获得非均匀背景。本专利技术的方法不仅可以实现准确的非均匀背景建模，同时可以以一秒处理数十帧的速度实现实时校正。

技术实现思路

[0007]本专利技术为解决现有基于滤波的方法往往对非均匀背景的拟合效果不够准确，导致非均匀校正效果差；而基于多项式拟合的方法需要大量的计算时间，进而导致利用率低等问题，提供一种基于深度学习的空间图像非均匀校正方法。
[0008]基于深度学习的空间图像非均匀校正方法，该方法由以下步骤实现：
[0009]步骤一、构建生成对抗式网络结构；
[0010]所述生成对抗式网络结构包括生成器和鉴别器；将非均匀图像输入生成器，所述生成器输出非均匀背景图像；
[0011]将所述非均匀背景图像和真实背景图像输入鉴别器，所述鉴别器输出为判断图像是真实背景的概率值；
[0012]步骤二、网络训练；
[0013]进行生成器和鉴别器的对抗训练；当辨别的概率为0.5，完成训练；
[0014]步骤三、非均匀背景图像校正；
[0015]通过训练好的生成器生成非均匀图像对应的非均匀背景图像，根据下式获得均匀图像；
[0016][0017]式中，I为观测图像，I
′
为非均匀图像，为非均匀函数。
[0018]进一步地，所述生成器的结构为编码器和解码器组成的卷积神经网络；
[0019]非均匀图像进入编码器，编码器包括若干卷积层、池化层以及激活函数层，分别用于特征提取与像素压缩；解码器包括卷积层、批量标准化层与激活函数层；图像的上采样采用反卷积的形式使得网络学习更多的图像信息。
[0020]进一步地，网络训练的具体过程为：
[0021]首先，初始化生成器G和鉴别器D两个网络的参数。
[0022]然后，用于训练的数据集为非均匀图像
‑
非均匀背景对的训练集，从训练集抽取若干非均匀背景样本，以及生成器利用非均匀图像分布生成同样数量样本。固定生成器G，训练鉴别器D，使其尽可能区分真假。
[0023]最后，循环更新k次鉴别器D之后，更新1次生成器G，使鉴别器尽可能区分不了真假。多次更新迭代后，理想状态下，最终鉴别器D无法区分图像到底是来自真实的训练样本集合，还是来自生成器G生成的样本即可，此时辨别的概率为0.5，完成训练。
[0024]本专利技术的有益效果：本专利技术的基于深度学习的空间图像非均匀校正方法。深度卷积神经网络包含生成器与鉴别器，生成器负责通过输入非均匀图像推理出非均匀背景，鉴别器负责判断生成器产生的非均匀背景的真实程度。两个网络在互相竞争训练中得到提高，最终通过送入生成器非均匀图像即可获得背景。
[0025]具备以下优点：
[0026]1、不需非均匀模型；本专利技术采用基于监督学习的方法，在训练前需要对应的数据集。而在非均匀背景的拟合中，我们是通过网络的推理而非利用非均匀模型的先验知识，因此我们的方法能实现更多种的空间图像非均匀校正任务。
[0027]2、校正效率高；校正步骤不含复杂的迭代算法，非均匀图像通过生成器的推理过程仅通过卷积池化等操作，因此对非均匀背景的复原速度较快。
附图说明
[0028]图1为本专利技术所述的基于深度学习的空间图像非均匀校正方法中生成对抗网络的原理图。
具体实施方式
[0029]结合图1说明本实施方式，基于深度学习的空间图像非均匀校正方法，该方法由以下步骤实现：
[0030]设定不受光学系统干扰的成像系统可以表示为I＝f(R+ε1)+ε2。其中，I,f,R,ε1,ε2分别表示观测图像、辐射响应函数、场景辐射、散射噪声和加性噪声(如放大器噪声、A/D、D/A噪声等)。考虑到曝光相机的增益忽略了附加噪声，成像系统可以表示为:I＝f
·
E(R+ε1)。
镜头组前出现渐近晕、相机倾斜引起的非均匀性和杂散光，得到了非均匀性影响的成像模型:
[0031][0032]其中是非均匀函数。而假设渐近光晕变化缓慢而均匀，杂散光不会引起某些图像的异常曝光，那么σ1为高斯分布标准差，于是，因此，修正后的图像可以由下式得到：
[0033][0034]因此，本实施方式的目的是通过输入非均匀图像，直接获得非均匀背景图像，通过非均匀图像与非均匀背景图像相除获得均匀的光学图像。
[0035]本实施方式中，还包括构建卷积神经网络：采用生成对抗式网络结构，即网络包含生成器与鉴别器两块结构。网络的结构如图1所示。图1为生成对抗网络的整体结构。其中y为输入生成器的非均匀图像，为生成器输出的非均匀背景图像，表示归一化的背景数据，λ为调整整体图像灰度值的参数，即为(2)式中的生成器的作用是实现送入非均匀图像得到非均匀背景图像。鉴别器的作用是分辨送入鉴别器的图像是真实的背景图像还是生成器生成的背景图像。
[0036]所述生成器结构为编码器
‑
解码器结构的卷积神经网络。首先图像进入编码器，编码器包含若干卷积、池化以及激活函数等结构，用于特征提取与像素压缩。同时为了抑制过拟合的现象，批量标准化被加到池化与激活函数之间。解码器同样包含了卷积、批量标准化与激活函数等结构。图像的上采样采用反卷积的形式使得网络可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的地基望远镜图像非均匀校正方法，其特征是：该方法由以下步骤实现：步骤一、构建生成对抗式网络结构；所述生成对抗式网络结构包括生成器和鉴别器；将非均匀图像输入生成器，所述生成器输出非均匀背景图像；将所述非均匀背景图像和真实背景图像输入鉴别器，所述鉴别器输出真实背景的概率值；步骤二、网络训练；进行生成器和鉴别器的对抗训练；当辨别的概率为0.5，完成训练；步骤三、非均匀背景图像校正；通过训练好的生成器生成非均匀图像对应的非均匀背景图像，根据下式获得均匀图像；式中，I为观测图像，I
′
为非均匀图像，为非均匀函数。2.根据权利要求1所述的基于深度学习的地基望远镜图像非均匀校正方法，其特征在于：所述生成器为由编码器和解码器组成的卷积神经网络；非均匀图像...

【专利技术属性】
技术研发人员：刘俊池，郭祥吉，王建立，李洪文，赵金宇，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：