【技术实现步骤摘要】
本说明书涉及天文计算机视觉，尤其涉及一种天文图像处理方法及装置。
技术介绍
1、天文图像去卷积是天文观测领域中一个复杂且本质上模糊的问题。数十年来，人们对其进行了广泛研究，认为它是逆向计算成像中的一个经典问题。此外，它在图像处理领域引起了相当大的关注。在无线电天文学领域，消除望远镜产生的波束效应对于实现精确准确的图像是至关重要的。天文望远镜的固有波束效应不可避免地使测量数据或所观测对象的图像产生扭曲。这些效应可能来自望远镜成像系统的缺陷。波束效应的存在可能导致图像模糊或空间扭曲，严重影响图像的清晰度和分辨率。因此，有效消除这些效应，提高图像质量，并使科学家能够对观测对象进行详细研究变得越来越重要。
2、在解决去卷积问题时，传统算法通常通过推断卷积核来寻找最优解。如果提供的卷积核复杂或测量不准确，那么去卷积任务变得更加困难。一些去卷积方法尝试通过引入各种图像先验来克服卷积，例如红暗通道先验和梯度先验等。然而，这些方法在准确建模清晰图像特征和生成无伪迹输出方面能力有限。
3、随着深度学习方法在天文学领域的快速发展和应用，它们已成为解决这类逆问题的更有效方法。例如，卷积神经网络（cnn）已广泛研究用于图像去模糊，并且基于cnn的方法得到了广泛探索。但目前的深度学习方法在很大程度上依赖于监督数据集的规模，如果无法获取较大规模的监督数据集以训练用于去卷积的图像处理模型，则会极大地降低天文图像去卷积的效率和准确性。
技术实现思路
1、本说明书提供一种天文图像处理方法及装
2、本说明书采用下述技术方案：
3、本说明书提供了一种天文图像处理方法，包括：
4、通过天文观测设备获取天文观测图像作为训练样本；
5、获取所述天文观测设备的先验物理信息，并根据所述天文观测设备的先验物理信息构建所述天文观测设备对应的深度学习网络；
6、根据所述训练样本以及所述天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，得到训练完成的天文图像处理模型；
7、当接收到图像处理请求时，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型，得到待处理图像对应的去卷积图像。
8、可选地，根据所述训练样本以及天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，具体包括：
9、将所述训练样本输入到待训练的天文图像处理模型，得到训练样本对应的中间预测图像；
10、将所述训练样本对应的中间预测图像输入到天文观测设备对应的深度学习网络中，得到所述训练样本对应的预测图像；
11、以所述训练样本与预测图像之间的差异的最小化为训练目标，训练待训练的天文图像处理模型，得到训练完成的天文图像处理模型。
12、可选地，将所述训练样本对应的中间预测图像输入到天文观测设备对应的深度学习网络，得到所述训练样本对应的预测图像，具体包括：
13、根据天文观测设备的先验物理信息，确定所述天文观测设备对应的深度学习网络的卷积核；
14、将所述训练样本对应的中间预测图像与所述天文观测设备对应的深度学习网络的卷积核通过快速傅里叶变换算法进行卷积操作，得到所述训练样本对应的预测图像。
15、可选地，所述训练样本与预测图像之间的差异的最小化为训练目标训练所述待训练的天文图像处理模型，具体包括：
16、根据所述训练样本与所述预测图像之间的差异，以及对数双曲余弦函数，得到损失；
17、以所述损失的最小化为训练目标，训练所述待训练的天文图像处理模型。
18、可选地，所述天文图像处理模型由自动编码器、生成对抗网络、u-net、visiontransformer中任意一个回归网络构建得到。
19、可选地，所述天文观测设备的先验物理信息包括所述天文观测设备的成像过程中的波束效应的信息或点扩散函数的信息。
20、可选地，所述方法还包括：
21、获取天文学数据集，所述天文学数据集包括多个参考去卷积图像以及多个参考物理信息；
22、依次针对所述天文学数据集中每个参考去卷积图像，根据该参考去卷积图像和所述天文学数据集包括的多个参考物理信息中任意一个参考物理信息，构建各测试对；
23、针对每个测试对，根据该测试对中参考去卷积图像和该测试对中参考物理信息，确定该测试对的模拟观测图像；
24、将该测试对的模拟观测图像输入所述训练完成的天文图像处理模型，得到该测试对的模拟观测图像对应的预测去卷积图像；
25、若该测试对的模拟观测图像对应的预测去卷积图像与该测试对中参考去卷积图像之间的差异小于预设差异阈值，则建立该测试对中参考去卷积图像与该测试对中参考物理信息之间的对应关系。
26、可选地，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型之前，所述方法还包括：
27、通过所述天文观测设备获取天文验证图像作为验证样本；
28、将所述验证样本输入到训练完成的天文图像处理模型，得到所述训练完成的天文图像处理模型，得到所述验证样本对应的去卷积图像；
29、将所述验证样本对应的去卷积图像输入到所述天文观测设备对应的深度学习网络，得到所述验证样本对应的卷积图像；
30、根据所述验证样本，以及所述验证样本对应的卷积图像之间的差异，评估所述训练完成的天文图像处理模型。
31、可选地，所述方法还包括：
32、对通过所述天文观测设备获取的图像进行预处理，所述预处理包括去噪、去除伪像、增强图像对比度。
33、本说明书提供了一种天文图像处理装置，包括：
34、训练样本确定模块，用于通过天文观测设备获取天文观测图像作为训练样本；
35、深度学习网络确定模块，用于获取所述天文观测设备的先验物理信息，并根据所述天文观测设备的先验物理信息构建所述天文观测设备对应的深度学习网络；
36、训练模块，用于根据所述训练样本以及所述天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，得到训练完成的天文图像处理模型；
37、图像处理模块，用于当接收到图像处理请求时，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型，得到待处理图像对应的去卷积图像。
38、本说明书采用的上述至少一个技术方案能够达到以下有益效果：
39、本说明书提供的天文图像处理方法中，将天文观测设备获取的天文观测图像作为训练样本，根据该观测设备的先验物理信息构建深度学习网络，根据训练样本和深度学习网络训练天文图像处理模型，将指定设备获取的待处理图像输入到天文图像处理模型，得到待处理图像对应的去卷积图像。可见，通过上述方案，将天文观测设备的先验物理信息引入天文图像处理模型的训练过程中本文档来自技高网...
【技术保护点】
1.一种天文图像处理方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，根据所述训练样本以及天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，具体包括：
3.如权利要求2所述的方法，其特征在于，将所述训练样本对应的中间预测图像输入到天文观测设备对应的深度学习网络，得到所述训练样本对应的预测图像，具体包括：
4.如权利要求2所述的方法，其特征在于，所述训练样本与预测图像之间的差异的最小化为训练目标训练所述待训练的天文图像处理模型，具体包括：
5.如权利要求1所述的方法，其特征在于，所述天文图像处理模型由自动编码器、生成对抗网络、U-Net、Vision Transformer中任意一个回归网络构建得到。
6.如权利要求1所述的方法，其特征在于，所述天文观测设备的先验物理信息包括所述天文观测设备的成像过程中的波束效应的信息或点扩散函数的信息。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
8.如权利要求1所述的方法，其特征在于，将通过所述天文观测设备获取的待
9.如权利要求1~8任一所述的方法，其特征在于，所述方法还包括：
10.一种天文图像处理装置，其特征在于，包括：
...【技术特征摘要】
1.一种天文图像处理方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，根据所述训练样本以及天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，具体包括：
3.如权利要求2所述的方法，其特征在于，将所述训练样本对应的中间预测图像输入到天文观测设备对应的深度学习网络，得到所述训练样本对应的预测图像，具体包括：
4.如权利要求2所述的方法，其特征在于，所述训练样本与预测图像之间的差异的最小化为训练目标训练所述待训练的天文图像处理模型，具体包括：
5.如权利要求1所述的方法，其特征在于，所述天文图像处理模型由自动编码器、...
【专利技术属性】
技术研发人员：倪书磊，邱逸盛，陈云川，宋子豪，陈昊，蒋雪健，陈华曦，
申请(专利权)人：之江实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。