[发明专利]一种基于多层前馈神经网络的二维光纤光谱图像校正技术

说明书

本发明公开了一种基于多层前馈神经网络的二维光纤光谱图像校正技术，该方法能根据光谱图像畸变规律构建训练集并训练多层前馈神经网络用于校正二维光纤光谱图像，主要步骤包括：对二维平场光谱图像进行光纤追迹，使用完全最小二乘法拟合追迹曲线对应的直线作为校正后的目标输出；按照中间密集四周稀疏的策略选取训练数据集中样本点；使用构建出的数据集训练神经网络模型；最后使用训练好的网络模型对原始光谱图像进行校正。本算法表现出很好的光谱图像校正效果，减少了抽谱过程中交叉污染的影响，提升了抽谱效果。本发明能够以预处理的方式应用到光谱抽取流程，提升抽谱效果并减少抽谱过程的计算复杂度，具有很好的应用前景。

技术领域

本发明属于天文光谱数据处理技术领域，涉及一种基于多层前馈神经网络的二维光纤光谱图像校正技术，特别涉及一种基于光谱图像畸变规律构建训练集并训练神经网络校正二维光谱图像的方法。

背景技术

LAMOST是我国建成并投入使用的大天区多目标光纤光谱望远镜，具有口径大、同时观测目标数多的特点。所有的光纤光谱望远镜观测得到的二维光纤光谱图像都需要经过多种数据处理步骤才能被天文学家使用，主要包括CCD改正、平场改正、宇宙线提出、目标谱抽取、波长定标、减天光、流量定标等。其中目标谱抽取(即抽谱)的目标是从目标光谱图像种获得各根光纤在各个波长上的流量值，可以将CCD记录的二维光纤光谱图像转化成一维的波长-流量光谱。

多数天文观测望远镜都是大视场广角镜头望远镜，LAMOST也同样如此。广角镜头的使用使得光谱在成像过程中存在一定程度的畸变，具体表现为两侧出现枕型畸变，越是边缘畸变现象便明显，可以看到两侧的光纤存在明显的弯曲。LAMOST的每幅图像可以记录250条光谱，这些光谱密集的排列在一张图像上，存在着一定的交叉污染；而且，大视场摄谱仪的广泛应用，使得处于CCD不同位置的点扩展函数(Point Spread Function,PSF)轮廓差异很大，这会很大程度的增加抽谱的计算复杂度。总的来说，这些原因使得现有的抽谱方法在计算上存在误差，会大大的影响到最终一维光谱的质量。2009年Bolton and Schlegel等人提出反卷积抽谱方法，相比于传统的孔径抽谱能较好的处理交叉污染和各点PSF差异大的问题，但是计算复杂度太大也极大的限制了实际的投入使用。

在图像处理领域，存在很多图像校正方法。针对广角镜头拍摄出来的图像畸变，从原理上主要是对畸变过程进行数学建模，构造函数对畸变后的图像进行反变换以达到图像校正的目的。近年来，人工智能的兴起，使得之前已经不受关注的神经网络再一次受到研究人员的广泛关注，多层神经网络神经元的组合可以表示一种复杂的非线性变换，这种变换不是用具体的函数形式来表示。受此启发，神经网络也可以用于构造图像畸变函数帮助我们对二维光谱图像进行校正，减少交叉污染和各点PSF差异大对抽谱的影响。

发明内容

本发明的目的是减少二维光谱图像畸变对光谱抽取精度和计算复杂度的影响，达到优化抽谱的效果。

为此，本发明公开了一种基于多层前馈神经网络的二维光纤光谱图像校正技术，该方法能通过构造训练样本，训练多层神经网络得到网络参数来对畸变的二维光谱图像进行校正，最终从精度和计算复杂度上优化抽谱效果，包括如下步骤：

1)通过对二维平场光谱图像进行光纤追迹，得到含有250条光谱曲线的二维光纤追迹图像；

2)对上一步得到的二维光纤追迹结果图中每一条曲线使用完全最小二乘法进行直线拟合，将拟合出的直线作为校正后的目标输出；

3)产生在球面上均匀分布的2*N个点，并将上半球(或者下半球)部分的N个点投影到二维平面的图像作为数据集选点规律的分布图；

4)按照上一步产生的选点分布图对二维光纤追迹结果图和直线拟合结果图进行像素点采样，构造训练神经网络的数据集，其中光纤追迹图中点的横纵坐标值作为二维输入向量(x,y)，而直线拟合结果图中对应的点作为二维输出向量(x’,y’)；