[发明专利]一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法

说明书

本发明涉及一种基于双层空洞U‑Net模型的单帧湍流退化图像去畸变方法，包括以下步骤：(1)结合大气湍流成像退化物理模型和图像处理算法，构建大气湍流畸变图像数据集。(2)构建双层空洞U‑Net模型，用于预测大气湍流引起的图像畸变量。(3)结合构建的大气湍流畸变图像数据集，训练双层空洞U‑Net模型，得到模型训练参量。(4)计算测试集图像畸变矩阵，利用图像反插值算法，得到大气湍流退化图像去畸变结果。

技术领域

本发明涉及一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法，适用于单帧大气湍流退化图像去畸变领域。

背景技术

大气湍流造成远距离光电成像质量的下降，图像出现模糊和畸变现象。大气湍流的随机起伏特性，使得基于单帧的大气湍流退化图像复原问题一直以来都是研究的难点问题。其中，基于单帧的大气湍流退化图像去模糊研究较多，传统的方法包括逆滤波、单帧盲反卷积、总变分方法、Richardson-Lucy(R-L)复原算法等经典算法。它们在对单帧大气湍流退化图像去模糊操作时，依赖很多先验知识。为此，近年出现了基于深度学习的单帧大气湍流退化图像去模糊研究方法，以BDATNet为例，该模型由一个堆叠的FENSB、一个不对称的Unet和一个图像重建子网(IRSubnetwork)组成。该模型采取端到端的大气湍流退化图像去模糊研究方法，利用STK构建了空间卫星目标退化图像数据集，该数据集仅包含了大气湍流所引起的图像模糊以及噪声现象，没有考虑大气湍流所引起的图像畸变问题。初步解决了大气湍流产生的多种模糊退化形式下的复原问题。然而大气湍流会同时引起图像的模糊和畸变，目前针对大气湍流所引起的图像畸变的处理方法，主要是基于多帧视频序列图像的方法。通过对多帧图像求取中值或者均值作为参考的无畸变图像，然后利用图像匹配技术，获得每帧无畸变图像。此外，还可以通过从序列畸变图像中筛选幸运帧作为基准，序列中其余帧通过帧配准方法得到无畸变图像。基于视频序列的图像去畸变方法通常都需要获取大量的图像帧，而对于真实大气湍流退化场景而言，很多时候只能获取非常少量的湍流畸变退化图像。因此，研究基于单帧的大气湍流图像去畸变显得尤为重要。但是目前基于单帧图像去畸变的研究工作很少。DocUnet基于U-Net逐像素分类的思路，将畸变量作为标签值进行预测，尝试解决文档中出现的畸变问题。但是文档畸变过程没有大气湍流图像畸变退化过程复杂，且文档随机畸变现象也没有大气湍流图像畸变表现的明显，因此用于文档去畸变的DocUnet模型不能直接应用于大气湍流所引起的图像去畸变研究。

针对单帧大气湍流图像去畸变研究，目前的研究难点主要表现在以下几个方面：(1)大气湍流随机起伏引起图像一定程度的随机畸变，相比文档畸变现象，大气湍流所引起的图像畸变随机性更强，很大程度上增加了湍流图像去畸变的难度；(2)目前还未有完善的大气湍流畸变图像数据库，这是实现基于深度学习的单帧大气湍流退化图像去畸变的关键环节；(3)现有的基于深度学习的图像复原方法多数针对图像模糊降质现象，未充分考虑图像畸变这一重要因素，从而限制了已有基于深度学习的图像复原模型在单帧湍流退化图像去畸变的应用。

发明内容

本发明的技术解决问题是：克服现有技术不足，针对单帧大气湍流退化图像去畸变问题，提供一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法，改善大气湍流下成像质量，提高远距离光电成像探测系统性能。

本发明的技术解决方案为一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法，实现步骤如下：

(1)结合大气湍流成像退化物理模型和图像处理算法，构建大气湍流畸变图像数据集；

(2)设计双层空洞U-Net模型，用于预测大气湍流引起的图像畸变量；

(3)结合步骤(1)构建的大气湍流畸变图像数据集，训练双层空洞U-Net模型，得到模型训练参量；

(4)利用步骤(3)训练得到的双层空洞U-Net模型计算测试集图像畸变矩阵，结合图像反插值算法，得到大气湍流退化图像去畸变结果。