[发明专利]一种基于通道共享时空网络的自适应光学图像盲复原方法

权利要求书

1.一种基于通道共享时空网络的自适应光学图像盲复原方法，其特征在于，该方法包括以下步骤：

A1，首先通过地基望远镜得到自适应光学图像，然后通过斑点重建技术得到自适应光学图像对应的理想清晰图像；

A2，构建用于训练的通道共享时空网络模型，该网络模型包括特征提取网络、通道共享时空滤波自适应网络和重建网络，所述特征提取网络包含三个超级块，每个超级块都包含一个卷积层和三个残差块，所述特征提取网络中的第一个超级块中卷积层的卷积核大小为5×5，步长为1，其它超级块中卷积层的卷积核大小为5×5，步长为2；所述重建网络包含三个超级块，所述重建网络中的第一个超级块和第二个超级块都包含三个残差块和一个解卷积层，每个解卷积层卷积核大小为3×3，步长为2，第三个超级块包含三个残差块和一个卷积层，该卷积层卷积核大小为5×5，步长为1；所述的残差块都包含两个3×3卷积层，以上卷积层都以LeakyReLU为激活函数，特征提取网络和重建网络之间有对称跳跃连接；

A3，将所述自适应光学图像与对应理想清晰图像的训练集输入到由步骤A2建立的通道共享时空网络模型中，通道共享时空网络的损失函数由均方误差损失函数L_mse与感知损失函数L_perceptual加权和组成：

L＝L_mse+λL_perceptual

这里λ为均方误差损失和感知损失的平衡因子，均方误差损失函数定义为：

这里C、H、W为图像的维数，R和G分别为复原图像和训练清晰图像，感知损失函数定义为：

这里Φ_j为预先训练好的Vgg19网络结构中第j个特征图，C_j、H_j、W_j为第j特征图的维数，在此取第3、8、15特征图输出的加权平均；所述通道共享时空网络模型在训练过程中权重初始化采用He初始化方法；用Adam优化器最小化损失函数，最终得到训练好的通道共享时空网络模型；

A4，将待复原的自适应光学图像输入到由步骤A3训练好的通道共享时空网络模型中，得到复原后的潜在清晰图像。

2.根据权利要求1所述的一种基于通道共享时空网络的自适应光学图像盲复原方法，其特征在于，所述通道共享时空滤波自适应网络的结构为：包含7个超级块和2个通道共享滤波自适应卷积层，所述7个超级块中的第一、二、三个超级块都包含一个卷积层和三个残差块，所述7个超级块中的第一个超级块中卷积层的卷积核大小为5×5，步长为1，所述7个超级块中的第二、第三超级块中卷积层的卷积核大小为5×5，步长为2；所述7个超级块中的第四、六个超级块都包含两个卷积层和两个残差块，卷积层卷积核大小都为3×3，步长为1；所述7个超级块中的第五个超级块卷积核大小为1×1，步长为1；所述7个超级块中的第七个超级块包含一个卷积层，卷积核大小为3×3，步长为1；所述通道共享滤波自适应卷积层应用通道共享时空滤波自适应网络生成的空变滤波器到所述特征提取网络提取的特征的每个通道。