[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

说明书

本发明公开了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，具体按照如下步骤实施：制作自适应光学图像与对应理想清晰图像的训练集；构建用于训练的通道共享时空网络模型，此网络包含特征提取网络、通道共享时空滤波自适应网络和重建网络三个子网络；将自适应光学图像与对应理想清晰图像的训练集输入到建立的通道共享时空网络模型中，得到训练好的通道共享时空网络模型；将待复原的自适应光学图像输入到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。本发明能够显著提高自适应光学图像的视觉效果和对比度，复原效果好，速度快，泛化性能强。

技术领域

本发明属于自适应光学图像处理技术领域，涉及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。

背景技术

大气湍流的存在会引起光波的波前严重畸变，影响地基望远镜对目标的观测。因此，地基望远镜对目标的成像分辨率远低于预期的理论衍射极限，严重影响成像质量。

为了缓解这些问题，地基望远镜通常使用自适应光学技术来补偿大气湍流的影响。它通过一个波前传感器实时测量大气扰动，并通过一个变形镜实时补偿大气湍流引起的波前畸变。自适应光学技术可以显著降低低阶像差，有效地改善光学系统的成像质量。

但是，由于自适应光学系统自身硬件的限制,自适应光学系统对波前畸变的校正是部分的、不完全的，目标的高频信息大量丢失。为了进一步提高自适应光学图像的质量，必须对自适应光学图像进行后处理。

在图像处理领域，图像退化过程一般可以表示为：

g(x,y)＝f(x,y)*h(x,y)+n(x,y)

其中，g(x,y)为输出图像，f(x,y)为输入图像，h(x,y)为点扩散函数，n(x,y)为加性噪声，“*”是二维循环卷积，根据退化图像g(x,y)估计潜在清晰图像的过程称为图像解卷积或复原；如果点扩散函数未知，则称为图像盲解卷积或图像盲复原。

目前主要有四种用于自适应光学图像后处理的方法，斑点成像技术、相位差法、盲解卷积算法、基于深度学习的方法。斑点成像技术利用大气湍流的统计信息重建大气湍流的相位和振幅，通常需要上百帧的短曝光图像才能完成一次重建；相位差法利用一组聚焦图像和一组离焦图像的图像强度来建立误差度量，通过最小化误差度量，重建出目标和点扩散函数，它需要额外的成像设备，且算法对系统参数敏感，在实际应用中还存在一些技术难点；盲解卷积算法直接从单帧或几帧模糊图像中同时重建目标和点扩散函数，然而盲解卷积问题通常是一个病态逆问题，因此需要大量先验信息对算法的求解加以约束，否则难以获得理想的处理结果；基于深度学习的方法利用大量的模糊-清晰图像对，对深度神经网络进行训练，从而学习到模糊图像和清晰图像之间的非线性映射关系，最终利用训练好的网络，复原出清晰的图像。现有的基于深度学习的自适应光学图像盲复原方法有用于人眼视网膜图像去模糊的Retinal-CNN(参见Fei X,Zhao J,Zhao H,et al.Deblurringadaptive optics retinal images using deep convolutional neural networks[J].BiomedOpt Express,2017,8(12):5675-5687.)，用于太阳自适应光学图像去模糊的Encoder-DNN和Recurent-DNN(参见Ramos AA,De La Cruz Rodríguez J,YabarAP.Real-time multiframeblinddeconvolution ofsolar images[J].AstronomyAstrophysics,2018,620:A73.)，Retinal-CNN只有五个卷积层；Encoder-DNN是加了对称跳跃连接的标准的编解码器网络结构；Recurent-DNN是循环神经网络结构。

现有的基于深度学习的自适应光学图像盲复原方法都假设输入图像是空不变的，因此当点扩散函数是空变时，它们都不能很好地复原出潜在清晰图像，且用于训练的损失函数只有均方误差损失函数，复原的结果严重失真。因此需要构造一个可以用于处理空变点扩散函数的网络。