一种基于剪切波和特征信息检测的太阳斑点图融合算法

太阳斑点图像重建是天文观测领域中一个重要的研究问题。通过地基光学望远镜获取的天文图像受大气湍流和大气扰动的影响,会发生严重的模糊或降质。剪切波变换是一种多尺度几何分析方法,它比传统的小波变换更符合人类视觉系统的感知特性,能更有效地表示和捕获图像中的边缘、纹理等几何特征,并能充分利用图像自身的几何特性实现对其更为“稀疏”的表示。该方法用于太阳斑点图像融合时存在高频信息缺失、边缘模糊等问题。本文结合剪切波变换和特征信息检测,对多帧太阳斑点图像进行融合处理。首先通过一种简单的剪切波变换域图像融合方法得到一幅初始的融合图像,然后根据所有斑点图与初始融合图像像素间的局部相似程度来获得每一斑点图的有效特征信息区域检测图,并据此将该斑点图中的所有像素分成有效特征信息、有效特征信息与无效信息之间的过渡以及无效信息,最终据此来指导剪切波变换域各子带系数的融合。实验结果表明,本文方法能较好地恢复高频信息,实现太阳斑点图高分辨率重建。

结合MCycleGAN与RFCNN实现太阳斑点图高分辨重建

太阳斑点图高分辨率重建是天文图像处理的重要研究内容之一。基于深度学习的图像高分辨率重建,通过神经网络模型学习获得低分辨率图像到高分辨率图像的端到端映射函数,能够恢复图像高频信息,但在用于特征单一、噪音较多、局部细节模糊的太阳斑点图重建时,存在边缘过于平滑、高频信息易丢失等不足。将输入图像与重建图像结构特征加入CycleGAN网络中得到MCycleGAN,利用生成器网络从结构特征中获取高频信息,计算特征差来增强网络重建高频信息的能力;将残差块和融合层加入DeepFuse网络中构建RFCNN,利用图像帧间相似信息互补进行多帧重建,使重建图像边缘更加清晰。利用所提方法的重建结果与云南天文台使用的斑点掩膜法Level1+的结果对比表明,所提算法具有误差小、重建图像清晰度高等优点。

结合L-Like曲线法与正则化模型实现多帧太阳斑点图像重建

太阳斑点图像重建是天文观测领域中一个重要的研究问题。通过地基光学望远镜获取的天文图像受大气湍流和大气扰动的影响,会发生严重的模糊或降质,需要借助图像复原方法进行重建。正则化方法是图像盲复原的经典算法,它通过构造正则项实现模糊核与清晰图像的迭代求解,现有大多数正则化方法都是针对单幅图像进行处理,图像特征越多,重建效果越好,而单幅太阳斑点图由于特征不足会导致重建图像质量较差。本文结合多帧斑点图之间的互补关系建立了适合太阳斑点图重建的多帧盲复原模型,并结合L-like曲线法,对正则化参数进行计算。实验结果表明,本文方法能较好地实现太阳斑点图的复原,满足天文观测的要求。