基于密集残差块生成对抗网络的空间目标图像超分辨率重建

为了获取更高分辨率和清晰度的空间目标光学图像,需对地基自适应光学(Adaptive Optics,AO)成像望远镜校正后的降质图像进行超分辨率重建。针对空间目标AO图像背景单一、分辨率有限且存在运动模糊、湍流模糊以及过曝等特点,提出基于深度学习的生成对抗网络(Generative Adversarial Networks,GAN)方法来实现空间目标AO图像的超分辨率重建,构建了空间目标AO仿真图像训练集用于神经网络训练,提出了一种基于密集残差块的GAN超分辨率重建方法,通过将传统残差网络改为密集残差块,提高网络深度,将相对平均损失函数引入判别器网络,从而使得判别器更稳健,GAN训练更稳定。实验结果表明:本文提出的方法相较传统插值超分辨率方法PSNR提高11.6%以上,SSIM提高10.3%以上,相较基于深度学习的盲图像超分辨率方法PSNR平均提高6.5%,SSIM平均提高4.9%。该方法有效实现了空间目标AO图像的清晰化重建,降低了重建图像的伪影,丰富了图像细节。