结合门控融合网络和残差傅里叶变换重建太阳斑点图

使用现有深度学习算法重建云南天文台拍摄的高度模糊太阳斑点图像时,出现高频信息丢失、边缘模糊、重建难度大等问题。对此,提出一种结合门控融合网络与残差傅里叶变换的太阳斑点图重建算法,其中门控融合网络由一个生成器和两个鉴别器组成,生成器包含去模糊模块、高维特征提取模块、门控模块和重建模块。去模糊模块采用基于双注意力机制的U形网络框架,获取低分辨率图像去模糊后的特征;高维特征提取模块使用残差傅里叶变换的卷积块,提取包含图像空间细节的高维特征;门控模块将上述两个特征进行融合,得到权重图,与去模糊后的特征进行加权后,再与高维特征融合,得到融合特征;重建模块采用残差傅里叶变换的卷积块和像素混洗层,将门控模块得到的融合特征图进行重建,得到高分辨率图像。利用两个鉴别器分别鉴别去模糊模块产生的去模糊图像和重建模块产生的高分辨率图像的真实性。最后,设计包含像素内容损失、感知损失和对抗损失的组合训练损失函数,指导模型训练。实验结果显示,所提方法与现有深度学习重建方法相比,高频信息的恢复能力更强,边缘轮廓更清晰,结构相似性和峰值信噪比指标更高。

结合GAN和风格迁移的太阳斑点图重建方法

在云南天文台拍摄的模糊太阳斑点图的超分辨率重建过程中,采用现有深度学习算法存在高频信息难以恢复、重建图不够清晰等问题,为此,提出一种结合GAN(生成对抗网络)和风格迁移网络的太阳斑点图超分辨率重建方法STYLE-NICE-GAN。首先,利用GAN获取低分辨率太阳斑点图到Level1+高分辨率太阳斑点图的映射关系,重建太阳斑点图的全局轮廓和部分细节;其次,使用风格迁移网络,对GAN的重建结果进行二次重建,在保留局部细节、高频信息和不影响后续分析的同时,提高图像的整体对比度和清晰度。实验结果表明,与现有深度学习超分辨率重建算法相比,该方法具有重建图像清晰度更高、高频信息恢复能力更强的优点,重建结果在两个有参考评价指标PSNR、SSIM和三个无参考评价指标BRISQUE、NIQE、PIQE上的评价均占有优势。

结合多聚焦融合和DSGEF双阶段网络重建太阳斑点图

太阳斑点图具有对比度较低、米粒结构相似、帧间差异较小的特点,现有重建网络在进行单帧去模糊时存在高频特征不足、局部细节难以恢复等问题。结合图像多聚焦融合,构建梯度增强与FPN双阶段网络实现太阳斑点图的高分辨率重建。首先,利用序列图像帧间相似信息互补特性,使用块聚焦图像融合算法,弥补图像丢失的高频细节;其次,以生成对抗网络GAN为框架,设计了一个双阶段重建网络DSGEF,联合梯度分支与结构特征分支增强高频细节,再利用FPN网络进行多尺度特征重建,改善米粒边缘清晰度;最后,引入一个包含对抗损失、像素损失和感知损失的联合损失函数,用于引导网络DSGEF进行训练,实现高分辨率太阳斑点图的重建。实验结果表明,该方法与现有深度学习方法相比,峰值信噪比(PSNR)和结构相似性(SSIM)指标均有明显提高,能够满足太阳观测图像高分辨率重建要求。

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。