空间目标图像的非凸稀疏正则化波后复原

现有的空间目标图像波后处理方法多直接套用自然光学图像的复原技术,效果并不理想。本文通过分析空间目标图像的近似稀疏性和灰度值服从超拉普拉斯分布的独有特点,提出了一个采用正则化方法的非凸稀疏正则化空间目标图像复原模型。在数值计算过程中,根据交替方向乘数法将复原模型分解为两个子问题,对凸优化子问题采用快速傅里叶变换求解,对非凸优化子问题采用固定点迭代方法求解。文中设计了非凸稀疏正则化空间目标图像波后复原的完整算法流程,并针对模拟图像和真实空间目标图像进行了对比验证。结果显示:相对于最近的流行算法,提出方法的最大峰值信噪比提高了2dB,最大平均结构相似度提高了0.17,最大信息熵提高了3.85,图像清晰度提高了2.65。

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。

非负矩阵分解在空间目标图像识别中的应用

将非负矩阵分解(NMF)算法应用到空间目标图像识别中,对两种传统NMF算法的迭代规则进行了改进,得到了稀疏NMF算法,并分别在二维(2D)和(2D)2维度应用了这3种算法。在实验室模拟了空间光学环境,获得了多组空间目标缩比模型图像,图像预处理后建立了训练样本库和测试样本库,运用不同NMF算法对训练样本进行了特征基提取,采用最小距离分类器进行了测试样本的分类,各种NMF算法识别率均在78%以上,最高可达90%。实验结果验证了所提算法的有效性,与其他已有的目标图像识别方法相比,具有准确率较高、速度快、资源开销少的优点。

空间目标成像的边缘检测方法研究

卫星事业的发展,使得人们有机会获取卫星在太空运行的图像资料。在很多情况下,比如对图像进行感兴趣区域图像压缩等应用,都需要对空间目标成像进行边缘检测。文中研究了边缘检测的原理和各种算法,并且通过实际试验,验证了各种检测方法在空间目标成像中的边缘检测效果,为空间目标成像的边缘检测打下坚实的理论基础。