基于神经网络的全天时天文导航图像去噪方法

刘宇宸; 赵春晖; 徐卿

doi:doi:10.3788/AOS201939.0610003

光学学报, 2019, 39 (6): 0610003, 网络出版: 2019-06-17

基于神经网络的全天时天文导航图像去噪方法下载： 1084次

Neural Network-Based Noise Suppression Algorithm for Star Images Captured During Daylight Hours

刘宇宸 ^*赵春晖徐卿

作者单位

中国空间技术研究院北京控制工程研究所, 北京 100190

图 & 表

图 1. 像元响应与不同输入变量的关系。(a)与太阳方位角关系;(b)与观测高度角关系

Fig. 1. Relationship between pixel response and different input parameters. (a) Solar azimuth; (b) altitude angle of observation

下载图片查看原文

图 2. 网络结构示意图

Fig. 2. Schematic of network structure

下载图片查看原文

图 3. 不同网络跳线结构简图。(a)全局跳线网络结构;(b)局部跳线的结构

Fig. 3. Structural diagrams of different network shortcut connections. (a) Overall shortcut; (b) local shortcut

下载图片查看原文

图 4. 不同跳线结构的网络收敛曲线

Fig. 4. Convergence curves of network with different types of shortcut connection

下载图片查看原文

图 5. 具有不同功能结构的网络收敛曲线

Fig. 5. Convergence curves of network with different functional structures

下载图片查看原文

图 6. 各方法的处理效果。(a) 原始星图; (b) K-SVD; (c) BM3D; (d) DnCNN; (e) 本文方法

Fig. 6. Processing results of different algorithms. (a) Original star image; (b) K-SVD; (c) BM3D; (d) DnCNN; (e) proposed method

下载图片查看原文

图 7. 各算法真实星图的去噪并减除背景后的效果图。(a)原始图像;(b)文献[ 7]的算法;(c)文献[ 8]的算法;(d)本文方法

Fig. 7. Renderings of real star image after denoising and subtracting background by different algorithms. (a) Original image; (b) algorithm in Ref. [7]; (c) algorithm in Ref. [8]; (d) proposed algorithm

下载图片查看原文

表 1ModTran软件的输入参数样例

Table1. Example of input parameters for ModTran software

Latitude season	Mid-latitude summer	Latitude season	Mid-latitude summer
Terrain	Forest	Altitude angle of observation ${μ_{1}}_{}$ /(°)	70
Weather	Sunny	Solar azimuth ${μ_{2}}_{}$ /(°)	90
Altitude H /km	8	Solar elevation θ /(°)	70

查看原文

表 2探测器光学系统参数

Table2. Optical-system parameters of detector

Parameter	Value	Parameter	Value
F /(°)	2	N_x× ${N_{y}}_{}$ /(pixel×pixel)	512×512
${S_{pix}}_{}$ /μm	11	f /mm	161.1
D /mm	41	τ	0.80
ζ	0.75	Q	0.40
d_w	120000e	$σ_{PRNU}^{2}$	0.0001
t /ms	10	n	3
${λ_{\min}}_{}$ /nm	800	I_min	400
${λ_{\max}}_{}$ /nm	1100	I_max	3600

查看原文

表 3ModTran软件的输入参数

Table3. Input parameters of ModTran software

Latitude season	Mid-latitude summer	Latitude season	Mid-latitude summer
Terrain	Forest	Altitude angle of observation ${μ_{1}}_{}$ /(°)	50-90
Weather	Sunny	Solar azimuth ${μ_{2}}_{}$ /(°)	55-150
Altitude H /km	8	Solar elevation θ /(°)	70

查看原文

表 4不同网络结构的网络计算时间

Table4. Running time of network with different functional structures

Types of convolutional network	Dilated Conv	Downsampling Conv	Plain Conv
${t_{GPU}}_{}$ /ms	16.21	16.11	16.84
${t_{CPU}}_{}$ /s	0.87	0.22	0.86

查看原文

表 5不同算法的PSNR值

Table5. PSNR of different algorithms

Algorithm	PSNR /dB
Original star image	22.36
K-SVD	25.43
BM3D	26.15
DnCNN	37.42
Proposed algorithm	37.43

查看原文

表 6不同算法处理时间

Table6. Running time of different algorithms

Algorithm	K-SVD	BM3D	DnCNN	Proposed
${t_{GPU}}_{}$ /ms	-	-	45.43	16.84
${t_{CPU}}_{}$ /s	1.64	1.84	12.12	0.21

查看原文

表 7各算法去噪后星点信噪比统计表

Table7. Statistical RSN of star points after denoising by different algorithms

Algorithm	${R_{SN}}_{}$ /dB
Original image	5.82
Algorithm in Ref. [8]	7.95
Algorithm in Ref. [7]	7.56
Proposed algorithm	195

查看原文

刘宇宸, 赵春晖, 徐卿. 基于神经网络的全天时天文导航图像去噪方法[J]. 光学学报, 2019, 39(6): 0610003. Yuchen Liu, Chunhui Zhao, Qing Xu. Neural Network-Based Noise Suppression Algorithm for Star Images Captured During Daylight Hours[J]. Acta Optica Sinica, 2019, 39(6): 0610003.

基于神经网络的全天时天文导航图像去噪方法下载： 1084次

图 1. 像元响应与不同输入变量的关系。(a)与太阳方位角关系;(b)与观测高度角关系

Fig. 1. Relationship between pixel response and different input parameters. (a) Solar azimuth; (b) altitude angle of observation

图 2. 网络结构示意图

Fig. 2. Schematic of network structure

图 3. 不同网络跳线结构简图。(a)全局跳线网络结构;(b)局部跳线的结构

Fig. 3. Structural diagrams of different network shortcut connections. (a) Overall shortcut; (b) local shortcut

图 4. 不同跳线结构的网络收敛曲线

Fig. 4. Convergence curves of network with different types of shortcut connection

图 5. 具有不同功能结构的网络收敛曲线

Fig. 5. Convergence curves of network with different functional structures

图 6. 各方法的处理效果。(a) 原始星图; (b) K-SVD; (c) BM3D; (d) DnCNN; (e) 本文方法

Fig. 6. Processing results of different algorithms. (a) Original star image; (b) K-SVD; (c) BM3D; (d) DnCNN; (e) proposed method

图 7. 各算法真实星图的去噪并减除背景后的效果图。(a)原始图像;(b)文献[ 7]的算法;(c)文献[ 8]的算法;(d)本文方法

Fig. 7. Renderings of real star image after denoising and subtracting background by different algorithms. (a) Original image; (b) algorithm in Ref. [7]; (c) algorithm in Ref. [8]; (d) proposed algorithm

表 1ModTran软件的输入参数样例

Table1. Example of input parameters for ModTran software

表 2探测器光学系统参数

Table2. Optical-system parameters of detector

表 3ModTran软件的输入参数

Table3. Input parameters of ModTran software

表 4不同网络结构的网络计算时间

Table4. Running time of network with different functional structures

表 5不同算法的PSNR值

Table5. PSNR of different algorithms

表 6不同算法处理时间

Table6. Running time of different algorithms

表 7各算法去噪后星点信噪比统计表

Table7. Statistical RSN of star points after denoising by different algorithms

关于本站 Cookie 的使用提示

全站搜索

基于神经网络的全天时天文导航图像去噪方法 下载： 1084次

图 1. 像元响应与不同输入变量的关系。(a)与太阳方位角关系;(b)与观测高度角关系

Fig. 1. Relationship between pixel response and different input parameters. (a) Solar azimuth; (b) altitude angle of observation

图 2. 网络结构示意图

Fig. 2. Schematic of network structure

图 3. 不同网络跳线结构简图。(a)全局跳线网络结构;(b)局部跳线的结构

Fig. 3. Structural diagrams of different network shortcut connections. (a) Overall shortcut; (b) local shortcut

图 4. 不同跳线结构的网络收敛曲线

Fig. 4. Convergence curves of network with different types of shortcut connection

图 5. 具有不同功能结构的网络收敛曲线

Fig. 5. Convergence curves of network with different functional structures

图 6. 各方法的处理效果。(a) 原始星图; (b) K-SVD; (c) BM3D; (d) DnCNN; (e) 本文方法

Fig. 6. Processing results of different algorithms. (a) Original star image; (b) K-SVD; (c) BM3D; (d) DnCNN; (e) proposed method

图 7. 各算法真实星图的去噪并减除背景后的效果图。(a)原始图像;(b)文献[ 7]的算法;(c)文献[ 8]的算法;(d)本文方法

Fig. 7. Renderings of real star image after denoising and subtracting background by different algorithms. (a) Original image; (b) algorithm in Ref. [7]; (c) algorithm in Ref. [8]; (d) proposed algorithm

表 1ModTran软件的输入参数样例

Table1. Example of input parameters for ModTran software

表 2探测器光学系统参数

Table2. Optical-system parameters of detector

表 3ModTran软件的输入参数

Table3. Input parameters of ModTran software

表 4不同网络结构的网络计算时间

Table4. Running time of network with different functional structures

表 5不同算法的PSNR值

Table5. PSNR of different algorithms

表 6不同算法处理时间

Table6. Running time of different algorithms

表 7各算法去噪后星点信噪比统计表

Table7. Statistical RSN of star points after denoising by different algorithms

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于神经网络的全天时天文导航图像去噪方法下载： 1084次