1 陕西科技大学 陕西人工智能联合实验室，陕西西安7002
2 西安交通大学 系统工程研究所，陕西西安710049
3 西安卫星测控中心，陕西西安71004
4 陕西科技大学 电子信息与人工智能学院，陕西西安710021
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。
空间目标图像 超分辨率 生成对抗网络 密集残差块 space object images super resolution Generative Adversarial Network（GAN） dense residual blocks 光学 精密工程
2022, 30(17): 2155
1 西安交通大学 电子与信息工程学院, 陕西 西安 710049
2 西北工业大学 自动化学院, 陕西 西安 710129
3 西安卫星测控中心 宇航动力学国家重点实验室, 陕西 西安 710043
图像质量评价是地基光电探测任务中的基础性的研究工作之一, 与其他事后处理任务密切相关。重点研究了无参、客观自适应光学图像的质量表示与指标提取方法, 总结了目前对图像质量评价研究的基本框架及研究现状。提出了一种基于非线性能量归一化的自适应光学图像质量感知模型, 并结合自适应光学系统与人眼视觉感知的特性, 提取了两个无参、客观像质评价指标, 该指标可用于帧选、复原等关键任务中, 实现对图像质量的自动评价或图像内容变化的自动检测, 评估结果与人眼主观评价呈现出良好的一致性。
自适应光学 图像质量评价 事后处理 像清晰化函数 adaptive optics image quality assessment post-processing image sharpeness 红外与激光工程
2018, 47(11): 1111005
