针对天文图像成像分辨率低的问题,基于集中稀疏表示图像超分辨率重建理论,提出一种层次聚类字典训练和相似约束的天文图像超分辨率重建算法。在字典训练阶段,采用新的基于层次的聚类算法对样本图像块进行归类,对每类图像块进行独立训练得到多个紧凑型字典。在图像重建阶段,通过抑制稀疏编码噪声提高稀疏编码系数的准确性,并利用图像的非局部自相似性对重建图像的稀疏系数进行合理估计。此外,通过构建非局部自相似正则化项对图像重建过程进行全局约束。仿真结果表明,该算法可以有效地改善天文图像的分辨率,重建图像在主观视觉效果和客观评价指标上都要优于其他传统的超分辨率重建算法。

在天文图像去噪中, 为了提高迭代曲波阈值算法的去噪重建性能, 提出了基于循环平移和曲波维纳滤波的压缩感知迭代重构算法。首先, 使用基于曲波阈值的循环平移方法对重构图像进行调整以抑制重构图像中的伪吉布斯效应; 接着, 用提出的曲波维纳滤波算子替代小波阈值在迭代过程中对图像曲波系数进行筛选以进一步提高重构图像的质量。通过对添加高斯白噪声的Lena图像和月球图像进行重构实验, 分析本文算法和当前主流算法的性能。实验结果表明, 与传统的压缩感知迭代曲波阈值算法相比, 本文算法能够获得较优的去噪性能, 有效地保护天文图像的细节信息, 峰值信噪比大约提高了2.6~3.2 dB。

分析了Benvenuto等针对天文图像恢复提出的基于极大似然(ML)代价函数的有效逼近模型, 由此提出了一种比传统ML收敛更快的图像恢复算法。该算法在未知点扩散函数(PSF)条件下, 通过观测模糊图像, 自适应估计湍流PSF, 使PSF估计更符合成像环境; 然后, 将该算法与混合高斯泊松噪声的ML算法相结合, 形成增强ML迭代算法。在迭代过程中动态更新PSF, 交替执行恢复图像、去除噪声等策略。结果显示：对于点源目标图像, 本文算法恢复图像的质量在峰值信噪比、均方误差以及平均对比度3个指标上分别提高了96.64%, 69.26%和25.6%; 对于真实湍流退化图像, 恢复质量也有一定改善。结论表明：该方法可以使迭代过程收敛更稳定, 图像恢复质量得到明显提高, 非常适用于天文观测图像的高清晰恢复与重建。

由于受大气湍流的影响,利用地基光学望远镜获取的天文目标图像会发生严重的模糊或降质.解决这一问题的主要途径之一就是斑点成像技术,该方法利用短曝光"冻结"大气,获取天文目标的斑点图再经后处理重建高清晰图像.本文将动态支持域约束的思想与广义极大似然估计重建算法相结合,提出一种改进的基于广义极大似然原理的天文图像高清晰重建算法.该算法创新性地提出了动态支持域约束的思想,在代价函数中增加了非线性滤波项,它可以对上一次的迭代结果进行非线性处理,根据阈值自动调整目标的支持域,使支持域随着迭代次数的增加实现动态调整,克服了已有算法在整个迭代过程中支持域不变的缺点,使得该算法也可对扩展目标实现高清晰重建.实验结果表明,该算法不仅对点源天文星体短曝光图像实现了高清晰重建,而且将模拟扩展目标图像重建结果的峰值信噪比提高10%以上,对自适应光学长曝光图像也有较好的恢复效果.

针对天文图像中运动弱小目标的检测问题,在分析天文CCD图像特点的基础上,根据待检测目标运动状态的不同,提出:1) 在检测动目标时,对基于图像对称差分运算方法进行了改进,改进后的方法性能优于图像差分法,且硬件实现容易.该方法以连续三帧序列图像为一组处理对象,在进行绝对差运算之前,对图像进行对比度增强及均值滤波;2) 使用形态学滤波的方法实现单帧静止多目标的检测,该方法采用top-hat算子完成背景的估计与目标的检测.为了实时实现所提出的动目标及静止目标的检测算法,设计了DSP+FPGA硬件架构方案,并进行了外场实验.实验的结果表明,检测算法在硬件加速的情况下可以实时有效地检测到SNR ≈ 2的弱小目标,并可以同时实时保存原始图像数据.