CN117876263B - 一种天文图像处理方法及装置 - Google Patents

一种天文图像处理方法及装置 Download PDF

Info

Publication number
CN117876263B
CN117876263B CN202410287648.5A CN202410287648A CN117876263B CN 117876263 B CN117876263 B CN 117876263B CN 202410287648 A CN202410287648 A CN 202410287648A CN 117876263 B CN117876263 B CN 117876263B
Authority
CN
China
Prior art keywords
astronomical
image
training
image processing
processing model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410287648.5A
Other languages
English (en)
Other versions
CN117876263A (zh
Inventor
倪书磊
邱逸盛
陈云川
宋子豪
陈昊
蒋雪健
陈华曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202410287648.5A priority Critical patent/CN117876263B/zh
Publication of CN117876263A publication Critical patent/CN117876263A/zh
Application granted granted Critical
Publication of CN117876263B publication Critical patent/CN117876263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本说明书公开了一种天文图像处理方法及装置，该方法利用天文望远镜等天文观测设备所获取的观测图像作为训练样本。并基于天文观测设备的先验物理信息构建深度学习网络。通过使用训练样本和深度学习网络，对天文图像处理模型进行训练。该方法将待处理图像输入到天文图像处理模型中，以获取相应的去卷积图像。通过上述方案，天文观测设备的先验物理信息被引入到天文图像处理模型的训练过程中。这样一来，针对天文观测设备中波束效应或点扩散函数的去卷积任务的困难得到了显著减轻，并且天文图像处理的效率也得到了提高。

Description

一种天文图像处理方法及装置
技术领域
本说明书涉及天文计算机视觉技术领域，尤其涉及一种天文图像处理方法及装置。
背景技术
天文图像去卷积是天文观测领域中一个复杂且本质上模糊的问题。数十年来，人们对其进行了广泛研究，认为它是逆向计算成像中的一个经典问题。此外，它在图像处理领域引起了相当大的关注。在无线电天文学领域，消除望远镜产生的波束效应对于实现精确准确的图像是至关重要的。天文望远镜的固有波束效应不可避免地使测量数据或所观测对象的图像产生扭曲。这些效应可能来自望远镜成像***的缺陷。波束效应的存在可能导致图像模糊或空间扭曲，严重影响图像的清晰度和分辨率。因此，有效消除这些效应，提高图像质量，并使科学家能够对观测对象进行详细研究变得越来越重要。
在解决去卷积问题时，传统算法通常通过推断卷积核来寻找最优解。如果提供的卷积核复杂或测量不准确，那么去卷积任务变得更加困难。一些去卷积方法尝试通过引入各种图像先验来克服卷积，例如红暗通道先验和梯度先验等。然而，这些方法在准确建模清晰图像特征和生成无伪迹输出方面能力有限。
随着深度学习方法在天文学领域的快速发展和应用，它们已成为解决这类逆问题的更有效方法。例如，卷积神经网络（CNN）已广泛研究用于图像去模糊，并且基于CNN的方法得到了广泛探索。但目前的深度学习方法在很大程度上依赖于监督数据集的规模，如果无法获取较大规模的监督数据集以训练用于去卷积的图像处理模型，则会极大地降低天文图像去卷积的效率和准确性。
发明内容
本说明书提供一种天文图像处理方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种天文图像处理方法，包括：
通过天文观测设备获取天文观测图像作为训练样本；
获取所述天文观测设备的先验物理信息，并根据所述天文观测设备的先验物理信息构建所述天文观测设备对应的深度学习网络；
根据所述训练样本以及所述天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，得到训练完成的天文图像处理模型；
当接收到图像处理请求时，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型，得到待处理图像对应的去卷积图像。
可选地，根据所述训练样本以及天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，具体包括：
将所述训练样本输入到待训练的天文图像处理模型，得到训练样本对应的中间预测图像；
将所述训练样本对应的中间预测图像输入到天文观测设备对应的深度学习网络中，得到所述训练样本对应的预测图像；
以所述训练样本与预测图像之间的差异的最小化为训练目标，训练待训练的天文图像处理模型，得到训练完成的天文图像处理模型。
可选地，将所述训练样本对应的中间预测图像输入到天文观测设备对应的深度学习网络，得到所述训练样本对应的预测图像，具体包括：
根据天文观测设备的先验物理信息，确定所述天文观测设备对应的深度学习网络的卷积核；
将所述训练样本对应的中间预测图像与所述天文观测设备对应的深度学习网络的卷积核通过快速傅里叶变换算法进行卷积操作，得到所述训练样本对应的预测图像。
可选地，所述训练样本与预测图像之间的差异的最小化为训练目标训练所述待训练的天文图像处理模型，具体包括：
根据所述训练样本与所述预测图像之间的差异，以及对数双曲余弦函数，得到损失；
以所述损失的最小化为训练目标，训练所述待训练的天文图像处理模型。
可选地，所述天文图像处理模型由自动编码器、生成对抗网络、U-Net、VisionTransformer中任意一个回归网络构建得到。
可选地，所述天文观测设备的先验物理信息包括所述天文观测设备的成像过程中的波束效应的信息或点扩散函数的信息。
可选地，所述方法还包括：
获取天文学数据集，所述天文学数据集包括多个参考去卷积图像以及多个参考物理信息；
依次针对所述天文学数据集中每个参考去卷积图像，根据该参考去卷积图像和所述天文学数据集包括的多个参考物理信息中任意一个参考物理信息，构建各测试对；
针对每个测试对，根据该测试对中参考去卷积图像和该测试对中参考物理信息，确定该测试对的模拟观测图像；
将该测试对的模拟观测图像输入所述训练完成的天文图像处理模型，得到该测试对的模拟观测图像对应的预测去卷积图像；
若该测试对的模拟观测图像对应的预测去卷积图像与该测试对中参考去卷积图像之间的差异小于预设差异阈值，则建立该测试对中参考去卷积图像与该测试对中参考物理信息之间的对应关系。
可选地，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型之前，所述方法还包括：
通过所述天文观测设备获取天文验证图像作为验证样本；
将所述验证样本输入到训练完成的天文图像处理模型，得到所述训练完成的天文图像处理模型，得到所述验证样本对应的去卷积图像；
将所述验证样本对应的去卷积图像输入到所述天文观测设备对应的深度学习网络，得到所述验证样本对应的卷积图像；
根据所述验证样本，以及所述验证样本对应的卷积图像之间的差异，评估所述训练完成的天文图像处理模型。
可选地，所述方法还包括：
对通过所述天文观测设备获取的图像进行预处理，所述预处理包括去噪、去除伪像、增强图像对比度。
本说明书提供了一种天文图像处理装置，包括：
训练样本确定模块，用于通过天文观测设备获取天文观测图像作为训练样本；
深度学习网络确定模块，用于获取所述天文观测设备的先验物理信息，并根据所述天文观测设备的先验物理信息构建所述天文观测设备对应的深度学习网络；
训练模块，用于根据所述训练样本以及所述天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，得到训练完成的天文图像处理模型；
图像处理模块，用于当接收到图像处理请求时，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型，得到待处理图像对应的去卷积图像。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
本说明书提供的天文图像处理方法中，将天文观测设备获取的天文观测图像作为训练样本，根据该观测设备的先验物理信息构建深度学习网络，根据训练样本和深度学习网络训练天文图像处理模型，将指定设备获取的待处理图像输入到天文图像处理模型，得到待处理图像对应的去卷积图像。可见，通过上述方案，将天文观测设备的先验物理信息引入天文图像处理模型的训练过程中，大幅度缓解针对天文观测设备的波束效应或点扩散函数的去卷积任务的困难，提高天文图像处理的效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中一种天文图像处理方法的流程示意图；
图2为本说明书中一种天文图像的示意图；
图3为本说明书中一种天文图像处理模型训练的流程示意图；
图4为本说明书中一种天文图像处理方法的流程示意图；
图5为本说明书中一种天文图像处理方法的流程示意图；
图6为本说明书提供的一种天文图像处理装置的示意图；
图7为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
另外，需要说明的是，本说明书中所有获取信号、信息或数据的动作都是在遵照所在地相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
如前所述，在无线电天文学领域，消除天文望远镜产生的波束效应对于实现精确准确的图像是至关重要的。
在几乎所有望远镜的点扩散函数（point spread function，PSF）或波束效应中，常常伴有旁瓣的存在，特别是基于干涉仪的望远镜。这些旁瓣是光学像差、衍射和成像***中的缺陷等因素的结果。旁瓣可能在与图像处理和分析相关的任务中带来挑战，因为它们有可能引入不希望的伪像，影响图像的整体质量。例如，在去卷积算法中，旁瓣可能在重建过程中被错误地识别为真实图像特征，导致错误和细节损失。
天文望远镜的固有波束效应不可避免地使测量数据或所观测对象的图像产生扭曲。这些效应可能来自望远镜成像***的缺陷或大气条件。波束效应的存在可能导致图像模糊或空间扭曲，严重影响图像的清晰度和分辨率。
鉴于单个输入图像可能对应多个潜在的清晰图像，图像去卷积领域变得困难和棘手。因此，有效消除这些效应，提高图像质量，并使科学家能够对观测对象进行详细研究变得越来越重要。需要了解的是，旁瓣无法完全消除，因为它们是成像***和图像形成过程的固有特性。然而，通过精心的算法设计和校准，可以大大减轻旁瓣的影响，从而提高图像质量和更精确的分析结果。
在解决去卷积问题时，传统算法通常通过推断卷积核来寻找最优解。去卷积图像主要涉及解决一个高度非线性和不确定的优化问题，这使得成功的去卷积极其具有挑战性。如果提供的卷积核复杂或测量不准确，那么去卷积任务变得更加困难。一些去卷积方法尝试通过引入各种图像先验来克服卷积，例如红暗通道先验和梯度先验。然而，这些方法在准确建模清晰图像特征和生成无伪迹输出方面能力有限。随着深度学习方法在天文学领域的快速发展和应用，它们已成为解决这类逆问题的更有效方法，因为它们能够处理非线性和大量数据。例如，卷积神经网络（CNN）已广泛研究用于图像去模糊，并且基于CNN的方法得到了广泛探索。在各种研究中建立了传统基于优化方法和神经网络结构之间的联系。此外，还引入了一种新的可分离结构作为支持强大伪迹去卷积的可靠手段。随后，建立了一个监督网络。尽管这些方法产生了令人印象深刻的结果，但它们在很大程度上依赖于监督数据集和更深更宽的架构来提高性能。因此，在实际应用中使用它们存在一定的挑战。
基于此，本说明书提供一种天文图像处理方法，将天文观测设备的先验物理信息引入天文图像处理模型的训练过程中，大幅度缓解针对该天文观测设备的波束效应或点扩散函数的去卷积任务的困难，提高天文图像处理的效率。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种天文图像处理方法的流程示意图。
S100：通过天文观测设备获取天文观测图像作为训练样本。
本说明书实施例中提供的一种天文图像处理方法，该方法的执行过程可由用于进行图像处理的服务器等电子设备执行。另外，在执行该方法的过程中，所涉及到的训练完成的天文图像处理模型，执行前述模型的模型训练的电子设备和执行该方法的电子设备可以相同也可以不同，本说明书对此不做限定。
在实际的天文观测中，由于点扩散函数PSF或波束效应与天体图像进行卷积对原本的图像的像素级别产生影响，导致通过天文观测设备捕捉到的天体对象的图像都是模糊的。如图2所示，左侧图像对应于天体对象的原始图像，中间图像为天文观测设备的PSF或者波束效应，右侧图像则是实际通过天文观测设备捕捉到的模糊图像。具体公式可如下所示：
其中，为天文观测设备捕捉到的模糊图像，/>为相对应的原始图像（清晰图像），/>为天文观测设备的PSF或者波束效应。
可见，通过天文观测设备捕捉到的天文观测图像实际上是原始图像与天文观测设备的PSF或波束相应卷积后的结果，为了提天文图像的清晰度，就需要针对天文观测设备捕捉到的图像进行去卷积的操作。而在本说明书中，为了有效地消除PSF和波束畸变的影响，本说明书中采用训练用于对天体图像进行去卷积的天文图像处理模型的方法。为了训练天文图像处理模型，则首先需要获取相应的训练样本。
在本说明书一个或多个实施例中，将通过天文观测设备获取到的观测图像作为训练样本，也即，作为待训练的天文图像处理模型的输入。这样训练得到的天文图像处理模型，在实际应用中，可以对天文观测设备获取到的任一天文观测图像进行去卷积操作。
另外，本说明书中，天文观测设备可以是天文望远镜等天文观测设备，当然，本说明书中提供的天文图像处理方法还可以适用于其他成像设备，如显微镜、运动相机等。
另外，可选地，实际应用中存在天文观测设备的波束或 PSF 的尺寸与该天文观测设备获取到的天文观测图像的尺寸相匹配的情况，为了保留由卷积引起的大尺度模糊效果，本说明书中选择完整的天文观测图像作为训练样本，在图像去模糊、图像去卷积中优化了宝贵特征在不同尺度上的利用。
S102：获取所述天文观测设备的先验物理信息，并根据所述天文观测设备的先验物理信息构建所述天文观测设备对应的深度学习网络。
具体的，如图3所示，基于天文观测设备的先验物理信息构建的深度学习网络部署在天文图像处理模型的输出之后。该深度学习网络为天文图像处理模型的训练过程引入了关于天文观测设备的图像的有价值的先验知识，提升了图像恢复和去卷积任务准确性的尺度补偿效果。
其中，天文观测设备的先验物理信息包括所述天文观测设备的成像过程中的波束效应的信息和/或点扩散函数的信息。天文观测设备的先验物理信息表征了通过该天文观测设备获取的天文观测图像中点源被指定成像设备扩散或模糊的情况。将天文观测设备的先验物理信息引入天文图像处理模型的训练过程中，能够使得训练完成的天文图像处理模型更好的理解和补偿模糊的效果，提升对天文观测设备获取到的图像进行去卷积的准确性和效率。
天文观测设备的先验物理信息可通过实际校准或模拟获取：直接用天文观测设备拍摄已知源的图像，即获取天文观测设备对该源的脉冲响应。基于拍摄到的点光源的图像分析得到天文观测设备的先验物理信息。同时某些天文观测设备也可以通过模拟软件生成先验的物理信息。
S104：根据所述训练样本以及所述天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，得到训练完成的天文图像处理模型。
进一步的，如图3所示为待训练的天文图像处理模型与深度学习网络的串联结构。在迭代训练过程中，将训练样本输入到待训练的天文图像处理模型，得到待训练的天文图像处理模型输出的训练样本对应的预测去卷积图像，将训练样本对应的预测去卷积图像输入到天文观测设备对应的深度学习网络，通过深度学习网络所包含的该天文观测设备的先验物理信息，对训练样本对应的预测去卷积图像进行天文观测设备的PSF或波束效应的卷积操作，得到训练样本对应的预测图像。此时，训练样本对应的预测图像应当是预测得到的模糊图像，因此，本说明书中，以深度学习网络输出的预测图像与训练样本之间的差异确定损失函数，以训练待训练的天文图像处理模型。
基于上述天文图像处理模型的训练过程可知，本说明书一个或多个实施例中，天文图像处理模型实际上是基于自监督的模型训练得到的，无需确定训练样本的标注，极大的降低了训练集的获取难度，并扩大了训练集的规模，从而提升了天文图像处理模型的训练效率和精度。
可以理解的是，本说明书中，深度学习网络的参数已经被固定为天文观测设备的PSF或波束效应，因此，在S104中，训练的对象仅仅是天文图像处理模型，并不包括深度学习网络。
另外，本说明书中，所述天文图像处理模型可以选择自动编码器、生成对抗网络、U-Net、Vision Transformer等回归网络中的任意一个构建得到，本说明书对具体的模型结构不做限定。
S106：当接收到图像处理请求时，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型，得到所述待处理图像对应的去卷积图像。
在天文图像处理模型训练完成后，可将训练完成的天文图像处理模型进行部署。当需要利用训练完成的天文图像处理模型进行该图像去卷积时，部署有训练完成的天文图像处理模型的电子设备或接收到图像处理请求，从图像处理请求中解析得到天文观测设备获取的待处理图像即为需要利用天文图像处理模型进行图像去卷积操作的图像。将待处理图像输入到训练完成的天文图像处理模型，得到模型输出的待处理图像对应的去卷积图像。
可见，包含有天文观测设备的先验物理信息的深度学习网络仅仅应用在天文图像处理模型的训练过程中，无需部署在训练完成的天文图像处理模型之后。
另外，以天文观测设备获取的天文观测图像为训练样本，结合天文观测设备的先验物理信息构建的深度学习网络，训练得到的天文图像处理模型由于学习到了对天文观测设备捕捉的天文观测图像进行去卷积操作的能力，因此，一般的，在实际应用中，训练完成的天文图像处理模型处理的待处理图像均为天文观测设备获取的。也就是说，实际应用中，可以针对不同的观测设备，以不同天文观测设备获取的天文观测图像为训练样本，结合不同了天文观测设备的先验物理信息构建的深度学习网络，训练得到不同天文观测设备对应的天文图像处理模型，以便分别对不同天文观测设备获取到的待处理图像进行去卷积操作。
本说明提供的天文图像处理方法中，将天文观测设备获取的观测图像作为训练样本，根据天文观测设备的先验物理信息构建深度学习网络，根据训练样本和深度学习网络训练天文图像处理模型，将指定设备获取的待处理图像输入到天文图像处理模型，得到待处理图像对应的去卷积图像。
可见，通过上述方案，将天文观测设备的先验物理信息引入天文图像处理模型的训练过程中，大幅度缓解针对天文观测设备的波束效应或点扩散函数的去卷积任务的困难，提高天文图像处理的效率。
在本说明书一个或多个实施例中，上述S104中，天文图像处理模型的训练方式可如下，如图4所示：
S200：将所述训练样本输入到待训练的天文图像处理模型，得到所述训练样本对应的中间预测图像。
如前所示，天文图像处理模型是用于对训练样本进行去卷积操作的，因此天文图像处理模型输出的训练样本对应的中间预测图像实际上就是训练样本对应的预测去卷积图像。
S202：将所述训练样本对应的中间预测图像输入到天文观测设备对应的深度学习网络，得到所述训练样本对应的预测图像。
其中，天文观测设备对应的深度学习网络是基于该天文观测设备的先验物理信息构建的，而基于该天文观测设备的先验物理信息确定的实际上是深度学习网络最后一层添加的卷积核。不同的天文观测设备对应的先验物理信息有所不同，因此，不同深度学习网络的卷积核也有所不同。
如前所述，天文观测设备的先验物理信息是该天文观测设备的点扩散函数PSF的信息、波束效应的信息中的一个或多个，因此，在本说明书中，深度学习网络的卷积核固定为天文观测设备的PSF或波束。
天文观测设备对应的深度学习网络会执行中间预测图像与深度学习网络会的卷积核的卷积操作，也即，训练样本对应的预测去卷积图像与深度学习网络会的卷积核进行卷积，得到的预测图像实际上是预测的模糊图像。
在本说明书一个可选的实施例中，由于天文观测设备的PSF或波束的维度通常很大，为了保留天文观测图像（训练样本）以及PSF的原始性，在本说明书中，并未采用分段技术，而是进行直接的卷积计算，这就大致，深度学习网络需要采用大卷积核（如2048×2048），这明显阻碍的学习过程。为了解决上述问题，本说明书中，采用了快速傅里叶变换（fast Fourier transform，FFT）的卷积方式，由此，S202具体的，根据天文观测设备的先验物理信息，确定该天文观测设备对应的深度学习网络的卷积核。将所述训练样本对应的中间预测图像与天文观测设备对应的深度学习网络的卷积核通过快速傅里叶变换算法进行卷积操作，得到所述训练样本对应的预测图像。
基于快速傅里叶变换算法进行卷积操作能够极大地减少计算复杂性，提高卷积效率，进而提高天文图像处理模型的训练效率。
S204：以所述训练样本与所述预测图像之间的差异的最小化为训练目标训练所述待训练的天文图像处理模型，得到训练完成的天文图像处理模型。
具体的，根据训练样本和预测图像之间的差异确定损失函数，从而以损失函数的最小化为训练目标训练所述待训练的天文图像处理模型。其中，损失函数可以使用现有的任意类型的损失函数，如MAE（L1范数）、MSE（L2范数）、Huber和对数双曲余弦函数（Log-Cosh）。在实际应用中，由于天文领域中，每个天文观测图像都可能对应于一个星系，这使得天文观测图像的每个像素对数据分析都至关重要，考虑到Log-Cosh损失函数对异常值的鲁棒性和二阶可微性，本说明书中优先考虑了它的实现。Log-Cosh是一个对数双曲余弦损失函数，用于计算预测误差的双曲余弦的对数值。Log-Cosh函数在小损失时与MAE相似，在大损失时与MSE相似，并且具有二阶可微性。另一方面，Huber损失函数在所有情况下缺乏可微性。MAE损失代表了绝对误差的平均值，但通过仅考虑预测和期望数据之间的平均绝对距离，它无法处理显著错误的预测。而MSE损失通过使用平方值强调了显著错误，这对性能指标有较大影响。因此，本说明书中选择了对异常值具有更强鲁棒性的log-cosh函数作为损失函数。
在本说明书一个可选的实施例中，在天文图像处理模型训练完成之后，还可以对训练完成的天文图像处理模型进行验证和评估，以确保投入实际使用的天文图像处理模型满足实际场景中的精度要求。具体方案如下：
第一步：通过所述天文观测设备获取天文验证图像作为验证样本。
具体的，在天文图像处理模型训练完成之后，依然通过天文观测设备获取天文图像，并将该天文图像作为天文验证图像，也就是训练完成的天文图像处理模型的验证样本。在该步骤获取到的验证样本实际上与天文图像处理模型在训练时所采用的训练样本类似，此处不做赘述。
第二步：将所述验证样本输入到训练完成的天文图像处理模型，得到所述训练完成的天文图像处理模型，得到所述验证样本对应的去卷积图像。
训练完成的天文图像处理模型的作用就是对天文观测设备捕捉到的模糊图像（此处的验证样本）进行去卷积操作，因此，将验证样本输入到训练完成的天文图像处理模型，模型输出的图像即为验证样本对应的去卷积图像。
第三步：将所述验证样本对应的去卷积图像输入到所述天文观测设备对应的深度学习网络，得到所述验证样本对应的卷积图像。
为了评估训练完成的天文图像处理模型去卷积的准确性，可以将模型输出的验证样本对应的去卷积图像输入到天文观测设备对应的深度学习网络。如前所述，天文观测设备对应深度学习网络是基于天文观测设备的PSF或者波束效应确定的，通过天文观测设备的深度学习网络对验证样本对应的去卷积图像进行处理得到的图像，实际上是针对验证样本对应的去卷积图像，结合天文观测设备的PSF或者波束效应进行卷积操作，还原出通过天文观测设备获取的模糊图像，该模糊图像即为验证样本对应的卷积图像。
第四步：根据所述验证样本，以及所述验证样本对应的卷积图像之间的差异，评估所述训练完成的天文图像处理模型。
由于天文观测设备的深度学习网络的卷积核是固定的，就是天文观测设备的PSF或者波束效应。如果通过天文观测设备的深度学习网络得到的验证样本对应的卷积图像，与验证样本之间的差异较小，则说明通过训练完成的天文图像处理模型得到的验证样本的去卷及图像精度较高。如果通过天文观测设备的深度学习网络得到的验证样本对应的卷积图像，与验证样本之间的差异较大，则说明通过训练完成的天文图像处理模型得到的验证样本的去卷及图像精度较低。因此，基于验证样本，以及验证样本对应的卷积图像之间的差异对训练完成的天文图像处理模型进行评估，基于评估结果判断天文图像处理模型是否需要再次进行训练。
在本说明书一个可选的实施例中，为了降低因天观测设备获取的图像的质量不佳，影响天文图像处理模型的训练过程、天文图像处理模型的评估过程，以及待处理图像的去卷积处理过程，在本说明书中，可以针对通过天文观测设备获取的图像（包括训练样本、验证样本、待处理图像）分别进行预处理，预处理的方式包括去噪、去除伪像、增强图像对比度。但实际应用中，可以根据具体的应用场景灵活选择预处理方案，并不限于上述提到的预处理的方式。
在本说明书一个可选的实施例中，在天文图像处理模型训练完成之后，还可以获取天文学数据集对训练完成的天文图像模型进行测试，并在测试结果满足预设条件时，将训练完成的天文图像处理模型投入实际使用。其中，天文学数据集中包含的参考去卷积图像实际上是经过去卷积处理后的清晰图像。训练完成的天文图像处理模型的输入是实际的观测图像，其本质上是模糊的，因此，还需要从天文学数据集中获取天文观测设备的参考物理信息，基于天文观测设备的参考物理信息指示的PSF或者波束确定卷积核，与天文学数据集中参考去卷积图像进行卷积，得到参考观测图像，从而基于参考观测图像对训练完成的天文图像处理模型进行测试。
但是，天文学数据集中可能并没有存储参考卷积图像与参考物理信息之间的对应关系，从而无法得到正确的参考观测图像。因此，本说明书一个可选的实施例中，可以基于训练完成的天文图像处理模型，建立参考去卷及图像与参考物理信息之间的可靠对应关系，具体方案如下，如图5所示：
S300：获取天文学数据集，所述天文学数据集包括多个参考去卷积图像以及多个参考物理信息。
具体的，天文学数据集中存储由多个参考去卷积图像，以及多个参考物理信息，但是，天文学数据集中可能并未存储由多个参考去卷积图像与多个参考物理信息之间的对应关系，也即，虽然天文学数据中存储有获取参考去卷积图像对应的卷积图像所采用的天文观测设备的先验物理信息，但是并无二者之间的对应关系。由此，基于本说明书中训练完成的天文图像处理模型，建立参考图去卷积图像与参考物理信息之间的对应关系。
S302：依次针对所述天文学数据集中每个参考去卷积图像，根据该参考去卷积图像和所述天文学数据集包括的多个参考物理信息中任意一个参考物理信息，构建各测试对。
具体的，首先将多个参考去卷积图像与多个参考物理信息任意两两分组，得到多个测试对，其中，一个测试对中包含有一个参考取卷积图像以及一个参考物理信息。遍历多个参考取卷积图像与多个参考物理信息，将任意一个参考去卷积图像与任意一个参考物理信息进行组合，构建测试对。
例如，参考去卷积图像为X1、X2、X3，参考物理信息为Y1和Y2，则测试对可以是：（X1，Y1）、（X1，Y2）、（X2，Y1）、（X2，Y2）、（X3，Y1）、（X3，Y2）。
S304：针对每个测试对，根据该测试对中参考去卷积图像和该测试对中参考物理信息，确定该测试对的模拟观测图像。
具体的，天文学数据集中存储的参考去卷积图像实际上经过去卷积操作的清晰图像，参考物理信息用于指示天文观测设备的PSF或波束，因此，在此步骤中，基于该测试对中参考物理信息确定卷积核，将确定出的卷积核与该测试对重参考去卷积图像进行卷积操作，得到卷积图像作为该测试对的模拟观测图像，该模拟观测图像实际为模糊图像。
S306：将该测试对的模拟观测图像输入所述训练完成的天文图像处理模型，得到该测试对的模拟观测图像对应的预测去卷积图像。
本说明书中，训练完成的天文图像处理模型用于对模糊图像进行去卷积操作得到清晰图像，因此，将S304中得到的该测试对的模拟观测图像输入到训练完成的天文图像处理模型，得到该测试对的模拟观测图像对应的预测去卷积图像，即为通过天文图像处理模型预测的模拟观测图像对应的清晰图像。
S308：若该测试对的模拟观测图像对应的预测去卷积图像与该测试对中参考去卷积图像之间的差异小于预设差异阈值，则建立该测试对中参考去卷积图像与该测试对中参考物理信息之间的对应关系。
如果通过天文图像处理模型预测的模拟观测图像对应的清晰图像，与该测试对中的参考去卷积图像相似度高，则说明该测试对中参考物理信息所表征的天文观测设备的PSF或波束，与得到该测试对中参考去卷积图像对应的去卷积操作的逆向过程类似，因此，可以建立该测试对中参考去卷积图像与该测试对中参考物理信息之间的对应关系。
反之，如果通过天文图像处理模型预测的模拟观测图像对应的清晰图像，与该测试对中参考去卷积图像的相似度低，说明该测试对中参考物理信息所表征的天文观测设备的PSF或波束，与得到该测试对中参考去卷积图像对应的去卷积操作的逆向过程不相同，因此，无法建立该测试对中参考去卷积图像与该测试对中参考物理信息之间的对应关系。
其中，S308中所述预设差异阈值可以预先根据先验经验人工设置，本说明书对预设差异阈值的具体数值不做限定。
以上为本说明书的一个或多个实施例提供的天文图像处理方法，基于同样的思路，本说明书还提供了相应的天文图像处理装置，如图6所示。
图6为本说明书提供的一种天文图像处理装置示意图，具体包括：
训练样本确定模块400，用于通过天文观测设备获取观测图像作为训练样本；
深度学习网络确定模块402，用于获取所述天文观测设备的先验物理信息，并根据所述的天文观测设备的先验物理信息构建所述天文观测设备对应的深度学习网络；
训练模块404，用于根据所述训练样本以及所述天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，得到训练完成的天文图像处理模型；
图像处理模块406，用于当接收到图像处理请求时，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型，得到所述待处理图像对应的去卷积图像。
可选地，所述训练模块404具体用于，将所述训练样本输入到待训练的天文图像处理模型，得到所述训练样本对应的中间预测图像；将所述训练样本对应的中间预测图像输入到所述天文观测设备对应的深度学习网络，得到所述训练样本对应的预测图像；以所述训练样本与所述预测图像之间的差异的最小化为训练目标训练所述待训练的天文图像处理模型，得到训练完成的天文图像处理模型。
可选地，所述训练模块404具体用于，根据所述天文观测设备的先验物理信息，确定所述天文观测设备对应的深度学习网络的卷积核；将所述训练样本对应的中间预测图像与所述天文观测设备对应的深度学习网络的卷积核通过快速傅里叶变换算法进行卷积操作，得到所述训练样本对应的预测图像。
可选地，所述训练模块404具体用于，根据所述训练样本与所述预测图像之间的差异，以及对数双曲余弦函数，得到损失；以所述损失的最小化为训练目标，训练所述待训练的天文图像处理模型。
可选地，所述天文图像处理模型由自动编码器、生成对抗网络、U-Net、VisionTransformer中任意一个回归网络构建得到。
可选地，所述天文观测设备的先验物理信息包括所述天文观测设备的成像过程中的波束效应的信息或点扩散函数的信息。
可选地，所述方法还包括：
对应关系确定模块408，具体用于获取天文学数据集，所述天文学数据集包括多个参考去卷积图像以及多个参考物理信息；依次针对所述天文学数据集中每个参考去卷积图像，根据该参考去卷积图像和所述天文学数据集包括的多个参考物理信息中任意一个参考物理信息，构建各测试对；针对每个测试对，根据该测试对中参考去卷积图像和该测试对中参考物理信息，确定该测试对的模拟观测图像；将该测试对的模拟观测图像输入所述训练完成的天文图像处理模型，得到该测试对的模拟观测图像对应的预测去卷积图像；若该测试对的模拟观测图像对应的预测去卷积图像与该测试对中参考去卷积图像之间的差异小于预设差异阈值，则建立该测试对中参考去卷积图像与该测试对中参考物理信息之间的对应关系。
可选地，所述装置还包括：
验证模块410，具体用于通过所述天文观测设备获取天文验证图像作为验证样本；将所述验证样本输入到训练完成的天文图像处理模型，得到所述训练完成的天文图像处理模型，得到所述验证样本对应的去卷积图像；将所述验证样本对应的去卷积图像输入到所述天文观测设备对应的深度学习网络，得到所述验证样本对应的卷积图像；根据所述验证样本，以及所述验证样本对应的卷积图像之间的差异，评估所述训练完成的天文图像处理模型。
可选地，所述装置还包括：
预处理模块412，具体用于对通过所述天文观测设备获取的图像进行预处理，所述预处理包括去噪、去除伪像、增强图像对比度。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1所示的天文图像处理方法。
本说明书还提供了图7所示的电子设备的示意结构图。如图7所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所示的天文图像处理方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (7)

1.一种天文图像处理方法，其特征在于，包括：
通过天文观测设备获取天文观测图像作为训练样本；
获取所述天文观测设备的先验物理信息，并根据所述天文观测设备的先验物理信息构建所述天文观测设备对应的深度学习网络；
根据所述训练样本以及所述天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，得到训练完成的天文图像处理模型；
当接收到图像处理请求时，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型，得到待处理图像对应的去卷积图像；
所述根据所述训练样本以及天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，具体包括：
将所述训练样本输入到待训练的天文图像处理模型，得到训练样本对应的中间预测图像；
将所述训练样本对应的中间预测图像输入到天文观测设备对应的深度学习网络中，得到所述训练样本对应的预测图像；
以所述训练样本与预测图像之间的差异的最小化为训练目标，训练待训练的天文图像处理模型，得到训练完成的天文图像处理模型；
所述将所述训练样本对应的中间预测图像输入到天文观测设备对应的深度学习网络，得到所述训练样本对应的预测图像，具体包括：
根据天文观测设备的先验物理信息，确定所述天文观测设备对应的深度学习网络的卷积核；
将所述训练样本对应的中间预测图像与所述天文观测设备对应的深度学习网络的卷积核通过快速傅里叶变换算法进行卷积操作，得到所述训练样本对应的预测图像；
所述训练样本与预测图像之间的差异的最小化为训练目标训练所述待训练的天文图像处理模型，具体包括：
根据所述训练样本与所述预测图像之间的差异，以及对数双曲余弦函数，得到损失；
以所述损失的最小化为训练目标，训练所述待训练的天文图像处理模型。
2.如权利要求1所述的方法，其特征在于，所述天文图像处理模型由自动编码器、生成对抗网络、U-Net、Vision Transformer中任意一个回归网络构建得到。
3.如权利要求1所述的方法，其特征在于，所述天文观测设备的先验物理信息包括所述天文观测设备的成像过程中的波束效应的信息或点扩散函数的信息。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取天文学数据集，所述天文学数据集包括多个参考去卷积图像以及多个参考物理信息；
依次针对所述天文学数据集中每个参考去卷积图像，根据该参考去卷积图像和所述天文学数据集包括的多个参考物理信息中任意一个参考物理信息，构建各测试对；
针对每个测试对，根据该测试对中参考去卷积图像和该测试对中参考物理信息，确定该测试对的模拟观测图像；
将该测试对的模拟观测图像输入所述训练完成的天文图像处理模型，得到该测试对的模拟观测图像对应的预测去卷积图像；
若该测试对的模拟观测图像对应的预测去卷积图像与该测试对中参考去卷积图像之间的差异小于预设差异阈值，则建立该测试对中参考去卷积图像与该测试对中参考物理信息之间的对应关系。
5.如权利要求1所述的方法，其特征在于，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型之前，所述方法还包括：
通过所述天文观测设备获取天文验证图像作为验证样本；
将所述验证样本输入到训练完成的天文图像处理模型，得到所述训练完成的天文图像处理模型，得到所述验证样本对应的去卷积图像；
将所述验证样本对应的去卷积图像输入到所述天文观测设备对应的深度学习网络，得到所述验证样本对应的卷积图像；
根据所述验证样本，以及所述验证样本对应的卷积图像之间的差异，评估所述训练完成的天文图像处理模型。
6.如权利要求1~5任一所述的方法，其特征在于，所述方法还包括：
对通过所述天文观测设备获取的图像进行预处理，所述预处理包括去噪、去除伪像、增强图像对比度。
7.一种天文图像处理装置，其特征在于，包括：
训练样本确定模块，用于通过天文观测设备获取天文观测图像作为训练样本；
深度学习网络确定模块，用于获取所述天文观测设备的先验物理信息，并根据所述天文观测设备的先验物理信息构建所述天文观测设备对应的深度学习网络；
训练模块，用于根据所述训练样本以及所述天文观测设备对应的深度学习网络，对待训练的天文图像处理模型进行训练，得到训练完成的天文图像处理模型；
图像处理模块，用于当接收到图像处理请求时，将通过所述天文观测设备获取的待处理图像输入所述训练完成的天文图像处理模型，得到待处理图像对应的去卷积图像；
所述训练模块，具体用于将所述训练样本输入到待训练的天文图像处理模型，得到训练样本对应的中间预测图像；将所述训练样本对应的中间预测图像输入到天文观测设备对应的深度学习网络中，得到所述训练样本对应的预测图像；以所述训练样本与预测图像之间的差异的最小化为训练目标，训练待训练的天文图像处理模型，得到训练完成的天文图像处理模型；
所述训练模块，具体用于根据天文观测设备的先验物理信息，确定所述天文观测设备对应的深度学习网络的卷积核；将所述训练样本对应的中间预测图像与所述天文观测设备对应的深度学习网络的卷积核通过快速傅里叶变换算法进行卷积操作，得到所述训练样本对应的预测图像；
所述训练模块，具体用于根据所述训练样本与所述预测图像之间的差异，以及对数双曲余弦函数，得到损失；以所述损失的最小化为训练目标，训练所述待训练的天文图像处理模型。
CN202410287648.5A 2024-03-13 2024-03-13 一种天文图像处理方法及装置 Active CN117876263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410287648.5A CN117876263B (zh) 2024-03-13 2024-03-13 一种天文图像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410287648.5A CN117876263B (zh) 2024-03-13 2024-03-13 一种天文图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN117876263A CN117876263A (zh) 2024-04-12
CN117876263B true CN117876263B (zh) 2024-05-17

Family

ID=90592106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410287648.5A Active CN117876263B (zh) 2024-03-13 2024-03-13 一种天文图像处理方法及装置

Country Status (1)

Country Link
CN (1) CN117876263B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458778A (zh) * 2019-08-08 2019-11-15 深圳市灵明光子科技有限公司 一种深度图像去噪方法、装置及存储介质
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN115909011A (zh) * 2022-12-27 2023-04-04 中国科学院国家天文台南京天文光学技术研究所 基于改进的SE-Inception-v3网络模型的天文图像自动分类方法
CN116342984A (zh) * 2023-05-31 2023-06-27 之江实验室 一种模型训练的方法以及图像处理的方法及装置
CN117178302A (zh) * 2021-02-19 2023-12-05 迪普赛尔公司 用于细胞分析的***和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200064444A1 (en) * 2015-07-17 2020-02-27 Origin Wireless, Inc. Method, apparatus, and system for human identification based on human radio biometric information

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN110458778A (zh) * 2019-08-08 2019-11-15 深圳市灵明光子科技有限公司 一种深度图像去噪方法、装置及存储介质
CN117178302A (zh) * 2021-02-19 2023-12-05 迪普赛尔公司 用于细胞分析的***和方法
CN115909011A (zh) * 2022-12-27 2023-04-04 中国科学院国家天文台南京天文光学技术研究所 基于改进的SE-Inception-v3网络模型的天文图像自动分类方法
CN116342984A (zh) * 2023-05-31 2023-06-27 之江实验室 一种模型训练的方法以及图像处理的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
图像恢复盲解卷积之文献综述;张蕾;常丽媛;樊冬梅;;科技资讯;20120723(21);全文 *

Also Published As

Publication number Publication date
CN117876263A (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
Molina On the hierarchical Bayesian approach to image restoration: applications to astronomical images
CN108550125B (zh) 一种基于深度学习的光学畸变修正方法
CN111476719A (zh) 图像处理方法、装置、计算机设备及存储介质
US20110267485A1 (en) Range measurement using a coded aperture
CN110766768A (zh) 一种磁共振图像重建方法、装置、设备和介质
CN113962877B (zh) 一种像素畸变的校正方法、校正装置及终端
JP2019537736A (ja) 畳み込み辞書学習および符号化による、ホログラフィックレンズフリー撮像における対象物検出のためのシステムおよび方法
Kim et al. Blind deconvolution of 3D fluorescence microscopy using depth‐variant asymmetric PSF
CN113466839B (zh) 侧扫声呐海底线检测方法和装置
CN116912923B (zh) 一种图像识别模型训练方法和装置
CN117876263B (zh) 一种天文图像处理方法及装置
CN112116700A (zh) 基于单目视图的三维重建方法与装置
CN115205224B (zh) 自适应特征增强的多源融合视觉检测方法、装置及介质
CN116452662A (zh) 光纤中心的像素坐标提取方法、装置、电子设备
CN116010850A (zh) 一种识别快速射电暴的方法、装置、存储介质及电子设备
CN113875228B (zh) 视频插帧方法及装置、计算机可读存储介质
KR102680384B1 (ko) 수차 보정 방법 및 장치
CN116543246A (zh) 图像去噪模型的训练方法、图像去噪方法、装置及设备
CN112017113B (zh) 图像处理方法及装置、模型训练方法及装置、设备及介质
CN117593619B (zh) 图像处理方法、装置、电子设备及存储介质
Howard et al. CoordGate: Efficiently Computing Spatially-Varying Convolutions in Convolutional Neural Networks
CN116630631B (zh) 一种图像分割方法、装置、电子设备及存储介质
Zhou et al. DR-UNet: dynamic residual U-Net for blind correction of optical degradation
CN114155366B (zh) 动态柜图像识别模型训练方法、装置、电子设备和介质
CN116912518B (zh) 图像的多尺度特征处理方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant