使用深度神经网络扩展目标自适应光学图像的无参考质量评估
Guoqing Gao1,2,3,4, Lingxiao Li1,3, Hao Chen1,3
1Key Laboratory of Adaptive Optics, Chinese Academy of Sciences, Chengdu 610209, China.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
本研究介绍了适应光学 (AO) 图像质量评估 (IQA) 的深度神经网络. 这种新的方法准确地评估了AO图像质量,优于传统方法.
科学领域:
- 天文学和天体物理学
- 图像处理 图像处理
- 机器学习 机器学习
背景情况:
- 在地面望远镜中的自适应光学 (AO) 系统面临着来自大气动荡,跟踪错误和噪音的图像退化.
- 目前用于AO图像质量评估 (IQA) 和选择的方法不可靠,依赖于传统的指标或手动评估.
- 开发强大的IQA方法对于AO成像中的有效图像处理至关重要.
研究的目的:
- 提出一个监督的深度神经网络,用于高效的自适应光学 (AO) 图像的图像质量评估 (IQA).
- 与现有技术相比,开发一种更准确,更可靠的方法来评估AO图像质量.
- 解决 AO 成像中传统 IQA 方法和手动评估的局限性.
主要方法:
- 为AO图像的IQA开发了一个监督的深度神经网络模型.
- 该网络使用退化图像的点传播函数 (PSF) 和Airy点之间的相似性进行训练,避免依赖图像特征或退化模型.
- 该方法使用模拟和实际获得的AO图像进行了验证.
主要成果:
- 拟议的深度神经网络在模拟测试数据上实现了0.97的斯皮尔曼等级相关系数 (SRCC).
- 用实际的AO图像进行验证证实了该方法的有效性.
- 与传统的IQA方法相比,开发的IQA方法显示出更高的准确性.
结论:
- 拟议的深度神经网络为AO图像质量评估提供了高效和准确的解决方案.
- 在培训中利用PSF相似性提供了一个强大的方法,独立于特定的图像特征或退化模型.
- 这种方法显著改进了评估AO图像质量的现有技术,有利于天文学研究.
