用于高轨卫星精密稳像的拖尾星斑复原

发布时间：2021-04-15 02:20

　　为了提高复杂动态环境下精密稳像系统的质心定位精度,提出了一种基于生成对抗网络（GAN）的方法,以解决载体运动引起的星斑拖尾问题。传统的高斯模型先验方法对噪声敏感,盲反卷积方法采用简化模型估计模糊核,与真实值误差较大。所提方法结合了运动流图的运动方向和GAN的优化细节,将运动流图与模拟星点作为监督信号,采用端到端的形式复原星斑图,无需先验信息与迭代计算,并且可以抑制噪声。实验结果表明,相较于R-L方法,所提方法复原星斑后峰值信噪比提升了30.5%,质心定位精度提高了33.4%。 

【文章来源】：光学学报. 2020,40(13)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

星点拖尾运动模糊模拟示意图。

设计的星点复原的流程如图2所示。首先通过生成器对输入的拖尾星点图进行运动流图估计,然后使用非盲卷积对运动流图(转换为模糊核)和拖尾星点图进行复原,最后将恢复出的星点图与原始清晰星点图送入判别器进行对抗训练。3.1 生成器网络设计

生成器以端到端的方式从模糊图像中获取运动流图。输入拖尾星点图,生成器估计出不均匀运动矢量M,输出流图尺寸与输入星点图一致,生成器的网络架构基于FCN[10]进行改动,如图3所示。使用卷积层(conv)进行下采样,使用解卷积进行上采样。浅色方块表示网络层,在对应网络层上标注了每一个卷积层的维度,维度用竖排数字与网络层下方数字表示(如conv 2的输出层的维度为128×128×128)。深色方块表示卷积核,维度由卷积核周围的数字表示(如5×5)。经过上采样得到的特征图的尺度与输入星图尺度一致,最终将这个特征图与模糊生成的运动流图同时送入对抗网络。3.2 损失函数设计

【参考文献】：
期刊论文
[1]静态像点高斯灰度扩散模型参数估计方法[J]. 王海涌,周文睿,林浩宇,王新龙.  光学学报. 2012(03)



本文编号：3138479