CN115760603A - 一种基于大数据技术的干涉阵列宽带成像方法 - Google Patents
一种基于大数据技术的干涉阵列宽带成像方法 Download PDFInfo
- Publication number
- CN115760603A CN115760603A CN202211389493.3A CN202211389493A CN115760603A CN 115760603 A CN115760603 A CN 115760603A CN 202211389493 A CN202211389493 A CN 202211389493A CN 115760603 A CN115760603 A CN 115760603A
- Authority
- CN
- China
- Prior art keywords
- image
- broadband
- layer
- network
- discriminator
- 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.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 31
- 238000005516 engineering process Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于大数据技术的干涉阵列宽带成像方法,涉及天文成像技术领域,其技术方案要点是:S1:观测模拟与数据集生成:根据真实观测情况,通过OSKAR软件进行宽带观测模拟,得到宽带畸变图像和清洁图像对,进一步形成相应数据集;S2:通过GAN网络在模型训练时,向生成器(G)提供从训练数据中宽带畸变图像标签和清洁图像标签,通过生成器得到生成图像;S3:将步骤S2中生成的图像输入到鉴别器进行判别,判别器输出图像的真实程度,当网络收敛时,得到相应网络参数模型;S4:利用网络参数模型,对实际观测图像进行宽带畸变矫正。利用GAN网络进行宽带畸变成像矫正,达到了方法应用上的创新,新提出的基于GAN的技术可显著提升图像质量。
Description
技术领域
本发明涉及天文成像技术领域,更具体地说,它涉及一种基于大数据技术的干涉阵列宽带成像方法。
背景技术
射电天文成像是通过联合若干台望远镜或天线实现高分辨率成像的技术,已经对天文、物理学、天体物理等学科的发展产生了巨大推动作用。随着新一代设备的建成,影响正在进一步扩大。宽带成像已成为射电天文或其他领域的现代成像手段,进一步提升了图像的观测质量。然而宽带成像存在涂污效应,这带来了巨大的技术挑战。
目前,存在多种宽带成像方法,常用的包括:窄带叠加成像(Narrow-Band Imagingand Stacking)、多频合成成像(Multi-Frequency-Synthesis Imaging)及Sault-Wieringa多频清洁(Sault-Wieringa Multi Frequency CLEAN)等。然而,现有的天文宽带成像技术存在不同程度的误差。如,窄带叠加成像只能达到最低分辨率,更高分辨率成像收到明显限制。总体上,存在以下问题:图像中存在不同程度的虚假结构,并且图像误差会随非线性误差不断增强,成像计算成本增高等。
深度学习作为机器学习的子领域,以生物神经网络为启发而设计出了人工神经网络。相对于机器学习而言,人工神经网络已具有全自动的特征学习能力,不再需要针对不同数据开发不同的特征提取算法,这极大的提高了计算资源和算法开发效率。在众多的深度模型中,判别模型和生成模型是两种常用且应用广泛的模型。通常判别模型会用于分类任务和回归任务。分类任务是利用模型对输入数据在备选类别选取正确的目标类别,分类任务的输出通常呈现为离散化的类别数据;而回归模型通常是基于条件概率建模,其输出是呈连续数值。生成模型通常是对图像等一些可观测的像素数据分布进行建模,比如生成对抗网络(Generative Adversarial Networks,GAN),可以用于一些图像重建以及图像去噪等等。
在射电天文宽带成像领域,引入深度学习方法后,利用CNN网络对宽带成像畸变效应进行矫正,实现了快速且较高质量的矫正,然而效果在不同图像上有较大波动。因GAN网络具有训练生成及判别过程,训练结果更具鲁棒性,故本发明采用提出的GAN网络对宽带成像畸变效应实现快速高质量矫正的同时,并提升矫正稳定性。
发明内容
本发明的目的是提供一种基于大数据技术的干涉阵列宽带成像方法,利用GAN的生成对抗训练机制提升宽带图像的质量,以应对更多场景的宽带成像。
本发明的上述技术目的是通过以下技术方案得以实现的:一种基于大数据技术的干涉阵列宽带成像方法,包括如下步骤:
S1:观测模拟与数据集生成:根据真实观测情况,通过OSKAR软件进行宽带观测模拟,得到宽带畸变图像和清洁图像对,进一步形成相应数据集;
S2:通过GAN网络在模型训练时,向生成器(G)提供从训练数据中宽带畸变图像标签和清洁图像标签,通过生成器得到生成图像;
S3:将步骤S2中生成的图像输入到鉴别器进行判别,判别器输出图像的真实程度,当网络网络收敛时,得到相应网络参数模型;
S4:利用网络参数模型,对实际观测图像进行宽带畸变矫正。
本发明进一步设置为:所述步骤S2中生成器由输入层、输出层、下采样层、批标准化层、上采样层组成。
本发明进一步设置为:所述步骤S3中鉴别器由输入层、输出层和隐藏层组成,输入层、输出层和隐藏层之间均有ReLU激活函数。
综上所述,本发明具有以下有益效果:利用GAN网络进行宽带畸变成像矫正,达到了方法应用上的创新,新提出的基于GAN的技术可显著提升图像质量。
附图说明
图1是本发明实施例中网络结构图;
图2是本发明实施例中具有宽带畸变的观测图像;
图3是本发明实施例中不含宽带畸变的观测图像(前文所述的清洁图像;
图4是本发明实施例中河外点源带宽涂污效应矫正样例矫正前的形态;
图5是本发明实施例中河外点源带宽涂污效应矫正样例矫后前的形态。
具体实施方式
以下结合附图1对本发明作进一步详细说明。
实施例:一种基于大数据技术的干涉阵列宽带成像方法,包括如下步骤:
S1:观测模拟与数据集生成:根据真实观测情况,通过OSKAR软件进行宽带观测模拟,得到宽带畸变图像和清洁图像对(如图2、3所示),进一步形成相应数据集;
S2:通过GAN网络在模型训练时,向生成器(G)提供从训练数据中宽带畸变图像标签和清洁图像标签,通过生成器得到生成图像;
S3:将步骤S2中生成的图像输入到鉴别器进行判别,判别器输出图像的真实程度,当网络网络收敛时,得到相应网络参数模型;
S4:利用网络参数模型,对实际观测图像进行宽带畸变矫正(如图4、5所示)。
进一步设置为:所述步骤S2中生成器由输入层、输出层、下采样层、批标准化层、上采样层组成。
进一步设置为:所述步骤S3中鉴别器由输入层、输出层和隐藏层组成,输入层、输出层和隐藏层之间均有ReLU激活函数。
本发明基于生成对抗网络(GAN)进行设计,GAN网络中包括:分为“生成”和“对抗”两部分,即生成网络G(Generator)和判别网络D(Discriminator)。生成网络G(Generator)用于生成图片,其输入是一个随机的噪声z,利用此噪声生成图片,记作G(z)。判别网络D(Discriminator)用于判别一张图片是否是真实的,利用刚生成的图片输入,输出一个D(x)表示x为真实图像的概率。在GAN框架的训练过程中,希望生成网络G生成的图片尽量真实,能够欺骗过判别网络D;而希望判别网络D能够把G生成的图片从真实图片中区分开。最终训练好的生成网络G便可以用于宽带畸变效应的矫正。
首先,模拟得到约1000张的清洁图像,同时通过模拟宽带观测得到约1000张的宽带畸变图像。然后,通过剪裁、旋转、加噪等操作扩充数据集的同时引入地球环境噪声,使宽带畸变图像与清洁图像一一对应,放入生成网络中并与判别网络结合不断博弈训练。如图所示,G为生成器,D为判别器,噪声z为本发明所需的宽带畸变图像数据集,其中生成器G由输入层、输出层、下采样层、瓶颈层、上采样层组成,判别器D由输入层、输出层和隐藏层组成,每层中间加入一个ReLU函数。利用训练网络对约50张测试图像进行宽带畸变矫正测试,结果与真实的清洁图像进行图像指标对比,拟采用PSNR与SSIM等图像评价指标。
在GAN网络模型训练时,先向生成器提供训练数据中宽带畸变图像标签和清洁图像标签,通过生成器得到生成图像。然后,将生成图像输入鉴别器进行判别,判别器输出为图像的真实程度。本文方法的网络结构图如图1所示,噪声z为本发明所需的宽带畸变图像数据集,其中生成器(G)由输入层、输出层、下采样层、批标准化层、上采样层组成。带宽涂污效应的河外点源及射电晕的图像像素比值分布差距较大,导致网络被数据初始化影响增大,同时每一层结果叠加最后发生梯度爆炸,进而无法在训练中准确提取径向拖尾图像特征的问题。批标准化具有训练快、性能好、初始化灵敏度低等优点,可实现对网络进一步优化,可以更好的减少内部协变量移动。在训练的过程中,批标准化层用移动平均的方法对每一批的输入值计算其平均值和方差,用以估计整个训练集的平均值和方差,解决中间层数据发生改变的情况,可以有效避免梯度爆炸和训练不稳定等问题。鉴别器由输入层、输出层和隐藏层组成,每一层之间均有ReLU激活函数,用于引入非线性结构,增加网络的鲁棒性。ReLU只需将其数值和0作比较,然后根据结果判定输出为0或z;而在sigmoid和tanh的实现过程中,指数函数会占用大量的计算资源导致无法达到较好的效果。除输出层以外卷积深度均为前一层的2倍,最终经过全连接层映射为2个输出,分别用于判别输入生成图像的真实程度及矫正效果。
本发明应用了具有“博弈”思想的GAN网络进行宽带畸变成像矫正,达到了方法应用上的创新,使得GAN网络的训练比CNN网络达到更稳定的效果。在网络架构上,引入了ReLU函数,进一步达到了网络训练稳定目的,并且提升了图像质量。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (3)
1.一种基于大数据技术的干涉阵列宽带成像方法,其特征是:包括如下步骤:
S1:观测模拟与数据集生成:根据真实观测情况,通过OSKAR软件进行宽带观测模拟,得到宽带畸变图像和清洁图像对,进一步形成相应数据集;
S2:通过GAN网络在模型训练时,向生成器(G)提供从训练数据中宽带畸变图像标签和清洁图像标签,通过生成器得到生成图像;
S3:将步骤S2中生成的图像输入到鉴别器进行判别,判别器输出图像的真实程度,当网络网络收敛时,得到相应网络参数模型;
S4:利用网络参数模型,对实际观测图像进行宽带畸变矫正。
2.根据权利要求1所述的一种基于大数据技术的干涉阵列宽带成像方法,其特征是:所述步骤S2中生成器由输入层、输出层、下采样层、批标准化层、上采样层组成。
3.根据权利要求1所述的一种基于大数据技术的干涉阵列宽带成像方法,其特征是:所述步骤S3中鉴别器由输入层、输出层和隐藏层组成,输入层、输出层和隐藏层之间均有ReLU激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211389493.3A CN115760603A (zh) | 2022-11-08 | 2022-11-08 | 一种基于大数据技术的干涉阵列宽带成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211389493.3A CN115760603A (zh) | 2022-11-08 | 2022-11-08 | 一种基于大数据技术的干涉阵列宽带成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760603A true CN115760603A (zh) | 2023-03-07 |
Family
ID=85357390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211389493.3A Pending CN115760603A (zh) | 2022-11-08 | 2022-11-08 | 一种基于大数据技术的干涉阵列宽带成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760603A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012954A (zh) * | 2023-03-23 | 2023-04-25 | 湖北易康思科技有限公司 | 行为识别方法、装置、电子设备及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
CN111077523A (zh) * | 2019-12-13 | 2020-04-28 | 南京航空航天大学 | 一种基于生成对抗网络的逆合成孔径雷达成像方法 |
-
2022
- 2022-11-08 CN CN202211389493.3A patent/CN115760603A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
CN111077523A (zh) * | 2019-12-13 | 2020-04-28 | 南京航空航天大学 | 一种基于生成对抗网络的逆合成孔径雷达成像方法 |
Non-Patent Citations (2)
Title |
---|
LI ZHANG ET AL.: "Adaptive scale model reconstruction for radio synthesis imaging", 《RESEARCH IN ASTRONOMY AND ASTROPHYSICS》, vol. 21, pages 63 * |
卫星奇 等: "基于深度学习的低频SKA带宽涂污效应矫正方法", 《软件工程与应用》, vol. 11, pages 72 - 80 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012954A (zh) * | 2023-03-23 | 2023-04-25 | 湖北易康思科技有限公司 | 行为识别方法、装置、电子设备及计算机可读存储介质 |
CN116012954B (zh) * | 2023-03-23 | 2023-07-04 | 湖北易康思科技有限公司 | 行为识别方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584337B (zh) | 一种基于条件胶囊生成对抗网络的图像生成方法 | |
CN111126412B (zh) | 基于特征金字塔网络的图像关键点检测方法 | |
CN109584162B (zh) | 一种基于生成网络的图像超分辨率重构的方法 | |
WO2019136772A1 (zh) | 一种模糊图像的复原方法、装置、设备及存储介质 | |
CN105657402A (zh) | 一种深度图恢复方法 | |
CN109389667B (zh) | 一种基于深度学习的高效全局光照明绘制方法 | |
CN109472757B (zh) | 一种基于生成对抗神经网络的图像去台标方法 | |
Singh et al. | Steganalysis of digital images using deep fractal network | |
de Jesus et al. | Super-resolution via particle swarm optimization variants | |
CN113870157A (zh) | 一种基于CycleGAN的SAR图像合成方法 | |
CN112184547B (zh) | 红外图像的超分辨率方法及计算机可读存储介质 | |
US20230289608A1 (en) | Optimizing Supervised Generative Adversarial Networks via Latent Space Regularizations | |
CN115760603A (zh) | 一种基于大数据技术的干涉阵列宽带成像方法 | |
CN116664419A (zh) | 多尺度特征融合降噪CNN网络的InSAR相位解缠方法 | |
Pires et al. | Image denoising using attention-residual convolutional neural networks | |
CN112200752B (zh) | 一种基于er网络多帧图像去模糊系统及其方法 | |
Gerg et al. | Real-time, deep synthetic aperture sonar (SAS) autofocus | |
CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
CN113673621A (zh) | 一种基于卷积神经网络和maml算法的类圆目标检测方法 | |
CN114119428B (zh) | 一种图像去模糊方法和装置 | |
CN116703685A (zh) | 图像去水印方法、装置、设备和介质 | |
CN114764880B (zh) | 多成分gan重建的遥感图像场景分类方法 | |
CN116188265A (zh) | 一种基于真实退化的空间可变核感知盲超分重建方法 | |
CN114937163A (zh) | 一种基于聚类的神经网络图像分块重构方法 | |
CN115294182A (zh) | 一种基于双交叉注意力机制的高精度立体匹配方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230307 |