摘要：提出一种基于双向多尺度特征融合的生成对抗网络(GAN),利用该网络对各种地基望远镜拍摄的受大气湍流影响的目标天体图像直接进行盲复原处理。首先通过长曝光大气湍流退化模型与清晰图片进行卷积来构建数据集,并进行网络训练,在模拟湍流图像数据集中测试网络性能。同时,实际获取了Munin地基望远镜(卡塞格林型望远镜)拍摄的受湍流影响的国际空间站图片,并用所提神经网络模型进行测试。各项图像复原评价指标表明:所设计的网络实时性较强,在0.5 s内可以输出复原结果,相比传统非神经网络复原方法要快10倍以上;所提网络的峰值信噪比(PSNR)提高2 dB~3 dB,结构相似性(SSIM)提高9.3%左右,对受真实湍流影响的退化图像也有较好的复原效果。

摘要：大气光学湍流是与光电工程系统设计、应用密切相关的基本参数。通过仪器实地测量大气光学湍流廓线时会受到人力、物力、财力等多种条件的限制,因此依据常规气象参数估算大气光学湍流强度具有十分重要的意义。提出一种结合遗传算法的反向传播(GA-BP)神经网络。首先,基于Tatarski大气光学湍流参数化方案,利用HMNSP99外尺度模式估算了大气光学湍流廓线;其次,尝试基于实测数据训练BP神经网络,并结合遗传算法估算大气光学湍流廓线。将两种方法估算的大气光学湍流廓线与实测的廓线进行对比,结果表明:GA-BP神经网络模式估算值与实测值的均方根误差(RMSE)比HMNSP99模式的RMSE小,表明利用GA-BP人工神经网络模式估算大气光学湍流廓线是一种可行的方法。