面向大气湍流畸变场景的卷积图像校正方法

作     者：成宽洪 吴钰博 朱凌建 李佳 李军怀 CHENG Kuanhong;WU Yubo;ZHU Lingjian;LI Jia;LI Junhuai

作者机构：西安理工大学计算机科学与工程学院西安710048 西安理工大学机械与精密仪器工程学院西安710048 中国人民解放军空军工程大学基础部西安710051 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2024年第60卷第11期

页      面：215-223页

核心收录：

学科分类：080701[工学-工程热物理] 08[工学] 0710[理学-生物学] 0810[工学-信息与通信工程] 080103[工学-流体力学] 0807[工学-动力工程及工程热物理] 0706[理学-大气科学] 0835[工学-软件工程] 0714[理学-统计学（可授理学、经济学学位）] 0836[工学-生物工程] 081002[工学-信号与信息处理] 0701[理学-数学] 0801[工学-力学（可授工学、理学学位）] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(62105258,62272383,61971347) 江苏省自然科学基金(BK20210064) 无锡市“太湖之光”科技攻关计划项目(K20221046) 

主　　题：图像处理 大气湍流 自注意力机制 不确定性映射 

摘      要：大气湍流引发的折射率在时间和空间上的随机波动,会使远程成像系统捕获的图像出现时空模糊和几何畸变,严重削弱了图像的视觉效果和应用价值。针对这一问题,许多学者尝试采用多帧幸运区的方法和基于卷积神经网络的深度学习方法来修复大气湍流引起的图像畸变。然而,在强湍流情况下,这些方法通常模型训练难度较大,湍流自适应性校正能力较为薄弱。为了解决上述问题,经研究提出了一种改进的深度学习网络来提升湍流畸变校正的性能。该网络采用Transformer端到端的网络结构,利用多头自注意力跨通道捕获局部上下文信息;对一级校正网络采用蒙特卡洛Dropout策略进行训练,通过模型不确定性来提取传统方法难以捕获的退化区域;利用提取到的不确定性映射作为引导信息,输入第二级校正网络提升校正准确性。在基于时空模糊加几何畸变的合成湍流退化图像集上进行了实验,证明了提出方法的有效性。