【技术实现步骤摘要】
本专利技术属于目标检测领域，具体涉及一种具有深度特征匹配的天文图像点源目标检测模型的构建方法。
技术介绍
1、现有天文图像点源目标检测方法通常采用传统方法和深度学习方法。所述传统方法中，“一种经典的天文图像处理工具sextractor(source extractor)”公开的点目标检测过程是分步进行的，包括背景估计、阈值检测、去混叠和源的测量。存在的问题是：1、sextractor在检测低信噪比(snr)的点源时表现不佳，特别是在光度较弱的点源或低对比度目标下，容易出现漏检。这是因为其基于阈值的方法在弱信号下不敏感。2、sextractor在处理重叠或靠近的点源时，尽管有去混叠功能，但在非常密集的场景中，其去混叠效果有限，容易将多个点源误判为一个源或错误分割。3、sextractor依赖大量的手动参数调整(如阈值设置、背景模型等)，这些参数需要针对每个数据集进行调优，这在不同观测条件下可能表现不一致，增加了使用复杂度。所述深度学习方法中，提供”一种基于深度学习的天文图像检测和分割模型(deepdisc方法)”，依赖于detectron2框架，结合了实例分割和分类的能力，能够对星系和恒星等天文目标进行同时检测和分类。deepdisc使用了基于resnet和transformer的卷积神经网络架构，利用了预训练模型和迁移学习来加速模型训练和提高模型性能。存在的问题是:1.在处理微弱信号和高噪声数据时性能较差：deepdisc在处理非常弱的点源时，尤其是在信噪比较低的情况下，其检测能力会明显下降。对模板匹配的依赖性不足：2、deep
技术实现思路
1、本专利技术提供了一种具有深度特征匹配的天文图像点源目标检测模型的构建方法，以克服现有技术中存在的弱小点源的检测能力有限和对复杂场景的适应性不足的问题。
2、为了达到本专利技术的目的，本专利技术提供的技术方案是：一种具有深度特征匹配的天文图像点源目标检测模型的构建方法，步骤如下：
3、步骤一、得到含有点源目标的天文图像的训练集：利用公共数据集autosourceid-light(asid-l)标记每个asid-l图像中点源的位置，将相似性标签中的相应元素设置为1，其他元素设置为0，随机裁剪图像，在裁剪过程中，裁剪后的图像的相似度标签会根据原始图像标签进行变换，同时通过执行水平和垂直翻转等操作来增强图像，相应地调整标签，从而获得含有点源目标的天文图像的训练集；
4、步骤二、含有点源目标的天文图像的训练集输入psdetnet网络，所述psdetnet网络由特征提取模块和匹配定位模块组成；
5、步骤三、利用特征提取模块得到带有点源模板特征的特征图；
6、步骤四、利用匹配定位模块对特征图中的点源特征进行查找定位，得到目标检测模型；
7、步骤五、使用改进的交叉熵损失函数来训练模型，该损失函数的公式为：
8、
9、进一步的，上述特征提取模块为一个由全卷积层组成的编码器-解码器网络结构，其中所述编码器由8个残差块组成，每个残差块包含2个卷积层；每对残差块构成单个残差块组，在组内的每个卷积层中，神经元的数量保持不变，而组之间的神经元的数量依次加倍；所述解码器采用编码器的镜像结构，同样由4个残差块组组成。
10、进一步的，上述匹配定位模块的设计步骤如下：
11、(一)构建特征字典：采用大小为m×n的滑动窗口，从特征图m×n的左上角开始，以k的步幅顺序向右下角移动。在滑动过程中，窗口覆盖的特征块被展平为特征向量；
12、(二)计算相似度：将点源模板展平以获得模板向量v。特征字典中的每个特征向量与模板向量进行相关性计算，生成相似度向量s，s由m/k×n/k组成，其中每个元素表示对应图像块与点源模板之间的相似度；
13、(三)确定源位置：采用统计方法选择阈值t，对相似度向量s进行阈值处理，得到s01；经过阈值处理后，确定s01中“1”元素对应的图像块包含点源，并且点源中心位于图像块的中心。
14、进一步的，上述步骤四中，点源模板的取得方式是：收集具有代表性的天文点源图像样本，样本经过手动预处理对齐源中心，将这些样本进行对齐叠加，得到点源模板。
15、与现有技术相比，本专利技术的优点是：
16、1、本专利技术的psdetnet由特征提取、匹配定位两个模块组成，采用了更加复杂的特征匹配和模板匹配定位方法，在低信噪比下依然能够保持高的完整度和纯度:
17、所述的特征提取模块中，编码器由8个残差块组成，每个残差块包含2个卷积层。每对残差块构成单个残差块组。在组内的每个卷积层中，神经元的数量保持不变，而组之间的神经元的数量依次加倍。解码器采用编码器的镜像结构，同样由4个残差块组组成。每组内神经元的数量逐渐减少，直到达到输入层大小的1/8，而每组内特征图大小增加到输入层大小的8倍；所述匹配定位模块的设计步骤中，增加了：(1)特征字典构建：通过滑动窗口扫描特征图，将每个覆盖的图像块转化为特征向量，并存储在特征字典中。每个特征向量代表原始图像中某一像素为中心的图像块的特征。(2)相似性计算：将点源模板展平为模板向量，与特征字典中的特征向量进行相关性计算，生成相似性向量。每个元素代表相应图像块与点源模板的相似度。(3)确定源位置：根据统计方法选择阈值，筛选出相似性高于阈值的图像块。通过这些图像块确定包含点源的区域，并通过2d坐标定位源的中心；能够有效地识别点源，且通过滑动窗口的设计，通过滑动窗口匹配定位和特征提取的方法，在多种尺度下都能够较好地识别点源，理论上的误差控制在2个像素以内，精度高。因此本专利技术的网络可以将带有点源目本文档来自技高网...
【技术保护点】
1.一种具有深度特征匹配的天文图像点源目标检测模型的构建方法，其特征在于：步骤如下：
2.根据权利要求1所述的一种具有深度特征匹配的天文图像点源目标检测模型的构建方法，其特征在于：所述步骤二中的特征提取模块为一个由全卷积层组成的编码器-解码器网络结构，其中所述编码器由8个残差块组成，每个残差块包含2个卷积层；每对残差块构成单个残差块组，在组内的每个卷积层中，神经元的数量保持不变，而组之间的神经元的数量依次加倍；所述解码器采用编码器的镜像结构，由4个残差块组组成。
3.根据权利要求2所述的一种具有深度特征匹配的天文图像点源目标检测模型的构建方法，其特征在于：所述步骤二中的匹配定位模块的设计步骤如下：
4.根据权利要求3所述的一种具有深度特征匹配的天文图像点源目标检测模型的构建方法，其特征在于：所述步骤四中，点源模板的取得方式是，收集具有代表性的天文点源图像样本，样本经过手动预处理对齐源中心，将这些样本进行对齐叠加，得到点源模板。
【技术特征摘要】
1.一种具有深度特征匹配的天文图像点源目标检测模型的构建方法，其特征在于：步骤如下：
2.根据权利要求1所述的一种具有深度特征匹配的天文图像点源目标检测模型的构建方法，其特征在于：所述步骤二中的特征提取模块为一个由全卷积层组成的编码器-解码器网络结构，其中所述编码器由8个残差块组成，每个残差块包含2个卷积层；每对残差块构成单个残差块组，在组内的每个卷积层中，神经元的数量保持不变，而组之间的神经元的数量依次加倍；所述解码器采...
【专利技术属性】
技术研发人员：马龙，辛佳榕，杜江斌，赵佳尧，王旭昊，张宇，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。