无监督空间探测图像复杂背景抑制方法、装置、设备和介质

本技术涉及图像处理，特别是涉及一种无监督空间探测图像复杂背景抑制方法、装置、设备和介质。

背景技术：

1、空间目标探测是天文观测、空间态势感知等领域的关键技术。在空间探测过程中，地基或天基光学望远镜获取的星图图像质量，直接决定了后续星图识别、目标检测与跟踪等任务的性能。然而，实际成像环境复杂，探测距离远、目标尺度差异大，且受成像系统自身性能限制，获取的空间探测图像往往同时受到多种复杂背景干扰和噪声影响。典型的复杂背景包括月光反射、地气光散射、云层遮挡等；典型噪声包括读出噪声、暗电流噪声、散粒噪声及量化噪声等。这些因素共同导致图像灰度分布呈非均匀、非平稳特性，信噪比降低，甚至淹没暗弱目标。因此，如何有效抑制背景干扰、提高目标信噪比，是空间探测图像处理中的重要研究课题。

2、目前，针对空间探测图像背景抑制的方法主要分为两大类。第一类为传统方法，其依赖数学建模，通过建立背景噪声的统计分布模型或空间分布特性，设计滤波器进行背景抑制。常见方法包括中值滤波、顶帽变换（top-hat）、形态学滤波及bm3d算法等。这类方法具有计算复杂度低、可解释性强、物理意义明确的优点。但其局限性在于：对先验信息较为敏感，当背景呈现强非均匀性、非平稳性时（如杂散光渐变、云层局部遮挡），传统方法的泛化能力较差，难以准确估计并剥离复杂背景成分，导致目标信息丢失或抑制不彻底。第二类为深度学习方法。近年来，深度学习被引入图像复原领域。通过构建神经网络（如u-net、生成对抗网络等），并利用大量配对数据集进行有监督训练，网络能够自适应提取特征，在复杂背景下展现出更强的场景适应性。然而，该方法严重依赖“干净星图-背景干扰图”一一配对的训练数据。在实际空间探测场景中，同一观测时刻无法同时获取真实的无背景干扰星图，配对数据难以获取。现有研究多采用仿真图像生成配对数据，但仿真图像与真实成像环境之间存在显著的“仿真-真实”域偏移，导致训练得到的模型在真实星图上泛化性能下降，背景抑制效果受限。

3、此外，无论传统方法还是深度学习方法，在星图背景抑制过程中均面临两个共性问题。其一，目标信息保持困难：星图中的目标（尤其是暗弱目标）像素占比极低，背景抑制操作容易误将微弱目标当作背景滤除，造成目标丢失。其二，上采样伪影干扰：采用u-net等编解码结构进行图像复原时，解码阶段常使用转置卷积进行上采样。由于卷积核大小与步长设置不当，转置卷积易产生周期性棋盘格伪影。对于自然图像，此类伪影可能不显著；但对于稀疏的星图，棋盘格伪影极易被误判为虚假目标，导致后续检测虚警率升高。因此，如何在不依赖配对数据的条件下，对真实空间探测图像中的复杂背景进行有效抑制，同时避免目标信息丢失和上采样伪影干扰，是当前亟待解决的技术问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够有效抑制复杂背景且避免棋盘格伪影的无监督空间探测图像复杂背景抑制方法、装置、设备和介质。

2、一种无监督空间探测图像复杂背景抑制方法，所述方法包括：

3、获取复杂背景星图域和干净背景星图域的非配对图像数据；

4、构建无监督背景抑制网络，所述无监督背景抑制网络包括：扩散模型、背景抑制生成器、逆向背景重建生成器、第一空间域判别器、第一频域判别器、第二空间域判别器和第二频域判别器；

5、利用所述扩散模型根据复杂背景星图与干净背景星图的先验信息，通过前向加噪过程和反向去噪过程生成背景抑制先验表示；

6、利用所述背景抑制生成器根据所述背景抑制先验表示，将所述复杂背景星图从复杂背景星图域映射到干净背景星图域，得到背景抑制后的干净星图，其中，所述背景抑制生成器采用抗棋盘格伪影的u-net结构，在解码阶段以双线性插值加普通卷积的resize-conv策略替代转置卷积进行上采样；

7、利用所述逆向背景重建生成器将干净背景星图从干净背景星图域映射回复杂背景星图域，得到伪复杂背景星图；

8、利用所述第一空间域判别器和第一频域判别器，判别所述背景抑制后的干净星图是否接近干净背景星图域分布，利用所述第二空间域判别器和第二频域判别器判别所述伪复杂背景星图是否接近复杂背景星图域分布，并利用循环一致性损失约束所述背景抑制生成器与所述逆向背景重建生成器之间的双向映射关系，对所述无监督背景抑制网络进行无监督训练；

9、将待处理的复杂背景星图输入训练好的背景抑制生成器，输出背景抑制后的干净星图。

10、在其中一实施例中，在所述扩散模型中：

11、所述前向加噪过程，通过预设长度的马尔可夫链逐步向背景抑制先验添加高斯噪声；

12、所述反向去噪过程，通过参数化的去噪网络在预设时间步长和条件特征的约束下预测噪声，并逐步恢复出所述背景抑制先验表示。

13、在其中一实施例中，所述第一空间域判别器、第二空间域判别器、第一频域判别器和第二频域判别器均采用patchgan结构，用于对输入图像进行分块判别以增强局部真实性约束。

14、在其中一实施例中，对所述无监督背景抑制网络进行无监督训练所采用的损失函数包括：对抗损失、循环一致性损失、感知损失、kl散度损失以及扩散损失。

15、在其中一实施例中，所述抗棋盘格伪影的u-net结构包括编码器、解码器以及跳跃连接；

16、所述编码器包括多个编码层级，每个编码层级采用步长为2的卷积进行下采样，其中非最外层的编码层级在下采样前还设置有leakyrelu激活函数，非最内层的编码层级在下采样后还设置有归一化层；

17、所述解码器包括与所述编码层级数量对应的多个解码层级，每个解码层级采用双线性插值与普通卷积相结合的上采样块替代转置卷积，其中，所述上采样块包括：对低分辨率特征图进行双线性插值上采样的双线性插值单元，对插值后的特征图进行卷积变换的普通卷积层，以及依次连接于所述普通卷积层之后的relu激活函数和归一化层；

18、所述跳跃连接设置于所述编码器的各编码层级与所述解码器的对应解码层级之间，将编码器层级输出的特征图与解码器对应层级的上采样块输出的特征图进行通道拼接，拼接后的特征图作为对应解码层级的输入。

19、在其中一实施例中，所述第一频域判别器和第二频域判别器分别基于haar小波分解提取图像的高频分量，并对所述高频分量进行判别，以约束生成图像在频域的细节真实性。

20、在其中一实施例中，所述方法还包括：在训练前对获取的非配对图像数据进行分块裁剪处理，将原始高分辨率图像均匀裁剪为预设尺寸的子图块，并将所述子图块作为所述无监督背景抑制网络的训练输入数据。

21、本技术提出了一种无监督空间探测图像复杂背景抑制装置，所述装置包括：

22、数据获取模块，用于获取复杂背景星图域和干净背景星图域的非配对图像数据；

23、网络构建模块，用于构建无监督背景抑制网络，所述无监督背景抑制网络包括：扩散模型、背景抑制生成器、逆向背景重建生成器、第一空间域判别器、第一频域判别器、第二空间域判别器和第二频域判别器；

24、扩散先验模块，用于利用所述扩散模型根据复杂背景星图与干净星图先验特征图，通过前向加噪过程和反向去噪过程生成背景抑制先验表示；

25、背景抑制生成模块，用于利用所述背景抑制生成器根据所述背景抑制先验表示，将所述复杂背景星图从复杂背景星图域映射到干净背景星图域，得到背景抑制后的干净星图，其中，所述背景抑制生成器采用抗棋盘格伪影的u-net结构，在解码阶段以双线性插值加普通卷积的resize-conv策略替代转置卷积进行上采样；

26、逆向重建模块，用于利用所述逆向背景重建生成器将干净背景星图从干净背景星图域映射回复杂背景星图域，得到伪复杂背景星图；

27、判别与训练模块，用于利用所述第一空间域判别器和第一频域判别器，判别所述背景抑制后的干净星图是否接近干净背景星图域分布，利用所述第二空间域判别器和第二频域判别器判别所述伪复杂背景星图是否接近复杂背景星图域分布，并利用循环一致性损失约束所述背景抑制生成器与所述逆向背景重建生成器之间的双向映射关系，对所述无监督背景抑制网络进行无监督训练；

28、干净星图得到模块，用于将待处理的复杂背景星图输入训练好的背景抑制生成器，输出背景抑制后的干净星图。

29、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述无监督空间探测图像复杂背景抑制方法中的步骤。

30、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述无监督空间探测图像复杂背景抑制方法中的步骤。

31、上述无监督空间探测图像复杂背景抑制方法、装置、设备和介质，通过构建包括扩散模型、背景抑制生成器、逆向背景重建生成器、第一空间域判别器、第一频域判别器、第二空间域判别器和第二频域判别器的无监督背景抑制网络，利用扩散模型根据复杂背景星图与干净星图先验信息，通过前向加噪过程和反向去噪过程生成背景抑制先验表示，利用背景抑制生成器根据背景抑制先验表示，将复杂背景星图从复杂背景星图域映射到干净背景星图域，得到背景抑制后的干净星图，其中，背景抑制生成器采用抗棋盘格伪影的u-net结构，在解码阶段以双线性插值加普通卷积的resize-conv策略替代转置卷积进行上采样，利用逆向背景重建生成器将干净背景星图从干净背景星图域映射回复杂背景星图域，得到伪复杂背景星图，利用第一空间域判别器和第一频域判别器，判别背景抑制后的干净星图是否接近干净背景星图域分布，利用第二空间域判别器和第二频域判别器判别伪复杂背景星图是否接近复杂背景星图域分布，并利用循环一致性损失约束背景抑制生成器与逆向背景重建生成器之间的双向映射关系，对无监督背景抑制网络进行无监督训练，将待处理的复杂背景星图输入训练好的背景抑制生成器，输出背景抑制后的干净星图。

32、有益效果：

33、本方法通过构建包括扩散模型、背景抑制生成器、逆向背景重建生成器、空间域判别器和频域判别器的无监督背景抑制网络，利用扩散模型生成背景抑制先验表示为背景抑制生成器提供引导，利用背景抑制生成器将复杂背景星图映射到干净背景星图域，并采用双线性插值加普通卷积的resize-conv策略替代转置卷积进行上采样以消除棋盘格伪影，同时利用逆向背景重建生成器构建双向映射循环并配合循环一致性损失实现无监督训练，结合空间域判别器和频域判别器分别从空域和频域约束生成图像的真实性，从而在不依赖配对训练数据的条件下，有效抑制复杂背景干扰、避免目标信息丢失、消除棋盘格伪影，显著提升信背比和背景抑制因子，为后续星图识别与目标检测提供高质量的图像基础。