无参考自适应光学图像质量评价

自适应光学(AO)成像系统受残余大气湍流、闭环跟踪误差和光电探测噪声等因素的影响，成像结果参差不齐，不利于后期图像筛选和事后处理，故需要对图像质量进行评价。传统图像质量评价方法对自适应光学图像质量的评价不可靠，甚至会出现评价结果与实际背离的情况。针对上述问题，根据自适应光学系统的成像过程，生成具有图像质量标签的自适应光学退化图像数据集，在此基础上采用以ResNet作为主干的深度神经网络，训练得到了用于评价自适应光学图像质量的神经网络模型，在测试集上的Spearman相关系数(SROCC)最佳为0.994。实验结果表明，该方法综合考虑了自适应光学图像成像过程中的多种退化因素，通过训练深度神经网络得到无参考自适应光学图像质量评价模型，评价精度优于其他传统图像质量评价算法。