An Image Quality Evaluation and Masking Algorithm Based On Pre-trained Deep Neural Networks

随着天文数据量的不断增长，越来越需要自动化数据处理流程，这些流程可以在无需人工干预的情况下从观测数据中提取科学信息。这些流程的关键是图像质量评估和遮蔽算法，它根据云覆盖率、天空亮度、光学系统的散射光、点扩散函数大小和形状以及读出噪声等各种因素评估图像质量。有时，算法需要遮蔽受噪声严重影响的区域。然而，该算法经常需要人工干预，降低数据处理效率。在本研究中，我们提出了一种基于深度学习的图像质量评估算法，该算法使用自动编码器学习高质量天文图像的特征。训练好的自动编码器可以自动评估图像质量并遮蔽受噪声影响的区域。我们使用两个测试案例评估了算法的性能：具有不同半高全宽的点扩散函数的图像和具有复杂背景的图像。在第一个场景中，我们的算法可以有效地识别点扩散函数的变化，这可以为光度学提供有价值的参考信息。在第二个场景中，我们的方法可以成功地遮蔽受复杂区域影响的区域，这可以显著提高光度学的准确性。我们的算法可以用于自动评估不同天文勘测项目获得的图像质量，进一步提高数据处理流程的速度和鲁棒性。

自动化天文数据处理中，图像质量评估和噪声区域遮盖算法需要大量人工干预，降低了数据处理效率，本文旨在提出一种基于深度学习的图像质量评估算法，能够自动评估图像质量并遮盖受噪声影响的区域。

本文提出的算法使用自编码器学习高质量天文图像的特征，实现了自动评估图像质量和遮盖噪声影响区域的功能。

本文使用两个测试用例评估了算法的性能，证明了其在不同情况下的有效性。本文提出的算法可以用于不同天文调查项目中自动评估图像质量，提高数据处理效率和鲁棒性。

在类似领域中，也有一些相关研究，例如“Automated Quality Assessment of Astronomical Images Using Deep Learning Techniques”