基于物理先验的天文图像实时预处理与去条纹修复系统-AWLF天文图像预处理系统

本项目面向天文观测中实时预处理需求，针对宇宙线、条纹噪声等典型退化问题，设计了基于物理先验的图像修复流程。系统支持对原始科研图像进行去条纹、宇宙线检测与修复、星点保真保护等处理，适用于边缘设备或低算力环境下的快速预处理。整体目标是在保证天体测光与定位精度的前提下，提高图像清洁度和下游科学分析效率。

本项目聚焦天文科研图像的实时预处理场景，主要解决宇宙线干扰、条纹噪声、星点误伤等问题。系统提供去条纹、宇宙线识别与修复、星点保护、结果可视化等功能，可在CPU环境下快速运行，兼顾处理速度与科学保真，适合用于望远镜端侧或科研数据管线中的前处理环节。
采用 Python 作为主要开发语言，结合 OpenCV、NumPy 和 SciPy 实现图像处理核心流程，整体架构采用“条纹校正—宇宙线检测—星点保护修复”的三级流水线设计。条纹部分使用列统计与鲁棒中值滤波估计背景偏置，宇宙线检测结合拉普拉斯响应和局部稳健统计完成候选筛选，最后通过星点保护掩码避免对目标天体核心区域造成 flux loss。
在项目中我主要负责算法设计、核心代码实现、参数调优以及实验评估。最终系统在512×512输入下可在Intel i5级CPU上实现40 FPS以上的推理速度，宇宙线修复率达到95%以上，星点flux loss控制在1%以内，并完成了在合成数据与真实天文数据上的验证。
项目难点主要在于如何在去噪与保真之间取得平衡，以及如何避免条纹与宇宙线相互干扰。我通过引入物理先验、鲁棒统计阈值和星点保护机制，解决了传统方法容易误伤星点、深度模型难以CPU部署的问题，保证了算法的实时性与科学有效性。
我在项目中负责核心算法设计、代码实现、实验对比与结果分析。最终方案在CPU环境下可达到40 FPS以上的处理速度，并在真实天文观测数据上保持较好的背景净化效果和星点保真能力。项目的主要难点在于弱星点与噪声/宇宙线的区分，我通过引入物理模型先验和统计阈值联合判定，提升了算法稳健性，并完成了论文级实验验证，成果已录用ICIP 2026。