基于光学图像处理的湍流图像位移矢量场预测摘要湍流介质中的光学成像常受到随机折射率起伏的影响，导致图像发生非均匀的几何畸变和模糊，这种退化现象在航空遥感、天文观测和海洋探测等领域普遍存在。准确估计湍流引起的位移矢量场，不仅是图像复原的关键步骤，也为研究湍流物理特性提供了重要依据。本文提出一种基于深度学习的位移场预测方法，利用合成湍流图像数据集训练卷积神经网络，实现从单帧或双帧湍流图像到密集位移矢量场的端到端映射。文章详细阐述了数据生成模型、网络架构设计、训练策略以及评估指标，并给出了完整的Python/PyTorch实现代码与实验分析。实验结果表明，所提方法能够有效估计湍流导致的复杂位移场，在合成测试集上达到亚像素级精度，且具有良好的泛化能力。关键词：湍流图像；位移矢量场；光流；深度学习；U‑Net；图像配准1 引言光学系统在通过大气、水体或其他湍流介质成像时，介质折射率的随机变化会引起光波前畸变，导致图像出现几何变形、模糊和闪烁等现象。这种湍流退化严重降低了图像质量，影响后续目标识别、跟踪和三维重建等任务的性能。从退化图像中恢复原始场景信息，首先需要准确估计湍流引起的位移场（或称为畸变场），这一过程本质上是求解一个密集的非刚性图像配准问题。传统湍流位移场估计方法多基于光流法或粒子图像测速（PIV）技术，通过分析图像序列中像素的时域变化来获取运动场。然而，湍流引起的位移通常具有空间非平稳性、时间随机性以及亚像素级精细结构，经典光流方法在噪声较大、梯度稀疏的区域容易失效。近年来，深度学习凭借其强大的特征提取和非线性