基于 SDSS 图像的低表面亮度星系自动探测

低表面亮度（LSB）星系是指中心表面亮度比夜空更暗的星系。由于 LSB 星系的暗弱性质以及可与天空背景相比的背景，难以从大型巡天中自动高效地搜寻 LSB 星系。在本研究中，我们建立了低表面亮度星系自动探测模型（LSBG-AD），这是一种从斯隆数字巡天（SDSS）图像中进行端到端 LSB 星系探测的数据驱动模型。基于深度学习的物体检测技术被应用于 SDSS 视场图像，以识别 LSB 星系并同时估计其坐标。将 LSBG-AD 应用于 1120 张 SDSS 图像，我们探测到 1197 个 LSB 星系候选体，其中 1081 个为已知样本，116 个为新发现的候选体。该模型搜寻到的候选体的 B 波段中心表面亮度范围为 22 mag arcsec$^{-2}$ 到 24 mag arcsec$^{-2}$，与标准样本的表面亮度分布相当一致。96.46% 的 LSB 星系候选体的轴比（$b/a$）大于 0.3，且其中 92.04% 的 $fracDev\_r$ < 0.4，这也与标准样本一致。结果表明，LSBG-AD 模型很好地学习了训练样本中 LSB 星系的特征，并且可在不使用测光参数的情况下用于搜寻 LSB 星系。接下来，该方法将被用于开发高效算法，以从下一代天文台的海量图像中探测 LSB 星系。