多次曝光图像的PSF反卷积以及欠采样图像的反混叠技术III：PSFdeFiSA制造技术

本发明专利技术《多次曝光图像的PSF反卷积以及欠采样图像的反混叠技术III：PSFdeFiSA》首次在FiSA迭代的框架下进行多次曝光图像的PSF反卷积和欠采样信号的反混叠。PSFdeFiSA迭代的改正项是加性的，从实例中可以看出，该技术(PSFdeFiSA)成功实现了多次曝光图像的PSF反卷积和欠采样信号的反混叠，并且跟此前开发的也是迭代采用加性改正项的LSPDAA不相上下。

【技术实现步骤摘要】
多次曝光图像的PSF反卷积以及欠采样图像的反混叠技术III：PSFdeFiSADecember6，20181
在图像的点扩散函数(PSF)反卷积领域，人们发展了很多方法：比如基于最大似然估计的Lucy-Richardson图像PSF反卷积技术和在该技术基础上加入的正则化手段，比如基于最小均方差或最小二乘法原理的Wienner滤波PSF反卷积技术，再比如基于熵最大化的PSF反卷积技术等等。以上技术所涉及到的图像反卷积都是单幅图像的PSF反卷积。但在某些领域往往需要多次曝光，比如视场中有极亮的源，单次长曝光会导致亮源像的过饱和，短曝光又看不到背景信息，因此需要多次曝光再后期叠加，再比如天文观测领域，遥远星系的光子流量有限，需要深度曝光，但往往望远镜的姿态控制问题会导致深度曝光具有很大难度，因此多次曝光也是必要的选项。有了多次曝光图像，那对这些图像的PSF反卷积和对欠采样图像的反混叠技术就是处理这些图像的必不可少的手段。本专利技术是一系列关于“多次曝光图像的PSF反卷积以及欠采样图像的反混叠技术”的第三项专利，是在《快速迭代的平移叠加技术-FiSA》(FastiterativeShift-and-Add，专利号：2017113310387)的基础上发展起来的PSF反卷积及欠采样信号的反混叠技术(PSFdeconvolutionbasedonFastiterativeShift-and-Add，PSFdeFiSA)，其改正项是加性的。本系列的之前两项专利分别是《多次曝光图像的PSF反卷积以及欠采样图像的反混叠技术I：PSFdeLRSA》和《多次曝光图像的PSF反卷积以及欠采样图像的反混叠技术II：LSPDAA》，前者是乘性改正项，后者是加性改正项的。2
技术介绍
在图像成像领域，像素点是采集光子(或其他粒子)和组成图像的基本单元。实际中像素点数目是有限的，如此一来图像分辨率不仅受限于光学分辨率还受限于图像采样率，也就是所谓的欠采样，欠采样会导致信号混叠。另一方面由于仪器的光路中支架，以及仪器本身的口径会导致光学衍射，形成形如爱里斑机制那样的衍射图案，也就是点扩散函数(PSF)，PSF会导致图像细节模糊。信号混叠和PSF效应都是对图像高频端(也就是细节)起作用的，二者联合起来再加上噪音就是我们观测到的图像，因此我们最终的观测图像会被抹掉许多高频的细节。实际中这些细节往往才是我们关注的，比如监控下嫌疑人的面目，比如遥远星系的形态，旋涡星系的旋臂，再比如相控阵雷达下敌机的特征等等，关注细节也是增加像素或者信号采集单元的初衷。所以我们需要一种高效的技术手段从信号混叠兼PSF退化的并被噪音污染的多次曝光图像中来提取细节信息，本专利技术首次尝试使用先前搭建的LRSA技术进行多次曝光图像的PSF反卷积和欠采样信号的反混叠。3
技术实现思路
3.1基于FiSA的PSF反卷积及欠采样信号的反混叠技术-PSFdeFiSA这里直接给出我们构造的迭代公式：其中fi(x，y)是第i次迭代的结果，g(x，y)是观测图像，h(x，y)是点扩散函数PSF，是卷积符号，*是相关符号。可以看到迭代公式的右端是一个差值改正项加到上次迭代结果。Nimg是要叠加的图像幅数，gk(m，n)是第k幅观测图像，fi(x，y)是第i次迭代所得高分辨率图像(如临近分辨率)。表示把括号中的高分辨率图像降采样(Downsampling)到与gk(m，n)完全一致的网格上，而Ux，y(.)是相反操作，表示将后面括号中的欠采样图像进行升采样(Upsampling)操作，升到与fi(x，y)完全一致的网格，其中的升降采样就是一个Shift-and-Add操作。hk(x，y)是Nimg次曝光图像中第k幅对应的PSF，其分辨率与fi(x，y)是一致的。而如果hk(x，y)与观测图像gk(m，n)分辨率一致的话，迭代公式应该变为：其中hk(m，n)表示其分辨率与观测图像gk(m，n)是一致的，而且是该观测图像(第k幅)对应的PSF.3.2结果与比较我们选取迭代公式1对应的情况做实例一。为了跟实际情况接近，我们每次曝光使用的PSF都是不同的，这里仍旧使用著名的MissLena图像进行测试。如图1中的右上图，PSF分辨率与目标高分辨率图像是一致的，也就是说1中只有右下图是低分辨率的，欠采样的，其低于奈奎斯特临界采样率1/2×1/2倍，而其余三幅图都是临界采样率的。实例一：我们对临界分辨率511×511的MissLena真实图像进行1/2×1/2倍分辨率的10次低采样率观测，包括不同的位移旋转。图1中，左上是MissLena真实图像，而右上是左上的真实图像卷积了一个PSF，左下图是右上图再加上柏松噪音的结果。右下是10副观测图像中的一副，4倍降采样。图2中我们展示了本专利技术LSPDAA和PSFdeFiSA的PSF反卷积和反混叠能力。左上是MissLena真实图像，右上是10幅形如1中右下那样的观测图像的直接ShiftandAdd(SA或Driz-zle)叠加(SNR＝21.816DB；PSNR＝1.602DB)，可见Drizzle既没有反卷积PSF也没有很好地反混叠。左下是PSFdeFiSA在30次迭代中信噪比SNR最高的一次(第30次，SNR＝26.585DB；PSNR＝11.139DB)，右下图是LSPDAA在30次迭代中信噪比SNR最高的一次(第29次，SNR＝26.550DB；PSNR＝11.069DB)。可以看到LSPDAA与PSFdeFiSA都能恢复大部分细节，包括双层帽檐，睫毛，脑后的小花，边缘更锐利。但随着迭代次数增加图像更加锐利，噪音也逐渐增加，经过测试如果在迭代途中加入滤波，峰值信噪比会提高2-3DB。图3和图4分别对比了PSFdeFiSA(实线)和LSPDAA(划线)在PSNR和SNR指标中的优劣，很明显可以看到二者几乎没有区别。总之，我们的PSFdeFiSA在峰值信噪比PSNR上，比没有使用PSFdeFiSA技术的SNA的结果提高了将近10个DB，比此前开发的PSFdeLRSA也高了将近3个DB。3.3计算复杂度PSFdeFiSA的计算复杂度其实是FiSA迭代与fiDrizzle之和，因为涉及PSF反卷积所以每一步都要有一次PSF“卷积”和“相关”的操作。PSFdeFiSA和LSPDAA的计算复杂度取决于PSF的大小，因为大尺寸的PSF会影响更多的目标像素，综合比较下来发现二者速度是相当的。3.4讨论和结论PSFdeFiSA的优势：1.PSFdeFiSA的原理和编程实现都比LSPDAA要简单，跟PSFdeLRSA一样简单。2.跟LSPDAA一样比较好地抑制了噪音。3.跟LSPDAA一样，PSFdeFiSA也不要求观测的像素计数值非负，这对于扣过背景的图像而言是一大利好，因为减过背景的图像在某些像素往往会出现负值的计数。PSFdeFiSA尚存的缺陷：跟LSPDAA一样，比较消耗计算资源，未来可以考虑加速算法。在不久的将来很多新的望远镜设备要投入观测中来：比如NASA的WideFieldInfraredSurveyTelescope(WFIRST)，欧空局的Euclid，美国国家自然科学基机会资助的LargeSynopticSurveyTelescope本文档来自技高网...

【技术保护点】
1.在多次曝光图像的叠加中，使用基于类似FiSA(女FiDrizzle或fiDrizzle或iDrizzle)的算法进行图像的PSF反卷积或欠采样信号的反混叠。

【技术特征摘要】
1.在多次曝光图像的叠加中，使用基于类似FiSA(女FiDrizzle或fiDrizzle或iDrizzle)的算法进行图像的PSF反卷积或欠采样信号的反混叠。2.在多次曝光图像的叠加中，完全按本发明PSFde...

【专利技术属性】
技术研发人员：王蕾，李国亮，戴才萍，
申请(专利权)人：王蕾，中国科学院紫金山天文台，
类型：发明
国别省市：江苏,32