一种用于稀疏干涉阵列的高动态范围重建方法技术

本发明专利技术公开了一种用于稀疏干涉阵列的高动态范围重建方法，涉及射电天文成像技术领域，其技术方案要点是：用低通滤波器滤除当前残差图像，从当前残差图像中查找分量；更新残差图像，更新模型图像；计算大循环的残差图像，然后计算预测可见度与实测可见度之差的逆傅里叶变换；制作CLEAN图像，将残差图像添加到CLEAN图像中，计算存储的恢复图像。用于稀疏干涉阵列的高动态范围重建，利用滤波思想与稀疏干涉阵列数据处理相结合，既可用于地基干涉阵列也适合空间干涉阵列。减少真实天空图像和模型图像之间的误差，实现稀疏干涉阵列高动态范围重建。围重建。围重建。

【技术实现步骤摘要】
一种用于稀疏干涉阵列的高动态范围重建方法


[0001]本专利技术涉及射电天文成像
，更具体地说，它涉及一种用于稀疏干涉阵列的高动态范围重建方法。

技术介绍

[0002]天体图像的重构不仅要考虑合成波束(PSF，或脏束)，还要考虑噪声的影响。在无线电干涉图像处理中，基于CLEAN的算法已经被广泛应用于去除脏图像中包含的脏光束的旁瓣。然而，传统的阈值方法很难有效地防止噪声进入到模型图像中来进行含噪的天体特征重建。这极大地限制了高动态范围重建的性能，这对于稀疏干涉阵列高动态范围重建带来了更大的调整。
[0003]在稀疏干涉阵列高动态范围重建方面存在两个主要困难：1)实际应用中的阈值法难以区分致密特征和噪声。2)CLEAN反卷积过程中存在大量的负分量，使得重建的Stokes
‑
I模型图像难以保持物理正性。为此，本专利技术提出了一种基于滤波和非唯一环路增益的新方法来解决这两个关键问题，以获得稀疏干涉阵列高动态范围重建。

技术实现思路

[0004]本专利技术的目的是提供一种用于稀疏干涉阵列的高动态范围重建方法，解决上述两个关键问题，以获得稀疏干涉阵列高动态范围重建。
[0005]本专利技术的上述技术目的是通过以下技术方案得以实现的：一种用于稀疏干涉阵列的高动态范围重建方法，包括如下步骤：
[0006]S1：用低通滤波器滤除当前残差图像
[0007]S2：从当前残差图像中查找分量
[0008]S3：更新残差图像B
dirty
为脏束，g为环增益；并对步骤S1中得到的平滑残差图像进行更新；
[0009]S4：更新模型图像重复循环执行步骤S2
‑
S4，当前残差图像的标准偏差小于上一个大循环的50％，结束此循环；
[0010]S5：将当前模型图像预测到非网格上，计算大循环的残差图像I
res
‑
major
，然后计算预测可见度与实测可见度之差的逆傅里叶变换I
res
‑
major
＝A
+
(V
obs
‑
AI
model
)，其中A表示从模型图像到预测的非网格可见度的所有操作，A
+
是A的逆运算；
[0011]S6：重复上述步骤S1
‑
S5，当最后残差图像的标准偏差小于噪声级别时结束此循环；
[0012]S7；制作CLEAN图像I
clean
；
[0013]S8：将残差图像添加到CLEAN图像中，计算存储的恢复图像I
restored
。
[0014]本专利技术进一步设置为：步骤S5中，V
obs
为可见度数据，是包含噪声和样本不完全的，所以V
obs
＝SV
ori
+SN
obs
，测量数据为可见度(或可见度函数)V
ori
，这是真实天空图像I
ori
(或为
天空亮度函数)的傅里叶变换V
ori
＝FI
ori
；F表示傅里叶变换，其中S是傅里叶平面上的采样函数，N
obs
测量可见度中的噪声；通过计算可见度系数的逆傅里叶变换F
‑1得到脏图I
dirty
，
[0015]I
dirty
＝F
‑1S(V
ori
+N
obs
)
ꢀꢀꢀ
(1)。
[0016]本专利技术进一步设置为：所述脏图I
dirty
是真实天空图像I
ori
和噪声I
noise
与脏束B
dirty
＝F
‑1S卷积，
[0017]I
dirty
＝B
dirty
*(I
ori
+I
noise
)
ꢀꢀꢀ
(2)
[0018]*表示卷积运算。
[0019]本专利技术进一步设置为：使用有限数量的δ函数(点)的可靠的模型图像I
model
来表示天体信号I
ori
，
[0020][0021]ε0是模型图像I
model
与真实天空图像I
ori
之间的误差。
[0022]本专利技术进一步设置为：残差图像中的噪声在模型分量搜索之前被滤波算子T抑制，
[0023]I
filt
‑
res
＝T*I
res
ꢀꢀꢀ
(4)
[0024]其中I
filt
‑
res
是滤波后的残差图像。
[0025]综上所述，本专利技术具有以下有益效果：用于稀疏干涉阵列的高动态范围重建，利用滤波思想与稀疏干涉阵列数据处理相结合，既可用于地基干涉阵列也适合空间干涉阵列。在模型分量搜索阶段引入了一种基于滤波器的去噪机制，用于分离信号和噪声，从而有效地提取信号。正分量的环路增益相对较大，有利于抑制负分量进入反结构模型图像，从而使重建的模型更符合天体物理。这将减少真实天空图像和模型图像之间的误差，实现稀疏干涉阵列高动态范围重建。
附图说明
[0026]图1是本专利技术实施例用于稀疏干涉阵列的高动态范围重建方法的步骤流程图；
具体实施方式
[0027]以下结合附图1对本专利技术作进一步详细说明。
[0028]实施例：一种用于稀疏干涉阵列的高动态范围重建方法，如图1所示，采用参数化模型求解PSF问题，采用基于滤波方法的去噪机制来实现噪声和信号的分离。在这个过程中，最主要需要解决噪声和致密特征的分离。
[0029]S1：用低通滤波器滤除当前残差图像
[0030]S2：从当前残差图像中查找分量
[0031]S3：更新残差图像B
dirty
为脏束，g为环增益，且g对于正分量和负分量是不同的；并对步骤S1中得到的平滑残差图像进行更新；
[0032]S4：更新模型图像重复循环执行步骤S2
‑
S4，当前残差图像的标准偏差小于上一个大循环的50％，结束此循环；
[0033]S5：将当前模型图像预测到非网格上，计算大循环的残差图像I
res
‑
major
，然后计算预测可见度与实测可见度之差的逆傅里叶变换I
res
‑
major
＝A
+
(V
obs
‑
AI
model
)，其中A表示从模
型图像到预测的非网格可见度的所有操作，A
+
是A的逆运算；
[0034]S6：重复上述步骤S1
‑
S5，当最后残差图像的标准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于稀疏干涉阵列的高动态范围重建方法，其特征是，包括如下步骤：S1：用低通滤波器滤除当前残差图像S2：从当前残差图像中查找分量S3：更新残差图像B
dirty
为脏束，g为环增益；并对步骤S1中得到的平滑残差图像进行更新；S4：更新模型图像重复循环执行步骤S2
‑
S4，当前残差图像的标准偏差小于上一个大循环的50％，结束此循环；S5：将当前模型图像预测到非网格上，计算大循环的残差图像I
res
‑
major
，然后计算预测可见度与实测可见度之差的逆傅里叶变换I
res
‑
major
＝A
+
(V
obs
‑
AI
model
)，其中A表示从模型图像到预测的非网格可见度的所有操作，A
+
是A的逆运算；S6：重复上述步骤S1
‑
S5，当最后残差图像的标准偏差小于噪声级别时结束此循环；S7；制作CLEAN图像I
clean
；S8：将残差图像添加到CLEAN图像中，计算存储的恢复图像I
restored
。2.根据权利要求1所述的一种用于稀疏干涉阵列的高动态范围重建方法，其特征是：步骤S5中，V
obs
为可见度数据，是包含噪声和样本不完全的，所以V
obs
＝SV
ori
+SN
obs
，测量数据为可见度(或可见度函数)V
ori
，这是真实天空图像I
ori
(或为天空亮度函数)的傅里叶变换V
ori
＝FI
ori
；F表示傅里叶变换，其...

【专利技术属性】
技术研发人员：张利，卢梅，
申请(专利权)人：贵州大学，
类型：发明
国别省市：