基于PSF尺寸预估计的天文图像复原优化算法

doi:10.3778/j.issn.1002-8331.1603-0203

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (16): 172-176.DOI: 10.3778/j.issn.1002-8331.1603-0203

基于PSF尺寸预估计的天文图像复原优化算法

白鹏1，魏延恒2，安涛1，2

1.上海应用技术大学电气与电子工程学院，上海 201418
2.中国科学院上海天文台射电天文科学与技术室，上海 200030

出版日期:2017-08-15 发布日期:2017-08-31

Improved astronomical image restoration algorithm based on PSF size pre-estimation

BAI Peng1, WEI Yanheng2, AN Tao1，2

1.School of Electrical and Electronic Engineering, Shanghai Institute of Technology, Shanghai 201418, China
2.Division of Radio Astronomy Science and Technology, Shanghai Astronomical Observatory, Chinese Academy of Sciences, Shanghai 200030, China

Online:2017-08-15 Published:2017-08-31

摘要/Abstract

摘要： 地基天文观测中，对大气湍流造成的天文模糊图像进行复原时，由于缺少准确的PSF（Point spread function）信息，加之复原过程的病态性，天文图像的盲反卷积运算一直是难点。针对天文图像的稀疏特性，基于稀疏测度的PSF估计算法可有效地解决PSF信息缺省的问题，该算法受PSF尺寸参数选择的影响较大。通过基于边界测度的PSF尺寸预估计算法对稀疏测度PSF估计算法进行改进。优化算法首先对PSF尺寸有效预估计，得到精确的PSF估计值，最终提高了图像复原的精度。仿真结果表明，优化后的算法应用到天文图像复原过程中后，可以更为准确地估计出模糊图像的PSF大小，改善天文模糊图像的复原效果。

关键词: 地基天文, 稀疏测度, 点扩散函数尺寸估计, 图像复原

Abstract: In ground-based astronomy, blind deconvolution has been the key issue in?restoration of atmospheric turbulence-degraded images, challenged by lack of accurate information of PSF （Point Spread Function）, and image restorations that are ill-conditioned or ill-posed. Estimation of PSF based on?sparse?representation provides a way to solve the problem. Sensitive to dimension parameter, the sparsity estimation algorism of PSF is improved through predicting PSF dimensions by edge measurement in this paper. Accurate PSF estimation is thus achieved that leads to clearer astronomic image reconstruction. Case study shows that the modified estimation algorithm is applicable to astronomic imaging in improving the accuracy of PSF dimensions and sharp of images reconstructed.

Key words: ground-based astronomy, sparsity measure, Point Spread Function（PSF） size pre-estimation, image restoration

白鹏1，魏延恒2，安涛1，2. 基于PSF尺寸预估计的天文图像复原优化算法[J]. 计算机工程与应用, 2017, 53(16): 172-176.

BAI Peng1, WEI Yanheng2, AN Tao1，2. Improved astronomical image restoration algorithm based on PSF size pre-estimation[J]. Computer Engineering and Applications, 2017, 53(16): 172-176.

[1]	桑亮1，2，3，4，高爽4，尹增山1，2，4. 基于生成对抗网络的运动模糊图像复原[J]. 计算机工程与应用, 2019, 55(6): 173-177.
[2]	雎青青1，李朝锋2，桑庆兵1. 改进多尺度卷积神经网络的单幅图像去雾方法[J]. 计算机工程与应用, 2019, 55(10): 179-185.
[3]	兰妙萍1，李朝锋1，2. 基于混合神经网络的图像复原方法[J]. 计算机工程与应用, 2018, 54(9): 201-206.
[4]	曾佳，汪荣贵，王晶，董俊鹏. 基于高精度大气耗散函数的快速雾天图像复原[J]. 计算机工程与应用, 2016, 52(4): 194-199.
[5]	章忠宪1，黄德根2，顾亚丽1. 倒谱和快速全变差去卷积的运动模糊图像复原[J]. 计算机工程与应用, 2015, 51(8): 174-177.
[6]	王响平，王玲，陆谱进. 基于调和模型神经网络的彩色图像复原研究[J]. 计算机工程与应用, 2015, 51(4): 188-191.
[7]	姜欢，王瑜，王坚. Gabor小波分解和增益图约束的荧光显微图像复原[J]. 计算机工程与应用, 2015, 51(15): 157-160.
[8]	肖宿，郑颖. 基于稀疏表示的多正则优化图像复原[J]. 计算机工程与应用, 2015, 51(12): 203-207.
[9]	肖宿，洪留荣，沈克，郑颖. [L1-L2]正则化的图像复原交替优化算法[J]. 计算机工程与应用, 2014, 50(3): 125-128.
[10]	田启川，田茂新，杨晓飞. 基函数神经网络权值直接确定的图像复原[J]. 计算机工程与应用, 2013, 49(8): 178-181.
[11]	余恕梅1，檀结庆2，王明珠3. 运动模糊图像复原结果中伪像的消除[J]. 计算机工程与应用, 2013, 49(5): 163-165.
[12]	黄全亮1，刘水清1，孙金海2，陈柯1. 融合学习算法的单帧图像超分辨率复原[J]. 计算机工程与应用, 2013, 49(23): 186-190.
[13]	胡晓辉，苏晓许，孙苗强. 运动模糊情况下障碍物检测预处理[J]. 计算机工程与应用, 2012, 48(21): 230-234.
[14]	郭佩，何小海，陶青川，李木维. 基于高维空间几何的PSO-BP神经网络图像复原[J]. 计算机工程与应用, 2012, 48(2): 156-159.
[15]	初永玲，李绍春，王枚. 非凸全变分正则化模糊图像复原模型研究[J]. 计算机工程与应用, 2011, 47(35): 171-173.

基于PSF尺寸预估计的天文图像复原优化算法

Improved astronomical image restoration algorithm based on PSF size pre-estimation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics