基于加速阻尼RL算法的湍流退化图像盲复原方法毕业设计.docVIP

基于加速阻尼RL算法的湍流退化图像盲复原方法 在前面的前言以及第二章中已经介绍了RL算法以及RL迭代盲目反卷积（RL-IBD）算法。RL算法分别由Richardson[49]于1972年及Lucy[50]于1974年独立发现，该算法给定了泊松图像数据的极大似然估计，由贝叶斯定理推导而来。RL算法是非线性算法，具有收敛性，能自动地满足图像的非负约束和能量守恒。在噪声存在的情况下，RL 算法能获得较高质量的复原图像，但是该算法还是存在一些问题，主要表现在两个方面：一是算法的收敛速度慢；二是算法存在噪声放大的问题 [53,54]。同样的，基于RL算法的盲复原算法也存在这些缺点。要解决这些问题，需要从三个方面进行改进：一是需要对点扩散函数（PSF）和图像有一个更精确的初始估计；二是加速算法的收敛速度；三是增强算法的噪声抑制能力。本章将从这三个方面对RL算法进行改进，得到改进的RL算法——加速阻尼RL（Accelerated and Damped RL, ADRL）算法,并将该算法应用到迭代盲目反卷积（IBD）算法中，形成一种基于加速阻尼RL算法的湍流退化图像盲复原算法。 具体而言，本章做了如下几个方面的工作：（1）在阻尼RL算法[54]（即抑噪RL算法）的基础上，引入二阶矢量外推加速技术[53]，形成ADRL算法，并将其应用到IBD算法中；（2）使用长曝光大气湍流光学传递函数（OTF）的物理模型或根据观测图像来获取点扩散函数（PSF）的初始估计，在已知相关大气参数的情况下，能够获得PSF的一个比较准确的初始估计，进一步改善算法的复原效果；（3）利用阈值分割技术获取图像目标的可靠支持域，在每一次迭代中，对图像施加支持域约束。 4.1 RL迭代盲目反卷积算法 4.1.1 目标通过大气湍流的成像退化模型 观测目标经过大气湍流和地基望远镜系统的成像是非相干光成像，在等晕区内，大气湍流对目标成像的影响满足线性空间移位不变性，因此其成像退化模型可用下式表示： （4.1） 式中，g(x, y)为湍流退化图像，f(x, y)为目标原图像，h(x, y)为PSF，n(x, y)为加性噪声，表示卷积运算符。对于大气湍流退化，长曝光的点扩散函数h(x, y)是一个类高斯型的函数，而噪声n(x ,y)可用加性高斯噪声模型表示。 4.1.2 RL迭代盲目反卷积算法 RL算法的迭代公式如下： （4.2） 式中，下标i 表示RL算法迭代的次数，*表示相关运算符。RL-IBD算法的迭代公式： （4.3） （4.4） 其中，下标i和j 表示RL算法的内迭代数，k为外迭代数。 4.2 ADRL算法 4.2.1 阻尼RL算法 针对RL算法噪声放大问题，White[54]提出了阻尼RL（Damped RL）算法，即抑噪RL算法，该算法通过修正似然函数，使得复原图像和原图像之间的偏离程度小于阈值时，算法就停止迭代，这样既抑制了噪声的放大，又保存了必要的图像细节。阻尼RL算法的迭代公式如下： （4.5） （4.6） （4.7） （4.8） 其中，N决定了阻尼函数的扁平度，本文与文献[54]中取值相同（N =10），T表示噪声抑制阈值。设噪声方差为，则时表示发生噪声抑制的阈值为。当时，该迭代算法变为标准的RL算法。 4.2.2 二阶矢量外推加速方法 针对RL算法收敛速度慢的问题，许多学者提出了各种改进措施来加速RL算法的收敛速度。F. Tsumuraya等[25]采用最速下降法来对RL迭代进行加速; Biggs和Andrews于1995年提出了基于共轭梯度的RL加速算法[73] ；1998年，Biggs和Andrews[53]又提出了矢量外推（Vector Extrapolation）加速方法。Peter Cheeseman等对RL加速算法的收敛性进行了证明[74]。矢量外推加速方法是基于矢量外推的原理，与基于最速下降法和共轭梯度法的加速方法相比，该方法不需要计算目标函数的最小值。在RL算法、最大熵算法和Gerchberg-Saxton算法中的应用实例表明，该方法对于提高原算法的收敛速度具有很好的效果。矢量外推加速方法是利用泰勒级数