為了解決在成像過程中反卷積點擴展函數(shù)所帶來的模糊效應(yīng),提出一種新的圖像重建算法.新算法利用高斯函數(shù)分解模型,能夠有效解決基于Delta函數(shù)分解模型所引起的問題,并在重建延展源和致密源方面具備更好的效果.通過VLA模擬觀測數(shù)據(jù)對算法進行測試,并與現(xiàn)有的2類圖像重建算法進行比較,結(jié)果表明,新算法能夠有效平衡現(xiàn)有的反卷積算法的計算復(fù)雜度和性能問題,能對圖像進行更加精確建模,具有更好的圖像重建性能. 

【文章來源】：吉首大學(xué)學(xué)報(自然科學(xué)版). 2020,41(04)

【文章頁數(shù)】：6 頁

【部分圖文】：

基于自適應(yīng)尺度重建算法重建圖像的流程

本數(shù)值模擬實驗所處理的射電源M31圖像原圖及其點擴展函數(shù)圖像和臟圖如圖2所示．從圖2(a）可以看出，射電源M31是一個非常復(fù)雜的源，包含了大量子結(jié)構(gòu)，能有效地測試各重建算法的性能．采集到的數(shù)據(jù)表明，射電源M31點擴展函數(shù)（圖2(b））的最大負旁瓣是-0.068 7．從圖2(b）可以看出，旁瓣結(jié)果復(fù)雜且分布很廣．被點擴展函數(shù)模糊化之后的臟圖為圖2(c）．測試圖像原圖的大小為512×512像素，為了使顯示更加清晰便于比較，成圖僅顯示處理結(jié)果的中央256×256像素部分．

在成圖過程中所有算法均使用Robust加權(quán)函數(shù)．Robust加權(quán)函數(shù)能夠有效抑制旁瓣水平，是一種常用的加權(quán)函數(shù)．H9gbom CLEAN算法使用的參數(shù)是：迭代次數(shù)30 000，循環(huán)增益0.1．多尺度CLEAN算法使用的參數(shù)是：迭代次數(shù)10 000，循環(huán)增益0.3，尺度分別為0,4,12,36,108像素．自適應(yīng)尺度重建算法使用的參數(shù)是：迭代次數(shù)7 000，循環(huán)增益0.7．由于自適應(yīng)尺度重建算法是基于自適應(yīng)尺度的，所以不需要用戶指定尺度．各算法的處理結(jié)果如圖3所示．從圖3(a）中可以看出，H9gbom CLEAN算法重建的模型圖像由點組成，這是由于H9gbom CLEAN算法是基于Delta函數(shù)分解的，即圖像被分解為Delta函數(shù)集合．Delta函數(shù)集合是通過找到殘差圖像中的最大絕對值點，然后乘以循環(huán)增益得到Delta函數(shù)的位置和系數(shù)．這種分解不能有效地表示延展結(jié)構(gòu)，所以使用這類算法處理延展源時，殘差圖像中會殘留“平臺”式的相關(guān)結(jié)構(gòu)，而且需要大量的分量來表示圖像．從這個測試中可以看出，盡管H9gbom CLEAN算法使用了遠大于其他兩種基于尺度函數(shù)分解的算法的迭代次數(shù)，然而結(jié)果卻是最差的．多尺度CLEAN算法使用了幾個尺度函數(shù)來表示圖像，較好地解決了基于Delta函數(shù)模型的算法不能有效表示圖像的問題．從圖3(b）也能看出，相對于H9gbom CLEAN算法，多尺度CLEAN算法重建的模型圖像更加接近于真實圖像，殘差圖像中所留下的相關(guān)結(jié)構(gòu)也更小（圖3(e））．然而基于多尺度函數(shù)模型分解的算法將圖像強行分解到僅有的尺度當(dāng)中，這需要更多的分量來表示圖像．基于自適應(yīng)尺度函數(shù)模型的算法能有效地解決這一問題，使用更少的分量來表示圖像．從圖3(c）中可以看出，相對于H9gbom CLEAN算法和多尺度CLEAN算法，筆者提出的自適應(yīng)尺度重建算法模型圖像更加接近于真實圖像．殘差圖像（圖3(f））也能有效證明這一結(jié)論．圖3還表明，在這三種算法中，自適應(yīng)尺度重建算法的殘差相關(guān)結(jié)構(gòu)是最少的，說明自適應(yīng)尺度函數(shù)模型能夠更好地表示圖像．表1列出三種算法重建圖像的RMSE和DR數(shù)值結(jié)果．

【參考文獻】：
期刊論文
[1]差分CLEAN算法在編碼板成像中的應(yīng)用[J]. 賈振卿,霍卓璽,周建鋒.  天文研究與技術(shù). 2013(01)



本文編號：3393599