Scene-based Shack–Hartmann波前探测：仿真与分析

第二篇翻译女神Lisa A.Poyneer的文章，主要用于学习记录，一直看英文太费劲了，翻译下来记录着，不过确实在没看懂英文文章的情况下，每多看一遍都是新的感悟。写出来欢迎大家一起讨论，有错误的地方还请不吝指教。

摘要

对于自适应光学系统，在许多时候都不适合用点光源测量相位导数（phase derivative），比如通过大气的斜程传输成像以及在太空中用轻型光学器件观测地球。相反，观察到的scene的子图像可以用于scene-based波前探测技术。该项研究展示了对理解这项技术的三个重要的改进。严格的分析显示斜率评估性能对scene content和照明条件的依赖程度。也推导了照明中定标规律的改变。这项技术，当用于点光源时，比当前技术检测大小改变和背景级别时鲁棒性更好。

1. 问题描述和背景

   然而，有许多情况下，不能用点光源，但是AO校正效果也可以。一般为以下两种情况：第一种就是沿水平或者倾斜路径在大气中传输成像，可以用AO校正大气湍流的影响。需要注意的是我们在文中提到的是怎样去测量相位，而不是校正它，我们不讨论散射或者折射（scintillation or refraction）对斜路传输中多波长自适应光学的影响。第二种情况就是太空中用轻型光学器件观测地球。这些光学器件较便宜，但是会受到热效应和振动引起的时变的畸变。AO可以校正这些相位畸变。在上述情况中，对于扩展目标的观测一般都不用点光源。而且也不会人工制造一个点光源，而是scene本身就能进行相位评估。

   有两种方法需要用图像评估相位。第一个就是相位复原。这种方法使用大量的图像，一些是已知额外相位畸变来迭代决定相位。这个方法通常用于望远镜队列里。另外，相位变更方法能结合图像后处理方法用于校正大气畸变。这些方法计算量都相当大。因此，事实上我们使用第二种方法研究，该方法与当前基于点光源的AO系统采用的方法很相似，区别在于斜率评估的方法。

   夏克-哈特曼技术，一般用scene-based wave-front sensing（SBWFS），成功用于National Solar Observatory和其他太阳天文台。太阳米粒有非常具体的特性。对于低对比度的太阳米粒而言，斜率的标准差与背景噪声标准差除以对比度后的值成比例。然而，没有对于基于任意scene content和照明情况的波前斜率评估性能的严格的分析。一个探测系统要能观测任意scene，不管是否包含城市的建筑或者沙漠的道路。照明条件由于时刻、观察角度以及大气条件的不同而不同。直观来说，一个给定scene的性能不仅依赖于scene的内容，也依赖于照明条件。特征越多，空间分辨率越高，光越多，性能就越好。
   直观的考虑需要定量理解。首先，一个系统要设计成能满足指定照明和scene content标准。第二，建立和测试系统后，要有能确认性能的分析。最后，根据得到的scene的参数实时调整系统参数比如帧率或者改变用的scene来优化AO系统。基于以上原因，本文提出了对scene-based斜率评估的详细分析，并用仿真进行了验证，说明SBWFS确实在大量场景下都可用于AO系统。

2. scene的斜率评估
   与点光源的大量子图像一样，观测的scene的子图像都是在WFS相机上形成的。SBWFS的基础概念是通过将一个给定子孔径的图像与参考图形学进行比较并评估两幅图像之间的偏移。该偏移量可以由互相关因子决定。然而，也有许多其他方法。这个部分描述了子图像的模型并讨论了可能的斜率评估方法。

   A术语的定义
   考虑从两个不同的子孔径中取出两幅离散的图像（由WFS相机上的像素点组成）。一副图像是参考图像r[m,n],用于与其他子孔径图像进行比较。第二幅图像是s[m,n]。这两个信号之间有$x_0$和$y_0$采样点的偏移，而该偏移量不一定为整数。就目前而言，考虑信号范围无限远，来自相同基础连续信号的不同采样版本，采样间隔为D。给定高分辨率基准信号$i(x,y)$（但是文中没有给出基准信号的定义），参考信号为：
   $r[m,n]=i(mD,nD)$
   子孔径里信号为一个偏移的量
   $s[m,n]=i(mD-x_0D,nD-y_0D)$
   $x_0$和$y_0$就是我们要找的偏移量。因为它们通常都不是整数，因此没有实际意义，所以转化为频率域。其中$\tilde I(x,y)$是$i(x,y)$的连续时间傅里叶变换，然后使用频率变量$\phi_x,\phi_y$也可以写出其他信号的离散傅里叶变换。
   $\tilde R(x,y)=\dfrac{1}{T^2}\tilde I(\dfrac{\phi_x}{D},\dfrac{\phi_y}{D})$
   
   实际上，两幅图像r和s都是较小的N*N像素大小的图像，但是$\tilde I$不一定是受限。用离散傅里叶变换上述式子，得到：
   
   B.算法推导
   基于以上模型，分析了三种可以算出$x_0$和$y_0$的方法。分别为：最大似然估计法、去卷积法和相关算法。这些方法都是针对由WFS相机上的具体离散信号。参考子孔径图像r[m,n]和用于斜率评估的子孔径图像s[m,n]都是N*N像素。要注意的是，在一些算法中N优先取为2的次方。
   因为这两幅图像都是noisy realizations，可以把搜索$x_0$和$y_0$视为非随机参数评估问题。

   首先，最大似然估计:给定图像与真实场景内容的噪声模型，就可以推出其概率分布。最大似然估计一般用于点源WFS。但是估计值直接依赖scene content，每个scene都需要重新计算，而且是非线性计算非随机参数$x_0$和$y_0$，计算量非常大。

   第二种方法就是去卷积。该方法利用了两幅图像的频率域之间关系。通过使用离散傅里叶变换，$\tilde S[k,l]$已知，如果$\tilde R[k,l]$在所有的k，l下面不是全0的话，其商为
   
   如果$x_0$和$y_0$都是整数，信号$f(x,y)$（由上式反傅里叶变换而来）就是在$x_0$和$y_0$点的单位脉冲。如果$x_0$和$y_0$不是整数，信号$f(x,y)$就是一个单位脉冲的偏移采样。基于该信号，就能估计偏移量。去卷积方法对噪声敏感，尤其是图像主要为低频分量时。该方法应用于我们的产品，显示其对噪声高度敏感。

   最后即为相关算法。该算法是利用最小均方差矩阵得到的。两幅图像的最小二乘误差的偏移量就是最优解。具体用公式表述，即为MSE（最小均方差）$e(m,n)$ 在位移m,n下为：
   
   其中，对于所有的$m\ge0,m\le i\le N-1;$

   $m\le0,0\le i\le N-1-m$

   $n\ge0,n\le j\le N-1;$

   $n\le0,0\le j\le N-1-n$
   此外，$e(m,n)$只在$-（N-1）\le m,n\le N-1$内有效。扩展得到：

   
   计算相关不是一个计算该矩阵的快捷方式。由于求和的限制，所有项都与m和n有关。就算是归一化后，最小的MSE也不等于r和s之间的最大相关性。

   相反，具体信号可以看成一个周期无穷大的单周期信号（比如离散傅里叶变换），然后和对于m和n的参数限制就是恒定的了。

   由于信号的周期性，信号的一端离开后，另一端就会过来。因此，上式就可以大量简化。

   
   即为两个信号周期卷积的相关。MSE最小等价于相关性最大。这样，相关就能通过相关算法在频率域的共轭快速计算出来。
   计算所有可能重叠情况，在每秒浮点计算中的复杂度为$O(N^4)$，其中N为正方形图像每维的像素的数目。周期相关算法可以使用快速傅里叶变换，复杂度变为$O(N^2log_2N)$尤其是知道偏移量很小，而且只有少数点的MSE是必须要计算时，周期相关算法就更快了。对于一个16*16像素的子孔径图像，周期相关比需要计算所有重复量的MSE的计算量少16倍。然而，周期相关技术对于wraparound的像素的误差很敏感。

   尽管存在wraparound效应，周期相关技术也能跟MSE算法效果一样好。如图1所示，在蒙特卡罗实验下，周期相关与MSE算法对相同图像的评估误差和均方差差不多。对于高质量图像而言，重复效应可以忽略，两种方法效果都很好。对于低质量图像，边缘不正常图像影响很大。

   重要是我们要的结果不是整像素的偏移最优解，而是亚像素偏移的评估。通常情况下，偏移都不是整数。相关是基准信号在$x_0$和$y_0$点的自相关采样。
   
   
   a是估计误差，b是标准差，都是对于高质量图像
   为了得到真正的最大值，通常需要对$C(x,y)$插值得到。一般是采用抛物线插值，当然，其他曲线，比如高斯插值也可以。假设相关矩阵的最大值在整数$\Delta_x,\Delta_y$。接下来的方程利用峰值附近的点进行抛物线插值:
   
   $y_0$的值类似。

   总之，评估两个子孔径之间的偏移最好的方法就是使用周期相关。是用傅里叶计算相关性，然后在峰值附近做抛物线插值来得到最佳亚像素偏移量。我们每步长选择一个参考子孔径作为一个新的参考子图像。这样就能确保scene里任一动态变化都能补偿到。然而，这样也会带来两个问题。
   然后就讲了下使用固定参考图像和每步长更新参考图像的优缺点。然后作者站每步长更新，但是这样会增加系统里的噪声。然后总结了下工作步骤，用周期相关法进行相关矩阵的计算，用抛物线进行插值，得到亚像素精度值。

   3.

相关矩阵计算

抛物线插值

用三个分量的均值m，方差$\sigma$，协方差进行分析。
如果$\hat x$是$C_{-1},C_0,C_1$的线性组合。函数的切平面由三个点组成
[$C_{-1}=m_{-1},C_0=m_0,C_1=m_1$]
函数$f(C_{-1},C_0,C_1)$约为$\tilde f(C_{-1},C_0,C_1)$,在
$C_i$点求部分偏导，得

计算，得

因为是随机变量的线性组合，均值和方差都只由各分量的均值和方差决定。约去了大多数分量后得到：

方差简化后：

上式的均值、方差、协方差都能用统计模型计算出来。公式计算在附录。下面展示的会是大量简化后的，结果很好地显示了评估性能的描述。
C.零偏移情况
值得考虑的特殊情况就是两张图片的偏移量为0。在闭环系统中，图像的偏移会趋近于0。该简化式可以更好地分析当照明条件改变时的斜率评估性能。在零偏移情况下，两幅子孔径图有一样的分布，因此，[$m_{-1}=m_1，\sigma _{-1}^2=\sigma _{1}^2$]
因此估计值约为

在这种特殊的情况下，相关为自相关，因此峰值为0，$C_{-1}和C_1$的均值和方差都相等。因此，估计值没有偏置。

大部分项约去后，方差为：

最重要一项就是分母（$m_0-m_1$）。$m_0$是相关函数$C_0$最大值的期望值，$m_1$是最大值边上的$C_1$的期望值。（$m_0-m_1$）就是相关峰值的锐度测量。峰值约尖锐，误差方差越小。相关函数也与傅里叶变换中功率光谱密度有关。相关中像脉冲的越多，图像的频率范围越宽。这与空间频率内容越高，效果越好这一理论一致。

在零偏移情况中，只需要知道子图像统计特性就能计算出估计值的误差方差。当图像宽度变化时，预测的斜率评估方差$\sigma _x^2$表示了图像质量的实质变化。有些scene的一个坐标轴的很多数比另一个轴的方差低很多。比如一个场景里有一条马路水平穿过子孔径，y轴上的估计就比x轴上好很多，因为x轴有自相似特性的偏移。
图2为预测的标准差与仿真结果的对比。

$\sigma _x$越小，预测准确率越高。

D照明条件改变
介绍具体图像的质量是怎么通过改变类型和照明级别改变的。首先考虑曝光时间和光子总数。系统帧率也很重要，因为涉及到高速（快速计算相关）与损失光子数之间的权衡。

为了捕捉到改变光照等级效应，子孔径的像素值为不相关的泊松随机变量，参数为$f \lambda _r[m,n]$，$f \lambda _s[m,n]$。参数$\tilde \lambda$归一化到0到1，与比例因子f相乘，表示可能最亮像素接受到的光子数。斜率评估期望与光照等级无关，只与图像内容有关。如果不考虑偏移的数量就是对的。新的零偏移情况的误差方差为

当光子数很多时，($f-1$)$f^{-1}$约等于1。估计的标准差为：

在强光条件下，信噪比与$\sqrt f$成比例，f是每个像素光的最大值。评估的标准差与信噪比成反比。这个模型与传统的点源和重心法类似。($f-1$)$f^{-1}$约等于1后，任一数量的偏移，与信噪比的反比关系仍然成立。即光子数量的改变以一个确定常数影响了评估标准差。

第二种方法就是把子图像分为两个部分，实际图像和一致背景。这种方法很适用于当背景存在散射，光路经过大气层的时候。可能是由于路径长或者是高微粒级别。因此，图像像素参数化为$b+f\tilde \lambda [m,n]$，其中，b是背景光等级。必须指出，对于任何偏移，都与背景光和照明数无关。对于代数简化，零偏移情况的均方差为：

其中，N是单个子孔径的像素总数，t是另一个图像统计数。相关峰值的锐度仍是公式的主项。
这些标度律的好处是基于已知光的子孔径的单一副本，可以预测大范围条件图像的行为。图三就是对于具体图像在光总数和背景数量的变化情况下，对具体图像的仿真。
最上面是减少曝光时间的结果，最下面是增加背景数的结果。基于一个副本图像可以很好的预测实际性能。比例近似法在光照级别低时，误差较大，因为进行了($f-1$)$f^{-1}$约等于1。

这些在系统设计上有帮助。在选择帧率方面，由于与SNR成反比，因此，性能会下降。背景光就会降低系统性能。当背景光信号超过图像信号时，虽然均值保持不变，但标准差快速增加。图三中也仿真表示，没有背景光的图像每个像素最大值为100个光子和背景光每个像素由250个光子以及信号有另外250个光子的性能相似。当背景光信号与图像信号级别相同时，需要光子总数多4倍。

4.计算量评估
越好的AO系统，控制器越多，速率越快，但是通常受光的数量限制。但是像素数和子孔径数越多，计算量也会增加。因此需权衡计算量与相关。

斜率评估完了之后需要重建获得相位。
5.点源scene-based波前传感器
SBWFS是一个具有鲁棒性的算法。，可用于2*2像素子孔径，或者4*4像素进行插值。当光斑大小改变时，由于采用重心算法，WFS测量的增益也会改变。如果光斑太小，WFS不是线性的，算法就会失效。
第二，更精确。AO系统使用参考重心，可能会空转。一旦校准，一个具体的子孔径就会有一个非0的偏移。如果光斑大小改变，重心算法测量偏移就不在准确。
但是SBWFS的缺点在于额外计算量。
但是其对于重心法不受光斑大小和背景光级别的改变，可以产生准确的，一致的斜率，是更好的算法选择。