湍流退化图像复原如何使用matlab,湍流退化图像复原技术研究现状及展望

0引言目标通过大气湍流的成像是诸如天文观测、精确制导等光电探测成像系统必然会遇到的问题,它影响到光学系统的成像性能。特别是随着地基高分辨力成像望远镜技术的发展,从湍流退化图像中有效地恢复出原目标图像,已引起特别重视。为简化问题,将大气和望远镜组成的成像系统视为线性空间不变(LinerSpace-invariant,LSI)系统。简化的成像过程的数学模型如图1所示。图1图像退化模型(H表示退化过程)用公式描述为g(x,y)=Dh(x-s,y-t)f(s,t)dsdt+n(x,y)(1)图像的复原是一个反卷积的过程,其中g(x,y)、h(x-s,y-t)、f(x,y)、n(x,y)分别表示退化的模糊图像、点扩散函数、原始图像和噪声。我们称在LSI假设下的复原为空间不变模糊(Space-invariantblur,SIB)图像复原。但实际中,大气湍流的剧烈变化以及各光学系统视场像差不同均导致空间目标各点点扩散函数不同。我们称此种情况下的复原为空间变化模糊(Space-variantblur,SVB)图像复原。其用公式描述为g(x,y)=Dh(s,t,x-s,y-t)f(s,t)dsdt+n(x,y)(2)根据以上两种点扩散函数不同假设的情况,结合现今国际上对于湍流退化图像复原的算法研究,可以将湍流图像复原算法做如下划分(见图2)。1SIB图像复原图像复原技术以图像退化的某种先验知识为基图2湍流退化图像复原算法分类础。若系统的点扩散函数(PSF)已知,则图像复原问题简化为解卷积运算;若PSF未知,则图像复原问题为盲解卷积;若PSF已知但不可靠,则图像复原问题为近视(Myopic)解卷积。1.1解卷积方法传统的解卷积方法是在退化模型确定和已知的情况下进行图像复原[1],即先确定PSF或其参数,然后利用逆滤波、维纳滤波等方法恢复目标图像。此类方法最早的成果是1970年LabeyrieA提出的斑点干涉测量方法,其原理是获取大量的短曝光湍流退化图像,并将其功率谱叠加在一起形成对图像功率谱的估计(这样的叠加并没有导致空间高频信息的丢失),预期的目标图像功率谱可通过逆滤波来恢复,但存在相位谱损失的问题,且通常无法恢复目标的唯一图像。此外,1978年FienupJR对Gerchberg-Saxton复原算法进行改进,并用于相位恢复,其原理是采用傅立叶变换和傅立叶反变换交替进行迭代运算,称为迭代傅立叶变换算法。由于需要利用傅立叶变换幅值复原目标图像,该方法要求目标图像满足非负限制及其傅立叶变换模值等于先通过测定大气湍流模值传递函数后逆滤波得出的目标图像模值,可通过迭代方式来解决此问题。此方法实际是对Gerchberg-Saxton算法的改进,增加一系列的约束条件,以达到更有效的输出结果。由于需要得到确切的退化模型,而在实际观测活动中,造成观测目标模糊的点扩散函数变化是复杂并难于确定的,这就导致解卷积方法的实际复原效果并不理想,其实用价值不高。1.2盲解卷积方法在许多实际观测活动中PSF难以确定,则必须从观察图像中以某种方式估计出退化信息,找出图像复原方法。这种在既不知道理想目标图像又不知道PSF的情况下,直接从观测图像中估计理想目标的方法,称为盲解卷积。其普遍模型如图3所示。T.6l0KF图3图像盲解卷积普遍模型图像盲解卷积算法主要分为两大类:一类是先验模糊估计法,即根据降质图像确定PSF,然后用某种图像解卷积法来估计原图像,这类方法计算原理简单。第二类是联合估计法,即同时估计PSF和估计原图像,这类算法的原理复杂。1.2.1先验模糊估计方法先验模糊估计法要求首先辨识出