Слепая деконволюция - Википедия - Blind deconvolution

В электротехнике и Прикладная математика, слепая деконволюция является деконволюция без явного знания функция импульсного отклика используется в свертка. Обычно это достигается путем принятия соответствующих допущений о входных данных для оценки импульсной характеристики путем анализа выходных данных. Слепую деконволюцию невозможно решить без предположений о входных и импульсных характеристиках. Большинство алгоритмов для решения этой проблемы основаны на предположении, что как входной, так и импульсный отклик находятся в соответствующих известных подпространствах. Однако слепая деконволюция остается очень сложной задачей невыпуклой оптимизации даже при таком предположении.

Иллюстрация слепой деконволюции
Верхнее левое изображение: NGC224, автор Космический телескоп Хаббла. Верхний правый контур: наилучшее соответствие функция разброса точки (PSF) (априори).[1] Среднее левое изображение: Деконволюция максимальная апостериорная оценка (MAP), 2-я итерация. Средний правый контур: оценка PSF по MAP, 2-я итерация. Нижнее левое изображение: Деконволюция по MAP, окончательный результат. Нижний правый контур: оценка PSF по MAP, окончательный результат.

В обработке изображений

В обработка изображений, слепая деконволюция - это метод деконволюции, который позволяет восстановить целевую сцену из одного или набора «размытых» изображений в присутствии плохо определенных или неизвестных функция разброса точки (PSF).[2] Обычные методы линейной и нелинейной деконволюции используют известную PSF. Для слепой деконволюции PSF оценивается из изображения или набора изображений, что позволяет выполнить деконволюцию. Исследователи изучали методы слепой деконволюции в течение нескольких десятилетий и подошли к проблеме с разных сторон.

Большая часть работ по слепой деконволюции началась в начале 1970-х годов. Слепая деконволюция используется в астрономической визуализации и медицинской визуализации.

Слепая деконволюция может выполняться итеративно, при этом каждая итерация улучшает оценку PSF и сцены, или неитеративно, когда одно приложение алгоритма, основанное на внешней информации, извлекает PSF. Итерационные методы включают максимальная апостериорная оценка и алгоритмы ожидания-максимизации. Хорошая оценка PSF полезна для более быстрой сходимости, но не обязательна.

Примеры неитеративных методов включают SeDDaRA,[3] то кепстр преобразовать и APEX. Преобразование кепстра и методы APEX предполагают, что PSF имеет определенную форму, и необходимо оценить ширину формы. Для SeDDaRA информация о сцене предоставляется в виде эталонного изображения. Алгоритм оценивает PSF, сравнивая информацию о пространственной частоте в размытом изображении с информацией о целевом изображении.

Ограничение слепой деконволюции состоит в том, что и входное изображение, и ядро ​​размытия должны находиться в фиксированном подпространстве. Это означает входное изображение, представленное ш, должен быть записан как w = Bh, куда B - случайная матрица размера L на K (K час имеет размер K на 1, тогда как ядро ​​размытия, если оно представлено Икс, должен быть записан как х = см, где C - случайная матрица размера L на N (N и м имеет размер N на 1, наблюдаемое изображение, если оно представлено у, данный у = ш * х, можно восстановить, только если L> = K + N.

Примеры

Любое размытое изображение может быть использовано в качестве входных данных для алгоритма слепой деконволюции, оно может уменьшить размытость изображения, но основное условие работы этого алгоритма не должно нарушаться, как обсуждалось выше. В первом примере (изображение фигур) восстановленное изображение было очень хорошим, точно таким же, как и исходное изображение, потому что L> K + N. Во втором примере (изображение девушки) L

Размытое изображение, полученное сверткой исходного изображения с ядром размытия. Входное изображение находится в фиксированном подпространстве вейвлет-преобразования, а ядро ​​размытия находится в случайном подпространстве.

В обработке сигналов

Сейсмические данные

В случае деконволюция сейсмических данных, исходный неизвестный сигнал состоит из пиков, поэтому его можно охарактеризовать редкость ограничения[4] или же регуляризации Такие как л1 норма/л2 норма нормы нормы,[5] предложен В. К. Греем в 1978 г.[6]

Аудио деконволюция

Деконволюция аудио (часто называемая дереверберация) это реверберация сокращение аудиомиксов. Это часть обработки звука записей в некорректных случаях, таких как эффект коктейльной вечеринки. Одна из возможностей - использовать ICA.[7]

В целом

Предположим, у нас есть сигнал, передаваемый по каналу. Канал обычно можно смоделировать как линейная инвариантная относительно сдвига система, поэтому рецептор получает свертку исходного сигнала с импульсной характеристикой канала. Если мы хотим обратить эффект канала, чтобы получить исходный сигнал, мы должны обработать полученный сигнал второй линейной системой, инвертируя отклик канала. Эта система называется эквалайзер.

Восстановленное изображение после применения алгоритма слепой деконволюции. Этот алгоритм в основном решает проблему оптимизации с использованием минимизации ядерной нормы. L = 65536, K = 65 и N = 44838,

Если нам дан исходный сигнал, мы можем использовать технику наблюдения, например, найти Винеровский фильтр, но без него мы все равно можем изучить то, что нам известно о нем, и попытаться его восстановить. Например, мы можем отфильтровать полученный сигнал, чтобы получить желаемый спектральная плотность мощности. Так происходит, например, когда известно, что исходный сигнал не имеет автокорреляция, и мы "белить "полученный сигнал.

Отбеливание обычно оставляет немного фаза искажение результатов. Большинство методов слепой деконволюции используют статистику сигналов более высокого порядка и позволяют корректировать такие фазовые искажения. Мы можем оптимизировать эквалайзер для получения сигнала с PSF, приближенным к тому, что мы знаем об исходной PSF.

Исходное изображение
Размытое изображение: получено после свертки исходного изображения с ядром размытия. Исходное изображение находится в фиксированном подпространстве вейвлет-преобразования, а размытие - в случайном подпространстве. L = 65536, K = 200, N = 65400
Восстановленное изображение. восстановленное изображение сильно отличается от исходного изображения, так как нарушается важное условие для алгоритма слепой деконволюции с использованием минимизации ядерной нормы. L = 65536, K = 200, N = 65400

Статистика высокого порядка

Алгоритмы слепой деконволюции часто используют статистика высокого порядка, с моментами больше двух. Это может быть явным или неявным.[8]

Смотрите также

внешняя ссылка

Рекомендации

  1. ^ Бармби, Полина; McLaughlin, Dean E .; Харрис, Уильям Э .; Харрис, Гретхен Л. Х .; Форбс, Дункан А. (2007). «Структурные параметры шаровых скоплений в M31 и обобщения для фундаментальной плоскости» (PDF). Астрономический журнал. 133 (6): 2764–2786. arXiv:0704.2057. Bibcode:2007AJ .... 133.2764B. Дои:10.1086/516777.
  2. ^ Лам, Эдмунд Й .; Гудман, Джозеф У. (2000). «Итерационный статистический подход к деконволюции слепого изображения». Журнал Оптического общества Америки A. 17 (7): 1177–1184. Bibcode:2000JOSAA..17.1177L. Дои:10.1364 / JOSAA.17.001177.
  3. ^ Кэрон, Джеймс Н .; Намази, Надер М .; Роллинз, Крис Дж. (2002). «Безытеративное слепое восстановление данных с использованием функции извлеченного фильтра». Прикладная оптика. 41 (32): 6884–9. Bibcode:2002ApOpt..41.6884C. Дои:10.1364 / AO.41.006884. PMID  12440543.
  4. ^ Бродхед, Майкл (2010). «Разреженная сейсмическая деконволюция методом поиска ортогонального согласования». Цитировать журнал требует | журнал = (помощь)
  5. ^ Barmby, P .; McLaughlin, D.E .; Harris, W. E .; Харрис, Г. Л. Х .; Форбс, Д. А. (2015). «Евклид в такси: разреженная слепая деконволюция со сглаженной регуляризацией l1 / l2». Письма об обработке сигналов IEEE. 22 (5): 539–543. arXiv:1407.5465. Bibcode:2015ISPL ... 22..539R. Дои:10.1109 / LSP.2014.2362861.
  6. ^ Грей, У. К. (1978). «Деконволюция переменной нормы» (PDF). Архивировано из оригинал (PDF) на 2015-04-09. Цитировать журнал требует | журнал = (помощь)
  7. ^ Колдовский, Збынек; Тихавский, Петр (2007). «Слепое разделение источников звука во временной области с использованием передовых методов ICA». Материалы 8-й ежегодной конференции Международной ассоциации речевой коммуникации (Interspeech 2007). С. 846–849.
  8. ^ Кардосо, Ж.-Ф. (1991). «Суперсимметричная декомпозиция кумулянтного тензора четвертого порядка. Слепая идентификация большего количества источников, чем датчиков». [Труды] ICASSP 91: 1991 Международная конференция по акустике, речи и обработке сигналов. 5. С. 3109–3112. CiteSeerX  10.1.1.8.9380. Дои:10.1109 / ICASSP.1991.150113. ISBN  978-0-7803-0003-3.