基于计算光学的非完善光学系统图像质量提高及其应用研究

CIOMP OpenIR

	基于计算光学的非完善光学系统图像质量提高及其应用研究
	崔金林
学位类型	博士
导师	黄玮
	2018
学位授予单位	中国科学院大学(中国科学院长春光学精密机械与物理研究所)
学位授予地点	中国科学院大学(中国科学院长春光学精密机械与物理研究所)
学位名称	博士
关键词	盲去卷积非盲去卷积稀疏表示特征提取光学成像系统
摘要	利用数字图像处理提高非完善光学系统图像质量是当代成像科学的前沿学科。目前,将计算光学与数字图像处理有机结合是图像复原的主要技术手段之一。图像复原,即以图像去模糊为基本目的,利用退化过程的先验知识,恢复已被退化图像的本来面目。图像复原具有提高光学系统图像质量、降低硬件要求、改善图片质量等优点,广泛应用于军事、医学、测量、公共安全、交通监控和天文探测等领域,在科研和工业生产中占有重要地位。根据图像复原方法是否已知退化模型的点扩散函数(Point Spread Function,PSF),可以分为两种基本类型:盲去卷积方法和非盲去卷积方法。盲去卷积方法利用退化图像的特征估计PSF,能够有效地改善图像质量。但是,盲去卷积算法获取的最优方程解与真实解不符。目前,盲去卷积方法还无法有效复原受像差影响较大的图像。非盲去卷积方法使用正确的PSF,能够显著改善图像质量。但是,非盲去卷积方法无法对物体进行空间定位,所以,通常只使用一个PSF复原图像。当目标物体不在标定平面时,复原结果不适当,甚至失败。本文综合应用图像复原方法、光学成像系统、稀疏字典、卷积神经网络和空域滤波器,进行了修正像差的研究。论文提出的方法可以准确定位测试图像的空间位置,使非盲去卷积方法适用于实际光学成像系统,达到提高非完善光学系统图像质量的目的。本论文的研究工作主要有以下三个部分:一、使用盲去卷积算法和非盲去卷积算法,获取两类大量先验PSF,采用稀疏字典方法训练双字典。双字典用于精确获知物空间采样范围内任意标定面的空间位置,为解决非盲去卷积的空间定位问题提供参考方案,使先验PSF数量不受预测问题的限制。应用论文提出的方法,搭建非完善光学系统图像复原的平台。二、将光学成像系统物空间切割分段,每段内先验PSF使用自适应滤波器SUBDF(Sub-Dictionary Filter,SUBDF)进行筛选,优化PSF景深分布;然后,训练双字典,记为子字典。物空间内所有样本使用自适应滤波器MDF(Main Dictionary Filter,MDF)筛选后,训练双字典,记为主字典。主字典与子字典组成多重字典。应用多重字典,能有效缩减PSF预测时间,并且先验PSF的使用数量只受硬件内存的限制。应用论文提出的方法,搭建非完善光学系统图像复原的平台。三、分析PSF数据分布的空间特性,将物空间划分N类,N为划分数量。应用卷积神经网络方法判断PSF的类别,准确获取目标图像的物空间区域,使用该区域训练的子字典准确预测先验PSF。以达到缩减先验PSF预测时间的目的。应用论文提出的方法,搭建非完善光学系统图像复原的平台。
文献类型	学位论文
条目标识符	http://ir.ciomp.ac.cn/handle/181722/61623
专题	中国科学院长春光学精密机械与物理研究所
推荐引用方式 GB/T 7714	崔金林. 基于计算光学的非完善光学系统图像质量提高及其应用研究[D]. 中国科学院大学(中国科学院长春光学精密机械与物理研究所). 中国科学院大学(中国科学院长春光学精密机械与物理研究所),2018.

条目包含的文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
基于计算光学的非完善光学系统图像质量提高（5748KB）	学位论文		开放获取	CC BY-NC-SA	请求全文