Деконволюция - Deconvolution

До и после деконволюции изображения лунного кратера Коперник с помощью Ричардсон-Люси алгоритм.

В математика, деконволюция является алгоритм -основанный процесс, используемый для улучшения сигналов из записанных данных. Если записанные данные могут быть смоделированы как чистый сигнал, искаженный фильтром (процесс, известный как свертка ), деконволюцию можно использовать для восстановления исходного сигнала.^[1] Концепция деконволюции широко используется в технике обработка сигналов и обработка изображений.

Основы деконволюции и анализ временных рядов были в значительной степени заложены Норберт Винер из Массачусетский Институт Технологий в его книге Экстраполяция, интерполяция и сглаживание стационарных временных рядов (1949).^[2] Книга основана на работе Винера, проделанной во время Вторая Мировая Война но в то время это было засекречено. Некоторые из первых попыток применить эти теории были в области прогноз погоды и экономика.

Описание

В общем, цель деконволюции - найти решение ж уравнения свертки вида:

${\displaystyle f*g=h\,}$

Обычно, час какой-то записанный сигнал, и ж это некоторый сигнал, который мы хотим восстановить, но был свернут с помощью фильтра или функции искажения грамм, прежде чем мы его записали. Функция грамм может представлять функция передачи инструмента или движущей силы, которая была приложена к физической системе. Если мы знаем грамм, или, по крайней мере, знать форму грамм, то мы можем выполнить детерминированную деконволюцию. Однако, если мы не знаем грамм заранее, то нам нужно это оценить. Чаще всего это делается с помощью методов статистический оценка.

В физических измерениях ситуация обычно ближе к

${\displaystyle (f*g)+\varepsilon =h\,}$

В этом случае ε является шум который вошел в наш записанный сигнал. Если предполагается, что зашумленный сигнал или изображение не содержат шумов, статистическая оценка грамм будет неверным. В свою очередь, оценка ƒ тоже будет неверным. Чем ниже соотношение сигнал шум, тем хуже будет оценка деконволютивного сигнала. Вот почему обратная фильтрация сигнал обычно не является хорошим решением. Однако, если существует хоть какое-то знание о типе шума в данных (например, белый шум ) оценка ƒ можно улучшить с помощью таких методов, как Винеровская деконволюция.

Деконволюция обычно выполняется путем вычисления преобразование Фурье записанного сигнала час и функция искажения (в общих чертах она известна как функция передачи ) грамм. Затем выполняется деконволюция в частотной области (при отсутствии шума) с использованием:

${\displaystyle F=H/G\,}$

куда F, грамм, и ЧАС являются преобразованиями Фурье ж, грамм, и час соответственно. Наконец, обратное преобразование Фурье функции F берется, чтобы найти оцененный сигнал деконволюции ж.

Приложения

Сейсмология

Концепция деконволюции получила раннее применение в сейсмология отражений. В 1950 г. Эндерс Робинсон был аспирантом в Массачусетский технологический институт. Он работал с другими в MIT, такими как Норберт Винер, Норман Левинсон, и экономист Пол Самуэльсон, разработать "сверточную модель" отражения сейсмограмма. Эта модель предполагает, что записанная сейсмограмма s(т) - свертка функции отражательной способности Земли е(т) и сейсмический вейвлет ш(т) из точечный источник, куда т представляет время записи. Таким образом, наше уравнение свертки имеет вид

${\displaystyle s(t)=(e*w)(t).\,}$

Сейсмолог интересуется е, который содержит информацию о строении Земли. Посредством теорема свертки, это уравнение может быть Преобразованный Фурье к

${\displaystyle S(\omega )=E(\omega )W(\omega )\,}$

в частотная область, куда ${\displaystyle \omega }$ - частотная переменная. Предполагая, что коэффициент отражения белый, мы можем предположить, что спектр мощности отражательной способности постоянна, и что спектр мощности сейсмограммы - это спектр вейвлета, умноженный на эту константу. Таким образом,

${\displaystyle |S(\omega )|\approx k|W(\omega )|.\,}$

Если предположить, что вейвлет минимальная фаза, мы можем восстановить его, вычислив минимальный фазовый эквивалент только что найденного спектра мощности. Отражательную способность можно восстановить, разработав и применив Винеровский фильтр который формирует оцененный вейвлет в Дельта-функция Дирака (т. е. шип). Результат можно рассматривать как серию масштабированных сдвинутых дельта-функций (хотя это не является математически строгим):

${\displaystyle e(t)=\sum _{i=1}^{N}r_{i}\delta (t-\tau _{i}),}$

куда N - количество событий отражения, ${\displaystyle r_{i}}$ являются коэффициенты отражения, ${\displaystyle t-\tau _{i}}$ время отражения каждого события, и ${\displaystyle \delta }$ это Дельта-функция Дирака.

На практике, поскольку мы имеем дело с зашумленными, конечными пропускная способность, конечная длина, дискретно отобранный наборов данных, описанная выше процедура дает только приблизительное значение фильтра, необходимого для деконволюции данных. Однако, формулируя проблему как решение Матрица Теплица и используя Рекурсия Левинсона, мы можем относительно быстро оценить фильтр с наименьшим среднеквадратичная ошибка возможный. Мы также можем выполнить деконволюцию непосредственно в частотной области и получить аналогичные результаты. Техника тесно связана с линейное предсказание.

Оптика и другие изображения

Пример развернутого изображения микроскопа.

В оптике и визуализации термин «деконволюция» специально используется для обозначения процесса обращения оптическое искажение что происходит в оптическом микроскоп, электронный микроскоп, телескоп, или другой инструмент для визуализации, создавая более четкие изображения. Обычно это делается в цифровой сфере программного обеспечения алгоритм, как часть набора обработка изображений с микроскопа техники. Деконволюция также удобна для повышения резкости изображений, которые страдают от быстрого движения или покачивания во время захвата. Рано Космический телескоп Хаббла изображения были искажены дефектное зеркало и были заточены деконволюцией.

Обычный метод заключается в предположении, что оптический путь через инструмент оптически идеален, он свернут с функция разброса точки (PSF), то есть математическая функция который описывает искажение с точки зрения пути теоретического точечный источник света (или других волн) проходит через инструмент.^[3] Обычно такой точечный источник вносит небольшую размытость в окончательное изображение. Если эту функцию можно определить, то нужно вычислить ее обратный или дополнительная функция, и свертка полученного изображения с этим. В результате получается исходное неискаженное изображение.

На практике найти истинную PSF невозможно, и обычно используется ее аппроксимация, рассчитанная теоретически.^[4] или на основе некоторой экспериментальной оценки с использованием известных датчиков. Реальная оптика также может иметь разные PSF в разных фокальных и пространственных положениях, и PSF может быть нелинейным. Точность приближения PSF будет определять окончательный результат. Для получения лучших результатов можно использовать различные алгоритмы, но за счет более интенсивных вычислений. Поскольку исходная свертка отбрасывает данные, некоторые алгоритмы используют дополнительные данные, полученные в ближайших фокальных точках, чтобы восполнить часть потерянной информации. Регуляризация в итерационных алгоритмах (как в алгоритмы ожидания-максимизации ) можно применять, чтобы избежать нереалистичных решений.

Когда PSF неизвестен, его можно вывести, систематически пробуя различные возможные PSF и оценивая, улучшилось ли изображение. Эта процедура называется слепая деконволюция.^[3] Слепая деконволюция - это хорошо зарекомендовавший себя метод восстановления изображений в астрономия, где точечный характер сфотографированных объектов раскрывает PSF, что делает его более осуществимым. Он также используется в флуоресцентная микроскопия для восстановления изображений и при флуоресценции спектральная визуализация для спектрального разделения множества неизвестных флуорофоры. Самый распространенный итеративный алгоритм для этой цели Деконволюция Ричардсона – Люси алгоритм; в Винеровская деконволюция (и приближения) являются наиболее распространенными неитеративными алгоритмами.

Изображение высокого разрешения ТГц достигается за счет деконволюции изображения ТГц и математически смоделированного ТГц PSF. (а) ТГц изображение интегральной схемы (ИС) до улучшения; (б) Математически смоделированный THz PSF; (c) Изображение высокого разрешения ТГц, которое достигается в результате деконволюции изображения ТГц, показанного на (а), и PSF, показанного на (b); (г) Рентгеновское изображение высокого разрешения подтверждает точность измеренных значений.^[5]

Для некоторых конкретных систем визуализации, таких как системы импульсного лазерного терагерца, PSF можно моделировать математически.^[6] В результате, как показано на рисунке, деконволюция смоделированного PSF и терагерцового изображения может дать представление терагерцового изображения с более высоким разрешением.

Радиоастрономия

При выполнении синтеза изображения в радио интерферометрия, особый вид радиоастрономия, один шаг состоит в деконволюции полученного изображения с помощью «грязного луча», который является другим названием для функция разброса точки. Обычно используемый метод - это ЧИСТЫЙ алгоритм.

Спектры поглощения

Деконволюция широко применялась для спектры поглощения.^[7] В Алгоритм Ван Читтерта (статья на немецком языке) можно использовать.^[8]

Аспекты преобразования Фурье

Деконволюция соответствует делению в Ко-домен Фурье. Это позволяет легко применять деконволюцию с экспериментальными данными, которые подлежат преобразование Фурье. Примером является ЯМР-спектроскопия где данные записываются во временной области, но анализируются в частотной области. Разделение данных во временной области на экспоненциальную функцию приводит к уменьшению ширины лоренцевских линий в частотной области.

Смотрите также

• Свертка
• Битовая плоскость
• Цифровой фильтр
• Фильтр (обработка сигнала)
• Дизайн фильтра
• Минимальная фаза
• Независимый компонентный анализ
• Винеровская деконволюция
• Деконволюция Ричардсона – Люси
• Цифровая коррекция помещения
• Бесплатная деконволюция
• Функция распределения точки
• Удаление размытия
• Нерезкое маскирование

Рекомендации

1. О'Хейвер, Т. «Введение в обработку сигналов - деконволюция». Университет Мэриленда в Колледж-Парке. Получено 2007-08-15.
2. Винер, Н. (1964). Экстраполяция, интерполяция и сглаживание стационарных временных рядов. Кембридж, Массачусетс: MIT Press. ISBN  0-262-73005-7.
3. Ченг, П. С. (2006). «Формирование контраста в оптической микроскопии». В Pawley, J. B. (ed.). Справочник по биологической конфокальной микроскопии (3-е изд.). Берлин: Springer. стр.189 –90. ISBN  0-387-25921-X.
4. Nasse, M. J .; Уол, Дж. К. (2010). «Реалистичное моделирование функции рассеяния точки освещения в конфокальной сканирующей оптической микроскопии». Журнал Оптического общества Америки A. 27 (2): 295–302. Bibcode:2010JOSAA..27..295N. Дои:10.1364 / JOSAA.27.000295. PMID  20126241.
5. Ахи, Киараш; Анвар, Мехди (26 мая 2016 г.). Анвар, Мехди Ф; Кроу, Томас В.; Манзур, Тарик (ред.). «Разработка уравнения терагерцового изображения и повышение разрешения терагерцовых изображений с помощью деконволюции». Proc. SPIE 9856, Терагерцовая физика, устройства и системы X: передовые приложения в промышленности и обороне, 98560N. Терагерцовая физика, устройства и системы X: передовые приложения в промышленности и обороне. 9856: 98560N. Bibcode:2016SPIE.9856E..0NA. Дои:10.1117/12.2228680.
6. Сун, Шиджун (2013). Терагерцовая визуализация и дистанционное зондирование для применения в медицинской визуализации. Электронные диссертации и диссертации UCLA.
7. Blass, W. E .; Холзи, Г. В. (1981). Деконволюция спектров поглощения.. Академическая пресса. ISBN  0121046508.
8. Ву, Чэнци; Айссауи, Идрисс; Жакей, Серж (1994). «Алгебраический анализ итерационного метода деконволюции Ван Ситтерта с общим коэффициентом релаксации». J. Opt. Soc. Являюсь. А. 11 (11): 2804–2808. Bibcode:1994JOSAA..11.2804X. Дои:10.1364 / JOSAA.11.002804.