Документация

Шаг 1: Readimage

Пример читает в изображении RGB и обрезках его, чтобы быть 256 256 3. Функция deconvlucy может обработать массивы любой размерности.

I = imread('board.tif');
I = I(50+(1:256),2+(1:256),:);
figure;
imshow(I);
title('Original Image');
text(size(I,2),size(I,1)+15, ...
    'Image courtesy of courtesy of Alexander V. Panasyuk, Ph.D.', ...
    'FontSize',7,'HorizontalAlignment','right');
text(size(I,2),size(I,1)+25, ...
    'Harvard-Smithsonian Center for Astrophysics', ...
    'FontSize',7,'HorizontalAlignment','right');

Шаг 2: моделируйте размытость и шум

Моделируйте реальное изображение, которое могло быть размыто из-за движения камеры или отсутствия особого внимания. Изображение могло также быть шумным из-за случайных воздействий. Пример моделирует размытость путем свертки к Гауссову фильтру с истинным изображением (использующий imfilter). Гауссов фильтр затем представляет функцию рассеяния точки, PSF.

PSF = fspecial('gaussian',5,5);
Blurred = imfilter(I,PSF,'symmetric','conv');
figure;
imshow(Blurred);
title('Blurred');

Пример моделирует шум путем добавления Гауссова шума отклонения V к размытому изображению (использующий imnoise). Шумовое отклонение V используется позже, чтобы задать параметр затухания алгоритма.

V = .002;
BlurredNoisy = imnoise(Blurred,'gaussian',0,V);
figure;
imshow(BlurredNoisy);
title('Blurred & Noisy');

Шаг 3: восстановите размытое и шумное изображение

Восстановите размытое и шумное изображение, обеспечивающее PSF, и использующий только 5 итераций (значение по умолчанию равняется 10). Вывод является массивом того же типа как входное изображение.

luc1 = deconvlucy(BlurredNoisy,PSF,5);
figure;
imshow(luc1);
title('Restored Image, NUMIT = 5');

Шаг 4: выполните итерации, чтобы исследовать восстановление

Получившиеся изменения образа с каждой итерацией. Чтобы исследовать эволюцию восстановления изображений, можно сделать развертку на шагах: сделайте набор итераций, смотрите результат, и затем возобновите итерации от того, где они были остановлены. Для этого входное изображение должно быть передано как часть массива ячеек. Например, запустите первый набор итераций путем передачи в {BlurredNoisy} вместо BlurredNoisy как входной параметр изображения.

luc1_cell = deconvlucy({BlurredNoisy},PSF,5);

В этом случае вывод, luc1_cell, становится массивом ячеек. Ячейка вывод состоит из четырех числовых массивов, где первым является изображение BlurredNoisy, вторым является восстановленное изображение класса дважды, третий массив является результатом one-last итерации, и четвертый массив является внутренним параметром выполненного с помощью итераций набора. Второй числовой массив выходного массива ячеек, luc1_cell{2} изображений, идентичен выходному массиву Шага 3, изображение luc1, за возможным исключением их класса (ячейка вывод всегда дает восстановленное изображение класса дважды).

Чтобы возобновить итерации, возьмите вывод из предыдущего вызова функции, массив ячеек luc1_cell, и передайте его в функцию deconvlucy. Используйте количество по умолчанию итераций (NUMIT = 10). Восстановленное изображение является результатом в общей сложности 15 итераций.

luc2_cell = deconvlucy(luc1_cell,PSF);
luc2 = im2uint8(luc2_cell{2});
figure;
imshow(luc2);
title('Restored Image, NUMIT = 15');

Шаг 5: управляйте шумовым усилением путем затухания

Последнее изображение, luc2, является результатом 15 итераций. Несмотря на то, что это более резко, чем более ранний результат 5 итераций, изображение разрабатывает "пестрый" внешний вид. Веснушки не соответствуют никаким действительным структурам (сравните его с истинным изображением), но вместо этого результат приспосабливания шума в данных слишком тесно.

Чтобы управлять шумовым усилением, используйте опцию затухания путем определения параметра DAMPAR. DAMPAR должен иметь тот же класс как входное изображение. Алгоритм ослабляет изменения в модели в областях, где различия являются небольшими по сравнению с шумом. DAMPAR, используемый здесь, равняется 3 стандартным отклонениям шума. Заметьте, что изображение более сглаженно.

DAMPAR = im2uint8(3*sqrt(V));
luc3 = deconvlucy(BlurredNoisy,PSF,15,DAMPAR);
figure;
imshow(luc3);
title('Restored Image with Damping, NUMIT = 15');

Следующая часть этого примера исследует параметры входа WEIGHT и SUBSMPL функции deconvlucy, с помощью моделируемого звездообразного изображения (для простоты & скорости).

Шаг 6: создайте демонстрационное изображение

Пример создает черное/белое изображение четырех звезд.

I = zeros(32);
I(5,5) = 1;
I(10,3) = 1;
I(27,26) = 1;
I(29,25) = 1;
figure;
imshow(1-I,[],'InitialMagnification','fit');
ax = gca;
ax.Visible = 'on';
ax.XTickLabel = [];
ax.YTickLabel = [];
ax.XTick = [7 24];
ax.XGrid = 'on';
ax.YTick = [5 28];
ax.YGrid = 'on';
title('Data');

Шаг 7: моделируйте размытость

Пример моделирует размытость изображения звезд путем создания Гауссова фильтра, PSF, и свертки к нему с истинным изображением.

PSF = fspecial('gaussian',15,3);
Blurred = imfilter(I,PSF,'conv','sym');

Теперь моделируйте камеру, которая может только наблюдать часть изображений звезд (только размытость замечена). Создайте массив функции взвешивания, ВЕС, который состоит из единиц в центральной части Размытого изображения ("хорошие" пиксели, расположенные в пунктирных линиях) и нули в ребрах ("плохие" пиксели - те, которые не получают сигнал).

WT = zeros(32);
WT(6:27,8:23) = 1;
CutImage = Blurred.*WT;

Чтобы уменьшать вызов, сопоставленный с границами, примените функцию edgetaper с данным PSF.

CutEdged = edgetaper(CutImage,PSF);
figure;
imshow(1-CutEdged,[],'InitialMagnification','fit');
ax = gca;
ax.Visible = 'on';
ax.XTickLabel = [];
ax.YTickLabel = [];
ax.XTick = [7 24];
ax.XGrid = 'on';
ax.YTick = [5 28];
ax.YGrid = 'on';
title('Observed');

Шаг 8: обеспечьте массив ВЕСА

Веса алгоритма каждое пиксельное значение согласно массиву ВЕСА при восстановлении изображения. В нашем примере только используются значения центральных пикселей (где ВЕС = 1), в то время как "плохие" пиксельные значения исключены из оптимизации. Однако алгоритм может поместить степень сигнала в местоположение этих "плохих" пикселей вне ребра представления камеры. Заметьте точность разрешенных звездообразных положений.

luc4 = deconvlucy(CutEdged,PSF,300,0,WT);
figure;
imshow(1-luc4,[],'InitialMagnification','fit');
ax = gca;
ax.Visible = 'on';
ax.XTickLabel = [];
ax.YTickLabel = [];
ax.XTick = [7 24];
ax.XGrid = 'on';
ax.YTick = [5 28];
ax.YGrid = 'on';
title('Restored');

Шаг 9: Обеспечьте прекраснее выбранный PSF

deconvlucy может восстановить субдискретизируемое изображение, учитывая более прекрасный выбранный PSF (более прекрасный ко временам SUBSMPL). Моделировать плохо разрешенное изображение и PSF, интервалы в качестве примера изображение Blurred и исходный PSF, два пикселя в одном, в каждой размерности.

Binned = squeeze(sum(reshape(Blurred,[2 16 2 16])));
BinnedImage = squeeze(sum(Binned,2));
Binned = squeeze(sum(reshape(PSF(1:14,1:14),[2 7 2 7])));
BinnedPSF = squeeze(sum(Binned,2));
figure;
imshow(1-BinnedImage,[],'InitialMagnification','fit');
ax = gca;
ax.Visible = 'on';
ax.XTick = [];
ax.YTick = [];
title('Binned Observed');

Восстановите субдискретизируемое изображение, BinnedImage, с помощью субдискретизируемого PSF, BinnedPSF. Заметьте, что изображение luc5 отличает только 3 звезды.

luc5 = deconvlucy(BinnedImage,BinnedPSF,100);
figure;
imshow(1-luc5,[],'InitialMagnification','fit');
ax = gca;
ax.Visible = 'on';
ax.XTick = [];
ax.YTick = [];
title('Poor PSF');

Следующий пример восстанавливает субдискретизируемое изображение (BinnedImage), на этот раз с помощью более прекрасного PSF (заданный на SUBSMPL-times более прекрасная сетка). Восстановленное изображение (luc6) разрешает положение звезд более точно. Отметьте, как это распределяет степень между этими двумя звездами в правом нижнем углу изображения. Это намекает на существование двух объектов высокой яркости, вместо одного, как в предыдущем восстановлении.

luc6 = deconvlucy(BinnedImage,PSF,100,[],[],[],2);
figure;
imshow(1-luc6,[],'InitialMagnification','fit');
ax = gca;
ax.Visible = 'on';
ax.XTick = [];
ax.YTick = [];
title('Fine PSF');