Recentemente ho iniziato a studiare algoritmi di deconvoluzione e soddisfatte le seguenti modello acquisizione:Deconvoluzione di tende multicanale nella formulazione più semplice: come risolvere?
dove f è l'immagine originale (latente), g è l'ingresso di immagini (osservato), h è la funzione di diffusione dei punti (kernel di degradazione), n è un rumore additivo casuale e * è l'operatore di convoluzione. Se sappiamo g e h, allora possiamo recuperare f utilizzando Richardson-Lucy algoritmo:
dove , (W, H) è la dimensione del supporto rettangolare di h e la moltiplicazione e la divisione sono in senso orario. Abbastanza semplice da codificare in C++, così ho fatto proprio così. Si è scoperto che è approssimato a f mentre i è inferiore a qualche m e quindi inizia rapidamente decadenza. Quindi l'algoritmo doveva essere fermato a questo m - l'iterazione più soddisfacente.
Se la funzione di diffusione di punto g è sconosciuto allora il problema è detto di essere cieco, e la modifica dell'algoritmo di Richardson-Lucy può essere applicato:
Per iniziale per f possiamo prendere g, come prima, e per ipotesi iniziali per h possiamo prendere banale PSF, o qualsiasi forma semplice che sarebbe simile al degrado dell'immagine osservata. Questo algoritmo funziona anche correttamente sui dati simulati.
Ora ritengo il problema deconvoluzione cieca multiframe con il seguente modello di acquisizione:
C'è un modo per sviluppare l'algoritmo di Richardson-Lucy per risolvere il problema in questa formulazione? Se no, c'è qualche altra procedura iterativa per il ripristino di f, che non sarebbe molto più complicato di quelli precedenti?
Grazie, lo esaminerò – Glinka