基于Boltzmann函数刃边拟合的光栅成像系统点扩展函数模型 下载: 934次
1 引言
由于受外在条件的影响,光学成像系统难免会有像差。部分光学系统可以通过优化光路设计来消除像差影响,而对于无法通过光学设计来消除像差的光学系统,可以采用图像复原方法[1-4]。此类方法主要通过获取像差图像(即退化图像)的点扩展函数(PSF)来对像差造成的模糊图像进行反向卷积复原,从而获得清晰的图像。点扩展函数的提取是步骤中的关键,而刃边函数(ESF)的拟合是点扩展函数提取过程中尤为关键的一环。
目前,关于刃边拟合函数的研究取得了丰富的研究成果。谢丁杰等[5]为了弥补卡塞格林光学系统成像质量的损失,运用调制传递函数补偿(MTFC)技术,采用倾斜刃边法提取点扩展函数,对退化图像进行复原,取得了良好效果。杨利红等[6]对不同拟合模型进行对比实验,发现Gauss刃边拟合函数可以有效地缓解遥感相机成像造成的图像模糊现象。方明等[7]提取基于最优费米函数的点扩展函数,通过质量评价算法来决定费米拟合次数,对刃边曲线进行多次拟合,提高了遥感图像的点扩展函数估算精度。上述方法都适用于遥感成像系统,图像模糊程度相对较低。但光栅成像系统图像存在因像差大而刃边部分像素跨度较大的情况,此时传统的刃边拟合函数方法并不适用;另一方面,基于成像系统建立的点扩展函数模型不具有光栅成像系统的特性。光栅成像系统的点扩展函数易受入射角影响,但其点扩展函数模型有别于显微透镜成像的对顶双锥体[8-11],需要探寻符合光栅成像系统的点扩展函数模型。
针对以上问题,本文提出了一种基于Boltzmann函数的刃边拟合方法。通过提取光栅所形成图像中的刃边部分,采用Boltzmann函数对刃边部分进行刃边拟合,对像差较大的图像进行点扩展函数提取,可有效提高提取精度和图像复原质量;采用双曲函数对点扩展函数的轴向水平剖面的能量分布进行描述,在光栅成像系统中,构建以入射角为自变量的点扩展函数模型。
2 光栅系统成像特征
平面等周期光栅对物体成的虚像一般都存在像差,光栅的像差主要表现为像散,而像散程度受物光的入射角影响。仅当光栅的某级衍射光以最小偏向角入射时,该衍射光形成的物体虚像无像散,此时子午像距和弧矢像距相等[12],所看到的图像是清晰的;当入射光角度偏离最小偏向角时,图像变得模糊,其中子午像距基本不变,而弧矢像距快速变化。
搭建的光路如
将相机聚焦于光栅一级衍射光在最小偏向角(此时入射角与衍射角相等,θ=-18°)下的物体虚像,保持相机焦距不变,改变光入射角θ,以2°为间隔拍摄序列图像,结果如
3 刃边拟合与点扩展函数模型建立
为了对模糊图像进行复原,需要求取其PSF。采用Boltzmann函数对刃边函数进行拟合,进而构建更精确的PSF。
3.1 刃边拟合函数对比
式中:A1、A2分别为拟合曲线的起始值和终止值;xE为水平方向的刃边点位置,此参数和刃边图像的截取相关;k为刃边过渡程度的参数,数值越小,过渡越快,刃边跨度越小。拟合结果如
图 3. 刃边图像和不同函数拟合的效果。(a)刃边图像;(b)不同函数的拟合结果;(c)局部放大
Fig. 3. Edge image and fitting effects of different functions. (a) Edge image; (b) fitting results of different functions; (c) local enlargement
采用和方差(SSE)、确定系数(R-square)、方均根误差(RMSE)对拟合优度进行评价。其中SSE和RMSE值越小,误差越小,拟合效果越好;R-square值越接近1,说明误差越小。
表 1. 不同函数对ESF的拟合优度
Table 1. Fitting goodness of different functions on ESF
|
3.2 光栅成像点扩展函数建模
提取到对应的ESF后,对水平方向的ESF求导,得到水平方向的线扩展函数(LSF),表达式为
同理,垂直方向的线扩展函数表达式为
式中:yE为垂直方向的刃边点位置;kx、ky分别为水平和垂直方向刃边过渡程度的参数。
将获得的FLS(x)和FLS(y)相乘,即可得到点扩展函数FPS(x,y):
通过(2)~(4)式,求得
由于光栅成像系统的PSF在最小偏向角附近的能量分布变化呈非线性,且水平方向和垂直方向的LSF发散程度不同,所以PSF模型有别于显微透镜成像时的对顶双锥体,因此借鉴Gauss光束[13]理论研究中常用的双曲函数对序列PSF的轴向水平剖面能量分布进行描述,如
PSF半径ω(θ)与θ的关系为
为方便计算,在角度间隔为2°,入射角为8°~-38°时,对光栅所成的一级衍射像以最小偏向角为0°进行变换,即将最小偏向角定义为θ=0°,每组PSF能量值均以最小偏向角时的能量值为标准并对其进行归一化处理,采用(5)式对序列图像的轴向水平剖面的能量分布进行拟合。
不同能量下曲线的拟合优度如
表 2. 不同能量下曲线的拟合参数
Table 2. Fitting parameters of curves under different light intensities
|
表 3. 不同能量下曲线的拟合优度
Table 3. Fitting goodness of curves under different light intensities
|
4 光栅图像复原效果评价
4.1 图像质量评价标准
通过得到的图像PSF,采用Lucy-Richardson算法[14-16]对像差图像进行复原,并选取灰度平均梯度(GMG)[17]和结构相似性(SSIM)[18]两个指标作为复原前后图像的质量评价标准。GMG反映图像中的微小细节反差和纹理变化特征,同时也能反映出图像的清晰度,GMG越大,图像层次越丰富,图像变化就越多,图像也就越清晰。SSIM用于评估两张图像边缘轮廓等几何结构信息的相似重合程度,其值越大,两幅图像之间的相似程度越高。两个指标的具体表达式为
式中:M和N为图像的维度;(i,j)为图像的离散坐标;μF和μP分别为原图像和复原后图像的亮度均值;σF和σP分别为原图像和复原后图像的对比度标准差,σFP为二者的协方差;ε1和ε2为常数,以保证分母不为0。对
表 4. 图像复原前后的质量评价
Table 4. Quality evaluation before and after image restoration
|
4.2 复原对比实验分析
为了进一步验证所提刃边拟合函数的有效性,对其与其他两种函数进行比较。在所拍摄的系列图像中选取入射角为-34°的1幅图像,分别采用Gauss函数的积分形式、Hyperbolic函数、Boltzmann函数对刃边函数拟合后再复原,复原结果如
图 10. 不同拟合函数的复原对比。(a) Gauss函数;(b) Hyperbolic函数;(c) Boltzmann函数
Fig. 10. Restoration comparison of different fitting functions. (a) Gauss function; (b) Hyperbolic function; (c) Boltzmann function
表 5. 不同拟合函数的质量评价
Table 5. Quality evaluation of different fitting functions
|
5 结论
针对传统刃边拟合方法不能有效地应用于像差较大的光栅图像中的问题,提出一种基于Boltzmann函数的刃边拟合方法。由所提方法构建的点扩展函数更精确,对不同模糊程度的图像进行复原后,GMG提升均在60.2%以上,SSIM提升均在66.5%以上,所提方法的复原效果优于其他同类方法。根据光栅成像特点,构建了以入射角为自变量的点扩展函数模型,为解决光栅像差问题及为该类型成像系统的图像复原提供了一种有效的方法和途径。平面光栅成像系统在对一般物体成像时仅以平面光栅为成像元件,是一种新型的无透镜成像系统,且体积小、质量轻,在****、航空工业、医学影像等领域具有广阔的应用前景。本文成果有助于对无透镜光栅成像新技术的研究。
[1] KöhlerR, HirschM, MohlerB, et al. Recording and playback of camera shake: benchmarking blind deconvolution with a real-world database[M] ∥Fitzgibbon A, Lazebnik S, Perona P, et al. Computer vision - ECCV 2012. Heidelberg: Springer, 2012: 27- 40.
[2] Chen Y M, Chen M M, Zhu L, et al. Measure and model a 3-D space-variant PSF for fluorescence microscopy image deblurring[J]. Optics Express, 2018, 26(11): 14375-14391.
[3] 陈荣军, 谭洪舟, 谭伟清, 等. 一种基于模糊图像处理的透镜快速测焦方法[J]. 光学学报, 2015, 35(2): 0210002.
[4] Pan JS, Dong JX, Tai YW, et al. Learning discriminative data fitting functions for blind image deblurring[C]∥2017 IEEE International Conference on Computer Vision (ICCV), October 22-29, 2017, Venice. New York: IEEE, 2017: 1077- 1085.
[5] 谢丁杰, 李铁成, 冯华君, 等. 卡塞格林光学遥感系统的图像复原[J]. 光学学报, 2011, 31(6): 0611004.
[6] 杨利红, 赵变红, 张星祥, 等. 点扩展函数Gauss拟合估计与遥感图像恢复[J]. 中国光学, 2012, 5(2): 181-188.
[7] 方明, 王成, 尹大力. 基于最优费米函数的点扩展函数求取与图像复原[J]. 光子学报, 2014, 43(S1): 0110001.
Fang M, Wang C, Yin D L. Optimal Fermi function based PSF calculation and image restoration[J]. Acta Photonica Sinica, 2014, 43(S1): 0110001.
[8] Zhou X, Molina R, Ma Y, et al. Parameter-free Gaussian PSF model for extended depth of field in brightfield microscopy[J]. IEEE Transactions on Image Processing, 2020, 29: 3227-3238.
[9] Aguet F, van de Ville D, Unser M. Model-based 2.5-D deconvolution for extended depth of field in brightfield microscopy[J]. IEEE Transactions on Image Processing, 2008, 17(7): 1144-1153.
[10] Holmes TJ, BhattacharyyaS, Cooper JA, et al. Light microscopic images reconstructed by maximum likelihood deconvolution[M] ∥Pawley J B. Handbook of biological confocal microscopy. Boston: Springer, 1995: 389- 402.
[11] ChackoN, LieblingM. Fast spatially variant deconvolution for optical microscopy via iterative shrinkage thresholding[C]∥2014 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), May 4-9, 2014, Florence, Italy. New York: IEEE, 2014: 2838- 2842.
[12] He X R, Zhang W P, Chen M X, et al. Study on astigmation of the virtual images formed by grating diffraction[J]. Proceedings of SPIE, 2006: 602731-602737.
[13] 崔立夫, 罗瑞芳. Gauss光束参数简介及束腰的快速测量计算[J]. 天津科技, 2018, 45(1): 27-31.
Cui L F, Luo R F. Introduction of Gaussian beam parameters and rapid measurement and calculation of beam waist[J]. Tianjin Science & Technology, 2018, 45(1): 27-31.
[14] Li T J, Yuan Y, Shuai Y, et al. Joint method for reconstructing three-dimensional temperature of flame using Lucy-Richardson and nearest neighbor filtering using light-field imaging[J]. Science China Technological Sciences, 2019, 62(7): 1232-1243.
[15] 李勇, 范承玉, 时东锋, 等. 基于加速阻尼Richardson-Lucy算法的湍流退化图像盲复原方法[J]. 激光与光电子学进展, 2011, 48(8): 081001.
[16] 张艳艳, 王欢欢, 陈苏婷. 基于Lucy-Richardson的自适应光学图像复原[J]. 信息技术, 2015, 39(12): 35-37, 41.
Zhang Y Y, Wang H H, Chen S T. Adaptive optics image restoration based on Lucy-Richardson[J]. Information Technology, 2015, 39(12): 35-37, 41.
[17] Rajora S, Butola M, Khare K. Mean gradient descent: an optimization approach for single-shot interferogram analysis[J]. Journal of the Optical Society of America A, 2019, 36(12): D7-D13.
[18] Wang Z, Bovik A C, Sheikh H R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4): 600-612.
Article Outline
卢泉, 张泽昊, 张卫平, 刘诣荣. 基于Boltzmann函数刃边拟合的光栅成像系统点扩展函数模型[J]. 光学学报, 2020, 40(14): 1405003. Quan Lu, Zehao Zhang, Weiping Zhang, Yirong Liu. Point Spread Function Model of Grating Imaging System Based on Boltzmann Function Edge Fitting[J]. Acta Optica Sinica, 2020, 40(14): 1405003.