[发明专利]一种基于改进RL反卷积算法的星图去模糊方法

说明书

本发明公开了一种基于改进RL反卷积算法的星图去模糊方法，包括：(1)在星图模拟器中设置基本模拟参数，使用基本模拟参数模拟出清晰星图及对应的模糊星图；(2)根据惯性传感器元件数据计算各个所述模糊星图的点扩散函数；(3)采用RL反卷积算法完成星图去模糊化，并记录去模糊效果最优迭代次数和迭代步长；(4)将每幅模糊图像的点扩散函数、迭代次数和迭代步长作为输入进行神经网络预测模型的离线训练，训练完成后得到预测模型，输出为迭代次数和迭代步长。本发明克服了传统RL反卷积去模糊算法需要人为手动试探迭代次数、迭代步长来完成星图去模糊的缺点，提高了算法的实时性并且还显著提高了星图去模糊的效果。

技术领域

本发明涉及一种星图去模糊方法，具体涉及一种基于改进RL反卷积算法的星图去模糊方法。

背景技术

星图模糊是由于感光介质在曝光瞬间与被摄星空之间存在相对运动造成的。有限的星光能量分散在更多的像元上，造成星像模糊、质心定位不准。对于像移补偿，目前主要有机械式、光学式、电子式和图像式像移补偿法。

图像式像移补偿法是将模糊的星图进行复原来完成像移补偿，也是针对CMOS相机的一种补偿方法。与机械式、光学式、电子式方法不同，图像式像移补偿法是对已生成的数字图象进行后期处理来消除模糊，具有成本低，算法成熟，应用灵活等优点。在已知造成图像模糊的运动形式后，图像去模糊技术可以对分散的星光能量进行积累，以恢复清晰的星图。

常见的图像去模糊算法有维纳滤波和Richardson-Lucy(RL)反卷积算法等。其中，在使用维纳滤波对图像进行去模糊时需要知道图像和噪声的功率谱，而在实际的图像去模糊过程中要想明确知道图像和噪声的功率谱几乎是不可能的；另一方面,在使用维纳滤波时通常总把图像噪声设为白噪声，且与图像不相关，但大量事实表明有些噪声与图像中的像素存在相关关系，因此维纳滤波的应用受到了一定的限制，使用维纳滤波去模糊后的图像也很难达到理想的效果，并且去模糊后的图像鲁棒性也较差。RL反卷积去模糊算法也同样存在缺陷，如RL反卷积算法总是需要根据人为经验去设置迭代次数、迭代步长，这种根据人为经验设置参数的方法显然会降低RL反卷积算法的实时性。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种基于改进RL反卷积算法的星图去模糊方法，克服了传统RL反卷积算法人为经验设置参数导致的实时性差和去模糊后的图像鲁棒性较差的问题。

技术方案：本发明所述的基于改进RL反卷积算法的星图去模糊方法，包括以下步骤：

(1)在星图模拟器中设置基本模拟参数，使用所述基本模拟参数模拟出清晰星图及对应的模糊星图；

(2)根据惯性传感器元件数据计算各个所述模糊星图的点扩散函数；

(3)根据步骤(1)中模拟的所述清晰星图和步骤(2)中计算出的所对应模糊图像的点扩散函数，采用RL反卷积算法完成星图去模糊化，并记录去模糊效果最优迭代次数和迭代步长；

(4)将每幅模糊图像的点扩散函数、迭代次数和迭代步长作为输入进行神经网络预测模型的离线训练，训练完成后得到预测模型，输出为迭代次数和迭代步长。

优选的，步骤(1)中，所述基本模拟参数包括星敏感器视场大小、CMOS相机焦距、像素宽、像素高、星等级、位置噪声、星敏感器运动模型。

优选的，步骤(1)中，所述模糊星图的模拟过程是在清晰星图的模拟设置中随机加入伪星和随机缺星，并加入星敏感器抖动项，从而所述星图模拟器模拟出相应的模糊星图。

优选的，步骤(2)中，所述点扩散函数的计算方法为：

(21)根据所述星敏感器获取图像的频率，通过惯性传感器输出数据计算出当前帧和上一帧星图之间运动的距离；

(22)利用所述惯性传感器中陀螺仪输出的角速度对所述上一帧星图中恒星在当前帧中位置进行预测；