Gần đây tôi bắt đầu nghiên cứu các thuật toán bước đầu thực và đáp ứng được các mô hình mua lại sau:Đa kênh mù deconvolution trong công thức đơn giản nhất: làm thế nào để giải quyết?
nơi f là bản gốc (tiềm ẩn) hình ảnh, g là đầu vào (quan sát) hình ảnh, h là chức năng lan truyền điểm (hạt nhân suy thoái), n là nhiễu cộng ngẫu nhiên và * là toán tử chập. Nếu chúng ta biết g và h, sau đó chúng tôi có thể phục hồi f sử dụng thuật toán Richardson-Lucy:
nơi , (W, H) là kích thước của hỗ trợ hình chữ nhật của h và phép nhân và chia là theo chiều kim đồng hồ. Đủ đơn giản để viết mã trong C++, vì vậy tôi đã làm như vậy. Hóa ra là xấp xỉ với f trong khi i thì ít hơn một số m và sau đó nó bắt đầu phân rã nhanh chóng. Vì vậy, thuật toán chỉ cần được dừng lại tại số m - lần lặp lại thỏa đáng nhất.
Nếu chức năng điểm lây lan g cũng không rõ sau đó vấn đề được cho là mù, và việc sửa đổi các thuật toán Richardson-Lucy có thể được áp dụng:
Đối đoán ban đầu cho f chúng tôi có thể chụp g, như trước đây và để đoán ban đầu h chúng tôi có thể lấy PSF tầm thường hoặc bất kỳ hình thức đơn giản nào trông giống với suy thoái hình ảnh được quan sát. Thuật toán này cũng hoạt động bỏ tốt trên dữ liệu mô phỏng.
Bây giờ tôi xem xét các vấn đề bước đầu thực mù đa khung với mô hình mua lại sau:
Có cách nào để phát triển thuật toán Richardson-Lucy để giải quyết các vấn đề trong công thức này? Nếu không, có bất kỳ thủ tục lặp nào khác để khôi phục f, điều đó sẽ không phức tạp hơn nhiều so với các quy trình trước đó không?
Cảm ơn bạn, tôi sẽ xem xét – Glinka