本發(fā)明涉及一種基于圖像分塊和選幀的大視場太陽光球圖像重建方法，屬于天文技術(shù)和圖像處理技術(shù)領(lǐng)域。

背景技術(shù)：

天文圖像在采集過程中，由于大氣湍流的因素限制了地面望遠鏡的成像分辨率，而在太陽觀測圖像中，短曝光像存在嚴重的隨機畸變，因此需要對采集的天文圖像進行重建，以消除大部分大氣湍流對圖像的影響，這對太陽活動的研究顯得尤為重要。

圖像重建技術(shù)起源于20世紀70年代，目前太陽高分辨率圖像重建技術(shù)主要有兩類：(1)以斑點圖的各階統(tǒng)計為基礎(chǔ)的斑點成像技術(shù)(Speckle Imaging，簡稱SI)，(2)基于退卷積瞬時點擴展函數(shù)的太陽多幀盲反卷積(Multi-Frame Blind Deconvo-lution，簡稱MFBD)和相位差法(Phase Diversity，簡稱PD)。

斑點成像技術(shù)的算法是基于一組含高頻信息的短曝光圖像的統(tǒng)計計算來重建目標高頻信息，重建算法遵循湍流大氣成像理論和線性理論。其按統(tǒng)計方式分有一階矩統(tǒng)計、二階統(tǒng)計和三階統(tǒng)計；按重建算法主要分為頻域重建和空域重建兩類。頻域重建方法分為：基于二階統(tǒng)計的Labeyrie法、Knox-Thompson法和三階統(tǒng)計的斑點掩模法；基于一階統(tǒng)計的方法都為空域重建方法分為：簡單位移疊加法、迭代位移疊加法和基于選幀的相關(guān)位移疊加法等。

基于退卷積瞬時點擴展函數(shù)的太陽多幀盲反卷積和相位差法則是試圖通過優(yōu)化算法找到最接近實際的瞬時點擴展函數(shù)，并在優(yōu)化過程中退掉瞬時點擴展函數(shù)的方式來重建目標。

然而，因望遠鏡拍攝天文圖像的尺寸大小、星體部位等各方面的不同，對圖像處理的要求也不同。例如，觀測太陽的圖像就有全日面圖像、半日面圖像、局部圖像、黑子圖像、米粒圖像等等；一部分圖像需要對所有細節(jié)進行重建，一部分則需要對特定部分進行精密重建。

本發(fā)明處理的實驗數(shù)據(jù)來源于我國云南省撫仙湖太陽觀測基地的光學(xué)和近紅外太陽爆發(fā)探測望遠鏡(Optical and Near-infrared Solar Eruption Tracer,ONSET)。ONSET望遠鏡圖像分辨率為3102*2720，該圖像的處理要求是盡可能使圖像中各個細節(jié)清晰地顯示出來，這就需要對整張圖的所有部分都進行重建，屬于上述介紹的空域重建。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種基于圖像分塊和選幀的大視場太陽光球圖像重建方法，本發(fā)明使用的方法相對現(xiàn)在已有的圖像重建技術(shù)來說更加有效的改善了大氣湍流對望遠鏡成像的影響，有效的選幀使重建后的圖像更為清晰和細膩，分塊留出的重疊區(qū)和恰當?shù)钠唇犹幚斫鉀Q了子塊拼接所產(chǎn)生的縫隙，從放大的效果來看，拼接處的效果理想，過渡自然，沒有明顯的縫隙。

本發(fā)明的技術(shù)方案是：一種基于圖像分塊和選幀的大視場太陽光球圖像重建方法，所述方法的具體步驟為：

步驟1：圖像分塊：對待重建的圖像序列中每一幀圖像進行分塊，將其分割為若干個大小相同、邊緣部分重疊的子塊，且每個相同位置的子塊構(gòu)成一個子塊序列；

步驟2：最佳子塊挑選：采用平均梯度值方法從每個子塊序列中挑選出圖像質(zhì)量最好的一個子塊作為最佳子塊圖像；

步驟3：最佳背景圖像挑選：采用平均梯度值方法從待重建的圖像序列中挑出整體圖像質(zhì)量最好的一幀作為背景圖像，把此背景圖像分塊構(gòu)成最佳背景圖像子塊序列；

步驟4：子塊對齊：采用互相關(guān)方法計算出最佳子塊圖像相對于最佳背景圖像子塊序列的偏移量后，將每個子塊序列中最佳子塊圖像與所對應(yīng)的最佳背景圖像子塊對齊形成待融合的子塊；

步驟5：子塊融合實現(xiàn)重建：將對齊后的待融合的子塊按對應(yīng)的位置拼接成完整圖像。

本發(fā)明的有益效果是：

1、本發(fā)明有效的改善了大氣湍流對望遠鏡成像中局部位置變形、模糊、偏移、失真等影響，平均梯度值方法能有效剔除圖像序列中變形模糊嚴重、細節(jié)不完整的圖像并且能夠挑選出受大氣湍流影響最小、細節(jié)最豐富，質(zhì)量最好的圖像及局部用于重建，圖像的各部分細節(jié)經(jīng)過重建后更為準確，清晰，拼接處完整自然沒有縫隙；

2、本發(fā)明能夠較好的選出每幀圖像中質(zhì)量最好的子部分，再將序列中最好的子部分拼接成一幅完整圖像，從而使重建后的圖像在各個部分都比直接拍攝的圖像清晰，消除了大部分大氣湍流對拍攝圖片產(chǎn)生的隨機畸變；

3、本發(fā)明重建后的圖像大黑子邊上的小黑子與周圍的米粒組織結(jié)構(gòu)對比度更大，且小黑子結(jié)構(gòu)邊界清晰，細節(jié)豐富；

4、本發(fā)明分塊留出重疊區(qū)對子塊的拼接所產(chǎn)生的縫隙有明顯改善，重建后圖像的拼接處從放大的效果來看，拼接處的效果理想，過渡自然，沒有明顯的縫隙。

附圖說明

圖1是本發(fā)明重建高分辨率圖像方法的總體流程圖；

圖2是本發(fā)明中云南省撫仙湖太陽觀測基地的光學(xué)和近紅外太陽爆發(fā)探測望遠鏡觀測到的高分辨率圖像；

圖3是圖像分塊示意圖；

圖4是局部圖像序列利用平均梯度值排序后的20張圖像的排列圖像；

圖5是待重建原圖像黑子局部圖像；

圖6是重建后圖像黑子局部圖像；

圖7是重建后圖像局部米粒對比圖；

圖8是重建后圖像局部小黑子對比圖；

圖9是重建后圖像的拼接處圖像。

具體實施方式

實施例1：如圖1-9所示，一種基于圖像分塊和選幀的大視場太陽光球圖像重建方法，所述方法的具體步驟為：

步驟1：圖像分塊：對待重建的圖像序列中每一幀圖像進行分塊，將其分割為若干個大小相同、邊緣部分重疊的子塊，且每個相同位置的子塊構(gòu)成一個子塊序列；

具體的，本例中的圖像數(shù)據(jù)來源于云南省撫仙湖太陽觀測基地的光學(xué)和近紅外太陽爆發(fā)探測望遠鏡(Optical and Near-infrared Solar Eruption Tracer,ONSET)觀測到的高分辨率圖像，圖2為ONSET望遠鏡于2013年5月27日06:02時的觀測圖像)，為了能夠解決子塊拼接出現(xiàn)縫隙對重建圖像的影響，本發(fā)明在對圖像進行分塊時將每個相鄰子塊邊緣留出5個像素的重疊區(qū)，如圖3所示，子塊1為圖像中任意的一個子塊，子塊1分別與子塊2、子塊3、子塊4、子塊5相鄰，它們互相間都有5像素的重疊區(qū)域，子塊1周圍的四個頂點區(qū)域為三個子塊的重疊區(qū)域。

本發(fā)明實驗數(shù)據(jù)的圖像大小為3104行2720列，經(jīng)試驗，將每個子塊的大小為100行100列較為合理，扣除其中5像素重疊區(qū)，則每塊分為95行95列，但圖像按100*100規(guī)格不能分成整數(shù)塊，所以分塊時舍棄圖像右側(cè)和下方將產(chǎn)生不足100列或100行的部分，共分為28個列塊和32個行塊。每列截取區(qū)域為95*27+100*1，前27個子塊每塊為95列，最后一個子塊為100列，所截取列數(shù)為0到2664列。同理行方向上的截取行數(shù)為0到3044行。最后，將原始圖像序列中每張圖像截取到的相同位置子塊存儲到同一個子塊序列中。

步驟2：最佳子塊挑選：采用平均梯度值方法從每個子塊序列中挑選出圖像質(zhì)量最好的一個子塊作為最佳子塊圖像；

具體的，在得到相同位置的子塊序列后需對其進行圖像的選幀。由于目標圖像中物體邊緣和細節(jié)較多，使用平均梯度值作為圖像質(zhì)量評價標準效果較好，其公式為：

$AG=\frac{1}{(M-1)(N-1)}\underset{i=1}{\overset{M-1}{\Σ}}\underset{j=1}{\overset{N-1}{\Σ}}\sqrt{\frac{{\left(F\right(i+1,j)-F(i,j\left)\right)}^2+{\left(F\right(i,j+1)-F(i,j\left)\right)}^2}{2}}$

其中AG為平均梯度值，F(xiàn)(i,j)為圖像中第i行，第j列的灰度值，M為圖像總行數(shù)，N為圖像總列數(shù)。(F(i+1,j)-F(i,j))²為F點與其下方點的灰度值之差的平方，(F(i+1,j)-F(i,j))²為F點與其右側(cè)點的灰度值之差的平方。將兩個平方相加后除以2再開根號，所得值即為單個點的梯度值。再將圖像中所有像素點的梯度值累加后求平均，即為所求圖像的平均梯度值。

求得平均梯度值后將同一子塊序列的圖像按平均梯度值由大到小排序，平均梯度值越大圖像越清晰，由此，子塊序列的第一張就是該圖像序列中的最佳子塊。圖4為子塊圖像序列采用平均梯度值法排序后前20張圖像序列，此圖像用肉眼觀察就能判斷出圖像的質(zhì)量依次是從好到壞的。

步驟3：最佳背景圖像挑選：采用平均梯度值方法從待重建的圖像序列中挑出整體圖像質(zhì)量最好的一幀作為背景圖像，把此背景圖像分塊構(gòu)成最佳背景圖像子塊序列；

最佳子塊挑選完后采用上述步驟2中的平均梯度值法計算出原始圖像序列中整張圖像的平均梯度值，將所有圖像按其平均梯度值由大到小排序，選擇第一張即為背景圖像。隨后按步驟1的方法將其分塊，單獨放到背景圖像序列中，這些背景圖像子塊將作為最佳子塊的對齊基準。

步驟4：子塊對齊：采用互相關(guān)方法計算出最佳子塊圖像相對于最佳背景圖像子塊序列的偏移量后，將每個子塊序列中最佳子塊圖像與所對應(yīng)的最佳背景圖像子塊對齊形成待融合的子塊；

具體的，為了能夠解決子塊拼接出現(xiàn)縫隙對重建圖像的影響，本實驗在融合拼接前先進行子塊對齊。對齊首先利用互相關(guān)算法計算圖像間的偏移量，兩幅圖相關(guān)性最強的位置坐標即為偏移量，得到偏移量后將最佳子塊平移與背景圖像子塊對齊。最佳子塊大小和信息不能改變，若移動最佳子塊圖像會使最佳子塊中一部分超出背景子塊邊界，而另一部分相對于背景圖像區(qū)域則會缺失，因此將移動后的最佳子塊超出背景圖像區(qū)域部分賦值為0，缺失部分用背景圖像填補，至此完成子塊對齊。

步驟5：子塊融合實現(xiàn)重建：將對齊后的待融合的子塊按對應(yīng)的位置拼接成完整圖像。

具體的，將對齊后的待融合的子塊按子塊序列的順序向新矩陣中寫入數(shù)據(jù)。由于最佳子塊間有五個像素的重疊區(qū)，所以寫入時有部分重疊，采用的解決方法是：寫數(shù)據(jù)前檢測寫入位置的值，若值為0，直接賦值；若值不為0，與原值相加后取平均值寫入，最終完成子塊融合。本發(fā)明分塊留出重疊區(qū)對子塊的拼接所產(chǎn)生的縫隙有明顯改善，圖9為重建后圖像經(jīng)放大的拼接處。從放大的效果來看，拼接處的效果理想，過渡自然，沒有明顯的縫隙。

為了展示重建后效果，以下對照圖例進行說明：圖5為重建前于圖像序列中隨機選取的一個黑子局部，圖6為圖像重建后的同一個黑子局部，由所附圖5與圖6對比可以看出：圖6中黑子半影區(qū)中的線條更加清晰，明顯。大黑子邊上的小黑子與周圍的米粒組織結(jié)構(gòu)對比度更大。附圖7是米粒結(jié)構(gòu)部分的對比，左側(cè)為重建前某一局部的米粒結(jié)構(gòu)圖像，右側(cè)為重建后同一位置的圖像，從圖7中可以明顯看出，右側(cè)圖像的清晰度較左側(cè)圖像有了一定程度的提高，左側(cè)窗口中的米粒組織模糊，米粒組織之間分割不清晰，而右側(cè)圖像米粒組織與米粒組織之間有較為清晰的分割。圖8為圖像局部對比圖，其中包含了小的黑子結(jié)構(gòu)，小的黑子結(jié)構(gòu)很可能因為大氣都抖動而在圖片上消失，并且它的邊界往往是模糊的，而圖8右側(cè)重建后圖像較左側(cè)重建前圖像小黑子結(jié)構(gòu)邊界更為清楚，細節(jié)豐富。

上面結(jié)合附圖對本發(fā)明的具體實施方式作了詳細說明，但是本發(fā)明并不限于上述實施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下作出各種變化。