基于自适应非凸正则项的强天光背景下波前探测技术研究

The sensitivity and the dynamic range of Shake-Hartmann (S-H) wavefront sensor are seriously constrained by the skylight background and noises. Total variational regularization theory is used to constrain the noise in this application based on the target characteristics of the S-H wavefront sensor. The adaptive nonconvex regularization parameter is adopted to better keep the integrity of the point target in which the regularization parameters are selected adaptively according to the noise level in different regions. We focus on the establishment of wavefront sensor model based on adaptive non-convexity variation regularization in strong sky background and the optimization method of adaptive non-convexity variation regularization. The key issues are discussed in detail: (1) The selection principle of adaptive regularized parameter, in which non - convex adaptive regularization function based on gradient modulus is proposed.(2) The method of solving and optimizing the non-convex regularization model. The research has been very valuable, not only in theoretical aspect but also in practical applications in improving the detection sensitivity and dynamic range of S-H wavefront sensor.

天光背景及系统噪声严重制约夏克-哈特曼（S-H）波前传感器探测的灵敏度及动态范围。本申请从强天光背景下S-H波前传感器的目标特点出发，采用全变差正则化理论对噪声进行约束，同时为更好的保持点源目标的完整性，采用自适应非凸正则化参数，根据不同区域噪声水平自适应选取正则化参数。重点研究基于自适应非凸正则化的强天光背景下波前信号处理模型的建立方法及自适应非凸全变差正则化优化方法。对其中的关键问题进行详细讨论：（1）自适应正则化参数函数的选取原则，提出了基于梯度模量的非凸自适应正则化函数的选取方法；（2）非凸全变差正则化模型的求解方法。该研究对于提高S-H波前传感器探测灵敏度及动态范围，拓展其应用范围不仅具有重要的理论意义，同时具有一定的现实意义。

本项目从强天光背景及噪声下S-H波前传感器的目标特点出发，采用全变差正则化理论对噪声进行约束，同时为保持点源目标的完整性，采用自适应非凸正则化参数，根据不同区域噪声水平自适应选取正则化参数，提高波前传感器的探测灵敏度及动态范围。.（1）提出一种全新的变分模型来去除系统中的加性噪声，该模型采用非凸正则项以更好的保持点源目标的完整性，并能够自适应调整正则化参数，为了解决非凸正则项的收敛性较差的缺陷，本文提出采用分裂 Bregman 算法及增广拉格朗日对偶算法进行计算。实验及数值仿真结果都表明，该方法能够较好的去除系统中的加性噪声，且光斑信号保存的较为完整，处理后的质心探测精度也较高。.（2）采用各向异性扩散技术对Shack-Hartmann波前传感器噪声进行处理，结合目标及噪声特点提出了基于费米-狄拉克分布的扩散函数，从流量功能、函数的扩散速度及收敛速度上证明了该扩散函数的优势,并将其性能与常用各项异性扩散函数及相关改进算法进行了对比。采用蒙特卡罗模拟，验证了该算法在极限噪声及信号水平下的适用性，仿真结果表明基于费米-狄拉克分布的扩散函数可实现波前传感器高达一个天文数量级的灵敏度提高。实验结果也表明，该方法能有效的滤除噪声，并能更好的保持目标的完整性，且处理后的质心探测精度及信噪比也较高。.（3）提出了LMFH算法构建局部哈希学习函数；将该函数获得的二进制哈希代码映射到汉明距离，实现快速哈希匹配。依据重叠率构建预测区域，在预测区域内检测特征点并进行多特征描述，以现有上万幅光学图像为训练样本，通过哈希函数将高维的特征描述向量映射为紧凑的二进制哈希编码，在汉明空间通过汉明距离实现特征点的快速匹配。实验结果表明，相对于SURF算子， LMFH算法在准确度上提高了10%，匹配时间上减少了0.2s。LMFH算法可更快 更准确地实现CCD光学图像的匹配。