CN107945131B - 射电干涉阵列分布式图像重建方法 - Google Patents
射电干涉阵列分布式图像重建方法 Download PDFInfo
- Publication number
- CN107945131B CN107945131B CN201711223264.3A CN201711223264A CN107945131B CN 107945131 B CN107945131 B CN 107945131B CN 201711223264 A CN201711223264 A CN 201711223264A CN 107945131 B CN107945131 B CN 107945131B
- Authority
- CN
- China
- Prior art keywords
- data
- current iteration
- representing
- jth
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000009977 dual effect Effects 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 25
- 239000000126 substance Substances 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012805 post-processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000614201 Adenocaulon bicolor Species 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开一种射电干涉阵列分布式图像重建方法,将射电干涉阵列图像重建的逆问题转换为等式约束条件下的凸优化问题,再转换为求解该问题的对偶问题,使用原始对偶算法,每次迭代需要的总计算成本较低,从而降低了该问题的求解复杂性;同时,将数据分割成多份,能够精确快速的分割数据;并使用多计算节点进行计算,方法灵活且具有较高的并行性能,可拓展性强。本发明不需要任何的数据后处理步骤,直接得到重建图像,最终得到的图像的动态范围更大,对延展结构的天体显示更加清晰,相比传统的方法更加高效。
Description
技术领域
本发明涉及射电天文成像技术领域,具体涉及一种射电干涉阵列分布式图像重建方法。
背景技术
射电干涉测量对射电成像起了至关重要的作用,它比单口径射电望远镜有更高的分辨率和灵敏度。然而,射电干涉仪受阵列中天线的数量数非常有限,这极大的限制了最终观测采样测量的数量。因此,由射电望远镜观测的采样测量值重建天体的亮度分布,即图像重建,这相当于解决一个病态的逆问题。传统解决方法大多是采用洁化CLEAN算法及其演变算法,演变算法包括Cotton&Schwab提出CLEAN算法简称CS-CLEAN和多尺度CLEAN算法简称MS-CLEAN,并没有采用现代最先进的图像重建技术。
下一代射电干涉仪,例如低频阵列(Low Frequency Array,LOFAR),默奇森宽视场阵列(Murchison Widefield Array,MWA),澳大利亚平方公里阵列探路者(AustralianSquare Kilometre Array Pathfinder,ASKAP)和平方公里阵列(Square KilometreArray,SKA),必定面临海量数据的处理与成像的极大挑战。这些科学大装置追求更远大、更高的科学目标,包括探测宇宙再电离,绘制大规模结构和探索宇宙磁场。若要实现这些科学目标,用来进行图像重建的方法必须是快速准确和具有较高的可拓展性。然而,上述的传统方法均是依赖本地贪婪迭代过程,当进行大数据处理时,将要消耗大量的内存和运行时间,不适合用于大规模并行计算和分布式计算。
发明内容
本发明所要解决的是现有的射电干涉阵列图像重建方法存在运行效率低、可拓展性差、依赖于复杂的参数设置的问题,提供一种射电干涉阵列分布式图像重建方法,其在天文大数据下能够快速的重建出精确的天文图像,并且具有良好的可拓展性能(或可伸缩性能)。
为解决上述问题,本发明是通过以下技术方案实现的:
射电干涉阵列分布式图像重建方法,包括步骤如下:
步骤1、中央节点将初始化参数广播并发送给计算节点;
步骤2、中央节点根据计算节点的个数nd,将射电干涉仪的测量数据分割为nd份;并将这nd份数据块分别发送给nd个计算节点;
如果未满足收敛条件,则迭代次数t+1,并返回步骤3;
其中,Φj表示第j个数据块的测量矩阵,yj表示第j个数据块的可见度数据,∈j表示第j个数据块的噪声上限,j∈{1,2,...,nd},nd表示计算节点的个数。
上述步骤2中,对测量数据进行分割的具体步骤如下:
步骤2.1、求出计算节点个数nd的所有约数,并将这些约数按从小到大的顺序排列为一维数组ndiv;
步骤2.3、对测量数据的uw投影的秩统计量Ruw进行归一化并量化后,得到uw投影的量化数据su:
su=ceil(uno×Ruw/luw)
其中,ceil表示向右取整函数,Ruw表示测量数据的uw投影的秩统计量,luw表示测量数据的uw投影的长度;
步骤2.4、将uw投影的量化数据su分别等于1,2,...,uno的下标记录下来,并根据这些下标将测量数据的投影数据uw和vw,以及可见度数据y均分割成uno份;
步骤2.5、对测量数据的vw投影的秩统计量Rvw进行归一化并量化后,得到vw投影的量化数据sv:
sv=ceil(vno×Rvw/lvw)
其中,ceil表示向右取整函数,Rvw表示测量数据的vw投影的秩统计量,lvw表示测量数据的vw投影的长度;
步骤2.6、将vw投影的量化数据sv分别等于1,2,...,vno的下标记录下来,并根据这些下标将步骤2.4所得的被分割成uno份的测量数据的投影数据uw和vw,以及可见度数据y均再进一步分割成vno份,最终得到nd份数据块。
其中,表示第j个计算节点在上次迭代t-1下的第一中间对偶变量,Ψ表示小波基,Ψi表示小波基Ψ中的第i个基,表示上次迭代t-1下的最终解,下标κ表示收敛速度系数,表示谱范数,λ表示松弛系数,i∈{1,2,...,nb},nb表示小波基的个数,j∈{1,2,...,nd},nd表示计算节点的个数。
其中,表示第j个计算节点在上次迭代t-1下的第二中间对偶变量,Gj表示第j个计算节点的紧支撑核,Mj表示第j个计算节点的数据选取矩阵,F表示傅里叶变换矩阵,Z表示补零矩阵,表示上一次迭代t-1下的最终解,yj表第j个数据块的可见度数据,表示第j个计算节点求解松弛变量的近似算子,λ表示松弛系数,上标T表示转置,j∈{1,2,...,nd},nd表示计算节点的个数。
然后,计算当前迭代t下的中间解x(t):
其中,PC表示指示函数的近似算子,x(t-1)表示上次迭代t-1下的中间解,τ表示解的收敛常量,Z表示补零矩阵,F表示傅里叶矩阵,表示第j个计算节点计算节点的第二收敛常量,Mj表示第j个计算节点的数据选取矩阵,σj表示第j个计算节点的第一收敛常量,表示第j个计算节点在当前迭代t下的第二最终对偶变量,表示第j个计算节点在当前迭代t下的第一最终对偶变量,λ表示松弛系数,nd表示计算节点的个数,nb表示小波基的个数,上标T表示转置。
与现有技术相比,本发明具有如下特点:
1、将射电干涉阵列图像重建的逆问题转换为等式约束条件下的凸优化问题,再转换为求解该问题的对偶问题,使用原始对偶算法,每次迭代需要的总计算成本较低,从而降低了该问题的求解复杂性;
2、将数据分割成多份,能够精确快速的分割数据;并使用多计算节点进行计算,方法灵活且具有较高的并行性能,可拓展性强;
3、不需要任何的数据后处理步骤,直接得到重建图像,最终得到的图像的动态范围更大,对延展结构的天体显示更加清晰,相比传统的方法更加高效。
附图说明
图1为射电干涉阵列分布式图像重建方法总体框图。
图2为几种方法图像重建结果对比图。其中(a)本发明;(b)CLEAN;(c)CS_CLEAN;(d)MS_CLEAN。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例,并参照附图,对本发明进一步详细说明。
本实例使用的原始数据是由Karl G.Jansky甚大阵观测超新星遗迹3C391得到的数据再使用通用天文应用软件CASA进行校准之后的数据,数据格式为Measurement Set,文件名为3c391_ctm_mosaic_spw0.ms。
首先,查看文件3c391_ctm_mosaic_spw0.ms中的数据,选择目标射电源视场,即视场ID编号为0;使用CASA软件将目标射电源视场相关的观测数据从文件3c391_ctm_mosaic_spw0.ms中分离并创建1个子文件3c391_field0.ms。
然后,读取子文件3c391_field0.ms获取观测频率通道、uvw数据、可见度数据的实部和虚部以及可见度数据对应的权重。
接着,根据观测频率通道和偏振划分uvw数据和可见度数据及权重,分离出1个偏振的uvw数据和可见度数据及权重,然后再分离出1个频率通道的UVW数据和可见度数据及权重。将这些分离后的可见度数据转换为复数形式后,与分离后的uvw数据和可见度权重一起按列方式保存到一个文本文件中。
最后,读取上述得到的文本文件uvw数据中的uv数据,计算出uv值的最大范围bmax即的最大值,计算出uw和vw:vw=v×π/(bmax×dl),uw=u×π/(bmax×dl),其中dl是1个像素的大小;读取出文本文件中的可见度数据y_I及其权重weights,将y_I与weights相乘得到新的可见度数据y。
本发明所处理的数据是已经进行了校准的数据,因此不需要考虑方向依赖响应。
其中,ΨT是Ψ的转置;Φ是测量矩阵(或测量算子),其表达式为Φ=GFZ;这里表示内插核,用于去网格;F表示傅里叶变换算子;矩阵表示补零或零填充,用于解释过采样和缩放图像以补偿不完全的内插;l表示字典Ψ下的稀疏先验范数l=||·||1;函数f表示图像恢复解的真实性和正数性要求,表达式为:
为了实现分布式(并行)计算本发明将原始数据分割成nd个数据块,有:
因此,对于每个数据分块有:
yj=Φjx+nj
其中,nj是关于yj的噪声。
所以本发明通过求解下式的最小化问题,即原始问题:
本发明使用原始对偶算法寻找上述最小化问题的解,转换为求解原始问题的对偶问题,再利用对偶变量求解出原始变量,上述原始问题的对偶问题定义为:
其中,ui和vj是对偶变量;符号*表示取共轭。
一种基于原始对偶算法的射电干涉阵列分布式图像重建方法,具体的迭代步骤如下:
步骤1:中央节点初始化第1次迭代参数:初始图像x(1),第j数据块的对偶变量为和收敛常量其中表示第j数据块测量矩阵Φj的谱范数,τ=0.49;变量λ;将初始化的参数广播并发送给计算节点。稀疏基Ψi采用的是小波基。
在本实施例中,设迭代次数变量为t并初始化t=1,初始化图像解x(t)为512×512的全零矩阵;收敛常量其中表示第j数据块测量矩阵Φj的谱范数,τ=0.49;变量λ;根据uw和vw计算出栅格化矩阵G、傅里叶矩阵F和补零矩阵Z。
步骤2:中央节点根据计算节点个数对数据y进行分块,并将分块后的数据yj按照j∈{1,2,...,nd}的顺序发送到nd个计算节点每个计算节点获得1份数据块。其中数据分割的具体方法如下:
(1)求出nd的所有约数并按从小到大的顺序排列记为一维数组ndiv;
(3)计算uw的秩统计量Ruw,秩统计量进行归一化并量化,量化范围为:1~uno,计算公式为:su=ceil(uno×Ruw/luw),其中ceil是向右取整函数,luw为uw的长度;
(4)将su分别等于1,2,...,uno的下标记录下来,uw、vw和y分别按照这些下标分割成uno份;
(5)将(4)中分割的出的数据按照(3)的计算方法计算出(4)之后的vw的秩统计量,并进行归一化和量化得到sv;
(6)将sv分别等于1,2,...,vno的下标记录下来,(4)分割之后的每份数据按照这些下标分割成vno份,最终得到nd份数据。
其中,表示第j个计算节点在上次迭代t-1下的第一中间对偶变量,Ψ表示小波基,Ψi表示小波基Ψ中的第i个基,表示上次迭代t-1下的最终解,下标κ表示收敛速度系数,表示谱范数,λ表示松弛系数,i∈{1,2,...,nb},nb表示小波基的个数,j∈{1,2,...,nd},nd表示计算节点的个数。
其中,表示第j个计算节点在上次迭代t-1下的第二中间对偶变量,Gj表示第j个计算节点的紧支撑核,Mj表示第j个计算节点的数据选取矩阵,F表示傅里叶变换矩阵,Z表示补零矩阵,表示上一次迭代t-1下的最终解,yj表第j个数据块的可见度数据,表示第j个计算节点求解松弛变量的近似算子,λ表示松弛系数,上标T表示转置,j∈{1,2,...,nd},nd表示计算节点的个数。
然后,计算当前迭代t下的中间解x(t):
其中,PC表示指示函数的近似算子,x(t-1)表示上次迭代t-1下的中间解,τ表示解的收敛常量,Z表示补零矩阵,F表示傅里叶矩阵,表示第j个计算节点计算节点的第二收敛常量,Mj表示第j个计算节点的数据选取矩阵,σj表示第j个计算节点的第一收敛常量,表示第j个计算节点在当前迭代t下的第二最终对偶变量,表示第j个计算节点在当前迭代t下的第一最终对偶变量,λ表示松弛系数,nd表示计算节点的个数,nb表示小波基的个数,上标T表示转置。
图2分别为本发明算法与CLEAN、CS-CLEAN、MS-CLEAN算法得到的图像重建结果,迭代次数均为100次。这些图像的动态范围分别是:15266.0000、65.1900、167.9851和131.2030。可以看出本发明算法的得到图像动态范围最高,图像质量最高,CLEAN算法的动态范围最小,图像质量最低,说明了CLEAN算法对延展结构的天体重建效果很差,表明本发明算法图像重建效果最好。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (4)
1.射电干涉阵列分布式图像重建方法,其特征是,包括步骤如下:
步骤1、中央节点将初始化参数广播并发送给计算节点;
步骤2、中央节点根据计算节点的个数nd,将射电干涉仪的测量数据分割为nd份;并将这nd份数据块分别发送给nd个计算节点;
步骤2.1、求出计算节点个数nd的所有约数,并将这些约数按从小到大的顺序排列为一维数组ndiv;
步骤2.3、对测量数据的uw投影的秩统计量Ruw进行归一化并量化后,得到uw投影的量化数据su:
su=ceil(uno×Ruw/luw)
其中,ceil表示向右取整函数,Ruw表示测量数据的uw投影的秩统计量,luw表示测量数据的uw投影的长度;
步骤2.4、将uw投影的量化数据su分别等于1,2,...,uno的下标记录下来,并根据这些下标将测量数据的投影数据uw和vw,以及可见度数据y均分割成uno份;
步骤2.5、对测量数据的vw投影的秩统计量Rvw进行归一化并量化后,得到vw投影的量化数据sv:
sv=ceil(vno×Rvw/lvw)
其中,ceil表示向右取整函数,Rvw表示测量数据的vw投影的秩统计量,lvw表示测量数据的vw投影的长度;
步骤2.6、将vw投影的量化数据sv分别等于1,2,...,vno的下标记录下来,并根据这些下标将步骤2.4所得的被分割成uno份的测量数据的投影数据uw和vw,以及可见度数据y均再进一步分割成vno份,最终得到nd份数据块;
如果未满足收敛条件,则迭代次数t+1,并返回步骤3;
其中,Φj表示第j个数据块的测量矩阵,yj表示第j个数据块的可见度数据,∈j表示第j个数据块的噪声上限,j∈{1,2,...,nd},nd表示计算节点的个数。
然后,计算当前迭代t下的中间解x(t):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711223264.3A CN107945131B (zh) | 2017-11-29 | 2017-11-29 | 射电干涉阵列分布式图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711223264.3A CN107945131B (zh) | 2017-11-29 | 2017-11-29 | 射电干涉阵列分布式图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107945131A CN107945131A (zh) | 2018-04-20 |
CN107945131B true CN107945131B (zh) | 2021-02-05 |
Family
ID=61949516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711223264.3A Active CN107945131B (zh) | 2017-11-29 | 2017-11-29 | 射电干涉阵列分布式图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945131B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084759B (zh) * | 2019-04-23 | 2020-06-09 | 闽南师范大学 | 一种图像填补方法、终端设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247061A (zh) * | 2013-02-05 | 2013-08-14 | 南方医科大学 | 一种x射线ct图像的增广拉格朗日迭代重建方法 |
CN106845457A (zh) * | 2017-03-02 | 2017-06-13 | 西安电子科技大学 | 基于谱残差与模糊聚类的红外弱小目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10304008B2 (en) * | 2015-03-20 | 2019-05-28 | Nec Corporation | Fast distributed nonnegative matrix factorization and completion for big data analytics |
-
2017
- 2017-11-29 CN CN201711223264.3A patent/CN107945131B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247061A (zh) * | 2013-02-05 | 2013-08-14 | 南方医科大学 | 一种x射线ct图像的增广拉格朗日迭代重建方法 |
CN106845457A (zh) * | 2017-03-02 | 2017-06-13 | 西安电子科技大学 | 基于谱残差与模糊聚类的红外弱小目标检测方法 |
Non-Patent Citations (3)
Title |
---|
Parallel Sparse Subspace Clustering via Joint Sample and Parameter Blockwise Partition;Bo Liu 等;《ACM Transactions on Embedded Computing Systems》;20170531;第16卷(第3期);第75:1-17页 * |
Scalable splitting algorithms for Big-data interferometric imaging in the SKA era;ONOSE A 等;《Monthly Notices of the Royal Astronomical Society》;20160801;第162卷(第1期);第1、4-5节 * |
基于ADMM的TV图像重建算法研究:设计、实现及评估;李欣 等;《科学技术与工程》;20160930;第16卷(第25期);第116-120页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107945131A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | A survey on nonconvex regularization-based sparse and low-rank recovery in signal processing, statistics, and machine learning | |
US11221990B2 (en) | Ultra-high compression of images based on deep learning | |
Cevher et al. | Sparse signal recovery using markov random fields | |
US10706593B2 (en) | Method and system for image reconstruction using target attribute assisted compressive sensing | |
Tarzanagh et al. | Fast randomized algorithms for t-product based tensor operations and decompositions with applications to imaging data | |
CN108832934B (zh) | 一种基于奇异值分解的二维正交匹配追踪优化算法 | |
Hong et al. | An efficient algorithm for designing projection matrix in compressive sensing based on alternating optimization | |
Gunasheela et al. | Compressed sensing for image compression: survey of algorithms | |
CN105791189B (zh) | 一种提高重构精度的稀疏系数分解方法 | |
CN107886555B (zh) | 一种射电干涉阵列分布式图像重建方法 | |
CN107547088A (zh) | 基于压缩感知的增强型自适应分段正交匹配追踪方法 | |
CN105488767A (zh) | 一种基于最小二乘优化的压缩感知图像快速重建方法 | |
CN107945131B (zh) | 射电干涉阵列分布式图像重建方法 | |
CN112511824B (zh) | 一种图像压缩采样方法及组件 | |
CN109544557A (zh) | 基于区块的主成分分析转换方法及其装置 | |
CN108288295A (zh) | 基于结构信息的红外小目标图像的快速重构方法及系统 | |
CN115330901B (zh) | 一种基于压缩感知网络的图像重构方法和装置 | |
Wang et al. | Image reconstruction from patch compressive sensing measurements | |
Belgaonkar et al. | Image compression and reconstruction in compressive sensing paradigm | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
Aidini et al. | Tensor decomposition learning for compression of multidimensional signals | |
Abrardo et al. | A compressive sampling scheme for iterative hyperspectral image reconstruction | |
CN111397733A (zh) | 一种单/多帧快照式光谱成像方法、系统及介质 | |
Kasem et al. | DRCS-SR: Deep robust compressed sensing for single image super-resolution | |
Etter et al. | Use of learned dictionaries in tomographic reconstruction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |