دکانولوشن

از ویکی‌پدیا، دانشنامهٔ آزاد
پرش به: ناوبری، جستجو

در ریاضیات، دکانولوشن (به انگلیسی: Deconvolution) یک فرایند مبتنی بر الگوریتم است، که منظور از آن معکوس کردن اثر ناشی از کانولوشن (پیچیدگی) بر روی داده‌ها است.[۱] مفهوم دکانولوشن به طور گسترده‌ای در تکنیک‌های پردازش سیگنال و پردازش تصویر استفاده می‌شود. از آنجا که این این تکنیک‌ها به نوبه خود به طور گسترده‌ای در بسیاری از رشته‌های علمی و مهندسی استفاده می‌شود، لذا کاربردهای دکانولوشن بسیار زیاد شده است.

به طور کلی، هدف از دکانولوشن حل معادله کانولوشن (به شکل زیر) است:

f * g = h \,

معمولاً، h یک سیگنال ثبت شده‌است، و ƒ یک سیگنال است که ما مایل به بازیابی آن هستیم، اما سیگنال مورد نظر ما با پیش از اینکه به دست ما برسد با سیگنال g کانوالو (پیچیده) شده‌است. از تعاریف سیگنال و سیستم می‌توان فهمید که سیگنال g در واقع تابع تبدیل سیستم انتقال و/یا سیستم ضبط بوده‌است. تابع می‌تواند نشان دهنده تابع تبدیل یک وسیله و یا یک نیروی محرکه باش که به یک سیستم فیزیکی اعمال شد هسات. اگر g یا حداقل شکل موج آن را بدانیم، می‌توانیم دکانولوشن قطعی انجام دهد. ولی اگر g را ندانم، باید آن را تخمین بزنیم. این کار اغلب با استفاده از روش‌های آماری تخمین [نیازمند منبع].

در مورد اندازه گیری‌های فیزیکی، وضعیت معمولاً شبیه به زیر خواهد بود:

(f * g)  + \varepsilon  = h \,

در معادله بالا ε نویزی است که به سیگنال‌های ثبت شده ما وارد شده‌است. اگر فرض کنیم که یک سیگنال و یا تصویر بدو ن نویز است، برآورد آماری ما از g نادرست خواهد بود و به همین شکل سیگنال ƒ نیز اشتباه خواهد بود. هرچه نسبت سیگنال به نویز کمتر باشد، برآورد ما نسبت به سیگنال دکانوالو شده بدتر خواهد بود. به همین دلیل است که فیلتر کردن معکوس سیگنال یک راه حل خوب به حساب نمی‌آید. با این حال، اگر ما حداقل برخی اطلاعات را در مورد نوع نویز موجود در داده‌ها بدانیم(برای مثال، نویز سفید)، ممکن است از طریق روش‌هایی مانند دکانولوشن وینر قادر به بهبود برآورد ƒ باشیم.

بنیاد بسیاری از دکانولوشن‌ها و تجزیه و تحلیل‌های سری‌های زمانی، بر پایه کتاب برون یابی، درونیابی، و صاف کردن سری زمانی ثابت (۱۹۴۹) و توسط نوربرت وینر از موسسه تکنولوژی ماساچوست بنا شده‌است.[۲] این کتاب بر فعالیت‌های وینر استوار بود که در طول جنگ جهانی دوم انجام داده بود. برخی از تلاش‌های اولیه برای اعمال این نظریه در زمینه پیش بینی آب و هوا و اقتصاد بودند.

کاربردهای دکانولوشن[ویرایش]

زلزله شناسی[ویرایش]

مفهوم دیکانولوشن در زلزله شناسی بازتاب کاربرد دارد. در سال 1950 اندرس رابینسون دانشجوی کارشناسی ارشد MIT بود. او با افرادی همچون نوربرت وینر، نورمن لوینسون، و پل ساموئلسون اقتصاددان، در MIT مشغول به کار جهت توسعه "مدل کانولوشنی" انعکاس زمین نگاشت (منحنی‌های ترسیم شده بوسلیه زلزله نگار) بود. در این مدل فرض بر آن است که زمین نگاشت ثبت شده (s(t، حاصل کانلوشن (پیچیدگی) دو تابع بازتابی زمین (e(t و موجک لرزه نگاری (w(t است که از منبع نقطه ای ساطع می شود. در این توابع، t نشان دهنده زمان ضبط است. بنابراین، معادله کانولوشن پیچیدگی ما می‌آید

s(t) = (e * w)(t) \,

زلزله‌شناس طالب بدست آوردن e است، زیرا که اطلاعات مربوط به ساختار زمین در آن نهفته است. بر اساس قضیه کانلوشن، معادله بالا را می توان به رابطه تبدیل فوریه زیر تغییر داد:

S(\omega) = E(\omega)W(\omega) \,

که در حوزه فرکانس معتبر است. با این فرض که بازتاب سفید است، ما می‌توانیم چگالی توان بازتاب را ثابت مد نظر بگیریم. بر پایه ای نفرض می توان گفت که طیف توان زلزله نگاشت برابر است با طیف موجک ضرب است که در یک مقدار ثابت شرب شده. به این ترتیب،

|S(\omega)| \approx k|W(\omega)| \,

اگر ما فرض کنیم که موجک فاز حداقل باشد، می‌توانیم آن را با محاسبه مدل معادلِ فاز حداقلِ طیف توانی که در بالا پیداکردیم بدست آوریم. بازتاب را می توان طراحی و استفاده فیلتر وینر بازیابی کرد. این فیلتر موجک برآورد شده را متشکل از تابع دلتای دیراک بدست می دهد. نتیجه به صورت یک سری توابع دلتا تغییر مقیاس داد هشده و جابجا شده دیده خواهد شد (که از لحاظ ریاضی بیان آن ساده است):

e(t)=\sum_{i=1}^N r_i\delta(t-\tau_i)

که N تعداد رویداد بازتاب، τ iها زمان رویداد هر بازتاب و r iها ضرایب انعکاس هستند.

از آنجا که در عمل نویزهای مورد نظر ما دارای پهنای باند محدود، طول محدود، مجموعه داده‌های گسسته هستند، لذا روش فوق تقریبی از فیلتر لازم جهت دکانوالو داده ها را در اختیار ما قرار می دهد. با این حال، با فرموله کردن مسئله به صورتی که پاسخ مورد نظر ما، راه حل ماتریکس توپلیتز باشد و با استفاده از [[:en:Levinson recursion بازگشت لوینسون]]، ما نسبتاً به سرعت می‌توانیم، برآوردی از یک فیلتر با کوچکترین میانگین مربعات خطاداشته باشیم. همچنین می‌توان عمل دکانولوشن رامستقیما در حوزه فرکانس انجام داد و به نتایج مشابه دست یافت. این کار به روش پیش بینی خطی نزدیک است.

کاربردهای نورشناخت و تصویربرداری[ویرایش]

در نورشناخت و تصویربرداری، از واژه دکانولوشن به طور خاص برای اشاره به روند معکوس کردن (خنثی کردن) اعوجاج نوری که در میکروسکوپ نوری، میکروسکوپ الکترونی، تلسکوپ، و یا دستگاه‌های دیگر تصویربرداری اتفاق میفتداتلاق می شود. در نتیجه این کار به تصاویر واضح تر دست پیدا می کنیم. این کار در حوزه دیجیتال معمولاً توسط الگوریتم های نرم‌افزاری انجام می‌شود (که بخشی از مجموعه تکنیک پردازش تصویر میکروسکوپ است). کاربرد عملی دیگر دکانولوشن در وضوح دادن به تصاویری است که در زمان ضبط دچار خرابی ناشی از حرکت سریع و یا لرزش می شوند. اخیراً تصاویر گرفته شده توسط تلسکوپ فضایی هابل که در اثر نقص آینه دچار تخریب شده اند، می‌توانند توسط دکانولوشن شفاف شوند.

فرض معمول آن است که مسیر نوری درون یک ابزار، از لحاظ نوری کامل است، که پس از آن با تابع نقطه گستر (PSF) کانوالو (پیچیده) می شود. PSF یک تابع ریاضی است که اعوجاج را بر حسب مسیر نظری که منبع نقطه ای نور در ابزار می پیماید توصیف می کند.[۳] معمولاً یک چنین منبع نقطه ای، در تصویر نهایی بدست آمده شامل منطقه ای کوچک از عدم وضوح (مات بودن) است. اگر این تابع تعیین شود، تابع معکوس یا مکمل آن تنها با یک محاسبه بدست خواهد آمد. سپس می توان این تابع معکوس را با تصویر بدست آمده کانوالو کرد (پیچید). نتیجه بدست آمده عکسی است که پیش از ورود به ابزار بدون اعواج بوده است.

در عمل، پیدا کردن PSF واقعی غیر ممکن است، و معمولاً تقریبی از آن استفاده می‌شود. این تابع می تواند از لحاظ تئوری محاسبه شود [۴] یا بر اساس برخی از برآوردهای تجربی با استفاده از اندازه گیرهای خاص تعیین شود. ابزار نوری واقعی نیز ممکن است با توجه به نقاط کانونی مختلف و موقعیت فضایی شان دارای PSFهای مختلف باشند. PSF می تواند غیر خطی باشد. دقت PSF تخمین زده شده، کیفیت نتیجه بدست آمده را تعیین می کند. برای دریافت نتایج بهتر می توان از الگوریتم‌های مختلف به طور همزمان استفاده کرد. با این کار هزینه محاسبات نیز افزایش خواهد یافت. از آنجا کانولوشن قسمتی از داده‌ها را از بین می برد، برخی از الگوریتم‌ها از داده‌های اضافی به دست آمده در نقاط نزدیک فاصله کانونی استفاده کرده و داده های از دست رفته را بازیابی می کنند. با استفاده از یک تنظیم کننده در الگوریتم تکرار شونده (مثل الگوریتم بیشینه کردن امید ریاضی) می‌توان از پاسخ های غیر واقعی دوری کرد.

هنگامی که PSF ناشناخته است، به طور سیستماتیک می توان آن را با امتحان کردن PSFهای مختلف و ارزیابی اینکه آیا تصویر بهبود یافته است بدست آورد. این روش به نام دکانولوشن کور شناخته می شود[۳]. دکانولوشن کور به عنوان تکنیکی خوب جهت مرمت تصویر در نجوم مورد استفاده واقع می شود. دلیل این امر، طبیعت نقطه ای بودن اشیائی است که از آنها تصویر برداری می شود و در معرض PSF قرار می گیرند. کاربرد دیگر این روش، ترمیم تصویرها در تکنیک ریزبینی فلورسانس است. معمول ترین الگوریتم تکرار شونده برای این منظور الگوریتم دکانولوشن ریچاردسون لوسی است. روش وینر دکانولوشن معمول ترین الگوریتم غیر تکراری است.

رادیو نجوم[ویرایش]

هنگام انجام ترکیب تصویر در تداخل رادیویی، که یک نوع خاص از اخترشناسی رادیویی است، یک گام از عملیات، دکانوالو کردن تصویر تولید شده با پرتو کثیف است که نام دیگرش تابع انتشار نقطه ای است. روش معمول مورد استفاده، CLEAN algorithm است.

پیوندهای مرتبط[ویرایش]

منابع[ویرایش]

  1. O'Haver T. "Intro to Signal Processing - دکانولوشن". University of Maryland at College Park. Retrieved 2007-08-15. 
  2. Wiener N (1964). Extrapolation, Interpolation, and Smoothing of Stationary Time Series. Cambridge, Mass: MIT Press. ISBN 0-262-73005-7. 
  3. ۳٫۰ ۳٫۱ Cheng PC (2006). "The Contrast Formation in Optical Microscopy". Handbook of Biological Confocal Microscopy (Pawley JB, ed.) (3rd ed. ed.). Berlin: Springer. pp. 189–90. ISBN 038725921x. 
  4. Nasse M. J., Woehl J. C. (2010). "Realistic modeling of the illumination point spread function in confocal scanning optical microscopy". J. Opt. Soc. Am. A 27 (2): 295–302. DOI:10.1364/JOSAA.27.000295. 
  1. O'Haver T. "Intro to Signal Processing - دکانولوشن". University of Maryland at College Park. Retrieved 2007-08-15. 
  2. Wiener N (1964). Extrapolation, Interpolation, and Smoothing of Stationary Time Series. Cambridge, Mass: MIT Press. ISBN 0-262-73005-7. 
  3. ۳٫۰ ۳٫۱ Cheng PC (2006). "The Contrast Formation in Optical Microscopy". Handbook of Biological Confocal Microscopy (Pawley JB, ed.) (3rd ed. ed.). Berlin: Springer. pp. 189–90. ISBN 038725921x. 
  4. Nasse M. J., Woehl J. C. (2010). "Realistic modeling of the illumination point spread function in confocal scanning optical microscopy". J. Opt. Soc. Am. A 27 (2): 295–302. DOI:10.1364/JOSAA.27.000295.