[Texto en Español al final]Hi all,
I have carried out a small test with a high-resolution lunar CCD image acquired by Vicent Peris, to compare the results obtained with several deconvolution algorithms in PixInsight 1.2.5. The image is the same one used in the
moon deconvolution example.
I have compared the results obtained with the following algorithms:
- Wiener filtering
- Constrained Least Squares filtering
- Regularized Van Cittert deconvolution
In all cases I have found the optimal process parameters by careful manual work.
The regularized Van Cittert algorithm (RVC) yields the best result in terms of local contrast of small-scale structures. However, 200 RVC iterations are required to achieve a result that is only slightly better than the one obtained with constrained least squares.
Here is a mouseover comparison that shows the results and some conclusions of my test:
http://forum-images.pixinsight.com/legacy/c-least-squares/test.htmlThe classical Van Cittert algorithm (no regularization) has also been included for further comparison.
Here you can see the setup and the parameters used for all tools and algorithms that I have applied:
Raw image:
http://forum-images.pixinsight.com/legacy/c-least-squares/01.jpgWiener filtering:
http://forum-images.pixinsight.com/legacy/c-least-squares/03.jpgConstrained least squares filtering:
http://forum-images.pixinsight.com/legacy/c-least-squares/02.jpgRegularized Van Cittert deconvolution:
http://forum-images.pixinsight.com/legacy/c-least-squares/04.jpgVan Cittert deconvolution (no regularization):
http://forum-images.pixinsight.com/legacy/c-least-squares/05.jpgI have conducted this test on an 8-core workstation (dual Intel Xeon E5420 with 16 GB of RAM, running Fedora 8 Linux for x86_64). These have been the processing times required to process the original RAW CCD image (1820x990 pixels, grayscale):
- Wiener filtering: 0.57 seconds
- Constrained Least Squares Filtering: 0.80 seconds
- Regularized Van Cittert, 200 iterations: 130 seconds
From the above figures and comparisons, it is clear that the greatest advantage of the constrained least squares algorithm is its speed combined with the fact that it outperforms Wiener deconvolution systematically. This algorithm, used by itself or combined with some edge enhancement technique (such as wavelets or unsharp mask), is a serious option for deconvolution of high-resolution lunar and planetary images. It can be useful also for deep-sky images in some special cases, provided that the raw data have a sufficiently high signal-to-noise ratio.
Reference:
Digital Image Processing - Third Edition, R.C.González and R.E.Woods. Pearson Education Inc. (Prentice Hall), 2008.
============================================================
Hola a todos,
He hecho un pequeño test con una imagen lunar CCD de alta resolución adquirida por Vicent Peris, con el fin de comparar los resultados obtenidos con varios algoritmos de deconvolución en PixInsight 1.2.5. La imagen es la misma que empleamos para el
ejemplo de deconvolución de imágenes lunares.
He comparado los resultados obtenidos con los siguientes algoritmos:
- Wiener filtering
- Constrained Least Squares filtering
- Regularized Van Cittert deconvolution
En todos los casos he encontrado los parámetros óptimos para cada proceso mediante un cuidadoso trabajo manual.
El algoritmo Van Cittert regularizado (RVC) proporciona los mejores resultados en términos de contraste local de estructuras de pequeña escala. Sin embargo, han sido necesarias 200 iteraciones de RVC para lograr un resultado que es sólo ligeramente mejor que el obtenido con
constrained least squares.
Aquí tenéis una comparación
mouseover que muestra los resultados y algunas conclusiones de mi test:
http://forum-images.pixinsight.com/legacy/c-least-squares/test.htmlEl algoritmo Van Cittert clásico (sin regularización) también ha sido incluido para proporcionar una comparación más amplia.
Aquí tenéis copias de pantalla con los parámetros usados para todas las herramientas y algoritmos que he aplicado:
Imagen original:
http://forum-images.pixinsight.com/legacy/c-least-squares/01.jpgWiener filtering:
http://forum-images.pixinsight.com/legacy/c-least-squares/03.jpgConstrained least squares filtering:
http://forum-images.pixinsight.com/legacy/c-least-squares/02.jpgRegularized Van Cittert deconvolution:
http://forum-images.pixinsight.com/legacy/c-least-squares/04.jpgVan Cittert deconvolution (no regularization):
http://forum-images.pixinsight.com/legacy/c-least-squares/05.jpgHe llevado a cabo este test en una estación de trabajo con ocho núcleos de procesador (dual Intel Xeon E5420 con 16 GB de RAM, corriendo Fedora 8 Linux para x86_64). Éstos han sido los tiempos requeridos para procesar la imagen original CCD (1820x990 píxeles, escala de grises):
- Wiener filtering: 0.57 segundos
- Constrained Least Squares Filtering: 0.80 segundos
- Regularized Van Cittert, 200 iterations: 130 segundos
A partir de los números y comparaciones anteriores, queda claro que la mayor ventaja del algoritmo
constrained least squares es su velocidad combinada con el hecho de que proporciona resultados mucho mejores que la deconvolución por Wiener de forma sistemática. Este algoritmo, usado por sí mismo o en combinación con alguna técnica de realce de bordes (como wavelets o
unsharp mask), es una opción seria para la deconvolución de imágenes lunares y planetarias de alta resolución. También puede ser útil para imágenes de cielo profundo en algunos casos, siempre que los datos originales proporcionen una relación señal/ruido suficientemente alta.
Referencia:
Digital Image Processing - Third Edition, R.C.González y R.E.Woods. Pearson Education Inc. (Prentice Hall), 2008.
