本发明涉及一种星图去模糊方法，具体涉及一种基于改进RL反卷积算法的星图去模糊方法。
背景技术：
星图模糊是由于感光介质在曝光瞬间与被摄星空之间存在相对运动造成的。有限的星光能量分散在更多的像元上，造成星像模糊、质心定位不准。对于像移补偿，目前主要有机械式、光学式、电子式和图像式像移补偿法。
图像式像移补偿法是将模糊的星图进行复原来完成像移补偿，也是针对CMOS相机的一种补偿方法。与机械式、光学式、电子式方法不同，图像式像移补偿法是对已生成的数字图象进行后期处理来消除模糊，具有成本低，算法成熟，应用灵活等优点。在已知造成图像模糊的运动形式后，图像去模糊技术可以对分散的星光能量进行积累，以恢复清晰的星图。
常见的图像去模糊算法有维纳滤波和Richardson-Lucy(RL)反卷积算法等。其中，在使用维纳滤波对图像进行去模糊时需要知道图像和噪声的功率谱，而在实际的图像去模糊过程中要想明确知道图像和噪声的功率谱几乎是不可能的；另一方面,在使用维纳滤波时通常总把图像噪声设为白噪声，且与图像不相关，但大量事实表明有些噪声与图像中的像素存在相关关系，因此维纳滤波的应用受到了一定的限制，使用维纳滤波去模糊后的图像也很难达到理想的效果，并且去模糊后的图像鲁棒性也较差。RL反卷积去模糊算法也同样存在缺陷，如RL反卷积算法总是需要根据人为经验去设置迭代次数、迭代步长，这种根据人为经验设置参数的方法显然会降低RL反卷积算法的实时性。
技术实现要素：
发明目的：为了克服现有技术的不足，本发明提供一种基于改进RL反卷积算法的星图去模糊方法，克服了传统RL反卷积算法人为经验设置参数导致的实时性差和去模糊后的图像鲁棒性较差的问题。
技术方案：本发明所述的基于改进RL反卷积算法的星图去模糊方法，包括以下步骤：
(1)在星图模拟器中设置基本模拟参数，使用所述基本模拟参数模拟出清晰星图及对应的模糊星图；
(2)根据惯性传感器元件数据计算各个所述模糊星图的点扩散函数；
(3)根据步骤(1)中模拟的所述清晰星图和步骤(2)中计算出的所对应模糊图像的点扩散函数，采用RL反卷积算法完成星图去模糊化，并记录去模糊效果最优迭代次数和迭代步长；
(4)将每幅模糊图像的点扩散函数、迭代次数和迭代步长作为输入进行神经网络预测模型的离线训练，训练完成后得到预测模型，输出为迭代次数和迭代步长。
优选的，步骤(1)中，所述基本模拟参数包括星敏感器视场大小、CMOS相机焦距、像素宽、像素高、星等级、位置噪声、星敏感器运动模型。
优选的，步骤(1)中，所述模糊星图的模拟过程是在清晰星图的模拟设置中随机加入伪星和随机缺星，并加入星敏感器抖动项，从而所述星图模拟器模拟出相应的模糊星图。
优选的，步骤(2)中，所述点扩散函数的计算方法为：
(21)根据所述星敏感器获取图像的频率，通过惯性传感器输出数据计算出当前帧和上一帧星图之间运动的距离；
(22)利用所述惯性传感器中陀螺仪输出的角速度对所述上一帧星图中恒星在当前帧中位置进行预测；
(23)利用上一帧星图中恒星在星图中的位置和上一帧星图中恒星在当前帧中位置计算所述星敏感器运动方向和模糊尺度；
(24)将所述运动方向和模糊尺度代入所述模糊星图的点扩散函数中,求出每张模糊星图的点扩散函数。
优选的，步骤(3)中，最优迭代次数和迭代步长是指对模糊星图与所对应的清晰星图和去模糊后的模糊星图与所对应的清晰星图计算峰值信噪比与均方误差值，峰值信噪比最大的为去模糊效果最优的迭代次数和迭代步长。
优选的，所述步骤(4)中的预测模型使用方法是，首先计算出模糊星图的点扩散函数并输入到所述预测模型，其输出是对应的所述模糊星图去模糊化所需要的迭代次数和步长，然后根据计算出的点扩散函数、预测模型输出的迭代次数和步长完成RL反卷积星图去模糊化。
优选的，所述步骤(4)中的神经网络预测模型为径向基神经网络模型，其输入层节点数设置为1，输出层节点数设定为2，隐含层节点数设定为8。
有益效果：本发明与现有技术相比，其显著优点是：1、本发明采用改进的RL反卷积算法，从而克服了传统RL反卷积去模糊算法需要人为手动试探迭代次数、迭代步长来完成星图去模糊的缺点，提高了算法的实时性；2、在不增加成本问题的前提下，最大程度抑制了图像模糊，同时也较好的保留了原星图中的细节信息。
附图说明
图1为本发明所述方法的流程图。
具体实施方式
实施例1
如图1所示，本发明公开了一种改进的Richardson-Lucy(RL)反卷积算法的星图去模糊方法，包括以下步骤：
(1)在星图模拟器中设置星敏感器视场大小为20°×20°，CMOS相机焦距为98.8mm、CMOS面阵为512×512，像素宽为26μm，像素高为26μm，星灰度值为100，星体大小为4个像素值，并设定在星图中随机加入伪星和随机缺星，星敏感器的运动轨迹由轨道发生器模拟生成，使用上述参数模拟出大量清晰星图，数量无具体要求，一般模拟几百张或上千张，在以上设置中再加入星敏感器抖动项使其模拟出相应的模糊星图。
(2)根据惯性传感器元件数据计算出每张模糊星图的点扩散函数，以下称为PSF，因为星敏感器曝光时间较短，所以可认为在曝光时间内星敏感器做匀速直线运动，假定星敏感器获取图像的频率为n帧/秒，通过惯性传感器输出数据可以计算出当前帧和上一帧星图之间运动的距离，假设上一帧星图中恒星在星图中的位置是(x1,y1)，由于当前帧星图是模糊的，所以无法准确提取出上一帧星图中恒星在当前帧中的位置(x2,y2)，因此利用惯性传感器中陀螺仪输出的角速度对上一帧星图中恒星在当前帧中位置(x2,y2)值进行预测：
其中，f为星敏感器的焦距,wx、wy、wz分别表示惯性传感器中陀螺仪输出的载体坐标系三个轴向的角速度值，
利用以上估计出的(x2,y2)则可计算出星敏感器运动方向的正切值：
则星敏感器运动方向可表示为：
通过惯性传感器输出数据还可以计算出星敏感器的运动速度：
进而可求出模糊尺度：
l＝v×t (5)
其中，t表示星敏感器曝光时间。
计算出星敏感器运动方向θ和模糊尺度l后，将运动方向θ和模糊尺度l代入模糊星图的点扩散函数中,便可以求出模糊星图的点扩散函数。
模糊星图的点扩散函数如式(6)所示：
(3)根据步骤(2)中计算出的模糊图像的PSF和所对应的清晰星图，使用RL反卷积算法完成去模糊化并记录取得最好去模糊效果时所用的迭代次数和迭代步长。RL反卷积算法是根据最大后验概率估计原理产生的一种模糊图像迭代去卷积算法。RL反卷积算法假定噪声服从泊松分布，其迭代方程如式(7)所示:
其中，fk′表示第k次迭代后清晰图像的估计值，g(x,y)表示模糊图像,h(x,y)表示点扩散函数。
根据以上迭代方程及人为经验设置不同的迭代次数及迭代步长，对模拟出的模糊星图进行去模糊化，并分别对模糊星图与所对应的清晰星图和去模糊后的星图与所对应的清晰星图计算峰值信噪比与均方误差值，记录下获得峰值信噪比最大值时星图去模糊所使用的迭代步长、迭代次数及PSF。
(4)根据步骤(2)和步骤(3)完成对大量模拟模糊星图的去模糊处理并得到大量星图去模糊所使用的最优迭代步长、迭代次数及对应的PSF，将这些迭代步长和相应的迭代次数作为目标向量、相应的PSF作为输入向量，用于离线训练RL反卷积算法中迭代次数和迭代步长的神经网络预测模型。其中，神经网络选取三层，即输入层、隐含层和输入层结构的径向基神经网络模型(RBFNN)。
径向基神经网络(RBFNN)是3层单元的神经网络，它是一种静态的神经网络，与函数逼近理论相吻合并且具有唯一的最佳逼近点。由于其结构简单且神经元的敏感区较小，因此可以广泛地应用于非线性函数的局部逼近中。主要影响其网络性能的参数有3个：输出层权值向量，隐层神经元的中心以及隐层神经元的宽度。一般径向基网络的学习总是从网络的权值入手，然后逐步调整网络的其它参数，由于权值与神经元中心及宽度有着直接关系，一旦权值确定，其它两个参数的调整就相对困难。其一般结构如下：第一层：输入层：输入层神经元只起连接作用。第二层：隐含层：隐含层神经元的变换函数为高斯核。第三层：输出层：它对输入模式的作用做出响应。本发明中将输入层节点数设置为1，输出层节点数设定为2，隐含层节点数设定为8，所有星图训练完成后便得到迭代次数和迭代步长预测模型。在神经网络设置中，一般输入层节点数为输入向量的个数，输出层节点数等于输出量的个数，本发明中将PSF作为输入向量，所以输入层节点数为1，该神经网络是用于估计迭代次数和迭代步长两个量，所以输出层节点数为2，隐含层节点数的设置一般根据人为经验或者K-means、RO LS等算法，本实施例将其设置为8。
(5)在线使用时，根据惯导或者星光组合系统中惯性器件校正后输出的数据计算出模糊图像的PSF并送入预测模型，预测模型输出的便是对应的模糊星图去模糊化所需要的迭代次数和步长，根据输出的PSF、迭代次数和步长便可完成RL反卷积星图去模糊化。