Marginalized myopic deconvolution of Adaptive Optics corrected images using MCMC methods - Laboratoire de l'intégration, du matériau au système TOUS LABOS Accéder directement au contenu
Pré-Publication, Document De Travail Année : 2023

Marginalized myopic deconvolution of Adaptive Optics corrected images using MCMC methods

Résumé

Adaptive optics (AO) corrected image restoration is particularly difficult, as it suffers from the lack of knowledge on the point spread function (PSF) in addition to usual difficulties. An efficient approach is to marginalize the object out of the problem and to estimate the PSF and (object and noise) hyperparameters only, before deconvolving the image using these estimates. Recent works have applied this marginal blind deconvolution method, based on the Maximum A Posterior (MAP) estimator, combined with a parametric model of the PSF, to a series of AO corrected astronomical and satellite images. However, this method does not enable one to infer global uncertainties on the parameters. In this paper, we propose a new PSF estimation method, which consists in choosing the Minimum Mean Square Error (MMSE) estimator and computing the latter as well as the associated uncertainties thanks to a Markov chain Monte Carlo (MCMC) algorithm. We validate our method by means of realistic simulations, in both astronomical and satellite observation contexts. Finally, we present results on experimental images for both applications: an astronomical observation on VLT/SPHERE with the Zimpol instrument and a ground-based LEO satellite observation at OCA's 1.52 m telescope with ONERA's ODISSEE AO bench.
La restauration d'images corrigées par optique adaptative (OA) est particulièrement difficile, de part la mauvaise connaissance de la fonction d'étalement du point (PSF) en plus des difficultés habituelles. Une approche efficace consiste à marginaliser l'objet hors du problème et à estimer la PSF et les hyperparamètres (objet et bruit) uniquement, avant de déconvoluer l'image à l'aide de ces estimations. Des travaux récents ont appliqué cette méthode de déconvolution marginale aveugle, basée sur l'estimateur MAP (Maximum A Posteriori), combinée à un modèle paramétrique de la PSF, à une série d'images astronomiques et de satellites corrigées par OA. Cependant, cette méthode ne permet pas de déduire les incertitudes globales sur les paramètres. Dans cet article, nous proposons une nouvelle méthode d'estimation de la PSF, qui consiste à choisir l'estimateur Minimum Mean Square Error (MMSE) et à calculer ce dernier ainsi que les incertitudes associées grâce à un algorithme de Markov chain Monte Carlo (MCMC). Nous validons notre méthode au moyen de simulations réalistes, dans des contextes d'observation astronomique et de satellites. Enfin, nous présentons des résultats sur des images expérimentales dans les deux contextes : une observation astronomique sur le VLT/SPHERE avec l'instrument Zimpol et une observation terrestre d'un satellite LEO avec le télescope de 1,52 m de l'OCA avec le banc d'OA ODISSEE de l'ONERA.
Fichier principal
Vignette du fichier
DOTA23075.1679503619.pdf (1.15 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04051187 , version 1 (29-03-2023)
hal-04051187 , version 2 (26-10-2023)

Identifiants

  • HAL Id : hal-04051187 , version 1

Citer

Alix Yan, Laurent M. Mugnier, Jean-François Giovannelli, Romain Fétick, Cyril Petit. Marginalized myopic deconvolution of Adaptive Optics corrected images using MCMC methods. 2023. ⟨hal-04051187v1⟩
154 Consultations
105 Téléchargements

Partager

Gmail Facebook X LinkedIn More