Extending AMIRAL’s blind deconvolution of Adaptive Optics corrected images with Markov chain Monte Carlo 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 object using these estimates. Recent works have applied this marginal blind deconvolution method, combined to a parametric model of the PSF, to a series of AO corrected astronomical and satellite images. In this communication, we propose a new restoration method, which consists in choosing the Minimum Mean Square Error (MMSE) estimator and computing the latter thanks to a Markov chain Monte Carlo (MCMC) algorithm. We validate our method by means of realistic simulations, in two very different contexts: an astronomical observation on VLT/SPHERE and a ground-based LEO satellite observation on a 1.52m telescope. Finally, we present results on experimental images for both applications.
La restauration d’images corrigées par optique adaptative (OA) est particulièrement difficile, du fait de la méconnaissance de la réponse impulsionnelle du système optique (PSF pour point spread function) en plus des difficultés usuelles. Une approche efficace est de marginaliser l’objet en dehors du problème et d’estimer la PSF et les hyperparamètres (liés à l’objet et au bruit) seuls avant la déconvolution. Des travaux récents ont appliqué cette déconvolution marginale, combinée à un modèle paramétrique de PSF, à des images astronomiques et de satellites. Nous proposons une extension de cette méthode utilisant un algorithme Monte-Carlo par chaînes de Markov (MCMC), afin d’inclure des barres d’erreur sur les paramètres. Nous présentons ici les résultats obtenus sur des images astronomiques, simulées et expérimentales.