《表1 三种方法重建结果的数值比较》
从图3(a)中可以看出,H9gbom CLEAN算法重建的模型图像由点组成,这是由于H9gbom CLEAN算法是基于Delta函数分解的,即图像被分解为Delta函数集合.Delta函数集合是通过找到残差图像中的最大绝对值点,然后乘以循环增益得到Delta函数的位置和系数.这种分解不能有效地表示延展结构,所以使用这类算法处理延展源时,残差图像中会残留“平台”式的相关结构,而且需要大量的分量来表示图像.从这个测试中可以看出,尽管H9gbom CLEAN算法使用了远大于其他两种基于尺度函数分解的算法的迭代次数,然而结果却是最差的.多尺度CLEAN算法使用了几个尺度函数来表示图像,较好地解决了基于Delta函数模型的算法不能有效表示图像的问题.从图3(b)也能看出,相对于H9gbom CLEAN算法,多尺度CLEAN算法重建的模型图像更加接近于真实图像,残差图像中所留下的相关结构也更小(图3(e)).然而基于多尺度函数模型分解的算法将图像强行分解到仅有的尺度当中,这需要更多的分量来表示图像.基于自适应尺度函数模型的算法能有效地解决这一问题,使用更少的分量来表示图像.从图3(c)中可以看出,相对于H9gbom CLEAN算法和多尺度CLEAN算法,笔者提出的自适应尺度重建算法模型图像更加接近于真实图像.残差图像(图3(f))也能有效证明这一结论.图3还表明,在这三种算法中,自适应尺度重建算法的残差相关结构是最少的,说明自适应尺度函数模型能够更好地表示图像.表1列出三种算法重建图像的RMSE和DR数值结果.
图表编号 | XD00222607000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.25 |
作者 | 张利、米立功、肖一凡、杨江河、李桂城、卫星奇、宁娜文、李丹杨、贺春林 |
绘制单位 | 贵州大学大数据与信息工程学院、黔南民族师范学院物理与电子科学学院、西华师范大学计算机学院、贵州大学大数据与信息工程学院、黔南民族师范学院物理与电子科学学院、贵州大学大数据与信息工程学院、湖南文理学院、贵州大学大数据与信息工程学院、贵州大学大数据与信息工程学院、贵州大学大数据与信息工程学院、贵州大学大数据与信息工程学院、西华师范大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |