黑洞圖片的背後，是圖像處理技術的成熟！

前言： 就在昨天，人類歷史上第一張黑洞圖像被「拍」出來了。

請配戴眼鏡查看高清大圖

儘管黑洞的第一張真身照是一張模糊、不規則的圓環，但這張照片的背後凝結了目前最早進的探測技術，整個過程歷時十餘年，動用了來自非洲、亞洲、歐洲、北美洲和南美洲的200多名研究人員，八個探測望遠鏡不分晝夜觀測，最終的這張圖像也有可能得到諾貝爾獎。

這一切成就，都離不開視界望遠鏡和背後的計算。

人類「拍」到的第一張黑洞照片，並非像咱們拿手機拍照那樣，點下屏幕就好，而是須要分佈在全球各地的許多天文望遠鏡在同一時間「按下快門」，記錄無線電數據。

而後，再依靠機器學習算法，把數據拼到一塊兒，重建出圖像。

圖片的造成過程：

其實拍攝這些圖片來自智利、夏威夷、南極洲、亞利桑那、西班牙、墨西哥六個地方的一共八臺天文望遠鏡。天文望遠鏡獲取的數據量很是大，然而這些數據裏面不只僅包含黑洞，還包含天空中的各類複雜、凌亂的數據，科學家們要靠這些數據，拼出一張完整的黑洞寫真。

2017年4月5日，由位於南極、智利、墨西哥、美國夏威夷、美國亞利桑那州、西班牙的8臺亞毫米射電望遠鏡同時對黑洞展開觀測，利用甚長基線干涉測量技術(VLBI)將這8臺望遠鏡構建成超級「虛擬」望遠鏡——視界面望遠鏡（EHT），EHT口徑13000千米，約等同於地球直徑。

處理照片：

其實，天文望遠鏡早就拍完了照片，而「洗照片」的過程長達兩年。爲何「洗照片」時間如此之長？

由於這類觀測的數據處理並不是只用一套現成的方法。多臺望遠鏡之間的鐘差、望遠鏡自身狀態隨時間的微小改變等問題都會影響觀測精度。另外一方面，「拍照」對象黑洞自己也在不斷變化，科學家須要探索新方法對「相機」進行校準，創建模型，以提高合成圖像的質量和精度。

原本，根據天文望遠鏡數據還原天體圖像，用成像算法便可。

然而面對PB級稀疏、嘈雜的數據，想靠人力從中找出圖像太難了。因而，科學家們使用了機器學習方法。

圖像處理常常被處理成反問題，什麼是反問題：

考慮正問題f=Au+n，n是觀測噪聲，反問題就是在有了觀測f的條件下怎麼得到真實圖片u

若是A是一個恆同算子，反問題就是去燥

若是A是一個模糊，反問題就是去模糊

若是A是一個CT，反問題就是CT恢復

在將算法以前說一下這個問題意義，打個比方你要作核磁共振，你要綁在牀上聽着快一個小時噪聲，那麼你就但願A這個算法進行sample 次數變少，那麼若是我算法更厲害，你mri時間會越少。

有人說，這個問題簡單

就行了，那麼若是A不可逆呢？ 你說這個也簡單，最小二乘啊

，那麼你就是沒有考慮到n－－觀測噪聲

考慮一個去模糊問題，若是有噪聲，直接求逆結果會是怎麼樣的呢？

噪聲在求逆的時候無數倍的被放大了，產生了棋盤同樣的artifact 那麼怎麼解決問題呢？加入正則項！

這裏的R的做用時 若是u不是「圖片」，那麼R值大一點 若是u像一張圖片，R的值小一點 數學家就花了好久來構造R，第一個成功的是total variation，定義爲

那麼咱們用到的這個算法是什麼樣的呢： 對於simulate數據

用了total variation的效果是

爲何呢，爲了達到這個分辨尺度，根據測不許原理，他們須要整個地球半徑的天文望遠鏡。可是事實上咱們造不出來這麼大的望遠鏡，只能用九個觀測站點的數據來作。這是一個高度不適定的反問題，那麼須要更好的正則項。 設計正則項他們用到的想法是學習

From Learning Models of Natural Image Patches to Whole Image Restoration

他們用高斯混合模型對圖片patch進行建模，學習出圖片patch的distribution做爲上面問題的正則項。

ted talk裏面還將到他們用了多個數據集去學習，用平常圖片，宇宙照片，望遠鏡數據。。學習出來了不少個正則項，發現恢復出來的圖片都是這樣的圖片。

其實看到這裏，咱們已是很震驚了，原來霍金的黑洞論真實存在，咱們人類還宇宙面前真的很眇小。可是隨着科技的不斷髮展，咱們人類也會認識更加深刻的宇宙。