前言：
就在昨天，人类历史上第一张黑洞图像被“拍”出来了。
请配戴眼镜查看高清大图
尽管黑洞的第一张真身照是一张模糊、不规则的圆环，但这张照片的背后凝结了目前最先进的探测技术，整个过程历时十余年，动用了来自非洲、亚洲、欧洲、北美洲和南美洲的200多名研究人员，八个探测望远镜不分昼夜观测，最终的这张图像也有可能获得诺贝尔奖。
这一切成就，都离不开视界望远镜和背后的计算。
人类“拍”到的第一张黑洞照片，并不是像我们拿手机拍照那样，点下屏幕就好，而是需要分布在全球各地的许多天文望远镜在同一时间“按下快门”，记录无线电数据。
然后，再依靠机器学习算法，把数据拼到一起，重建出图像。
图片的形成过程：
其实拍摄这些图片来自智利、夏威夷、南极洲、亚利桑那、西班牙、墨西哥六个地方的一共八台天文望远镜。天文望远镜获取的数据量非常大，然而这些数据里面不仅仅包含黑洞，还包含天空中的各种复杂、凌乱的数据，科学家们要靠这些数据，拼出一张完整的黑洞写真。
2017年4月5日，由位于南极、智利、墨西哥、美国夏威夷、美国亚利桑那州、西班牙的8台亚毫米射电望远镜同时对黑洞展开观测，利用甚长基线干涉测量技术(VLBI)将这8台望远镜构建成超级“虚拟”望远镜——视界面望远镜（EHT），EHT口径13000公里，约等同于地球直径。
处理照片：
其实，天文望远镜早就拍完了照片，而“洗照片”的过程长达两年。为什么“洗照片”时间如此之长？
因为这类观测的数据处理并非只用一套现成的方法。多台望远镜之间的钟差、望远镜自身状态随时间的微小改变等问题都会影响观测精度。另一方面，“拍照”对象黑洞本身也在不断变化，科学家需要探索新方法对“相机”进行校准，建立模型，以提升合成图像的质量和精度。
本来，根据天文望远镜数据还原天体图像，用成像算法即可。
然而面对PB级稀疏、嘈杂的数据，想靠人力从中找出图像太难了。于是，科学家们使用了机器学习方法。
图像处理经常被处理成反问题，什么是反问题：
考虑正问题f=Au+n，n是观测噪声，反问题就是在有了观测f的条件下怎么获得真实图片u
如果A是一个恒同算子，反问题就是去燥
如果A是一个模糊，反问题就是去模糊
如果A是一个CT，反问题就是CT恢复
在将算法之前说一下这个问题意义，打个比方你要做核磁共振，你要绑在床上听着快一个小时噪声，那么你就希望A这个算法进行sample 次数变少，那么如果我算法更厉害，你mri时间会越少。
有人说，这个问题简单
就好了，那么如果A不可逆呢？
你说这个也简单，最小二乘啊
，那么你就是没有考虑到n－－观测噪声
考虑一个去模糊问题，如果有噪声，直接求逆结果会是怎么样的呢？
噪声在求逆的时候无数倍的被放大了，产生了棋盘一样的artifact
那么怎么解决问题呢？加入正则项！
这里的R的作用时
如果u不是“图片”，那么R值大一点
如果u像一张图片，R的值小一点
数学家就花了很久来构造R，第一个成功的是total variation，定义为
那么我们用到的这个算法是什么样的呢：
对于simulate数据
用了total variation的效果是
为什么呢，为了达到这个分辨尺度，根据测不准原理，他们需要整个地球半径的天文望远镜。但是事实上我们造不出来这么大的望远镜，只能用九个观测站点的数据来做。这是一个高度不适定的反问题，那么需要更好的正则项。
设计正则项他们用到的想法是学习
From Learning Models of Natural Image Patches to Whole Image Restoration
他们用高斯混合模型对图片patch进行建模，学习出图片patch的distribution作为上面问题的正则项。
ted talk里面还将到他们用了多个数据集去学习，用日常图片，宇宙照片，望远镜数据。。学习出来了很多个正则项，发现恢复出来的图片都是这样的图片。
其实看到这里，我们已经是很震惊了，原来霍金的黑洞论真实存在，我们人类还宇宙面前真的很渺小。但是随着科技的不断发展，我们人类也会认识更加深入的宇宙。
为了帮助大家让学习变得轻松、高效，给大家免费分享一大批资料，让AI越来越普及。在这里给大家推荐一个人工智能Python学习交流群：705673780欢迎大家进群交流讨论，学习交流，共同进步。
当真正开始学习的时候难免不知道从哪入手，导致效率低下影响继续学习的信心。
但最重要的是不知道哪些技术需要重点掌握，学习时频繁踩坑，最终浪费大量时间，所以拥有有效资源还是很有必要的。
网友评论