Восстановление расфокусированных и смазанных изображений

Для устранения смазывания и расфокусировки практически ничего нет. Соответствующий математический аппарат начал разрабатываться примерно 70 лет назад, но, как и для многих других алгоритмов обработки изображений, все это нашло широкое применение только в недавнее время. Приведем в качестве демонстрации пару картинок:

Правое изображение получено из левого, без использования 48-битного формата (в этом случае будет 100% восстановление исходного изображения) - слева обычный PNG, размытый искусственно. В результате мы видим более качественное изображение.

Многие считают, что размытие необратимая операция и информация безвозвратно теряется, т.к. каждый пиксель превращается в пятно, все смешивается, а при большом радиусе размытия получается однородный цвет по всему изображению. Это не совсем так - вся информация просто перераспределяется и может быть однозначно восстановлена. Исключение составляют лишь края изображения шириной в радиус размытия, где полноценное восстановление невозможно.

Продемонстрируем это, используя небольшой пример для одномерного случая. Представим, что у нас есть ряд из пикселей со значениями:

x1 | x2 | x3 | x4… - Исходное изображение.

После искажения значение каждого пикселя суммируется со значением левого, т.е. x’i = xi + xi-1. Надо еще поделить на 2, но опустим этот шаг для простоты. В результате имеем размытое изображение со значениями пикселей:

1 + x0 | x2 + x1 | x3 + x2 | x4 + x3… - Размытое изображение.

Теперь попробуем восстановить. Вычтем последовательно по цепочке значения по схеме: из второго пикселя - первый, из третьего - результат второго, из четвертого - результат третьего и так далее. Получаем:

x1 + x0 | x2 - x0 | x3 + x0 | x4 - x0… - Восстановленное изображение.

В итоге, вместо размытого изображения получили исходное, к пикселям которого добавлена неизвестная константа x0 с чередующимся знаком. Это уже намного лучше - эту константу можно подобрать визуально, можно предположить, что она примерно равна значению x1, можно автоматически подобрать с таким критерием, чтобы значения соседних пикселей "скакали" как можно меньше и т.д. Но все меняется, когда мы добавляем шум (который всегда есть в реальных изображениях). При описанной схеме на каждом шаге будет накапливаться вклад шума в общую составляющую, что в итоге может дать совершенно неприемлемый результат. Но, как мы убедились, восстановление вполне реально даже таким примитивным способом.

Лучшие статьи по информатике

Теория автоматического управления. Линейные системы
Настоящие методические указания служат пособием для студентов института, выполняющих лабораторные и курсовые работы по теории линейных систем автоматическог ...

Основы разработки карманного осциллографа
Осциллограф - прибор, предназначенный для исследования электрических сигналов во временном области путём визуального наблюдения графика сигнала на экран ...

Проектирование источника вторичного электропитания
Научно технический прогресс в значительной мере связан с развитием радиотехники и электроники. В таких далёких от радиотехники областях, как медицина, транс ...