Русская Википедия:Слепая деконволюция
Слепая деконволюция — метод восстановления изображения без априорной информации о функции размытия точки оптической системы, которая вносит в регистрируемый полезный сигнал шум, искажения и т. п.
История
Классические методы восстановления изображений ведут свою историю с 60-х годов XX века, когда остро встала новая по тем временам проблематика исследования космоса. Примерно в середине 70-х годов появились ранние алгоритмы, которые напрямую задействовали идеи слепой деконволюции пытаясь оценить известные закономерности размывания изображений. Затем небольшой, но целеустремлённый всплеск работ последовал в поздние 80-е годы, и наконец полноценное возрождение научного интереса произошло в 90-х годах, когда эта область интенсивно разрабатывалась сообществами физиков-оптиков, астрономов и специалистов по обработке изображений. Появившиеся в результате их усилий идеи базируются на методах линейной алгебры, численного анализа и статистической теории оцениванияШаблон:Sfn.
В настоящее время алгоритмы, основанные на слепой деконволюции, используются в ряде прикладных и технических дисциплин, таких как, например: астрономические наблюдения, дистанционное зондирование, микроскопия, биомедицинская оптика, проблематика сверхразрешения и отслеживания движущихся целейШаблон:Sfn.
Характер проблемы
Выделяют два основных фактора, отрицательно влияющих на качество полученного изображения в ходе его формирования на датчиках регистрирующего прибора. Первым является размазанность картинки (или её фрагментов), которая проявляет себя в виде потери чёткости. Она может возникнуть вследствие несовершенства оптической системы, неправильной фокусировки поступающего сигнала или взаимном смещении камеры относительно объекта съёмки. Кроме этого, к аналогичному эффекту могут привести турбулентные свойства атмосферного канала, по которому распространяется сигнал. В некоторых типах регистрирующей аппаратуры высокого разрешения (телескопах, микроскопах и т. п.) это явление присутствует на уровне дифракционного предела. С математической точки зрения смазанность нередко рассматривается как результат низкочастотной фильтрации исходного массива данныхШаблон:Sfn.
Вторым существенным фактором является неизбежное присутствие разного рода шумов, которые накладываются на полезную компоненту сигнала в процессе квантования и записи информации. Причины появления шумовых искажений могут быть самыми разнообразными: случайные флуктуации количества фотонов в точках их регистрации, тепловой шум сенсоров, гранулярный шум при использовании лазерного источника света, искажения при оцифровке сигнала и т. п.Шаблон:Sfn
Постановка задачи
В классическом примере линейной системы математическая модель искажения поступающего полезного сигнала <math>f(\mathbf{x})</math>, как правило, задаётся следующим образомШаблон:Sfn:
<math>g(\mathbf{x}) = \sum^{}_{s \in S} h(\mathbf{x},\mathbf{s})f(\mathbf{s}) + n(\mathbf{x})</math>,
где:
- <math>\mathbf{x} = (x_1, x_2) \in S</math> — векторная переменная пространственных координат,
- <math>h(\mathbf{x},\mathbf{s})</math> — функция размытия точки,
- <math>n(\mathbf{x})</math> — аддитивный шумовой процесс,
- <math>g(\mathbf{x})</math> — наблюдаемый сигнал, представляющий из себя результат наложения шума и внесения искажений.
В рамках этих предположений конечной целью становится построение адекватной оценки для функций <math>h(\mathbf{x},\mathbf{s})</math> и <math>f(\mathbf{x})</math> опираясь на вид зарегистрированного сигнала <math>g(\mathbf{x})</math>. При этом, в большинстве прикладных задач в роли шумовой компоненты <math>n(\mathbf{x})</math> обычно выступает белый гауссовский шум, некоррелированный с исследуемым сигналом. Нередко для представления этой задачи используется матричная форма записиШаблон:Sfn.
Вообще говоря, слепая деконволюция является плохо обусловленной задачей, зависимость её решения от входных параметров уравнения совсем не обязательно должна обладать свойством непрерывности, найденное решение может быть не единственным и совсем не обязательно обязано существоватьШаблон:Sfn. Дополнительные сложности накладываются при использовании инструментария из области Фурье-анализа и при поиске решения обратной задачи в спектральной плоскости, так как, не смотря на то, что множества положительных и финитных функций обладают свойством выпуклости, множество Фурье-образов от произведения функций выпуклым не являетсяШаблон:Sfn.
Основные подходы к поиску решения
Выделяют два разных подхода к восстановлению исходной структуры искажённого изображения, которые, в свою очередь, произвели на свет два класса практических способов нахождения решения. Первый из них связан с априорной оценкой функции размытия точки <math>h(\mathbf{x},\mathbf{s})</math>, второй — с совместным построением оценок для функции размытия точки и для искомой функции<math>f(\mathbf{x})</math>Шаблон:Sfn.
В первой группе методов используется построение функции размытия точки <math>h(\mathbf{x},\mathbf{s})</math> исходя из информации о рассеивающих свойствах передаточной системы, которая доступна априори (экспериментально или исходя из какого-либо рода общих соображений). В дальнейшем полученную оценку для <math>h(\mathbf{x},\mathbf{s})</math> возможно параметризовать и пустить в дело в связке с классическими алгоритмами восстановления изображений на базе теоремы Байеса и метода максимального правдоподобияШаблон:Sfn.
Во втором подходе осуществляется совместная оценка функции размытия точки и искомого изображения, где априорная информация о свойствах изображения и передаточного канала объединяется в виде моделей, параметры которых оцениваются из имеющихся данных. Затем эти модели используются в расчётных схемах, которые чаще всего, строятся индивидуально для <math>h(\mathbf{x},\mathbf{s})</math> и <math>f(\mathbf{x})</math>Шаблон:Sfn.
В рамках обоих подходов широко применяются итеративные процедуры, когда, например, сначала вычисляется функция размытия точки, затем по полученной информации улучшается оценка изображения <math>f(\mathbf{x})</math>, затем проводится регуляризация решения (обнуление отрицательных значений в пространственной плоскости и т. п.), по полученным данным корректируется функция размытия точки, на её основе вычисляется новая оценка функции <math>f(\mathbf{x})</math>, она опять стабилизируется и т. д. пока, после некоторого конечного числа итераций, не получается подобраться к удовлетворительному решению. Однако, критерии надёжной сходимости таких схем всё ещё остаются актуальной и весьма остро стоящей перед научным сообществом проблемойШаблон:SfnШаблон:Sfn.
Примечания
Использованные источники
