8

最近、デコンボリューション アルゴリズムの研究を開始し、次の取得モデルに出会いました。

取得モデル

ここで、fは元の (潜在) 画像、gは入力 (観測) 画像、hは点広がり関数 (劣化カーネル)、nはランダムな加法性ノイズ、* は畳み込み演算子です。gとhがわかっている場合、 Richardson-Lucy アルゴリズムを使用してfを復元できます。

Richardson-Lucy アルゴリズム

ここでtilde_h、(W,H)はhの矩形サポートのサイズであり、乗算と除算は点単位です。C++ でコーディングできるほど単純なので、そのようにしました。iがいくつかの mよりも小さい間、 はff_iに近似し、その後急速に減衰し始めることが判明しました。したがって、アルゴリズムはこのm (最も満足できる反復)で停止する必要がありました。

点像分布関数gも不明な場合、問題はブラインドと呼ばれ、Richardson-Lucy アルゴリズムの修正を適用できます。

bling_richarson_lucy

fの初期推定には、前述のようにgを使用できます。また、 hの初期推定には、自明な PSF、または観測された画像の劣化に似た任意の単純な形式を使用できます。このアルゴリズムは、シミュレートされたデータでもうまく機能します。

ここで、次の取得モデルを使用したマルチフレーム ブラインド デコンボリューションの問題を検討します。

マルチフレーム取得モデル

この定式化の問題を解決するための Richardson-Lucy アルゴリズムを開発する方法はありますか? いいえの場合、 fを回復するための他の反復手順はありますか?それは以前のものよりもはるかに複雑ではないでしょうか?

4

2 に答える 2

2

取得モデルによると、潜像 (f) は同じままですが、psf モデルとノイズ モデルが異なるため、観察された画像は異なります。これを見る 1 つの方法は、シャープでノイズのないイメージ (f) がモーション ブラー カーネルによって破損するモーション ブラーの問題です。これは不適切な設定の問題であるため、ほとんどの文献では、ぼかしカーネルと潜像を推定することで繰り返し解決されています。これを解決する方法は、目的関数に完全に依存します。たとえば、一部の論文では、ブラー カーネルを推定するために IRLS が使用されています。これに関する多くの文献を見つけることができます。

  • Richardson Lucy Blind デコンボリューションを使用する場合は、1 つのフレームだけで使用してください。
  • f を回復している間、各反復で 1 つの戦略を使用できます。各 g(観測された画像) からの寄与に異なる重みを割り当てます。目的関数にさまざまな重みを組み込むか、推定されたぼかしカーネルに従って重みを計算できます。
于 2016-02-28T16:20:30.837 に答える
1

この定式化の問題を解決するための Richardson-Lucy アルゴリズムを開発する方法はありますか?

私はこの分野の専門家ではありませんが、アルゴリズムを構築するそのような方法が存在するとは思いません。少なくとも単純ではありません。これが私の主張です。あなたが説明した最初の問題（psfがわかっている場合）は、ノイズのランダムな性質と、画像の端に近い畳み込みに関する情報の損失のために、すでに不適切です。リストの 2 番目の問題 — シングル チャネル ブラインド デコンボリューション — は、前の問題の拡張です。この場合はさらに劣決定であるため、不適切な設定が拡大するため、最初の問題を解決する方法からこの問題を解決する方法が展開されるのは当然です。ここで、マルチチャネル ブラインド デコンボリューションの定式化を検討するとき、以前のモデルに多くの追加情報を追加すると、問題は過小決定から過決定になります。

fを回復するための他の反復手順はありますか?それは以前のものよりもはるかに複雑ではないでしょうか?

[1] で Šroubek と Milanfar によって導入されたアルゴリズムをお勧めします。あなたの意見がはるかに複雑かどうかはわかりませんが、最新かつ堅牢なものの 1 つです。問題の定式化は、あなたが書いたものとまったく同じです。このアルゴリズムは、K>1 個の画像、psf サイズ L の上限、およびalpha、beta、gamma、deltaの 4 つの調整パラメーターを入力として受け取ります。たとえば、gammaを指定するには、入力画像のノイズの分散を推定し、最大の分散varを取得する必要があります。次にgamma = 1/ var. このアルゴリズムは、交互最小化を使用して次の最適化問題を解きます。

へ

ここで、Fはデータ忠実度の項で、QとRはそれぞれ画像とぼかしの正則化です。

アルゴリズムの詳細な分析については [1] を参照してください。さまざまなデコンボリューションの定式化とその解決策のコレクションについては [2] を参照してください。それが役に立てば幸い。

参考文献:

  1. フィリップ・シュルーベク、ペイマン・ミランファー。—- 高速交互最小化による堅牢なマルチチャネル ブラインド デコンボリューション。-- 画像処理に関する IEEE トランザクション、VOL。21、いいえ。2012 年 4 月 4 日

  2. パトリツィオ・カンピシ、カレン・エギアザリアン。—- ブラインド イメージ デコンボリューション: 理論と応用

于 2016-02-28T18:24:55.003 に答える