นักวิจัยเสนอกรอบการกู้คืนภาพที่เบลอจากการเคลื่อนไหว

การกู้คืนภาพที่เบลอจากการเคลื่อนไหวนั้นทำได้ยากมากเสมอมา เนื่องจากข้อจำกัดของอัลกอริธึมภาพเบลอเดียว การศึกษาหลักฐานเบื้องต้น การจดจำรูปแบบ เสนอกรอบการฟื้นฟูภาพเบลอจากการเคลื่อนไหวใหม่โดยอิงจากการประมาณค่าพารามิเตอร์เบลอและโครงข่ายประสาทเทียมแบบคลุมเครือ เฟรมเวิร์กการกู้คืนที่เสนอทำให้มั่นใจได้ถึงผลลัพธ์การกู้คืนอิมเมจคุณภาพสูง

เรียน. เฟรมเวิร์กการฟื้นฟูภาพเบลอจากการเคลื่อนไหวโดยอิงจากการประมาณค่าพารามิเตอร์และโครงข่ายประสาทเทียมฟังก์ชันพื้นฐานแนวรัศมี เครดิตภาพ: William Burton/Shutterstock.com

ภาพเคลื่อนไหวเบลอ

การสั่นของกล้องระหว่างการเปิดรับแสงจะทำให้ภาพเบลอจากการเคลื่อนไหว เนื่องจากเป็นหนึ่งในสาเหตุหลักของความเสื่อมของภาพ จึงส่งผลกระทบอย่างมากต่อประสิทธิภาพของระบบคอมพิวเตอร์วิชันซิสเต็มในด้านต่างๆ

ดังนั้น เทคโนโลยีการกู้คืนภาพเบลอจากการเคลื่อนไหวที่มีประสิทธิภาพจะช่วยปรับปรุงความน่าเชื่อถือของการถ่ายภาพทางการแพทย์ การบินและอวกาศ การควบคุมการจราจร การค้นหาทางทหาร ความปลอดภัยสาธารณะ พื้นที่ และแอปพลิเคชันที่เกี่ยวข้องกับภาพถ่ายดาวเทียม

เทคนิคการบูรณะภาพในปัจจุบัน

การเรียนรู้เชิงลึกถูกนำมาใช้ในเทคโนโลยีล่าสุดบางอย่างเพื่อคาดการณ์การกระจายของภาพเบลอจากการเคลื่อนไหวและฟื้นฟูภาพที่เสื่อมคุณภาพ วิธีการเรียนรู้เชิงลึกเหล่านี้แบ่งออกเป็นสองประเภท ภาพแรกใช้ภาพเดียว ในขณะที่ภาพหลังรวมวิดีโอและหลายภาพเพื่อสร้างภาพที่เสื่อมโทรมขึ้นใหม่

ฟังก์ชัน Point Spread (PSF) ใช้ในการสร้างแบบจำลองประสาทเพื่อสร้างภาพเบลอจากการเคลื่อนไหว ดังนั้น วิธีการฟื้นฟูภาพที่เบลอจากการเคลื่อนไหวมักจะพยายามลดหรือลบเอฟเฟกต์ของ PSF ต่อภาพที่เสื่อมคุณภาพ

การวิจัยการลดสัญญาณรบกวนในช่วงแรกได้แนะนำอัลกอริทึมที่มีประสิทธิภาพในการถอดรหัสภาพที่พร่ามัวหรือลดคุณภาพของภาพย้อนกลับ การศึกษาเหล่านี้แบ่งออกเป็น deconvolution ตาบอดและไม่ตาบอด

อัลกอริธึม deconvolution แบบ non-blind จำนวนมากสร้างภาพขึ้นใหม่โดยใช้ PSF ที่กำหนดไว้ล่วงหน้า อัลกอริธึมยอดนิยมเหล่านี้มักใช้ในด้านการฟื้นฟูภาพ

วิธีที่มีประสิทธิภาพในการสร้างภาพที่เบลอจากการเคลื่อนไหวขึ้นใหม่คือเทคนิคการปรับภาพเบลอซึ่งสร้างรูปร่างดั้งเดิมขึ้นใหม่โดยใช้ PSF ที่พบหลังจากประมาณค่าพารามิเตอร์การเคลื่อนไหวจากภาพที่เบลอ อย่างไรก็ตาม แนวทางนี้ซับซ้อนกว่า deconvolution แบบ non-blind และเป็นตัวกำหนดมากกว่าในการทำนาย PSF

อัลกอริธึมการเบลอภาพเบลอส่วนใหญ่ประสบความสำเร็จในการประเมินเมล็ดเบลอที่ซับซ้อนและให้ผลลัพธ์ที่แม่นยำ อย่างไรก็ตาม ในการใช้งานจริง ขอบเขตการคำนวณของวิธีการเหล่านี้ยากและใช้เวลานาน เนื่องจากต้องแก้สมการหลายอย่าง

เมื่อเร็ว ๆ นี้ นักวิจัยหลายคนได้พัฒนาเทคนิคการคำนวณ PSF ที่แตกต่างกันสำหรับการสร้างภาพเบลอใหม่ ซึ่งเน้นที่การคำนวณมุมเบลอและความยาว

น่าเสียดายที่วิธีการมากมายยังคงให้ผลที่แม่นยำต่ำและการประมาณความยาวเบลอเล็กน้อย โดยทั่วไป อัลกอริธึมในปัจจุบันยังคงพยายามดิ้นรนเพื่อให้ได้มาซึ่งความเที่ยงตรง ประสิทธิภาพด้านเวลา และความคงทน

การใช้การประมาณค่าพารามิเตอร์และ P-RBFNN Motion-Blurred Image Restoration Framework สำหรับการประเมินคุณภาพของภาพ

จ้าว: et al. พัฒนาระบบฟื้นฟูภาพเบลอด้วยสามขั้นตอน การสร้างภาพเบลอจากการเคลื่อนไหว การประมาณค่าพารามิเตอร์การเบลอ และการประเมินคุณภาพของภาพ

ค่าการเบลอจากการเคลื่อนไหวที่แตกต่างกันแปดค่าจะถูกตั้งค่าโดยมีสัญญาณรบกวนจากการเบลอเมื่อคุณสร้างภาพเบลอจากการเคลื่อนไหว โดยจำลองระดับการเบลอของการเคลื่อนไหวในฉากที่เป็นธรรมชาติต่างกัน

มีการนำเสนอวิธีการประมาณค่าพารามิเตอร์ตามการปรับให้เหมาะสม PSO เพื่อคำนวณพารามิเตอร์การเบลอ วิธีการนี้ใช้ตัวประมาณล่วงหน้าเพื่อเริ่มต้นตำแหน่ง 3 มิติของอนุภาคตามค่าที่คาดการณ์ไว้ของเทคนิคการประมาณค่าทั้งสองแบบ

พารามิเตอร์ระยะห่างของอนุภาคได้รับการอัปเดตอย่างต่อเนื่องโดยใช้เครื่องมือประมาณคุณภาพของภาพธรรมชาติ (NIQE) จนกว่าจะได้ค่าประมาณที่เหมาะสมที่สุด NIQE ยังใช้เป็นฟังก์ชันค่าความเหมาะสมเพื่อกำหนดตำแหน่งอนุภาคในอุดมคติอีกด้วย

สำหรับการประเมินคุณภาพของภาพนั้น ชุดข้อมูลที่กู้คืนจะได้รับการตรวจสอบอย่างละเอียดด้วยการประเมินคุณภาพของภาพอ้างอิงแบบเต็ม (FR-IQA) และการประเมินคุณภาพของภาพที่ไม่มีการอ้างอิง (NR-IQA) ซึ่งทั้งคู่ใช้ Radial Basis Function Neural Network (RBFNN) . ) อัลกอริธึมเป็นตัวประมาณคุณภาพที่ไม่มีการอ้างอิง

เฟรมเวิร์กนี้ประเมินคุณภาพของภาพโดยใช้ตัวแยกประเภทโครงข่ายประสาทเทียม (P-RBFNN) ของฟังก์ชันพื้นฐานเรเดียล ซึ่งมีลักษณะเฉพาะจากอัลกอริธึมก่อนหน้านี้ เช่น อัตราส่วนสัญญาณต่อสัญญาณรบกวน (PSNR) ความคล้ายคลึงกันของโครงสร้าง (SSIM) และ NIQE

ผลการวิจัยที่สำคัญของการศึกษา

ในการศึกษานี้ มีการพัฒนาเฟรมเวิร์กการกู้คืนภาพที่เบลอจากการเคลื่อนไหวโดยละเอียด สามารถปรับความยาวการเบลอ รัศมีการเบลอ และมุมได้พร้อมกันโดยใช้การประมาณค่าพารามิเตอร์การเบลอที่เสนอโดยอิงตามอัลกอริธึมการเพิ่มประสิทธิภาพกลุ่มอนุภาค (B-PSO)

B-PSO ประเมินมุมการบดบังหรือพารามิเตอร์ความยาวได้อย่างสมบูรณ์แบบสำหรับชุดการเสื่อมสภาพประเภท F ในขณะที่ยังคงข้อผิดพลาดให้อยู่ในช่วงที่ยอมรับได้ ชุดรูปภาพที่ผู้เสนอกู้คืนมีคุณภาพสูงขึ้นและมีอัตราการจำแนกประเภทที่สูงขึ้น

หลังจากการทดลองหลายครั้ง พบว่ากรอบการฟื้นฟูที่เสนอสามารถคืนค่าภาพที่เบลอจากการเคลื่อนไหวได้สำเร็จ ความแม่นยำในการจำแนกประเภทของภาพที่สร้างขึ้นใหม่คือ 96% ความคล้ายคลึงกันของโครงสร้างคือ 0.9044 และ PSNR คือ 29.976 dB ผลการวิจัยพบว่าวิธีการฟื้นฟูที่เสนอนั้นมีประสิทธิภาพเหนือกว่าวิธีการฟื้นฟูภาพแบบดั้งเดิม

ประสิทธิภาพของอัลกอริธึมนี้สามารถเพิ่มขึ้นได้อีกโดยการรวมเครือข่ายการเบลอจากการเคลื่อนไหวเข้ากับเครือข่ายการเรียนรู้เชิงลึก

อ้างอิง

Shengmin Zhao, Sung-Kwun Oh, Jin-Yul Kim, Zunwei Fu และ Witold Pedrycz (2022). กรอบการฟื้นฟูภาพเบลอจากการเคลื่อนไหวตามการประมาณค่าพารามิเตอร์และโครงข่ายประสาทฟังก์ชันพื้นฐานแนวรัศมี การจดจำรูปแบบ. https://www.sciencedirect.com/science/article/abs/pii/S0031320322004630

ข้อจำกัดความรับผิดชอบ ความคิดเห็นที่แสดงในที่นี้เป็นความคิดเห็นของผู้เขียนที่แสดงความสามารถส่วนบุคคล และไม่จำเป็นต้องแสดงถึงมุมมองของ AZoM.com Limited T/A AZoNetwork เจ้าของและผู้ดำเนินการเว็บไซต์นี้ ข้อจำกัดความรับผิดชอบนี้เป็นส่วนหนึ่งของข้อกำหนดและเงื่อนไขการใช้งานเว็บไซต์นี้