Метод оценивания параметров линейно смазанного изображения на основе сравнения с двумерными гистограммами градиентов яркостей искусственно смазанного эталонного изображения
(Стр. 24-32)
Подробнее об авторах
Харламов Сергей Григорьевич
аспирант, кафедра высшей математики, Институт искусственного интеллекта
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Федоров Виктор Борисович кандидат технических наук; доцент, кафедра высшей математики, Институт искусственного интеллекта; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Федоров Виктор Борисович кандидат технических наук; доцент, кафедра высшей математики, Институт искусственного интеллекта; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Задача. Смаз изображения – один из самых распространенных дефектов при фотосъемке. При отсутствии информации об оптической системе в момент съемки невозможно точно определить модель смаза и ее параметры. Для небольших изображений возможны нейросетевые подходы или использование математических методов на основе преобразования Радона, Хафа и кепстрального метода. Однако в случае больших изображений данные методы неприменимы из-за высокой вычислительной сложности, поэтому имеется необходимость разработки нового метода для обработки таких изображений. Модель. Предлагается новый метод оценки параметров линейного смаза на равномерно искаженных изображениях, основанный на сравнении двумерных гистограмм градиентов с предварительно рассчитанными гистограммами, полученными из эталонного изображения с различными моделируемыми параметрами смаза. Данный метод преимущественно является статистическим, с использованием классических математических методов обработки изображений. Выводы. Предлагаемый метод показывает качественные результаты для любых параметров линейного смаза. При этом чем ближе эталонное изображение к оригинальному по гистограмме градиентов, тем точнее получается результат, вплоть до нулевой погрешности. Если же за эталонное изображение брать не самое близкое, но из одного класса изображений, погрешность в результате составит не более полупикселя по каждому из направлений смаза. Практическое значение. Предлагаемый метод применим для обработки изображений высокого разрешения, на которых присутствует линейный смаз. Разработанный алгоритм применим, например, для обработки спутниковых снимков. Ценность. Предлагаемый метод имеет большое преимущество над известными математическими методами и нейросетевыми методами определения параметров смаза вследствие своей высокой точности при низкой вычислительной сложности. Его применение принесет существенную выгоду при обработке изображений в режиме реального времени.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Харламов С.Г., Федоров В.Б. Метод оценивания параметров линейно смазанного изображения на основе сравнения с двумерными гистограммами градиентов яркостей искусственно смазанного эталонного изображения // Computational Nanotechnology. 2026. Т. 13. № 1. С. 24-32. DOI: 10.33693/2313-223X-2026-13-1-24-32. EDN: LYTNIZ
Список литературы:
Гуляев Ю.В. и др. Коррекция пространственного спектра, искаженного оптической системой, с помощью метода опорного изображения. Ч. 3. Универсальный опорный спектр // Журнал радиоэлектроники. 2013. № 12. EDN: SBNUVB.
Федоров В.Б., Харламов С.Г., Федоров А.В. Восстановление изображений с использованием дискретной функции рассеяния точки, получаемой с учетом конечности размера пикселя // Russian Technological Journal. 2025. Т. 13. № 2. С. 143–154. DOI: 10.32362/2500-316X-2025-13-2-143-154. EDN: GXAGAW.
Asai H., Oyamada Y., Pilet J., Saito H. Cepstral analysis based blind deconvolution for motion blur // Proceedings of the IEEE International Conference on Image Processing (ICIP). Hong Kong: IEEE, 2010. Pp. 1153–1156. DOI: 10.1109/ICIP.2010.5651299.
Carbajal G., Vitoria P., Lezama J., Musé P. Blind motion deblurring with Pixel Wise Kernel Estimation via Kernel Prediction networks // arXiv preprint. 2023. arXiv: 2308.02947.
Cho T.S., Paris S., Horn B.K.P., Freeman W.T. Blur kernel estimation using the Radon Transform // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Colorado Springs: IEEE, 2011. Pp. 241–248. DOI: 10.1109/CVPR.2011.5995479.
Debarnot V., Weiss P. Deep-blur: Blind identification and deblurring with convolutional neural networks. Biological Imaging. 2024. Vol. 4. P. e13. DOI: 10.1017/S2633903X24000096.
Deshpande A.M., Patnaik S. A novel modified cepstral based technique for blind estimation of motion blur // Optik. 2014. Vol. 125. No. 2. Pp. 606–615. DOI: 10.1016/j.ijleo.2013.05.189.
Iraei I., Sharifi M., Baleghi Y. A new approach to enhance the estimation of blur parameters in blurred images // Optik. 2020. Vol. 224. P. 165298. DOI: 10.1016/j.ijleo.2020.165298.
Jha T.N. Velocity detection from a motion blur image using Radon Transformation // Tribhuvan University Journal. 2018. Vol. 32. No. 2. Pp. 243–248. DOI: 10.3126/tuj.v32i2.24721.
Mittal A., Soundararajan R., Bovik A.C. Making a “completely blind” image quality analyzer // IEEE Signal Processing Letters. 2013. Vol. 20. No. 3. Pp. 209–212. DOI: 10.1109/LSP.2012.2227726.
Pan J., Ren W., Hu Z., Yang M.-H. Learning to deblur images with exemplars // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2019. Vol. 41. No. 6. Pp. 1412–1425. arXiv: 1805.05503. DOI: 10.1109/TPAMI.2018.2832125.
Varela L.G. et al. Estimation of motion blur kernel parameters using regression convolutional neural networks // Journal of Electronic Imaging. 2024. Vol. 33. No. 2. P. 023062. DOI: 10.1117/1.JEI.33.2.023062.
Wang T., Shu H., Jia H., Li B. Blind image quality assessment using natural scene statistics in the gradient domain // Proceedings of the 8th Asia Modelling Symposium (AMS). 2014. Pp. 56–60. DOI: 10.1109/AMS.2014.22.
Wang Y. et al. Improved scheme of estimating motion blur parameters for image restoration // Digital Signal Processing. 2017. Vol. 65. Pp. 11–18. DOI: 10.1016/j.dsp.2017.02.010.
Zou H., Suganuma M., Okatani T. Reference based motion blur removal: Learning to utilize sharpness in the reference image // CoRR. 2023. arXiv: 2307.02875.
Федоров В.Б., Харламов С.Г., Федоров А.В. Восстановление изображений с использованием дискретной функции рассеяния точки, получаемой с учетом конечности размера пикселя // Russian Technological Journal. 2025. Т. 13. № 2. С. 143–154. DOI: 10.32362/2500-316X-2025-13-2-143-154. EDN: GXAGAW.
Asai H., Oyamada Y., Pilet J., Saito H. Cepstral analysis based blind deconvolution for motion blur // Proceedings of the IEEE International Conference on Image Processing (ICIP). Hong Kong: IEEE, 2010. Pp. 1153–1156. DOI: 10.1109/ICIP.2010.5651299.
Carbajal G., Vitoria P., Lezama J., Musé P. Blind motion deblurring with Pixel Wise Kernel Estimation via Kernel Prediction networks // arXiv preprint. 2023. arXiv: 2308.02947.
Cho T.S., Paris S., Horn B.K.P., Freeman W.T. Blur kernel estimation using the Radon Transform // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Colorado Springs: IEEE, 2011. Pp. 241–248. DOI: 10.1109/CVPR.2011.5995479.
Debarnot V., Weiss P. Deep-blur: Blind identification and deblurring with convolutional neural networks. Biological Imaging. 2024. Vol. 4. P. e13. DOI: 10.1017/S2633903X24000096.
Deshpande A.M., Patnaik S. A novel modified cepstral based technique for blind estimation of motion blur // Optik. 2014. Vol. 125. No. 2. Pp. 606–615. DOI: 10.1016/j.ijleo.2013.05.189.
Iraei I., Sharifi M., Baleghi Y. A new approach to enhance the estimation of blur parameters in blurred images // Optik. 2020. Vol. 224. P. 165298. DOI: 10.1016/j.ijleo.2020.165298.
Jha T.N. Velocity detection from a motion blur image using Radon Transformation // Tribhuvan University Journal. 2018. Vol. 32. No. 2. Pp. 243–248. DOI: 10.3126/tuj.v32i2.24721.
Mittal A., Soundararajan R., Bovik A.C. Making a “completely blind” image quality analyzer // IEEE Signal Processing Letters. 2013. Vol. 20. No. 3. Pp. 209–212. DOI: 10.1109/LSP.2012.2227726.
Pan J., Ren W., Hu Z., Yang M.-H. Learning to deblur images with exemplars // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2019. Vol. 41. No. 6. Pp. 1412–1425. arXiv: 1805.05503. DOI: 10.1109/TPAMI.2018.2832125.
Varela L.G. et al. Estimation of motion blur kernel parameters using regression convolutional neural networks // Journal of Electronic Imaging. 2024. Vol. 33. No. 2. P. 023062. DOI: 10.1117/1.JEI.33.2.023062.
Wang T., Shu H., Jia H., Li B. Blind image quality assessment using natural scene statistics in the gradient domain // Proceedings of the 8th Asia Modelling Symposium (AMS). 2014. Pp. 56–60. DOI: 10.1109/AMS.2014.22.
Wang Y. et al. Improved scheme of estimating motion blur parameters for image restoration // Digital Signal Processing. 2017. Vol. 65. Pp. 11–18. DOI: 10.1016/j.dsp.2017.02.010.
Zou H., Suganuma M., Okatani T. Reference based motion blur removal: Learning to utilize sharpness in the reference image // CoRR. 2023. arXiv: 2307.02875.
Ключевые слова:
гистограммы градиентов, линейный смаз, эталонное изображение, слепая деконволюция, сравнение распределений, метрика расстояния между гистограммами.
