मैं आपका ध्यान लेख "त्रस्त पुनर्स्थापना और धुंधली छवियों को बहाल करने" से प्रस्तुत करता हूं। पहले दो में काफी दिलचस्पी थी - क्षेत्र वास्तव में दिलचस्प है। इस भाग में, मैं उन तरीकों के एक परिवार पर विचार करूंगा जो मानक वीनर फिल्टर की तुलना में सबसे अच्छी गुणवत्ता देते हैं - ये पहले कुल वैरिटोन पर आधारित तरीके हैं।
इसके अलावा, परंपरा से, मैंने स्मार्टडेबेलर (ओपन-सोर्स स्रोतों के साथ) का एक नया संस्करण पोस्ट किया जिसमें मैंने इस पद्धति को लागू किया। अंतिम गुणवत्ता पुखराज InFocus जैसे वाणिज्यिक समकक्षों के स्तर पर थी। यहाँ एक वास्तविक छवि को संसाधित करने का एक उदाहरण दिया गया है जिसमें बहुत बड़े कलंक हैं:

परिचय

मैं यहाँ विघटन के मूल सिद्धांत का वर्णन नहीं करूंगा, इसका वर्णन पिछले लेखों में बहुत विस्तार से किया गया था। उन लोगों के लिए जिन्होंने उन्हें नहीं पढ़ा है या भूल गए हैं, मैं सुझाव देता हूं कि शब्दावली और शास्त्रीय ज्ञान को समझने के लिए आप पहले खुद को उनसे परिचित कराएं:

भाग 1. सिद्धांत ;
भाग 2. अभ्यास ।

कुल भिन्नता का वर्णन करने के लिए आगे बढ़ने से पहले (बाद में टीवी के रूप में संदर्भित), यह समझना आवश्यक है कि शास्त्रीय वीनर फिल्टर जैसे एल्गोरिदम के नुकसान क्या हैं? सबसे बुनियादी आधार रिंगिंग के प्रकार (वस्तुओं के किनारों पर आवधिक प्रभामंडल) का प्रभाव है, यहां तक ​​कि शोर के छोटे स्तर, सीमाओं के धुंधलेपन और छोटे विवरणों के साथ-साथ मानव धारणा के संदर्भ में खराब शोर में कमी। यह सब बहुत वीनर फिल्टर के व्यावहारिक अनुप्रयोग के साथ हस्तक्षेप करता है, इसके आवेदन को तकनीकी छवि बहाली के कार्यों तक सीमित करता है, उदाहरण के लिए, ब्याज के शिलालेखों को पढ़ने के लिए।
इसलिए, हाल के वर्षों में, विभिन्न तरीकों की एक बड़ी संख्या विकसित की गई है, जिसका उद्देश्य दृश्य गुणवत्ता में सुधार करना है। यह ध्यान दिया जाना चाहिए कि इस मामले में, एक नियम के रूप में, भागों की संख्या में वृद्धि नहीं होती है।

टीवी का वर्णन पूर्व

परिणाम के दृष्टिकोण से पहले कुल भिन्नता का मुख्य गुण तेज किनारों का संरक्षण और विघटन की कलाकृतियों को चौरसाई करना है। यह इस प्रकार लिखा जाता है:

दुर्भाग्य से, इस कार्यात्मक की गणना सरल तरीके से नहीं की जा सकती है, क्योंकि इसके लिए बहुत जटिल अनुकूलन तकनीकों के उपयोग की आवश्यकता होती है।
एक विकल्प के रूप में, आप एक निरपेक्ष मूल्य के बजाय एक स्मूथ फंक्शनल का उपयोग कर सकते हैं:

जब एप्सिलॉन शून्य पर जाता है, तो परिणाम कुल भिन्नता के प्रारंभिक निर्धारण के लिए जाता है, लेकिन अनुकूलन प्रक्रिया अधिक जटिल हो जाती है। इसके विपरीत, एक पर्याप्त बड़े एप्सिलॉन के साथ, अनुकूलन परिणाम धुंधला किनारों के साथ एक वीनर फ़िल्टर जैसा होगा। दुर्भाग्य से, उपरोक्त सूत्र में एक गैर-द्विघात रूप है, इसलिए इसे फूरियर आवृत्ति स्थान में गणना नहीं की जा सकती है, जैसा कि वीनर और तिखोनोव फिल्टर के साथ हुआ था। इसलिए, अनुमानित समाधान खोजने के लिए चरण-दर-चरण अनुकूलन विधियों में से एक की आवश्यकता होती है - उदाहरण के लिए, शास्त्रीय प्रवणता:

निम्न सूत्र द्वारा ताऊ की गणना की जाती है:

और स्मूथ फंक्शनल की ग्रेडिएंट को इस प्रकार परिभाषित किया गया है:

पुनरावृत्तियों की संख्या काफी बड़ी होनी चाहिए - कई सौ।

यह पहले टीवी के कार्यान्वयन में सबसे बुनियादी दृष्टिकोण है, जिसे "माथे" कहा जाता है। फिर भी, यह बहुत अच्छे परिणाम देता है। इसके आधार पर, वैज्ञानिक प्रकाशनों में कई अध्ययन सामने आए हैं जो अभी भी गुणवत्ता में सुधार करने की कोशिश कर रहे हैं और गणना के समय को भी कम करते हैं।

व्यावहारिक कार्यान्वयन

सिद्धांत रूप में वर्णित सूत्र, सरल हैं, हालांकि लागू करने के लिए बहुत बोझिल हैं। मुख्य समस्या उच्च प्रदर्शन को प्राप्त करना है, क्योंकि पुनरावृत्तियों की संख्या बहुत बड़ी है और प्रत्येक पुनरावृत्ति में कई जटिल क्रियाएं होती हैं। अर्थात्, पूरी छवि के कुछ रूपांतरण, पूर्ण ढाल और विचलन की गणना।
मुझे तुरंत कहना होगा कि मैं अभी तक काम की अच्छी गति हासिल नहीं कर पाया हूं, कई मेगापिक्सल की छवि पर अंतिम गणना समय 2-3 मिनट है। लेकिन पूर्वावलोकन तेज है - 0.2 सेकंड के आदेश पर।
विंडोज बिल्ड को डाउनलोड किया जा सकता है:
github.com/downloads/Y-Vladimir/SmartDeblur/SmartDeblur-1.27-win.zip
स्रोत (GPL v3 लाइसेंस के तहत) पर उपलब्ध हैं: github.com/Y-Vladimir/SmartDeblur

पिछले संस्करण की तुलना में मुख्य परिवर्तन, जिसे दूसरे भाग में वर्णित किया गया था:

• दो विघटन विधियों को जोड़ा जाता है: टीवी पूर्व और तिखोनोव फ़िल्टरिंग
• गाऊसी धुंधला को बहाल करने के लिए जोड़ा गया समर्थन
• बेहतर गति (लगभग 2.5 गुना)
• कम स्मृति खपत (लगभग 1.5 गुना)
• डिफ़ॉल्ट रूप से संसाधित छवि का अधिकतम आकार 3000 है (लेकिन सेटिंग्स में बदला जा सकता है)
• जोड़ा गया सेटिंग्स अनुभाग
• अद्यतित चेकर
• ड्रैग एंड ड्रॉप सपोर्ट
• नमूना छवि और सेटअप युक्तियों के साथ हेल्प स्क्रीन को जोड़ा गया
• पूर्वावलोकन मोड में लहर के साथ फिक्स्ड बग

क्यूटी का उपयोग कर सी ++ भाषा।

तुलना

ठीक है, अब सबसे महत्वपूर्ण बात यह है कि धुंधली छवियों को संसाधित करते समय क्या गुणवत्ता की उम्मीद की जा सकती है। हम शीर्ष वाणिज्यिक समकक्ष पुखराज InFocus के साथ तुलना करेंगे। अन्य एनालॉग्स (जैसे फ़ोकमैजिक) लंबे समय तक समर्थित नहीं हैं या बिल्कुल अस्वीकार्य प्रसंस्करण परिणाम देते हैं। तो चलिए चलते हैं।
सबसे पहले, Topaz InFocus वेबसाइट से एक विज्ञापन का उदाहरण लें : www.topazlabs.com/infocus/_images/licenseplate_compare.jpg


यहाँ पुखराज InFocus से परिणाम है:



और यहाँ निम्नलिखित मापदंडों के साथ SmartDeblur का परिणाम है:
प्रकार: मोशन कलंक, लंबाई: 10.1, कोण: -45, चिकना: 60%


जैसा कि आप देख सकते हैं, परिणाम बहुत समान हैं। और यह इतना स्पष्ट नहीं है जो बेहतर है। पुखराज InFocus भी धार तेज करने के रूप में टीवी से पहले प्लस प्रोसेसिंग के बाद के एल्गोरिदम का उपयोग करता है। यह ध्यान दिया जाना चाहिए कि दी गई प्रारंभिक धुंधली छवि, बहुत अधिक संभावना के साथ, सिंथेटिक है। यानी एक अविभाजित छवि ली जाती है और एक मोशन ब्लर फ़िल्टर लगाया जाता है। यह लगभग पूर्ण वसूली, साथ ही संदिग्ध पूरे विरूपण मापदंडों द्वारा देखा जा सकता है - 45 डिग्री का कोण और 10 पिक्सल की लंबाई।

अब चलो वास्तविक छवि लेते हैं जो मैंने अपने कैनन 500 डी पर कल का एक चित्र लिया था जिसमें मैनुअल फोकस ध्यान केंद्रित किया गया था:


निम्न मापदंडों के साथ पुखराज InFocus से परिणाम:
प्रकार: आउट-ऑफ-फोकस, त्रिज्या: 5.5, कलाकृतियों को दबाएं: 0.34


निम्नलिखित मानकों के साथ SmartDeblur का परिणाम:
प्रकार: फोकस से बाहर, त्रिज्या: 5.9, चिकना: 60%


एक ड्रा है, आप कह सकते हैं। प्रत्येक कार्यक्रम में मापदंडों का चयन किया गया ताकि सर्वोत्तम गुणवत्ता सुनिश्चित की जा सके।

मेरे द्वारा शूट किया गया एक और वास्तविक उदाहरण:


निम्नलिखित मानकों के साथ SmartDeblur का परिणाम:
प्रकार: मोशन ब्लर, लंबाई: 6.6, कोण: -37, चिकना: 53%

निष्कर्ष

तीसरा अंतिम लेख समाप्त हो गया है। यह बहुत बड़ा नहीं निकला, लेकिन मुझे उम्मीद है कि यह उपयोगी होगा। जैसा कि आप देख सकते हैं, परिणामी प्रसंस्करण गुणवत्ता पहले से ही वास्तविक उपयोग के लिए काफी स्वीकार्य है। मुख्य समस्या जो बनी हुई है उन जगहों पर होती है जहां उज्ज्वल वस्तुएं होती हैं, प्रसंस्करण के बाद ध्यान देने योग्य रिंगिंग प्रभाव प्राप्त होता है। मुझे लगता है कि यह इस तथ्य के कारण है कि उज्ज्वल क्षेत्रों में पिक्सेल की चमक को प्रदर्शित करने की रैखिकता का उल्लंघन किया जाता है, जो इसकी वास्तविक चमक की गलत व्याख्या देता है। शायद आपको लॉगरिदमिक ब्राइटनेस प्रीप्रोसेसिंग, या कुछ और चाहिए।

मुझे फिर से याद दिलाने दो:
विंडोज बिल्ड को डाउनलोड किया जा सकता है:
github.com/downloads/Y-Vladimir/SmartDeblur/SmartDeblur-1.27-win.zip
स्रोत (GPL v3 लाइसेंस के तहत) पर उपलब्ध हैं: github.com/Y-Vladimir/SmartDeblur

और हमेशा की तरह - मुझे SmartDeblur पर टिप्पणियों और सुझावों पर बहुत खुशी होगी!
कौन कार्यक्रम की कोशिश करेगा - ध्यान दें कि पूर्वावलोकन मोड में और उच्च-गुणवत्ता वाले मोड में चिकना गुणवत्ता पैरामीटर बहुत अलग तरीके से व्यवहार करता है। इसलिए, उच्च गुणवत्ता वाले रेंडरिंग पूरा होने के बाद ही स्मूथिंग स्लाइडर के अंतिम परिणाम का मूल्यांकन किया जा सकता है।

PS जो मुझे मेल में लिखता है उन सभी के लिए एक बड़ा अनुरोध। पिछले दो लेखों के प्रकाशन के बाद, मुझे (और प्राप्त करना जारी है) बड़ी संख्या में पत्र मुझे सीसीटीवी कैमरों से फ़्रेमों पर कार संख्याओं को पुनर्स्थापित करने के लिए कह रहे थे, जब पूरी संख्या कई पिक्सल के क्षेत्र में रहती है।
मैं ऐसा नहीं करता! SmartDeblur ऐसा नहीं कर सकता। यह एक पूरी तरह से अलग तरह का कार्य है, जिसका नाम है सुपर-रिज़ॉल्यूशन, जब एक उच्च-रिज़ॉल्यूशन वाली छवि नए विवरणों के साथ होती है जो स्रोत डेटा पर नहीं थे, जो कई कम-रिज़ॉल्यूशन छवियों से प्राप्त होती है। हो सकता है किसी दिन मैं ऐसा करूं, लेकिन निश्चित रूप से निकट भविष्य में नहीं।

जारी रखने के लिए लिंक लिंक:
ब्लाइंड डिकॉन्वॉल्यूशन - धुंधली छवियों की स्वचालित वसूली

  - 

व्लादिमीर याज़िकोव (व्लादिमीर याज़िकोव)