Trabalho sobre o paper: High-quality Motion Deblurring from a Single Image

Trabalho sobre o paper: High-quality Motion Deblurring from a Single Image.

Introdução. Esse paper apresenta um algoritmo que corrige fotos com borrões em fotos gerados pelo movimento da câmera, o que ocorre com muita frequência em situações como: Foto tirada em ambiente com pouca luz, de forma que foi exigida usar uma velocidade menor do obturador. Câmera em mãos de pessoas não treinadas e/ou com problemas motores..

Conceitos importantes para entender o algoritmo. Para a correção dos borrões, existem 2 tipos de deconvolução de imagem: Blind (cega): é conhecida a imagem borrada e a partir dela é gerado um ‘blur kernel’ e então é feita uma deconvolução entre eles. Non-b lind ( não- cega): além de conhecida a imagem borrada, também conhecemos o ‘blur kernel’. A imagem é recuperada a partir de uma deconvolução entre os 2. Nesse algoritmo temos uma estimação desse kernel (o kernel inicial pode ser só uma aproximação), que será refinado ao longo das iterações..

O que esse paper traz de novo para os conceitos de processamento de imagens?.

Modelagem. L - imagem corrigida latente f - blur kernel I - imagem borrada.

Modelagem. Esse termo diz respeito à modelagem do ruído como um conjunto de variáveis de ruído aleatórias independentes e identicamente distribuídas, para todos os pixels, cada qual segue uma distribuição Gaussiana.

Modelagem. Esse termo modela os valores do ‘blur kernel’. Como o movimento da câmera é identificado com pixels brancos (255, 255,255) e o resto são pixels pretos ou quase pretos no kernel (valores próximos de zero), o kernel é majoritariamente preto e bem esparso e seus valores são modelados como exponencialmente distribuídos.

Modelagem. Esse termo diz respeito à imagem latente, esse passo tem dois objetivos: Diminuir a falta de valores iniciais conhecidos, aumentando um pouco a precisão dos resultados Diminuir os artefatos ‘ringing’ durante a restauração da imagem latente O termo tem dois componentes, um local e um global.

Modelagem. Esse termo diz respeito ao componente global. Nesse paper foi adotada uma distribuição logarítmica dos gradientes da imagem e duas funções contínuas que fazem o fit dessa distribuição..

Funções que fazem o fit. Gráfico da distribuição dos gradientes e as funções que fazem o fit.

Modelagem. Esse termo diz respeito ao componente local. Essa parte identifica a região Ω que é a junção de todos os p i xels que se encontram em áreas uniformes (com baixo contraste) da imagem qu e permanecerão uniformes depois do ‘unblur’, ou seja o gradiente da imagem não borrada deve ser o mais parecido possível do gradiente da imagem borrada para os pixels dessa região. Os erros tem a seguinte distribuição Gaussiana:.

Algoritmo. Algorithm 1 Image Deblurring Require: The blurred image I and the initial kernel estimate. Compute the smooth region Q by threshold t = 5. L I. repeat repeat Update III by minimizing the energy defined in (9). Compute L according to (11). until IIAL112 < 1 x 1()¯5 and IIA\IJ112 < 1 x 10¯5. Update f by minimizing (12). until IIAf112 < 1 x 10¯5 or the max. iterations have been performed. Output: L, f.

O que foi implementado. Omega region. Região Ω do paper.

Resultados do paper. (a) Blurred image (b) Iteration 1 (c) Iteration 6 (d) Iteration 10.