مات‌زدائی تصاویر طیف خاکستری با استفاده از بهینه‌سازی مقاوم در شرایط عدم قطعیت در پارامترهای مدل مات‌شدگی
محورهای موضوعی : مهندسی برق و کامپیوترزینب محمدی 1 , ابراهیم دانشی فر 2 , عباس ابراهیمی مقدم 3 , مرتضی خادمی 4
1 - دانشگاه فردوسی مشهد
2 - دانشگاه بین‌المللی امام رضا (ع)
3 - دانشگاه فردوسی مشهد
4 - دانشگاه فردوسی مشهد
کلید واژه: مات زدائی تصویرفیلتر مات زدائی تصویر بهینه سازی مقاوم بهینه سازی بدترین حالت,
چکیده مقاله :
امروزه یکی از مهمترین مسائل حوزه پردازش تصویر، مات زدائی تصاویر مات شده است. مات زدائی تصویر با توجه به مجهول بودن یا معلوم بودن کرنل مات کننده، به ترتیب، به دو دسته مات زدائی کور و مات زدائی غیرکور تقسیم می شود. در مات زدائی کور، همزمان با تخمین تصویر، کرنل مات کننده هم باید تخمین زده شود که همین امر، باعث افزایش هزینه ی محاسباتی فرآیند مات زدائی می شود. مات زدائی غیرکور تصاویر یک مسأله بدوضع از میان مسائل معکوس خطی است. در نتیجه برای تخمین تصویر از مسائل بهینه سازی استفاده می شود. معمولاً روش های مات زدائی غیرکور، فرض می کنند که کرنل مات کننده بدون خطا است، اما در عمل دانش ما از کرنل مات کننده دارای عدم قطعیت است. از این رو، در این مقاله، از روشی برای مات زدائی تصویر مات شده استفاده می کنیم که نسبت به این عدم قطعیت مقاوم است. مدل بهینه سازی مقاوم پیشنهادی به دنبال فیلتری برای مات زدائی تصویر است که بتواند در بدترین حالت، یعنی وجود حداکثری عدم قطعیت در مورد کرنل مات کننده، جوابی با کمترین خطای ممکن بدست آورد. برمبنای نتایج شبیه سازی ها، مدل پیشنهادی ما می تواند بیش از 4 دسی بل بهبود PSNR در مقایسه با روش مات زدائی کور داشته باشد.
Nowadays, one of the most important issues in the field of image processing is image de-blurring. De-blurring of an image can be achieved via two different approaches; blind de-blurring and non-blind de-blurring. In blind de-blurring, the kernel by which the blur has occurred is assumed unknown, while in non-blind de-blurring, this kernel is given. In blind de-blurring, the blurring kernel must be estimated in order to sharpen the corrupted image. This may increase the computational cost of the de-blurring process. Non-blind image de-blurring is an ill-posed problem with linear reverse issues. Therefore, we develop optimization problems in order to estimate the original sharp images. Usually, non-blind de-blurring methods assume that the blurring kernel is error-free, however, in practice our knowledge of the PSF is uncertain. Hence, in this paper, we use a semi-blind method for de-blurring the blurred image that is robust to this uncertainty. The proposed robust optimization model is followed by a filter for image de-blurring that can attain the solution with lowest possible error in the worst case scenarios, that is, the maximum uncertainty about the blurring kernel. Based on the simulation results, our proposed semi-blind model yields more than 4 dB PSNR improvements compared to conventional blind image de-blurring methods.