Görüntü Onarma ve İyileştirme

Görüntü onarma, bozulma modeli hakkında bilgi kullanarak daha temiz bir görüntü kestirmeyi amaçlar. Görüntü iyileştirme ise çoğunlukla görünürlüğü veya algısal kaliteyi artırmaya yöneliktir.

Gürültü ve bulanıklık

Gaussian, impuls ve Poisson benzeri gürültüler farklı fiziksel süreçlerden kaynaklanır. Medyan filtre impuls gürültüsünde etkiliyken başka gürültü dağılımları farklı kestirim yöntemleri gerektirir.

Bulanıklık odak hatası, kamera hareketi veya nesne hareketinden oluşabilir. Wiener filtresi ve dekonvolüsyon yöntemleri bozulma fonksiyonu yeterince bilindiğinde ayrıntı geri kazanımını hedefler. Kör dekonvolüsyon hem görüntüyü hem bulanıklık modelini birlikte kestirmeye çalışır.

Kontrast ve eksik bölgeler

Histogram eşitleme, gamma düzeltme ve yerel kontrast yöntemleri düşük kontrastlı ayrıntıları görünür hale getirebilir. Inpainting eksik bölgeleri çevre dokusundan veya öğrenilmiş öncüllerden tamamlar.

Üretici yöntemlerle tamamlanan ayrıntılar kaynak görüntüde doğrudan ölçülmüş bilgi değildir. Bu nedenle orijinal kayıt ile türetilmiş görüntünün ayrı tutulması özellikle ölçüm ve adli inceleme süreçlerinde önemlidir.

Süper çözünürlük

Süper çözünürlük, bir veya daha fazla düşük çözünürlüklü girdiden daha yüksek çözünürlüklü temsil kestirir. Piksel tabanlı kayıplar daha korumacı sonuçlar üretirken algısal veya çekişmeli kayıplar daha keskin fakat daha fazla üretilmiş ayrıntı içerebilir.

Onarma işleminin değeri, görsel görünüm kadar hangi bilginin ölçümden, hangisinin kestirimden geldiğinin açıklanabilir olmasına bağlıdır.

Üst konu: Görüntü ve Ses İşleme

Ters Problem Olarak Görüntü Onarma

Bulanıklık, gürültü ve eksik örnekler bulunan bir görüntüyü onarmak, çoğu zaman doğrudan filtre uygulamaktan ziyade bir ters problem olarak yazılabilir:

y = Hx + n

Burada x bilinmeyen temiz görüntü, H görüntü oluşum veya bozulma operatörü, n gürültü, y ise gözlemdir. İleri model x biliniyorsa y üretmeyi açıklar; onarım ters yönde y üzerinden x kestirmeye çalışır.

Ters problem kötü koşullu olabilir. Küçük ölçüm hataları büyük çözüm değişimleri oluşturabilir veya birden fazla görüntü aynı gözleme yakın olabilir. Bu nedenle yalnız veri uyumu yeterli değildir.

Düzenlileştirme ve Önsel Bilgi

Düzenlileştirme, veri uyumu ile beklenen görüntü yapısı arasında denge kurar:

min_x  veri_uyumu(Hx,y) + lambda * R(x)

R(x) pürüzsüzlük, seyrek gradyan, düşük rank veya öğrenilmiş bir önseli temsil edebilir. lambda çok büyükse ayrıntı aşırı bastırılabilir; çok küçükse gürültü ve ters problemin kararsızlığı baskın kalabilir.

Bu yaklaşım klasik Wiener/Tikhonov düşüncesinden modern plug-and-play veya öğrenilmiş önsellere kadar ortak bir çerçeve sağlar. Yöntem farklı olsa da ölçülmeyen ayrıntının hangi varsayım üzerinden geri getirildiği açık tutulmalıdır.

Enterpolasyon, Süper Çözünürlük ve Gerçek Ayrıntı

Enterpolasyon, mevcut örnekler arasında değer kestirir. Süper çözünürlük ise düşük çözünürlüklü gözlemden daha yüksek çözünürlüklü bir temsil çıkarmayı amaçlar ve çoğu zaman daha güçlü önsel bilgi kullanır.

Bicubic büyütme ile öğrenilmiş super-resolution aynı iddiayı taşımaz. Birincisi yerel yeniden örnekleme kuralıdır. İkincisi eğitim verisinden öğrenilmiş yapıları kullanarak yüksek frekans ayrıntısı tahmin edebilir. Bu ayrıntı görsel olarak ikna edici olsa bile ölçülmüş gerçek ayrıntıyla aynı şey değildir.

Adli, bilimsel veya kanıt niteliğindeki görüntülerde bu ayrım özellikle kritiktir. Sistem, ölçülen piksel bilgisini algoritmik olarak tahmin edilen veya üretilen ayrıntıdan ayırmalı; orijinal veri değişmeden korunmalıdır.

Kaynakça

• Rafael C. Gonzalez; Richard E. Woods. Digital Image Processing, Fourth Edition. Pearson, 2018.

• Richard Szeliski. Computer Vision: Algorithms and Applications, Second Edition. Springer, 2022.