Известия высших учебных заведений. Электроника home

Автоматизация определения числа итераций в задаче восстановления смазанных изображений методом Люси – Ричардсона

Раздел находится в стадии актуализации

Построение автоматизированной системы восстановления смазанных изображений по методу Люси - Ричардсона напрямую связано с определением оптимального количества итераций данного метода для получения наиболее качественного изображения. Эталонные меры качества предпочтительнее использовать в роли критерия остановки итерационного процесса, чем безэталонные меры, ввиду того, что они сильнее коррелируют с качеством изображения, воспринимаемым человеком. Однако на практике автоматизированным системам восстановления доступны только искаженные изображения. В работе предложен подход к определению количества итераций для метода Люси - Ричардсона, основанный на предсказании оптимального числа итераций эталонной меры PieAPP с помощью безэталонной меры CS. Ключевая проблема восстановления - оценка искажающего оператора - решена с помощью нейросетевого алгоритма, построенного на идеях автоэнкодеров и нейросетевой арихектуры Xception. Показано, что использование предложенного подхода позволяет улучшить качество восстановленного изображения для эталонной меры PieAPP относительно сценария восстановления с фиксированным числом итераций. Таким образом, качество автоматизированного (без участия оператора) восстановления искаженных изображений по методу Люси - Ричардсона может быть улучшено.

Ключевые слова: восстановление изображений, компенсация смаза, метод Люси – Ричардсона, автоматизированные системы, нейронные сети
Опубликовано в разделе: Информационно-коммуникационные технологии
Библиографическая ссылка: Бордюжа В., Брейкина К. В., Умняшкин С. В. Автоматизация определения числа итераций в задаче восстановления смазанных изображений методом Люси – Ричардсона // Изв. вузов. Электроника. 2024. Т. 29. № 4. С. 539–550. https://doi.org/10.24151/1561-5405-2024-29-4-539-550. – EDN: GUFPVG.

Бордюжа Виктор
Национальный исследовательский университет «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1)

Брейкина Кристина Владимировна
Национальный исследовательский университет «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1)

Умняшкин Сергей Владимирович
Национальный исследовательский университет «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1)

1. Гонсалес Р. С., Вудс Р. E. Цифровая обработка изображений. 3-е изд., испр. и доп. М.: Техносфера, 2012. 1104 с. EDN: TIKLUW
Gonzalez R. C., Woods R. E. Digital Image Processing. 3rd ed. Upper Saddle River, NJ, Pearson, 2007. 976 p.

2. Умняшкин С. В. Основы теории цифровой обработки сигналов: учеб. пособие. 6-е изд., испр. М.: Техносфера, 2021. 550 с. EDN: XJXXWU
Umnyashkin S. V. Fundamentals of the theory of digital signal processing, study guide. 6th ed., rev. Moscow, Tekhnosfera Publ., 2021. 550 p. (In Russian).

3. Biemond J., Lagendijk R. L., Mersereau R. M. Iterative methods for image deblurring // Proceedings of the IEEE. 1990. Vol. 78. No. 5. P. 856-883. DOI: 10.1109/5.53403

4. Бордюжа В., Умняшкин С. В. Предобработка изображений для повышения качества распознавания лиц на цифровых фото // Цифровая обработка сигналов и ее применение (DSPA-2023): доклады XXV Междунар. конф. (Москва, 29-31 мар. 2023). М.: Рос. НТО радиотехники, электрон. и связи им. А. С. Попова, 2023. С. 299-304. EDN: BSVLHJ
Bordiuzha V., Umnyashkin S. V. Image preprocessing to improve facial recognition in digital photos. Tsifrovaya obrabotka signalov i eye primeneniye (DSPA-2023), proceedings of 25th International conf. (Moscow, March 29–31, 2023). Moscow, Ros. NTO radiotekhniki, elektron. i svyazi im. A. S. Popova Publ., 2023, pp. 299–304. (In Russian).

5. Lucy L. B. An iterative technique for the rectification of observed distributions // Astron. J. 1974. Vol. 79. No. 6. P. 745-754. DOI: 10.1086/111605

6. Bank D., Koenigstein N., Giryes R. Autoencoders // Machine Learning for Data Science Handbook / eds L. Rokach et al. Cham: Springer International, 2023. P. 353-374. DOI: 10.1007/978-3-031-24628-9_16

7. Chollet F. Xception: Deep learning with depthwise separable convolutions // ArXiv [Электронный ресурс]. 07.10.2016. 10.48550/arXiv.1610.02357 (дата обращения: 20.05.2024). DOI: 10.48550/arXiv.1610.02357

8. Statistics for the evaluation and comparison of models / C. J. Willmott, S. G. Ackleson, R. E. Davis et al. //j. Geophys. Res. 1985. Vol. 90. Iss. C5. P. 8995-9005. DOI: 10.1029/JC090iC05p08995

9. Eskicioglu A. M., Fisher P. S. Image quality measures and their performance // IEEE Transactions on Communications. 1995. Vol. 43. No. 12. P. 2959-2965. DOI: 10.1109/26.477498

10. Wang Z., Bovik A. C., Sheikh H. R., Simoncelli E. P. Image quality assessment: From error visibility to structural similarity // IEEE Transactions on Image Processing. 2004. Vol. 13. No. 4. P. 600-612. DOI: 10.1109/TIP.2003.819861

11. Prashnani E., Cai H., Mostofi Y., Sen P. PieAPP: Perceptual image-error assessment through pairwise preference // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Salt Lake City, UT: IEEE, 2018. P. 1808-1817. DOI: 10.1109/CVPR.2018.00194 EDN: XANJBV

12. Mittal A., Moorthy A. K., Bovik A. C. No-reference image quality assessment in the spatial domain // IEEE Transactions on Image Processing. 2012. Vol. 21. No. 12. P. 4695-4708. DOI: 10.1109/TIP.2012.2214050

13. Mittal A., Soundararajan R., Bovik A. C. Making a "completely blind" image quality analyzer // IEEE Signal Processing Letters. 2013. Vol. 20. No. 3. P. 209-212. DOI: 10.1109/LSP.2012.2227726

14. Smola A. J., Schölkopf B. A tutorial on support vector regression // Statistics and Computing. 2004. Vol. 14. Iss. 3. P. 199-222. https://doi.org/10.1023/B:STCO.0000035301.49549.88. EDN: DCRZKF

15. Брейкина К. В., Умняшкин С. В. Оценка качества изображения при компенсации смаза по методу Люси - Ричардсона // Изв. вузов. Электроника. 2020. Т. 25. № 2. С. 167-174. DOI: 10.24151/1561-5405-2020-25-2-167-174 EDN: GDDQFI
Breykina K. V., Umnyashkin S. V. Image quality estimation for blur compensation using Lucy – Richardson method. Izv. vuzov. Elektronika = Proc. Univ. Electronics, 2020, vol. 25, no. 2, pp. 167–174. (In Russian). https://doi.org/10.24151/1561-5405-2020-25-2-167-174

16. Mei C., Reid I. Modeling and generating complex motion blur for real-time tracking // 2008 IEEE Conference on Computer Vision and Pattern Recognition. Anchorage, AK: IEEE, 2008. P. 1-8. DOI: 10.1109/CVPR.2008.4587535

17. Scikit-learn: Machine learning in Python // Scikit-Learn [Электронный ресурс]. URL: https://scikit-learn.org/stable (дата обращения: 20.05.2024).

Сведения о публикации

Загрузок: 0

УДК: 004.932.4
Тип публикации: Научная статья
DOI: 10.24151/1561-5405-2024-29-4-539-550
Идентификатор статьи в РИНЦ: GUFPVG

Скачать: File not found (680.58 Кб) JATS XML