The implementation of an automated system for restoring blurred images by the Lucy - Richardson method is directly connected with determining the optimal number of iterations of this method to obtain the best quality image. It is preferable to use reference quality measures as a criterion for stopping the iterative process than reference-free measures because they are more strongly correlated with the image quality perceived by a human. However, in practice, only distorted images are available to automated restoration systems. In this work, an approach for determining the number of iterations for the Lucy - Richardson method is proposed based on predicting the optimal number of iterations of the PieAPP reference measure using the CS reference-free measure. The key recovery problem, the estimation of the distorting operator, has been solved using a neural network algorithm based on the ideas of autoencoders and the Xception neural network architecture. It was demonstrated that the use of the proposed approach allows the improvement of the reconstructed image quality for the PieAPP reference measure compared with a reconstruction scenario with a fixed number of iterations. Thus, the quality of automated (with no operator participation) reconstruction of distorted images by the Lucy - Richardson method can be improved.
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.