مات‌زدائي تصاوير طيف خاكستري با استفاده از بهينه‌سازي مقاوم در شرايط عدم قطعيت در پارامترهاي مدل مات‌شدگي

Grayscale Images Deblurring Using Robust Optimization Problem in Uncertainty Conditions in Blurring Model Parameters

امروزه يكي از مهمترين مسائل حوزه پردازش تصوير، مات زدائي تصاوير مات شده است. مات زدائي تصوير با توجه به مجهول بودن يا معلوم بودن كرنل مات كننده، به ترتيب، به دو دسته مات زدائي كور و مات زدائي غيركور تقسيم مي شود. در مات زدائي كور، همزمان با تخمين تصوير، كرنل مات كننده هم بايد تخمين زده شود كه همين امر، باعث افزايش هزينه ي محاسباتي فرآيند مات زدائي مي شود. مات زدائي غيركور تصاوير يك مسأله بدوضع از ميان مسائل معكوس خطي است. در نتيجه براي تخمين تصوير از مسائل بهينه سازي استفاده مي شود. معمولاً روش هاي مات زدائي غيركور، فرض مي كنند كه كرنل مات كننده بدون خطا است، اما در عمل دانش ما از كرنل مات كننده داراي عدم قطعيت است. از اين رو، در اين مقاله، از روشي براي مات زدائي تصوير مات شده استفاده مي كنيم كه نسبت به اين عدم قطعيت مقاوم است. مدل بهينه سازي مقاوم پيشنهادي به دنبال فيلتري براي مات زدائي تصوير است كه بتواند در بدترين حالت، يعني وجود حداكثري عدم قطعيت در مورد كرنل مات كننده، جوابي با كمترين خطاي ممكن بدست آورد. برمبناي نتايج شبيه سازي ها، مدل پيشنهادي ما مي تواند بيش از 4 دسي بل بهبود PSNR در مقايسه با روش مات زدائي كور 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.