مات‌زدائی تصاویر طیف خاکستری با استفاده از بهینه‌سازی مقاوم در شرایط عدم قطعیت در پارامترهای مدل مات‌شدگی

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 مساله 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.

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

Nowadays, one of the most important issues in the field of image processing is image deblurring. Deblurring of an image can be achieved via two different approaches; blind deblurring and nonblind deblurring. In blind deblurring, the kernel by which the blur has occurred is assumed unknown, while in nonblind deblurring, this kernel is given. In blind deblurring, the blurring kernel must be estimated in order to sharpen the corrupted image. This may increase the computational cost of the deblurring process. Nonblind image deblurring is an illposed problem with linear reverse issues. Therefore, we develop optimization problems in order to estimate the original sharp images. Usually, nonblind deblurring methods assume that the blurring kernel is errorfree, however, in practice our knowledge of the PSF is uncertain. Hence, in this paper, we use a semiblind method for deblurring the blurred image that is robust to this uncertainty. The proposed robust optimization model is followed by a filter for image deblurring 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 semiblind model yields more than 4 dB PSNR improvements compared to conventional blind image deblurring methods.