چطور میشود عکسهای تار را نجات داد؟ نگاهی دقیقتر به یک مقاله مهم از MIT
اگر عکاسی کرده باشی، احتمالاً با این موقعیت آشنا هستی: لحظهای خوب ثبت شده، اما نتیجه نهایی تار است. مشکل در بسیاری از موارد «لرزش دوربین» در زمان نوردهی است. این موضوع بهویژه در نور کم، با سرعت شاتر پایین یا در دوربینهای سبک و موبایلها بیشتر رخ میدهد.
فهرست مطالب
برای رفتن سریع به هر بخش، روی یکی از عناوین زیر بزنید.
سرفصلهای مقاله
در این مقاله به بررسی یکی از کارهای کلاسیک و تأثیرگذار در این حوزه میپردازیم: مقالهای با عنوان Removing Camera Shake from a Single Photograph که توسط پژوهشگران MIT و دانشگاه تورنتو منتشر شده. این کار تلاش میکند از روی یک عکس تار، نسخهای واضح بازسازی کند؛ بدون اینکه به تصویر مرجع یا چند شات از همان صحنه نیاز داشته باشد.
چرا عکسها تار میشوند؟ مدل فیزیکی مسئله
برای فهم راهحل، اول باید مسئله را دقیقتر ببینیم. وقتی شاتر باز است، اگر دوربین حرکت کند، هر نقطه از صحنه در طول زمان روی مسیر کوتاهی در سنسور «پخش» میشود. نتیجه این است که تصویر نهایی، ترکیبی از نسخههای جابهجا شده تصویر واقعی است.
این فرآیند را معمولاً با یک مدل ریاضی ساده توصیف میکنند:
- تصویر تار شده BBB حاصل کانولوشن (همپیچانی) تصویر واقعی LLL با یک هسته تاری KKK بهعلاوه نویز NNN است.
- به بیان ساده:
- B=K⊗L+NB = K \otimes L + NB=K⊗L+N
هسته تاری KKK در واقع همان «مسیر حرکت دوربین» در طول نوردهی است. اگر این هسته را بدانیم، میتوانیم با انجام عمل معکوس (deconvolution) تصویر واضح را بازسازی کنیم. اما در عمل نه LLL را داریم و نه KKK را. همین باعث میشود مسئله در دسته Blind Deconvolution قرار بگیرد.
چالش اصلی: مسئلهای کماطلاعات و بد-وضعیت
در این مسئله تعداد مجهولات بیشتر از معادلات است. یعنی از یک تصویر مشاهدهشده باید هم تصویر واقعی و هم هسته تاری را تخمین بزنیم. این نوع مسائل بهصورت طبیعی «بد-وضعیت» هستند و اگر محدودیت یا فرض اضافی نگذاریم، جوابهای بینهایت خواهند داشت.
روشهای قدیمی معمولاً با فرضهای ساده جلو میرفتند:
- هسته تاری را به شکلهای پارامتریک ساده (مثل گاوسی) محدود میکردند
- یا در حوزه فرکانس از قانونهای توانی استفاده میکردند
این فرضها برای تاریهای پیچیده ناشی از حرکت دست کافی نیستند. در نتیجه خروجیها یا بیشازحد نرم میشوند یا اصلاً جزئیات را برنمیگردانند.
ایده کلیدی مقاله: استفاده از آمار تصاویر طبیعی
نوآوری مهم این کار استفاده از Natural Image Statistics است. مشاهدات تجربی نشان میدهد که گرادیانهای تصویر (تغییرات شدت روشنایی) در تصاویر طبیعی توزیعی با دُمهای سنگین دارند.
این یعنی:
- بیشتر پیکسلها تغییرات کمی دارند (نواحی صاف)
- اما تعداد کمی از نقاط، تغییرات شدید دارند (لبهها)
اگر این ویژگی را بهعنوان «پیشدانسته» (prior) وارد مدل کنیم، میتوانیم بین تصاویر ممکن، آنهایی را انتخاب کنیم که از نظر آماری «واقعیتر» هستند. این کار کمک میکند لبهها حفظ شوند و تصویر بیشازحد صاف نشود.
مدل احتمالاتی و رویکرد بیزی
مقاله از یک چارچوب بیزی استفاده میکند. بهجای اینکه فقط یک جواب بهینه پیدا کند، سعی میکند توزیع احتمال روی جوابها را مدل کند.
در این چارچوب:
- یک تابع درستنمایی برای ارتباط بین BBB، KKK و LLL تعریف میشود
- برای KKK و گرادیانهای LLL توزیعهای پیشین (priors) در نظر گرفته میشود
- سپس با استفاده از روشهای Variational Bayesian، توزیع پسین تقریب زده میشود
نکته مهم این است که بهجای حل مستقیم مسئله MAP (که اغلب به مینیممهای محلی بد منجر میشود)، این روش عدمقطعیت را در نظر میگیرد و به جوابهای پایدارتر میرسد.
دو مرحله اصلی الگوریتم
۱. تخمین هسته تاری (Blur Kernel Estimation)
در این مرحله، الگوریتم با استفاده از یک تکه کوچک از تصویر (patch) که کاربر انتخاب میکند، سعی میکند KKK را تخمین بزند. انتخاب این patch اهمیت زیادی دارد:
- باید شامل لبهها و جزئیات باشد
- بهتر است نواحی اشباعشده (overexposed) در آن نباشد
برای جلوگیری از گیر کردن در مینیممهای محلی، الگوریتم از یک راهبرد چندمقیاسی (coarse-to-fine) استفاده میکند:
- ابتدا در رزولوشن پایین هسته را تخمین میزند
- سپس بهتدریج به رزولوشن بالاتر میرود
۲. بازسازی تصویر (Non-blind Deconvolution)
بعد از اینکه KKK بهدست آمد، مرحله دوم سادهتر میشود:
الگوریتم از روش Richardson–Lucy برای انجام deconvolution استفاده میکند.
این روش:
- بر پایه بیشینهسازی درستنمایی با فرض نویز پواسون است
- بهصورت تکراری عمل میکند
- خروجی غیرمنفی تولید میکند (که برای تصویر منطقی است)
هرچند این مرحله کامل نیست و میتواند آرتیفکتهایی مثل ringing ایجاد کند، اما نسبت به روشهای دیگر سریع و عملی است.
ارزیابی نتایج و کیفیت خروجی
نتایج نشان میدهد که الگوریتم میتواند:
- متنهای محو را قابل خواندن کند
- لبههای اصلی را بازیابی کند
- جزئیات چهره را تا حد قابل قبولی برگرداند
نکته مهم این است که حتی برای تاریهای نسبتاً بزرگ و پیچیده هم عملکرد قابل قبولی دارد، چیزی که روشهای قدیمی معمولاً از عهدهاش برنمیآمدند.
محدودیتها و فرضهای مدل
با وجود نتایج خوب، این روش محدودیتهایی دارد:
- فرض میکند تاری در کل تصویر یکنواخت است (spatially invariant)
- حرکت اشیاء در صحنه را مدل نمیکند
- نسبت به اشباع و نویزهای غیرگاوسی حساس است
- نیاز به انتخاب دستی پارامترها و patch دارد
این موارد باعث میشود در شرایط واقعی خاص، خروجی دچار آرتیفکت شود.
اهمیت این مقاله در دنیای امروز
این مقاله یکی از کارهای پایهای در حوزه Computational Photography محسوب میشود. ایدههای آن در بسیاری از فناوریهای امروزی تأثیر گذاشتهاند:
- الگوریتمهای تثبیت تصویر در موبایلها
- حالت شب (Night Mode)
- نرمافزارهای ویرایش تصویر پیشرفته
- مدلهای یادگیری عمیق برای بهبود کیفیت تصویر
اگرچه امروزه شبکههای عصبی عمیق نقش پررنگتری دارند، اما بسیاری از این مدلها همچنان از همین مفاهیم پایهای (مانند priors و deconvolution) الهام میگیرند.
جمعبندی
این مقاله نشان میدهد که با ترکیب مدلسازی ریاضی، آمار و پردازش تصویر، میتوان مسئلهای که در نگاه اول غیرقابل حل به نظر میرسد را تا حد زیادی مدیریت کرد.
ایده اصلی این است که:
- تصاویر واقعی الگوهای آماری مشخصی دارند
- اگر این الگوها را در مدل لحاظ کنیم، میتوانیم اطلاعات ازدسترفته را بازسازی کنیم
این کار نمونه خوبی از این است که چگونه دانش نظری میتواند به ابزارهای عملی در عکاسی و پردازش تصویر تبدیل شود.
دانلود مقاله
برای مطالعه نسخه کامل مقاله میتوانید از لینک زیر استفاده کنید: