Метод удаления размытия видеоизображения со смартфона при движении
https://doi.org/10.17586/2226-1494-2024-24-3-483-489
Аннотация
Предложен метод устранения размытия видеоизображения при движении. Метод реализуется в три этапа. Оценка размытия достигается за счет предварительной информации о градиенте распределения изображения. Ориентационный фильтр Гаусса (Gaussian Orientation Filter, GOF) соответствует априорной информации для нахождения коэффициентов регрессии. Представленный метод объединяет различные параметры оценки GOF для создания фильтра размытия. Параметры оценки фиксированы и устанавливают размытие видеоизображения без увеличения шума и нежелательных артефактов. Выполненная оптимизация решает проблему за счет минимизации функции потерь. Предлагаемый метод применим к видеоизображениям, полученным с помощью современных смартфонов на открытом воздухе и в помещении. Результаты эксперимента являются точными для модели полного регрессионного размытия в движении. Продолжительность типового эксперимента по набору видеоданных 23 с, размер набора данных 228 Мп. Оценка измерений установлена по времени потребителя, по показателю индекса структурного сходства и пикового отношения сигнал-шум. Экспериментальные результаты показывают, что фаза устранения артефактов видеоизображений требует меньше вычислительного времени. Предложенный метод имеет минимизируемую функцию стоимости и формирует качественное изображение.
Об авторе
Р. А. Саллама
Главное управление профессионального образования — профессиональное образование Ирака
Ирак
Ирак
Саллама Ресен Адхаб — PhD, преподаватель
Багдад, 10001
Список литературы
1. Baptiste M., Behrang M., Cédric M. A shock filter for image deblurring and enhancement with oriented hourglass tensor. Proc. of the 11th International Symposium on Image and Signal Processing and Analysis (ISPA), 2019, pp. 111–116. https://doi.org/10.1109/ispa.2019.8868552
2. Lai W.-S., Huang J.-B., Hu Z., Ahuja N., Yang M.-H. A comparative study for single image blind deblurring. Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 1701–1709. https://doi.org/10.1109/cvpr.2016.188
3. Zhang K., Luo W., Zhong Y., Ma L., Stenger B., Liu W., Li H. Deblurring by realistic blurring. Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020, pp. 2734–2743. https://doi.org/10.1109/cvpr42600.2020.00281
4. Wieschollek P., Hirsch M., Scholkopf B., Lensch H. Learning blind motion deblurring. Proc. of the IEEE International Conference on Computer Vision (ICCV), 2017, pp. 231–240. https://doi.org/10.1109/iccv.2017.34
5. Pan J., Sun D., Pfister H., Yang M.-H. Deblurring images via dark channel prior. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, vol. 40, no. 10, pp. 2315–2328. https://doi.org/10.1109/tpami.2017.2753804
6. Chen L., Fang F., Wang T., Zhang G. Blind image deblurring with local maximum gradient prior. Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019, pp. 1742–1750. https://doi.org/10.1109/cvpr.2019.00184
7. Guo Q., Feng W., Gao R., Liu Y., Wang S. Exploring the effects of blur and deblurring to visual object tracking. IEEE Transactions on Image Processing, 2021, vol. 30, pp. 1812–1824. https://doi.org/10.1109/tip.2020.3045630
8. Whang J., Delbracio M., Talebi H., Saharia C., Dimakis A.G., Milanfar P. Deblurring via stochastic refinement. Proc. of the IEEE/ CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2022, pp. 16272–16282. https://doi.org/10.1109/cvpr52688.2022.01581
9. Carbajal G., Vitoria P., Lezama J., Musé P. Blind motion deblurring with pixel-wise kernel estimation via kernel prediction networks. IEEE Transactions on Computational Imaging, 2023, vol. 9, pp. 928–943. https://doi.org/10.1109/tci.2023.3322012
10. Zhang R., Isola P., Efros A.A., Shechtman E., Wang O. The unreasonable effectiveness of deep features as a perceptual metric. Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018, pp. 586–595. https://doi.org/10.1109/cvpr.2018.00068
11. Niklaus S., Mai L., Liu F. Video frame interpolation via adaptive separable convolution. Proc. of the IEEE International Conference on Computer Vision (ICCV), 2017, pp. 261–270. https://doi.org/10.1109/iccv.2017.37
12. Ge X., Liu J., Hu D., Tan J. An extended sparse model for blind image deblurring. Signal, Image and Video Processing, 2024, vol. 18, no. 2, pp. 1863–1877. https://doi.org/10.1007/s11760-023-02888-2
13. Fergus R., Singh B., Hertzmann A., Roweis S.T., Freeman W.T. Removing camera shake from a single photograph. ACM Transactions on Graphics, 2006, vol. 25, no. 3, pp. 787–794. https://doi.org/10.1145/1141911.1141956
14. Delbraico M., Garcia-Dorado I., Choi S., Kelly D., Milanfar P. Polyblur: Removing mild blur by polynomial reblurring. IEEE Transactions on Computational Imaging, 2021, vol. 7, pp. 837–848. https://doi.org/10.1109/tci.2021.3100998
Рецензия
Для цитирования:
Саллама Р.А. Метод удаления размытия видеоизображения со смартфона при движении. Научно-технический вестник информационных технологий, механики и оптики. 2024;24(3):483-489. https://doi.org/10.17586/2226-1494-2024-24-3-483-489
For citation:
Sallama R.А. Smartphone video motion deblur order model. Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2024;24(3):483-489. https://doi.org/10.17586/2226-1494-2024-24-3-483-489
Просмотров:
2
Послать статью по эл. почте 