Motion Deblurring
تعيد إزالة ضبابية الحركة بناء صور واضحة من الصور ومقاطع الفيديو التي شوّهتها الحركة، ما يحسّن التفاصيل لأغراض الرؤية الحاسوبية واكتشاف الأجسام.
إزالة ضبابية الحركة هي عملية إعادة بناء صورة أو إطار فيديو أكثر وضوحًا من صورة فوتوغرافية أو إطار لطّخته الحركة أثناء التعريض. فاهتزاز الكاميرا أو حركة أحد الأجسام تنشر التفاصيل المرئية عبر البكسلات المجاورة، فتحوّل الحواف إلى خطوط ممتدة. وتقدّر إزالة الضبابية كيفية حدوث هذا الانتشار وتستعيد البنى الأساسية، ما يجعل الصور أكثر فائدة في الرؤية الحاسوبية، بما في ذلك اكتشاف الأجسام والتعرّف البصري على الأحرف. ويُستخدم مصطلح «إزالة ضبابية الحركة» للدلالة على العملية نفسها.
كيفية نشوء ضبابية الحركة#
تجمع الكاميرا الضوء طوال مدة التعريض. وتمزج الحركة خلال هذه المدة مواضع مختلفة للمشهد في صورة واحدة. وتصف نواة التمويه، التي تُسمى أيضًا دالة انتشار النقطة (PSF)، كيفية انتشار نقطة واحدة. وتنتج الحركة المستقيمة بسرعة ثابتة نواة تشبه الخط تقريبًا، بينما يؤدي دوران الكاميرا وحركة الأجسام المستقلة إلى ضبابية متغيرة مكانيًا. ويمثل نموذج رياضي شائع الصورة المموهة على أنها صورة واضحة ملتفة بنواة عبر عملية الالتفاف، بالإضافة إلى الضجيج.
تنتمي إزالة ضبابية الحركة إلى مجال استعادة الصور. يزيد التوضيح تباين الحواف المحلية، بينما تقدّر إزالة الضبابية الصورة قبل حدوث الانتشار. وتعالج إزالة ضبابية عدم التركيز الضبابية الناتجة عن ضبط التركيز على مسافة غير صحيحة؛ أما الدقة الفائقة فتعيد بناء صورة بدقة مكانية أعلى. وقد تجتمع هذه المهام في مسارات عمل استعادة الصور.
الأساليب التقليدية والعصبية#
تستخدم إزالة الضبابية غير العمياء نواة تمويه محددة مسبقًا. أما إزالة الضبابية العمياء فتقدّر التمويه المجهول مع الصورة الواضحة. وتستخدم الأساليب التقليدية فك الالتفاف لعكس الانتشار. ويوازن مرشح Wiener بين استعادة التفاصيل وتضخيم الضجيج باستخدام التنظيم، أي قيد يفضّل تقديرات مستقرة للصورة.
تستطيع الشبكة العصبية تعلّم استعادة الصور من أزواج صور مموهة وواضحة عبر التعلّم الخاضع للإشراف. وفي عام 2016، قدّم Ayan Chakrabarti بحث نهج عصبي لإزالة ضبابية الحركة العمياء، الذي يتنبأ بمرشحات الاستعادة لبقع صور متداخلة، ويجمع مخرجاتها، ويقدّر نواة تمويه عامة، ثم ينفذ فك الالتفاف غير الأعمى. ويربط هذا النهج بين بنية الصورة المتعلّمة ونموذج صريح لضبابية الحركة.
مثال قابل للتنفيذ على فك الالتفاف#
ثبّت scikit-image وscipy باستخدام pip install scikit-image scipy. يطبق هذا المثال ضبابية حركة أفقية على صورة مضمّنة، ثم يستخدم فك الالتفاف بطريقة Wiener–Hunt مع نواة معروفة.
import numpy as np
from scipy.signal import convolve2d
from skimage import data, img_as_float, restoration
from skimage.metrics import peak_signal_noise_ratio
image = img_as_float(data.camera())
# Model uniform horizontal movement over 15 pixels.
psf = np.zeros((15, 15))
psf[7, :] = 1 / 15
blurred = convolve2d(image, psf, mode="same", boundary="wrap")
restored = restoration.wiener(blurred, psf, balance=0.005)
before = peak_signal_noise_ratio(image, blurred, data_range=1)
after = peak_signal_noise_ratio(image, restored, data_range=1)
print(f"PSNR: {before:.2f} dB blurred -> {after:.2f} dB restored")يقارن الناتج جودة إعادة البناء قبل إزالة الضبابية وبعدها. وتقيس نسبة الإشارة إلى الضجيج القصوى (PSNR) مدى تطابق البكسلات مع الصورة الأصلية؛ وتشير القيم الأعلى إلى انخفاض خطأ إعادة البناء.
التطبيقات وبيانات التدريب#
- معالجة المستندات: تعيد إزالة الضبابية بناء حدود الأحرف في النصوص المصوّرة. وقد قدّم Jinshan Pan وZhe Hu وZhixun Su وMing-Hsuan Yang طريقة لإزالة الضبابية خاصة بالنصوص في عام 2014، تستخدم خصائص الشدة والحواف لتقدير الضبابية واستعادة حدود النص.
- تصوير المشاهد الديناميكية: تجمع مجموعة بيانات GoPro لإزالة الضبابية، التي قدّمها Seungjun Nah وTae Hyun Kim وKyoung Mu Lee في عام 2017، بين إطارات واضحة وصور مموهة أُنشئت عبر حساب متوسط إطارات فيديو عالي السرعة. وتوفر هذه الأزواج بيانات تدريب لتعلّم استعادة الحركة الناتجة عن الكاميرا والأجسام.
تؤثر ضبابية الحركة أيضًا في اكتشاف Ultralytics YOLO26: فقد تؤدي المدخلات المموهة إلى تفويت أجسام في وضع التنبؤ، ويمكن تمرير الإطارات المستعادة بخطوة منفصلة لإزالة الضبابية إلى النموذج مثل أي صورة أخرى. وفي صورة العينة bus.jpg من Ultralytics، أدت ضبابية حركة أفقية بعرض 61 بكسل إلى خفض عدد الأشخاص الذين اكتشفهم YOLO26n من أربعة إلى اثنين.
جودة إعادة البناء والعيوب#
تشمل جودة إزالة الضبابية الحفاظ على الحواف بدقة والملمس والنتائج المستقرة عبر إطارات الفيديو. ويصف الاتساق الزمني هذا الاستقرار بين الإطارات. ويمكن لأساليب معالجة الفيديو استخدام الإطارات المجاورة كمصادر إضافية لأدلة الاستعادة.
قد يؤدي فك الالتفاف إلى تضخيم الضجيج أو التسبب في تموجات تظهر على شكل أشرطة فاتحة وداكنة متناوبة قرب الحواف. وفي استعادة الصور المعتمدة على تحويل فورييه، ينشئ الاختلاف المفاجئ بين حدود الصورة المتقابلة محتوى عالي التردد اصطناعيًا، وينتج عنه تموج عند الحدود؛ ويقلل تدرج الحواف هذا الانقطاع قبل فك الالتفاف.
