Motion Deblurring

Bewegungsunschärfe zu beseitigen bedeutet, aus einem Foto oder Videobild, das während der Belichtung durch Bewegung verwischt wurde, ein schärferes Bild zu rekonstruieren. Kameraverwacklungen oder bewegte Motive verteilen visuelle Details über benachbarte Pixel und lassen Kanten zu Schlieren werden. Die Entunschärfung schätzt, wie diese Verteilung zustande kam, und rekonstruiert die zugrunde liegenden Strukturen. Dadurch werden Bilder für Computer Vision nützlicher, etwa für die Objektdetektion und die optische Zeichenerkennung. „Motion deblur“ ist eine weitere Bezeichnung für denselben Vorgang.

Wie Bewegungsunschärfe entsteht#

Während einer Belichtung sammelt eine Kamera Licht. Bewegungen während dieser Zeit überlagern unterschiedliche Positionen der Szene in einem einzigen Bild. Ein Unschärfekern, auch Punktspreizfunktion (PSF) genannt, beschreibt, wie sich ein einzelner Punkt ausbreitet. Eine geradlinige Bewegung mit konstanter Geschwindigkeit erzeugt einen annähernd linienförmigen Kern; Drehungen der Kamera und unabhängig bewegte Objekte verursachen räumlich variierende Unschärfe. Ein gängiges mathematisches Modell beschreibt das unscharfe Bild als scharfes Bild, das mit einem Kern gefaltet und um Rauschen ergänzt wird.

Die Beseitigung von Bewegungsunschärfe gehört zur Bildrestaurierung. Schärfen erhöht den lokalen Kontrast an Kanten, während die Entunschärfung das Bild vor der Ausbreitung rekonstruiert. Die Entschärfung von Defokus korrigiert Unschärfe durch falsche Fokussierung; Super-Resolution rekonstruiert ein Bild mit höherer räumlicher Auflösung. Diese Aufgaben können gemeinsam in Restaurierungspipelines auftreten.

Klassische und neuronale Ansätze#

Bei der nicht blinden Entunschärfung wird ein vorgegebener Unschärfekern verwendet. Die blinde Entunschärfung schätzt die unbekannte Unschärfe gemeinsam mit dem scharfen Bild. Klassische Methoden kehren die Ausbreitung mithilfe der Dekonvolution um. Die Wiener-Filterung wägt die Wiederherstellung von Details gegen die Verstärkung von Rauschen ab und verwendet dazu Regularisierung – eine Einschränkung, die stabile Bildschätzungen begünstigt.

Ein neuronales Netz kann mithilfe von überwachtem Lernen aus Paaren unscharfer und scharfer Bilder lernen, Bilder wiederherzustellen. Ayan Chakrabarti stellte 2016 A Neural Approach to Blind Motion Deblurring vor. Das Verfahren sagt Restaurierungsfilter für sich überlappende Bildausschnitte voraus, kombiniert ihre Ergebnisse, schätzt einen globalen Unschärfekern und führt eine nicht blinde Dekonvolution durch. So verbindet es erlernte Bildstrukturen mit einem expliziten Modell der Bewegungsunschärfe.

Ein ausführbares Dekonvolutionsbeispiel#

Installiere scikit-image und scipy mit pip install scikit-image scipy. Dieses Beispiel fügt einem enthaltenen Bild horizontale Bewegungsunschärfe hinzu und verwendet dann die Wiener-Hunt-Dekonvolution mit dem bekannten Kern.

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")

Die Ausgabe vergleicht die Qualität der Rekonstruktion vor und nach der Entunschärfung. Das Spitzen-Signal-Rausch-Verhältnis (PSNR) misst die Übereinstimmung der Pixel mit dem Originalbild; höhere Werte bedeuten einen geringeren Rekonstruktionsfehler.

Anwendungen und Trainingsdaten#

• Dokumentenverarbeitung: Die Entunschärfung rekonstruiert Buchstabenstriche in fotografiertem Text. Jinshan Pan, Zhe Hu, Zhixun Su und Ming-Hsuan Yang stellten 2014 eine textspezifische Methode zur Entunschärfung vor, die Intensitäts- und Kanteneigenschaften nutzt, um die Unschärfe zu schätzen und Textkonturen wiederherzustellen.
• Fotografie dynamischer Szenen: Der GoPro-Datensatz zur Entunschärfung, den Seungjun Nah, Tae Hyun Kim und Kyoung Mu Lee 2017 vorstellten, verknüpft scharfe Einzelbilder mit unscharfen Bildern, die durch Mittelung von Hochgeschwindigkeitsvideobildern erzeugt wurden. Diese Paare liefern Trainingsdaten, mit denen sich die Wiederherstellung von Kamera- und Objektbewegungen erlernen lässt.

Bewegungsunschärfe beeinträchtigt auch die Erkennung mit Ultralytics YOLO26: Verwischte Eingaben können dazu führen, dass Objekte im Vorhersagemodus übersehen werden. Bilder, die in einem separaten Entunschärfungsschritt wiederhergestellt wurden, können wie jedes andere Bild an das Modell übergeben werden. Im Ultralytics-Beispielbild bus.jpg verringerte eine horizontale Bewegungsunschärfe von 61 Pixeln die Zahl der von YOLO26n erkannten Personen von vier auf zwei.

Rekonstruktionsqualität und Artefakte#

Zur Qualität der Entunschärfung gehören originalgetreue Kanten, erhaltene Texturen und stabile Ergebnisse über Videobilder hinweg. Zeitliche Konsistenz bezeichnet diese Stabilität von Bild zu Bild. Videoverfahren können benachbarte Bilder als zusätzliche Hinweise für die Wiederherstellung nutzen.

Dekonvolution kann Rauschen verstärken oder Ringing verursachen, das als abwechselnde helle und dunkle Streifen an Kanten sichtbar ist. Bei der Fourier-basierten Bildrestaurierung erzeugt ein abrupter Unterschied zwischen gegenüberliegenden Bildrändern künstliche hochfrequente Inhalte und führt zu Ringing an den Rändern. Kantenglättung verringert diese Unstetigkeit vor der Dekonvolution.