Motion Deblurring

La eliminación del desenfoque de movimiento consiste en reconstruir una imagen más nítida a partir de una fotografía o un fotograma de vídeo emborronado por el movimiento durante la exposición. El movimiento de la cámara o de un sujeto extiende los detalles visuales por los píxeles cercanos y convierte los bordes en trazos. La eliminación del desenfoque estima cómo se produjo esa extensión y recupera las estructuras subyacentes, lo que hace que las imágenes sean más útiles para la visión artificial, incluida la detección de objetos y el reconocimiento óptico de caracteres. «Eliminación del desenfoque de movimiento» es otro nombre para la misma operación.

Cómo se produce el desenfoque de movimiento#

Una cámara acumula luz durante toda la exposición. El movimiento durante ese intervalo combina distintas posiciones de la escena en una sola imagen. Un núcleo de desenfoque, también llamado función de dispersión de punto (PSF), describe cómo se dispersa un único punto. El movimiento rectilíneo a velocidad constante produce un núcleo aproximadamente lineal; la rotación de la cámara y los objetos que se mueven de forma independiente producen un desenfoque que varía espacialmente. Un modelo matemático habitual representa la imagen desenfocada como una imagen nítida combinada con un núcleo mediante la convolución, más ruido.

La eliminación del desenfoque de movimiento forma parte de la restauración de imágenes. El enfoque aumenta el contraste local de los bordes, mientras que la eliminación del desenfoque estima cómo era la imagen antes de que se produjera la dispersión. La eliminación del desenfoque por desenfoque de foco aborda el causado por un enfoque incorrecto; la superresolución reconstruye una imagen con mayor resolución espacial. Estas tareas pueden combinarse en flujos de restauración.

Enfoques clásicos y neuronales#

La eliminación de desenfoque no ciega utiliza un núcleo de desenfoque proporcionado. La eliminación de desenfoque ciega estima el desenfoque desconocido junto con la imagen nítida. Los métodos clásicos utilizan la deconvolución para revertir la dispersión. El filtrado de Wiener equilibra la recuperación de detalles y la amplificación del ruido mediante la regularización, una restricción que favorece estimaciones estables de la imagen.

Una red neuronal puede aprender a restaurar imágenes a partir de pares de imágenes desenfocadas y nítidas mediante aprendizaje supervisado. En 2016, Ayan Chakrabarti presentó A Neural Approach to Blind Motion Deblurring, que predice filtros de restauración para parches de imagen superpuestos, combina sus resultados, estima un núcleo de desenfoque global y realiza una deconvolución no ciega. Este método conecta la estructura de imagen aprendida con un modelo explícito de desenfoque de movimiento.

Ejemplo ejecutable de deconvolución#

Instala scikit-image y scipy con pip install scikit-image scipy. Este ejemplo aplica un desenfoque de movimiento horizontal a una imagen incluida en el paquete y, a continuación, utiliza la deconvolución de Wiener–Hunt con el núcleo conocido.

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")

El resultado compara la calidad de la reconstrucción antes y después de eliminar el desenfoque. La relación señal-ruido máxima (PSNR) mide la concordancia de los píxeles con la imagen original; los valores más altos indican un error de reconstrucción menor.

Aplicaciones y datos de entrenamiento#

• Procesamiento de documentos: La eliminación del desenfoque reconstruye los trazos de los caracteres en textos fotografiados. En 2014, Jinshan Pan, Zhe Hu, Zhixun Su y Ming-Hsuan Yang presentaron un método específico para eliminar el desenfoque del texto que utiliza las propiedades de intensidad y de los bordes para estimar el desenfoque y recuperar los límites del texto.
• Fotografía de escenas dinámicas: El conjunto de datos de eliminación de desenfoque de GoPro, presentado por Seungjun Nah, Tae Hyun Kim y Kyoung Mu Lee en 2017, empareja fotogramas nítidos con imágenes desenfocadas generadas mediante el promedio de fotogramas de vídeo de alta velocidad. Estos pares proporcionan datos de entrenamiento para aprender a restaurar imágenes afectadas por el movimiento de la cámara y de los objetos.

El desenfoque de movimiento también afecta a la detección de Ultralytics YOLO26: una imagen emborronada puede hacer que se pierdan objetos en el modo de predicción, y los fotogramas restaurados mediante un proceso independiente de eliminación del desenfoque pueden pasarse al modelo como cualquier otra imagen. En la imagen de muestra de Ultralytics bus.jpg, un desenfoque de movimiento horizontal de 61 píxeles redujo de cuatro a dos el número de personas detectadas por YOLO26n.

Calidad de reconstrucción y artefactos#

La calidad de la eliminación del desenfoque se evalúa por la fidelidad de los bordes, la conservación de las texturas y la estabilidad de los resultados entre fotogramas de vídeo. La consistencia temporal describe esa estabilidad entre fotogramas. Los métodos de vídeo pueden utilizar fotogramas adyacentes como información adicional para la restauración.

La deconvolución puede amplificar el ruido o introducir oscilaciones, visibles como bandas claras y oscuras alternas cerca de los bordes. En la restauración basada en Fourier, una discrepancia brusca entre los bordes opuestos de la imagen crea contenido artificial de alta frecuencia y produce oscilaciones en los bordes; el suavizado de bordes reduce esta discontinuidad antes de la deconvolución.