Motion Deblurring

La deblur delle immagini mosse è il processo che ricostruisce un’immagine più nitida da una fotografia o da un fotogramma video sfocato dal movimento durante l’esposizione. Il movimento della fotocamera o di un soggetto distribuisce i dettagli visivi sui pixel circostanti, trasformando i bordi in striature. La deblur stima come è avvenuta questa diffusione e recupera le strutture sottostanti, rendendo le immagini più utili per la visione artificiale, compresi il rilevamento degli oggetti e il riconoscimento ottico dei caratteri. «Motion deblur» è un altro nome per la stessa operazione.

Come si forma la sfocatura da movimento#

Una fotocamera accumula luce per tutta la durata dell’esposizione. Il movimento durante questo intervallo sovrappone in un’unica immagine diverse posizioni della scena. Un kernel di sfocatura, detto anche funzione di diffusione del punto (PSF), descrive come si espande un singolo punto. Un movimento rettilineo a velocità costante produce un kernel approssimativamente lineare; la rotazione della fotocamera e gli oggetti in movimento indipendente producono una sfocatura variabile nello spazio. Un modello matematico comune rappresenta l’immagine sfocata come l’immagine nitida combinata con un kernel tramite la convoluzione, a cui si aggiunge il rumore.

La deblur delle immagini mosse rientra nel restauro delle immagini. La nitidezza aumenta il contrasto locale dei bordi, mentre la deblur stima l’immagine precedente alla diffusione. La deblur da fuori fuoco corregge la sfocatura causata da una messa a fuoco errata; la super-risoluzione ricostruisce un’immagine a risoluzione spaziale più alta. Queste attività possono comparire insieme nelle pipeline di restauro.

Approcci classici e neurali#

La deblur non cieca utilizza un kernel di sfocatura fornito. La deblur cieca stima la sfocatura sconosciuta insieme all’immagine nitida. I metodi classici utilizzano la deconvoluzione per invertire la diffusione. Il filtraggio di Wiener bilancia il recupero dei dettagli e l’amplificazione del rumore usando la regolarizzazione, un vincolo che privilegia stime stabili dell’immagine.

Una rete neurale può apprendere il restauro da coppie di immagini sfocate e nitide tramite apprendimento supervisionato. Nel 2016, Ayan Chakrabarti ha presentato A Neural Approach to Blind Motion Deblurring, un metodo che prevede filtri di restauro per patch di immagini sovrapposte, ne combina i risultati, stima un kernel di sfocatura globale ed esegue una deconvoluzione non cieca. Questo approccio combina la struttura delle immagini appresa con un modello esplicito della sfocatura da movimento.

Un esempio eseguibile di deconvoluzione#

Installa scikit-image e scipy con pip install scikit-image scipy. Questo esempio applica una sfocatura da movimento orizzontale a un’immagine inclusa nel pacchetto e poi utilizza la deconvoluzione Wiener–Hunt con il kernel noto.

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")

Il risultato confronta la qualità della ricostruzione prima e dopo la deblur. Il rapporto segnale/rumore di picco (PSNR) misura la corrispondenza dei pixel con l’immagine originale; valori più alti indicano un errore di ricostruzione inferiore.

Applicazioni e dati di addestramento#

• Elaborazione di documenti: La deblur ricostruisce i tratti dei caratteri nei testi fotografati. Nel 2014, Jinshan Pan, Zhe Hu, Zhixun Su e Ming-Hsuan Yang hanno presentato un metodo di deblur specifico per il testo, che usa le proprietà di intensità e dei bordi per stimare la sfocatura e recuperare i contorni del testo.
• Fotografia di scene dinamiche: Il dataset GoPro per la rimozione della sfocatura, presentato nel 2017 da Seungjun Nah, Tae Hyun Kim e Kyoung Mu Lee, abbina fotogrammi nitidi a immagini sfocate generate mediando fotogrammi video ad alta velocità. Queste coppie forniscono dati di addestramento per apprendere il ripristino del movimento della fotocamera e degli oggetti.

La sfocatura da movimento influisce anche sul rilevamento con Ultralytics YOLO26: un input sfocato può causare la mancata rilevazione di oggetti in modalità di predizione, mentre i fotogrammi ripristinati in un passaggio separato di deblur possono essere forniti al modello come qualsiasi altra immagine. Nell’immagine di esempio Ultralytics bus.jpg, una sfocatura da movimento orizzontale di 61 pixel ha ridotto da quattro a due il numero di persone rilevate da YOLO26n.

Qualità della ricostruzione e artefatti#

La qualità della deblur si misura in base alla fedeltà dei bordi, alla conservazione delle texture e alla stabilità dei risultati tra i fotogrammi video. La coerenza temporale descrive questa stabilità da un fotogramma all’altro. I metodi per i video possono utilizzare i fotogrammi vicini come ulteriori elementi per il restauro.

La deconvoluzione può amplificare il rumore o introdurre effetti ad anello, visibili come bande chiare e scure alternate vicino ai bordi. Nel restauro basato sulla trasformata di Fourier, una discrepanza brusca tra i bordi opposti dell’immagine crea contenuti artificiali ad alta frequenza e produce effetti ad anello ai bordi; la sfumatura dei bordi riduce questa discontinuità prima della deconvoluzione.