Motion Deblurring

A remoção do desfoque de movimento é o processo de reconstrução de uma imagem mais nítida a partir de uma fotografia ou fotograma de vídeo esborratado pelo movimento durante a exposição. A vibração da câmara ou o movimento de um objeto espalha os detalhes visuais pelos píxeis vizinhos, transformando as arestas em riscos. A remoção do desfoque estima como ocorreu essa dispersão e recupera as estruturas subjacentes, tornando as imagens mais úteis para a visão computacional, incluindo a deteção de objetos e o reconhecimento ótico de caracteres. «Remoção do desfoque de movimento» é outro nome para a mesma operação.

Como se forma o desfoque de movimento#

Uma câmara acumula luz durante toda a exposição. O movimento nesse intervalo combina diferentes posições da cena numa única imagem. Um núcleo de desfoque, também chamado função de dispersão pontual (PSF), descreve a forma como um único ponto se espalha. Um movimento retilíneo a velocidade constante produz um núcleo aproximadamente linear; a rotação da câmara e os objetos em movimento independente produzem desfoque variável espacialmente. Um modelo matemático comum representa a imagem desfocada como a combinação de uma imagem nítida com um núcleo através da convolução, acrescida de ruído.

A remoção do desfoque de movimento faz parte da restauração de imagens. A nitidez aumenta o contraste local das arestas, enquanto a remoção do desfoque estima a imagem antes da dispersão. A remoção do desfoque por desfocagem de foco corrige o desfoque causado por uma focagem incorreta; a super-resolução reconstrói uma imagem com maior resolução espacial. Estas tarefas podem surgir em conjunto em fluxos de restauração.

Abordagens clássicas e neuronais#

A remoção de desfoque não cega utiliza um núcleo de desfoque fornecido. A remoção de desfoque cega estima o desfoque desconhecido juntamente com a imagem nítida. Os métodos clássicos utilizam a desconvolução para inverter a dispersão. A filtragem de Wiener equilibra a recuperação de detalhes com a amplificação do ruído, recorrendo à regularização — uma restrição que favorece estimativas de imagem estáveis.

Uma rede neuronal pode aprender a restaurar imagens a partir de pares de imagens desfocadas e nítidas através da aprendizagem supervisionada. Em 2016, Ayan Chakrabarti apresentou A Neural Approach to Blind Motion Deblurring, que prevê filtros de restauração para fragmentos de imagem sobrepostos, combina os respetivos resultados, estima um núcleo de desfoque global e realiza uma desconvolução não cega. Esta abordagem combina a estrutura de imagem aprendida com um modelo explícito de desfoque de movimento.

Exemplo executável de desconvolução#

Instala scikit-image e scipy com pip install scikit-image scipy. Este exemplo aplica um desfoque de movimento horizontal a uma imagem incluída no pacote e, em seguida, utiliza a desconvolução Wiener–Hunt com o núcleo conhecido.

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")

O resultado compara a qualidade da reconstrução antes e depois da remoção do desfoque. A relação sinal-ruído de pico (PSNR) mede a correspondência dos píxeis com a imagem original; valores mais elevados indicam um erro de reconstrução menor.

Aplicações e dados de treino#

• Processamento de documentos: A remoção do desfoque reconstrói os traços dos caracteres em texto fotografado. Em 2014, Jinshan Pan, Zhe Hu, Zhixun Su e Ming-Hsuan Yang apresentaram um método de remoção de desfoque específico para texto que utiliza propriedades de intensidade e de arestas para estimar o desfoque e recuperar os limites do texto.
• Fotografia de cenas dinâmicas: O conjunto de dados GoPro para remoção de desfoque, apresentado por Seungjun Nah, Tae Hyun Kim e Kyoung Mu Lee em 2017, associa fotogramas nítidos a imagens desfocadas geradas através da média de fotogramas de vídeo de alta velocidade. Estes pares fornecem dados de treino para aprender a restaurar o movimento da câmara e dos objetos.

O desfoque de movimento também afeta a deteção do Ultralytics YOLO26: uma imagem de entrada esborratada pode fazer com que objetos não sejam detetados em modo de previsão, e os fotogramas restaurados numa etapa de remoção de desfoque independente podem ser fornecidos ao modelo como qualquer outra imagem. Na imagem de exemplo do Ultralytics bus.jpg, um desfoque de movimento horizontal de 61 píxeis reduziu de quatro para dois o número de pessoas detetadas pelo YOLO26n.

Qualidade da reconstrução e artefatos#

A qualidade da remoção do desfoque depende da fidelidade das arestas, da preservação da textura e da estabilidade dos resultados entre fotogramas de vídeo. A consistência temporal descreve essa estabilidade entre fotogramas. Os métodos de vídeo podem utilizar fotogramas vizinhos como dados adicionais para a restauração.

A desconvolução pode amplificar o ruído ou introduzir oscilações, visíveis como faixas claras e escuras alternadas junto às arestas. Na restauração baseada na transformada de Fourier, uma incompatibilidade abrupta entre os limites opostos da imagem cria conteúdo artificial de alta frequência e produz oscilações nos limites; a suavização das arestas reduz esta descontinuidade antes da desconvolução.