Motion Deblurring

Hareket bulanıklığı giderme, pozlama sırasında hareket nedeniyle bulanıklaşmış bir fotoğraf veya video karesinden daha keskin bir görüntü oluşturma işlemidir. Kameranın sarsılması veya hareketli bir nesne, görsel ayrıntıları komşu piksellere yayarak kenarları çizgilere dönüştürür. Bulanıklık giderme, bu yayılmanın nasıl gerçekleştiğini tahmin edip temel yapıları geri kazandırarak görüntüleri bilgisayarlı görü için daha kullanışlı hâle getirir; buna nesne tespiti ve optik karakter tanıma da dahildir. "Hareket bulanıklığını giderme" aynı işlem için kullanılan başka bir addır.

Hareket Bulanıklığı Nasıl Oluşur#

Kamera, pozlama boyunca ışığı toplar. Bu süre içindeki hareket, sahnenin farklı konumlarını tek bir görüntüde birleştirir. Bulanıklık çekirdeği olarak da adlandırılan nokta yayılım fonksiyonu (PSF), tek bir noktanın nasıl yayıldığını tanımlar. Düz ve sabit hızlı hareket yaklaşık çizgi biçiminde bir çekirdek oluşturur; kameranın dönmesi ve bağımsız hareket eden nesneler ise uzamsal olarak değişen bulanıklık üretir. Yaygın bir matematiksel model, bulanık görüntüyü keskin bir görüntünün bir çekirdekle evrişimi ve gürültünün eklenmesi olarak ifade eder.

Hareket bulanıklığını giderme, görüntü restorasyonunun bir parçasıdır. Keskinleştirme yerel kenar karşıtlığını artırırken bulanıklık giderme, yayılma gerçekleşmeden önceki görüntüyü tahmin eder. Odak dışı bulanıklığı giderme, yanlış odaktan kaynaklanan bulanıklığı ele alır; süper çözünürlük ise görüntüyü daha yüksek uzamsal çözünürlükte yeniden oluşturur. Bu görevler restorasyon işlem hatlarında birlikte yer alabilir.

Klasik ve Sinir Ağı Yaklaşımları#

Kör olmayan bulanıklık giderme, sağlanan bir bulanıklık çekirdeğini kullanır. Kör bulanıklık giderme ise bilinmeyen bulanıklığı keskin görüntüyle birlikte tahmin eder. Klasik yöntemler yayılmayı tersine çevirmek için dekonvolüsyon kullanır. Wiener filtreleme, görüntü tahminlerinin kararlı olmasını destekleyen bir kısıt olan düzenlileştirmeyi kullanarak ayrıntıların geri kazanımını gürültü yükseltimine karşı dengeler.

Bir sinir ağı, bulanık ve keskin görüntü çiftlerinden denetimli öğrenme yoluyla restorasyon öğrenebilir. Ayan Chakrabarti, 2016'da Kör Hareket Bulanıklığını Gidermeye Sinir Ağı Yaklaşımı adlı çalışmasını tanıttı. Yöntem, örtüşen görüntü yamaları için restorasyon filtreleri tahmin eder, bu filtrelerin çıktılarını birleştirir, küresel bir bulanıklık çekirdeği tahmin eder ve kör olmayan dekonvolüsyon uygular. Böylece öğrenilmiş görüntü yapısı ile açık bir hareket bulanıklığı modeli bir araya gelir.

Çalıştırılabilir Bir Dekonvolüsyon Örneği#

scikit-image ve scipy paketlerini pip install scikit-image scipy ile yükle. Bu örnek, pakete dahil bir görüntüye yatay hareket bulanıklığı uygular ve ardından bilinen çekirdekle Wiener–Hunt dekonvolüsyonunu kullanır.

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")

Çıktı, bulanıklık giderme öncesi ve sonrası yeniden oluşturma kalitesini karşılaştırır. Tepe sinyal-gürültü oranı (PSNR), piksellerin orijinal görüntüyle ne ölçüde örtüştüğünü ölçer; yüksek değerler daha düşük yeniden oluşturma hatası anlamına gelir.

Uygulamalar ve Eğitim Verileri#

• Belge işleme: Bulanıklık giderme, fotoğrafı çekilmiş metindeki karakter çizgilerini yeniden oluşturur. Jinshan Pan, Zhe Hu, Zhixun Su ve Ming-Hsuan Yang, 2014'te bulanıklığı tahmin edip metin sınırlarını geri kazanmak için yoğunluk ve kenar özelliklerini kullanan metne özel bir bulanıklık giderme yöntemi tanıttı.
• Dinamik sahne fotoğrafçılığı: Seungjun Nah, Tae Hyun Kim ve Kyoung Mu Lee'nin 2017'de tanıttığı GoPro bulanıklık giderme veri kümesi, yüksek hızlı video karelerinin ortalaması alınarak oluşturulan bulanık görüntülerle keskin kareleri eşleştirir. Bu çiftler, kamera ve nesne hareketini gidermeyi öğrenmek için eğitim verisi sağlar.

Hareket bulanıklığı, Ultralytics YOLO26 tespitini de etkiler: bulanık giriş, tahmin modunda nesnelerin kaçırılmasına yol açabilir; ayrı bir bulanıklık giderme adımıyla iyileştirilen kareler de diğer tüm görüntüler gibi modele aktarılabilir. Ultralytics bus.jpg örnek görüntüsünde, 61 piksellik yatay hareket bulanıklığı YOLO26n'in tespit ettiği kişi sayısını dörtten ikiye düşürdü.

Yeniden Oluşturma Kalitesi ve Kusurlar#

Bulanıklık giderme kalitesi; kenarların aslına uygunluğunu, dokunun korunmasını ve video kareleri boyunca kararlı sonuçlar alınmasını kapsar. Zamansal tutarlılık, kareler arasındaki bu kararlılığı ifade eder. Video yöntemleri, ek restorasyon kanıtı olarak komşu karelerden yararlanabilir.

Dekonvolüsyon gürültüyü yükseltebilir veya kenarların yakınında dönüşümlü açık ve koyu bantlar şeklinde görülen çınlamaya yol açabilir. Fourier tabanlı restorasyonda, görüntünün karşılıklı kenarları arasındaki ani uyumsuzluk yapay yüksek frekanslı içerik oluşturup sınır çınlamasına neden olur; kenar yumuşatma, dekonvolüsyondan önce bu süreksizliği azaltır.