Hal 141

Restorasi gambar

Membangun berdasarkan pertimbangan kami terhadap domain Fourier (frekuensi) dalam bab
sebelumnya, kami sekarang maju untuk mengeksplorasi penggunaan praktis dari metode ini di bidang
restorasi gambar.

Model pencitraan

Restorasi citra didasarkan pada upaya untuk meningkatkan kualitas gambar melalui pengetahuan
tentang proses fisik yang mengarah pada pembentukannya. Seperti yang kita bahas di Bab 5, kita dapat
mempertimbangkan pembentukan gambar sebagai proses yang mengubah distribusi input menjadi
distribusi keluaran. Distribusi input mewakili yang ideal, mis. Itu adalah gambar 'sempurna' yang kami
tidak memiliki akses langsung tetapi yang ingin kami pulihkan atau setidaknya mendekati dengan
perlakuan yang tepat dari distribusi output yang tidak sempurna atau rusak. Ingat itu, dalam 2-D sistem
pencitraan linier, hubungan antara distribusi input f (x ', y') dan distribusi keluaran terukur g (x, y)
direpresentasikan sebagai integral superposisi linier. Untuk sistem linear, shift invariant (LSI), ini
mereduksi menjadi bentuk konvolusi:

di mana ** digunakan untuk menunjukkan 2-D convolution. Dalam Persamaan (6.1), kuantitas h (x-x ', y-
y') adalah Fungsi Penyebaran Titik (PSF) atau respons impuls dan n (x, y) adalah istilah noise tambahan.
Kedua faktor ini bertanggung jawab atas distribusi output yang tidak sempurna yang diperoleh. Tugas
restorasi gambar (pada prinsipnya setidaknya) sederhana:

Pemulihan distribusi input f (x ', y') dari Persamaan (6.1) dikenal sebagai dekonvolusi. Restorasi citra kini
telah berkembang menjadi bidang penelitian yang menarik tetapi cukup kompleks. Pengamatan
sederhana bahwa setiap pendekatan restorasi gambar pada akhirnya akan dilakukan
Hal 142

dibatasi oleh pengetahuan eksplisit atau implisit kami tentang PSF dan proses kebisingan sangat
membantu dalam membangun landasan yang kuat di awal. Persamaan (6.1) bukan satu-satunya model
yang menggambarkan pembentukan gambar - beberapa situasi memerlukan model yang lebih kompleks
- tetapi tentu jauh lebih penting dalam praktiknya. Beberapa situasi pencitraan perlu dijelaskan oleh
model yang lebih kompleks, seperti varian spasial dan

model nonlinier. Namun, ini relatif jarang dan, dalam hal apa pun, dapat dipahami dengan baik dengan
terlebih dahulu mengembangkan pemahaman yang jelas tentang pendekatan restorasi untuk model LSI.
Dengan demikian, Persamaan (6.1) akan menjadi dasar untuk diskusi kita tentang restorasi gambar.

dibatasi oleh pengetahuan eksplisit atau implisit kami tentang PSF dan proses kebisingan sangat
membantu dalam membangun landasan yang kuat di awal. Persamaan (6.1) bukan satu-satunya model
yang menggambarkan pembentukan gambar - beberapa situasi memerlukan model yang lebih kompleks
- tetapi tentu jauh lebih penting dalam praktiknya. Beberapa situasi pencitraan perlu dijelaskan oleh
model yang lebih kompleks, seperti varian spasial dan

model nonlinier. Namun, ini relatif jarang dan, dalam hal apa pun, dapat dipahami dengan baik dengan
terlebih dahulu mengembangkan pemahaman yang jelas tentang pendekatan restorasi untuk model LSI.
Dengan demikian, Persamaan (6.1) akan menjadi dasar untuk diskusi kita tentang restorasi gambar.

6.2 Sifat fungsi titik-menyebar dan kebisingan

Kami telah mengatakan bahwa kualitas pemulihan gambar kami akan dibatasi oleh pengetahuan kami
tentang PSF dan kebisingan. Lalu, bagaimana sifat kedua entitas ini? Meskipun ada pengecualian penting
dalam praktiknya, 2 sistem PSF biasanya merupakan kuantitas tetap atau deterministik yang ditentukan
oleh perangkat keras fisik yang merupakan keseluruhan sistem pencitraan dan yang, oleh karenanya,
dianggap tidak berubah dari waktu ke waktu. Misalnya, dalam sistem pencitraan optik sederhana,
keseluruhan PSF akan ditentukan oleh sifat fisik dan bentuk lensa; dalam sistem pencitraan diagnostik
medis, seperti kamera Anger (yang mendeteksi sinar gamma yang dipancarkan dari tubuh pasien), PSF
ditentukan oleh kombinasi kolimator mekanik dan sistem scintillator-photomultiplier yang
memungkinkan deteksi asal foton gamma yang dipancarkan dengan akurasi terbatas tertentu.

Dengan demikian, mengingat keterbatasan fisik tertentu yang berkaitan dengan sifat fluks yang
terdeteksi dalam sistem pencitraan (yaitu optik, inframerah, sonar, dll.), PSF biasanya adalah sesuatu
yang pada awalnya kami memiliki beberapa kontrol pada prinsipnya tetapi menjadi tetap setelah sistem
memiliki

telah dirancang dan direkayasa. Justru karena PSF adalah hasil dari proses desain dan rekayasa, itu
adalah sesuatu yang biasanya kita harapkan memiliki pengetahuan dan yang akan membantu dalam
mendekati masalah restorasi. Sebaliknya, istilah noise dalam Persamaan (6.1) biasanya bersifat stokastik
dan menghasilkan fluktuasi acak dan tidak diinginkan pada sinyal yang terdeteksi. Karakteristik utama
dari proses kebisingan adalah bahwa kita biasanya tidak memiliki kendali terhadapnya dan kita tidak
dapat memprediksi kebisingan yang akan hadir dalam sekejap. Kebisingan berasal dari sifat fisik proses
deteksi dan memiliki banyak bentuk dan penyebab spesifik. Apa pun proses fisik spesifik yang
memunculkan pembentukan gambar, karakteristik umum adalah sifat fluktuasi sinyal yang tidak dapat
diprediksi. Namun, meskipun kita tidak dapat mengetahui nilai-nilai realisasi spesifik dari kebisingan, kita
sering dapat memahami dan memodelkan sifat statistiknya. Keragaman model dan perilaku noise sering
menjadi faktor utama dalam pendekatan yang agak berbeda untuk restorasi gambar. Gambar 6.1
merangkum pembentukan gambar dasar /

model restorasi dijelaskan oleh Persamaan (6.1). Formasi gambar dihasilkan dari konvolusi input dengan
sistem PSF dan

penambahan noise acak. Restorasi linier menggunakan filter linier yang bentuk spesifiknya
Hal 143

tergantung pada sistem PSF, pengetahuan kami tentang statistik kebisingan dan, dalam kasus-kasus
tertentu, properti statistik yang diketahui atau diasumsikan dari distribusi input.

6.3 Restorasi oleh filter Fourier terbalik

Pertimbangkan lagi persamaan pencitraan LSI yang disajikan dalam Persamaan (6.1):

rumus

di mana kuantitas h (x-x ', y-y') adalah PSF, n (x, y) adalah istilah noise tambahan dan f (x ', y') adalah
jumlah yang ingin kami pulihkan. Jika kita Fourier mengubah kedua sisi persamaan ini, maka kita dapat
menerapkan teorema konvolusi Bab 5 untuk mendapatkan

rumus

Konvolusi dalam domain spasial kini telah menjadi penyederhanaan dalam domain frekuensi. Mari kita
pertimbangkan situasi ideal di mana istilah noise tambahan dalam persamaan pencitraan kami n (x)
dapat diabaikan, mis. N (x) = 0.
Hal 144

Dalam hal ini hasil solusi sepele. Kami cukup membagi kedua sisi Persamaan (6.2) dengan H (Kx, Ky) dan
kemudian mengambil transformasi Fourier terbalik dari kedua sisi. Jadi:

rumus

dan sebagainya

rumus

di mana F1 menunjukkan operasi transformasi Fourier terbalik. Filter domain frekuensi

rumus

di mana H (kx, ky) adalah fungsi transfer optik sistem (OTF) disebut filter terbalik.

Dalam praktiknya, filter invers lurus jarang bekerja dengan memuaskan dan hanya boleh digunakan
dengan sangat hati-hati. Alasan untuk ini dapat dipahami dengan memeriksa Persamaan (6.5) dan
mempertimbangkan fakta sederhana bahwa OTF dari sistem pencitraan umumnya tidak akan
melampaui batas difraksi. Ini berarti bahwa setiap upaya untuk memulihkan pasangan frekuensi spasial
(kx, ky) yang mungkin ada dalam input tetapi di mana OTF sistem telah turun ke nilai efektif nol akan
menjadi bencana. Besarnya filter multiplikasi Y (kx, ky) pada frekuensi ini akan cenderung ~ 1 / 0-> tidak
terbatas.

Salah satu cara putaran ini adalah dengan menggunakan filter terbalik terpotong di mana satu
effectivelymonitors nilai OTF H (kx, ky) dan menetapkan nilai fungsi filter Y (kx, ky) ke nol setiap kali H
(kx, ky) jatuh di bawah nilai 'berbahaya sangat rendah' yang telah ditentukan. Secara teknis, ini adalah
contoh filter band-pass karena memungkinkan pasangan frekuensi spasial tertentu untuk dilewatkan ke
dalam rekonstruksi dan menekan yang lain. Pada kenyataannya, ini adalah bagaimana restorasi dicapai
pada Gambar 6.2 (kode Matlab yang digunakan untuk menghasilkan gambar ini diberikan dalam Contoh
6.1).

Namun, setiap kali ada noise, penggunaan filter terbalik akan memiliki efek yang tidak terduga dan
sering kali berbahaya. Pertimbangkan menerapkan filter terbalik dalam Persamaan (6.5) untuk situasi di
mana noise hadir. Kami memperoleh

rumus
di mana kami menggunakan notasi 'topi' umum (mis. ^ F (kx, ky)) untuk menunjukkan jumlah yang
diperkirakan. Persamaan (6.6) menunjukkan bahwa spektrum frekuensi kami yang dipulihkan memiliki
istilah tambahan: spektrum kebisingan N (kx, ky) dibagi dengan sistem OTF H (kx, ky). Jelas, kami ingin ini

istilah tambahan sekecil mungkin, karena spektrum yang diperkirakan kemudian akan mendekati
spektrum input yang sebenarnya. Spektrum kebisingan, bagaimanapun, adalah tambahan yang tidak
diketahui dan acak
hal 145

Gambar 6.2

Memulihkan gambar yang buram tetapi tidak bersuara melalui penyaringan terbalik. Dari kiri ke kanan

(a) dokumen asli buram; (B) Gaussian PSF; (c) MTF yang sesuai; (d) memulihkan yang asli

tabel

ke data yang kami ‘tidak memiliki akses’ dan yang sebenarnya tidak dapat dipisahkan dari spektrum
gambar output. Selain itu, itu adalah karakteristik dari banyak proses noise bahwa mereka memiliki
konten frekuensi tinggi yang signifikan; dengan kata lain, ada rezim frekuensi spasial yang | N (kx, ky) |
>> | Gkx, ky) |. Dalam kasus ini, jelas bahwa suku pertama di sisi kanan dalam Persamaan (6.6) (konten
frekuensi spasial yang sebenarnya) akan sepenuhnya didominasi oleh suku kedua (kebisingan). Ini
adalah kasus yang ditunjukkan pada Gambar 6.3 (kode Matlab yang digunakan untuk menghasilkan
gambar ini diberikan dalam Contoh 6.2).
hal 146

Gambar 6.3 Pemulihan gambar yang buram dan bising melalui penyaringan terbalik. Dari kiri ke kanan:

(A) kabur asli dengan Gaussian white noise (rata-rata nol, varians 0,2%); (B) sistem PSF; (c) MTF yang
sesuai; (d) gambar yang dipulihkan

tabel

6.4 Filter Wiener – Helstrom

Seperti Contoh 6.2 dan Gambar 6.3 yang sesuai menunjukkan, setiap kali noise hadir dalam gambar kita
memerlukan pendekatan yang lebih canggih daripada filter invers sederhana. Pemeriksaan persamaan
pencitraan LSI dalam domain frekuensi

rumus

menyarankan agar kami ingin filter frekuensi-domain kami Y (kx, ky) memiliki sifat kualitatif berikut:

Pada pasangan frekuensi spasial yang komponen kebisingan | N (kx, ky) | jauh lebih kecil dari komponen
gambar jGðkx; Jadi, filter kami harus mendekati filter terbalik. Jadi, kami mau

rumus

Ini memastikan pemulihan yang akurat dari komponen-komponen frekuensi ini dalam gambar yang
dipulihkan.
Hal 147

Pada pasangan frekuensi spasial yang komponen kebisingan | N (kx, ky) | jauh lebih besar daripada
komponen gambar | G (kx, ky) |, filter kita harus mendekati nol. Jadi:

rumus

Ini memastikan bahwa kami tidak berusaha mengembalikan pasangan frekuensi spasial yang didominasi
oleh komponen kebisingan.

Pada pasangan frekuensi spasial yang komponen kebisingan | N (kx, ky) | dan komponen gambar | G
(kx, ky) | dapat dibandingkan, filter kami harus 'mengurangi' frekuensi ini, menghasilkan kompromi yang
tepat antara penerimaan lengkap (filter terbalik) dan penindasan total.

Ketiga sifat ini secara luas dicapai oleh filter Wiener-Helstrom (sering disingkat menjadi Wiener),
didefinisikan sebagai

rumus

Dalam Persamaan (6.8) H * menunjukkan konjugat kompleks dari OTF dan jumlah WF (kx, ky) dan WN
(kx, ky) masing-masing adalah input dan spektrum kekuatan noise:

rumus

Pembagian sisi kanan Persamaan (6.8) oleh spektrum daya input memungkinkan kita untuk
mengekspresikan filter Wiener-Helstrom dalam bentuk alternatif dan lebih transparan:

rumus

di mana kuantitas NSR (kx, ky) = WN (kx, ky) / WF (kx, ky) memberikan rasio kekuatan noise / sinyal.
Persamaan (6.10) dengan demikian menunjukkan dengan jelas bahwa filter Wiener-Helstrom mendekati
filter terbalik untuk frekuensi di mana rasio daya sinyal / noise besar, tetapi menjadi semakin kecil untuk
frekuensi spasial di mana rasio daya noise-sinyal kecil.

6.5 Asal dari filter Wiener – Helstrom

Filter Wiener-Helstrom didefinisikan oleh Persamaan (6.8) (atau ekuivalen dengan Persamaan (6.10))
bukan hanya sebuah filter empiris ad hoc tetapi memiliki dasar teoritis yang kuat. Ini penting karena
merupakan filter restorasi linier yang optimal. Mari kita nyatakan ulang persamaan pencitraan LSI yang
disajikan dalam Persamaan (6.1):

Rumus
Hal 148

yang, melalui teorema konvolusi, memiliki domain frekuensi yang sesuai yang disajikan dalam
Persamaan (6.2):

rumus

Kriteria optimal yang didefinisikan dengan baik adalah mencari estimasi distribusi input ^ f (x, y), yang
bervariasi minimal dari input sebenarnya f (x, y) dalam arti mean-square. Yaitu, kami akan mencari
perkiraan ^ f (x, y) sehingga jumlah berikut diminimalkan:

rumus

Kriteria pengoptimalan ini disebut minimum mean-square error (MMSE) atau kriteria varians minimum.
Penting untuk diperhatikan bahwa kurung sudut dalam Persamaan (6.11) menunjukkan rata-rata
ensemble; yaitu, kami mencari estimator ^ f (x, y) yang optimal sehubungan dengan rata-rata statistik
atas banyak realisasi proses noise acak n (x, y) dan, memang, ke PSF dalam situasi khusus di mana
mungkin diperlakukan sebagai jumlah stokastik.

Penerapan teorema Parseval to Equation (6.11) memungkinkan kami untuk mengekspresikan kriteria
yang sepenuhnya setara dalam domain Fourier:

rumus

Pendekatan dasar untuk menurunkan filter Wiener-Helstrom adalah mempostulasikan filter linear Y (kx,
ky) yang bekerja pada data gambar G (kx, ky) = F (kx, ky) H (kx, ky) + N ( kx, ky) dan kemudian untuk
mengambil variasi dalam operator Y (kx, ky) sedemikian rupa sehingga kuantitas Q adalah diam. Derivasi
formal cukup panjang dan memerlukan metode dari teori estimasi statistik dan kalkulus variasional,
sehingga tidak diulang di sini.

Lebih lanjut mungkin untuk menunjukkan bahwa error mean-square yang dihasilkan setelah aplikasi
filter Wiener-Helstrom diberikan oleh

rumus

Singkatnya, filter Wiener-Helstrom bekerja dengan menerima komponen frekuensi rendah kebisingan
dan menolak komponen frekuensi tinggi kebisingan. Selanjutnya, ia melakukannya dengan baik
Hal 149

cara 'optimal' yang didefinisikan dengan baik. Ini adalah perilaku yang sangat masuk akal dan tergoda
untuk berpikir bahwa pemulihan gambar dalam domain frekuensi harus dimulai dan diakhiri di sini.

Namun, terlepas dari pentingnya praktis dan historisnya, filter Wiener-Helstrom bukanlah obat mujarab,
dan ada dua hal yang penting untuk disampaikan:

(1) Implementasi Persamaan yang tepat (6.10) membutuhkan pengetahuan tentang spektrum daya
input. Karena distribusi input adalah jumlah yang kami perkirakan, kami umumnya tidak dapat berharap
untuk mengetahui spektrum kekuatannya! 5 Jadi, dalam sebagian besar kasus, filter Wiener-Helstrom
tidak dapat diimplementasikan dengan tepat. Namun, ada beberapa cara di mana kita dapat mencoba
untuk menyelesaikan masalah ini untuk menghasilkan filter praktis:

(A) Ketika distribusi input milik kelas yang didefinisikan dengan baik di mana input dibatasi, estimasi
spektrum daya yang cukup akurat mungkin tersedia. Contoh khas mungkin merupakan prosedur
pencitraan medis standar, seperti mengambil foto rontgen dada, di mana struktur input pada dasarnya
dapat dianggap sebagai variasi sederhana pada prototipe dasar (mis. Struktur kerangka sangat mirip di
seluruh populasi). Dalam hal ini, prototipe dapat digunakan untuk memberikan perkiraan untuk
spektrum daya input.

(B) Ketika input tidak dibatasi dengan cara ini, filter Wiener-Helstrom dapat didekati dengan mengganti
spektrum daya keluaran WG (kx, ky) (yang dapat dengan mudah kita hitung) atau lebih disukai beberapa
versi yang difilter sebagai pengganti spektrum daya input.

(c) Pendekatan sederhana, tetapi kurang akurat lainnya, adalah untuk mendekati rasio noise / sinyal
(fungsi NSR dalam Persamaan (6.10)) dengan konstanta skalar yang sesuai. Dengan menghilangkan
semua ketergantungan frekuensi spasial dari istilah ini, seseorang biasanya memperdagangkan
beberapa konten frekuensi tinggi dalam restorasi untuk meningkatkan stabilitas.

(2) Restorasi yang dihasilkan oleh filter Wiener-Helstrom sering menghasilkan restorasi yang agak terlalu
kabur dari sudut pandang perseptual - menunjukkan bahwa kriteria MMSE, meskipun kriteria optimisasi
matematis yang valid, hampir pasti bukan persepsi optimal dari sudut pandang manusia. Untuk alasan
ini, banyak filter lain telah dikembangkan yang dapat menghasilkan hasil yang lebih baik untuk aplikasi
spesifik.

Gambar 6.4 (yang kode Matlab diberikan dalam Contoh 6.3) menunjukkan hasil dari dua pendekatan
yang berbeda untuk filter Wiener ideal pada gambar yang menunjukkan tingkat kebisingan yang
signifikan. Gambar yang dipulihkan masih jauh dari sempurna tetapi menunjukkan peningkatan yang
signifikan pada aslinya.
Hal 150

Komentar

Fungsi Matlab: fftn, ifftn, prod, deconvwnr.

Contoh ini menghasilkan gambar yang bising dan buram dan kemudian menunjukkan pemulihan
menggunakan dua variasi filter Wiener. Yang pertama mendekati rasio daya noise / sinyal dengan
konstanta dan yang kedua mengasumsikan pengetahuan tentang fungsi autokorelasi noise dan sinyal.

Image Processing Toolbox memiliki fungsi khusus untuk melakukan pemfilteran Wiener, deconvwnr.
Pada dasarnya, ini dapat digunakan dalam tiga cara berbeda:

. Pengguna memasok PSF yang bertanggung jawab untuk pengaburan saja. Dalam hal ini, diasumsikan
bahwa tidak ada noise dan filter berkurang ke Persamaan filter terbalik (6.5).

. Pengguna memasok PSF yang bertanggung jawab untuk perkiraan kabur dan skalar dari rasio daya
noise / sinyal NSR. Dengan kata lain, hanya jumlah total daya dalam noise dan input yang disediakan dan
ketergantungan frekuensinya tidak disediakan.

. Pengguna memasok PSF yang bertanggung jawab untuk perkiraan kabur dan frekuensi bergantung
pada rasio daya noise / sinyal, melalui masing-masing fungsi autokorelasi. (Ingat bahwa teorema
autokorelasi memungkinkan perhitungan autokorelasi dari spektrum daya.)

Ketik doc deconvwnr untuk detail lengkap.

Hal 151

Gambar 6.4 Pemulihan gambar yang buram dan bising melalui pemfilteran Wiener. Dari kiri ke kanan:

(A) kabur asli dengan Gaussian white noise (rata-rata nol, standar deviasi ~ 10% dari sinyal rata-rata); (B)
Wiener disaring dengan perkiraan skalar dari total daya dalam kebisingan dan sinyal; (c) Wiener disaring
dengan autokorelasi kebisingan dan sinyal yang disediakan

6.6 Solusi yang dapat diterima untuk persamaan pencitraan

Suatu solusi untuk persamaan pencitraan, Persamaan (6.1), dianggap dapat diterima jika konsisten
dengan semua informasi yang kita miliki tentang PSF sistem dan proses noise. Secara eksplisit, ini berarti
bahwa jika kita mengambil solusi untuk distribusi input ^ f (x, y), kirimkan melalui sistem kami dengan
berbelit-belit dengan sistem PSF dan kurangi hasilnya dari output, residu (yaitu ^ n = gh * * ^ f) harus
merupakan distribusi kebisingan yang memiliki sifat statistik yang sama dengan model kebisingan. Setiap
struktur spasial dalam residu yang tidak konsisten dengan model derau menunjukkan bahwa solusinya
tidak konsisten dengan persamaan pencitraan. Tampilan yang sama sekali setara dapat diambil dalam
domain frekuensi, di mana pengurangan estimasi spektrum output ^ G (kx, ky) dari spektrum output
yang diukur G (kx, ky) harus konsisten dengan pengetahuan statistik kami tentang spektrum noiseN (kx,
ky).

6.7 Dekonvolusi terkekang

Filter Wiener dirancang untuk meminimalkan jumlah kesalahan mean-square antara distribusi input
aktual dan estimasi kami. Ini adalah kriteria yang masuk akal untuk filter restorasi, tetapi kita harus
menyadari bahwa itu bukan satu-satunya kriteria yang mungkin menarik bagi kita. Berbicara secara
longgar, kriteria filter Wiener menganggap semua bagian gambar memiliki kepentingan yang sama,
karena hanya tujuannya adalah untuk meminimalkan jumlah kesalahan kuadrat di seluruh gambar.
Kriteria visual yang penting, seperti menjaga kelancaran (biasanya untuk penindasan derau) atau
meningkatkan ketajaman (untuk mempertahankan tepian), tidak dienkapsulasi secara eksplisit oleh filter
Wiener. Mengingat bahwa struktur tepi atau kehalusan keseluruhan, misalnya, sangat penting dalam
persepsi gambar, masuk akal bahwa kami mungkin ingin memastikan bahwa upaya restorasi untuk
memulihkan karakteristik tertentu dari gambar sangat akurat.

Dalam dekonvolusi kuadrat-terkecil yang dibatasi, tugasnya adalah membatasi diri pada solusi yang
meminimalkan jumlah yang diinginkan dalam gambar yang dipulihkan tetapi yang memberikan batasan
pada ruang solusi. Dalam banyak contoh, kita mungkin tahu (atau paling tidak bisa membuat perkiraan
yang berpendidikan) keseluruhan daya derau || n (x, y) || 2 = (lihatppt) n2 (x, y) dx dy dalam output
Hal 152

distribusi. Masuk akal bahwa konvolusi dari setiap gambar yang dipulihkan ^ f (x, y) dengan PSF dari
sistem pencitraan kami (ini adalah distribusi keluaran yang kami prediksi ^ g (x, y) = h (x, y) * * ^ f ( x, y)
jika Anda mau) tidak boleh berbeda dari distribusi aktual g (x, y) dengan jumlah yang akan melebihi daya
noise yang diketahui. Untuk alasan ini, satu kendala umum dan masuk akal adalah menuntut agar
kekuatan noise pada gambar yang dipulihkan sama dengan nilainya yang diketahui. Dengan demikian,
batasan ini mensyaratkan bahwa:

rumus

Kami menekankan bahwa ada banyak solusi yang mungkin ^ f (x, y) yang memenuhi kendala tertentu
yang dinyatakan oleh Persamaan (6.14). Ini mengikuti dari sifat acak dari kebisingan dan sifat buruk dari
sistem. Pendekatan matematika khusus yang diambil untuk restorasi terbatas adalah untuk menentukan
fungsi biaya yang terdiri dari dua bagian dasar. Bagian pertama terdiri dari beberapa operator linier L
(sering disebut sebagai operator regularisasi) yang bekerja pada distribusi keluaran Lf (x, y). Bagian
kedua terdiri dari satu atau lebih istilah pengali Lagrange yang menentukan batasannya. Tujuannya
adalah untuk meminimalkan ukuran Lf (x, y) sesuai dengan kendala yang dipilih. Bentuk tepat dari
operator linier L secara alami akan tergantung pada properti apa dari gambar yang dipulihkan yang ingin
kami perkecil dan akan segera dibahas.

Secara formal, kami mencari solusi ^ f (x, y) yang akan meminimalkan fungsi biaya:

rumus

di mana L adalah beberapa operator linear umum dan l adalah pengali Lagrange yang tidak diketahui.

Masalah ini dapat dengan mudah diformulasikan dalam domain frekuensi dengan mempertimbangkan
Persamaan (6.2), persamaan Fourier dari persamaan pencitraan. Eq. 6.15 kemudian menjadi

rumus

Dengan mengambil turunan vektor Persamaan (6.16) sehubungan dengan F (kx, ky) dan pengaturan ke
nol, kita dapat menurunkan filter restorasi terbatas6 Y (kx, ky) sehingga spektrum yang dipulihkan
diberikan oleh

rumus
dimana

rumus
hal 153

Jadi, Y (kx, ky) hanya membuat spektrum frekuensi output untuk menghasilkan estimasi spektrum input
kami. Dalam Persamaan (6.17), H (kx; ky) menunjukkan sistem OTF, L (kx, ky) adalah representasi
domain-frekuensi dari operator linear yang dipilih dan parameter alpha = 1 / lambda (pengali Lagrange
terbalik) diperlakukan sebagai parameter regularisasi yang nilainya dipilih untuk memastikan bahwa
kendala kuadrat-terkecil terpenuhi. Meskipun metode analitis telah dikembangkan untuk
memperkirakan a, metode ini sering diperlakukan sebagai parameter 'pengguna yang dapat ditala'.

Tekankan bahwa generalitas operator linear L dalam Persamaan (6.15) dan (6.16) memungkinkan
berbagai kriteria restorasi untuk ditentukan. Misalnya, memilih L = I, operator identitas secara efektif
menghasilkan apa yang disebut filter parametrik Wiener yang menghasilkan solusi norma minimum - ini
adalah solusi energi minimum yang memenuhi kendala kami. Kriteria lain adalah mencari 'kehalusan'
maksimum secara keseluruhan pada gambar. Ukuran ketajaman gambar yang bagus disediakan oleh
fungsi Laplacian segitiga2f (x, y). Dengan memilih L = segitiga2 dan meminimalkan segitiga2f (x, y), kami
secara efektif memastikan solusi yang mulus.

Gambar 6.5 diproduksi oleh Matlab Contoh 6.4 dan menunjukkan contoh solusi kuadrat-terkecil yang
dibatasi menggunakan operator Laplacian pada gambar yang buram dan berisik. Perhatikan peningkatan
kehalusan yang dihasilkan dari memperbaiki nilai lambda menjadi tinggi.

Gambar 6.5 Contoh dekonvolusi terbatas. Kiri: gambar asli; pusat: dipulihkan dengan meminimalkan
Laplacian subjek gambar dengan batasan noise kuadrat-terkecil; kanan: mirip dengan pusat, kecuali
pengali Lagrange tetap pada 10 kali dari nilai sebelumnya
Hal 154

Komentar

Fungsi Matlab: imfilter, imnoise, fspecial, deconvreg.

Contoh ini menghasilkan gambar terdegradasi dan kemudian menunjukkan hasil dekonvolusi terbatas
menggunakan dua parameter regularisasi berbeda.

Image Processing Toolbox memiliki fungsi khusus untuk melakukan penyaringan, dekonvreg yang
dibatasi atau diatur. Beberapa poin layak disebutkan:

. Kecuali jika pengguna secara eksplisit menentukan sebaliknya, operator linear default dianggap sebagai
Laplacian. Rekonstruksi kemudian bertujuan untuk mengoptimalkan kelancaran.

. Pengguna harus menyediakan PSF yang bertanggung jawab atas keburaman.

. Kekuatan kebisingan keseluruhan harus ditentukan. Nilai standarnya adalah 0.

. Pengguna dapat menentukan rentang yang diberikan untuk mencari nilai optimal pengali Lagrange
atau dapat menentukan nilai pengali secara langsung.

Ketik doc deconvreg untuk detail lengkap.

6.8 Memperkirakan fungsi penyebaran titik atau fungsi transfer optik yang tidak diketahui

Seperti yang telah kita lihat, dalam domain frekuensi masalah dekonvolusi 'standar' dapat dinyatakan
oleh Persamaan (6.2):

rumus

dan diskusi kami tentang restorasi domain frekuensi sejauh ini telah membahas pendekatan invers,
Wiener dan kuadrat-sederhana yang terbatas untuk memulihkan spektrum input F (kx, ky). Semua
metode ini secara implisit mengasumsikan bahwa kita memiliki pengetahuan tentang sistem OTF H (kx,
ky). Dalam banyak situasi praktis, informasi ini tidak tersedia. Sebagai contoh, analisis dan restorasi
gambar yang dilakukan untuk tujuan forensik sangat sering masuk dalam kategori ini: gambar yang rusak
diambil oleh kamera sejak lama hilang atau tidak dapat diakses disajikan dengan harapan memverifikasi
identitas pribadi atau untuk beberapa masalah lain yang penting secara hukum. Dalam kasus seperti itu,
upaya restorasi hanya dapat dilanjutkan jika beberapa cara ditemukan
hal 155

Gambar 6.6 Profil 1-D yang diukur melalui tepi adalah hasil konvolusi dari tepi ideal dengan 1-D PSF h
(x). h (x) dihitung sebagai turunan dari tepi de / dx ¼ h (x) dan 1-D PSF ini adalah distribusi marginal dari
2-D PSF sepanjang arah tepi

untuk memperkirakan sistem OTF (atau setara dengan PSF-nya) dari gambar itu sendiri. Ini dapat dicoba
dengan dua cara dasar.

. Yang pertama secara konsep sederhana. Kita dapat memeriksa gambar untuk objek yang kita tahu
apriori sifatnya seperti titik (bintang adalah contoh yang baik). Penampilan mereka dalam gambar akan
secara definisi memberikan perkiraan PSF. Jelas, objek seperti titik tidak dijamin dalam gambar apa pun.

. Pendekatan yang berkaitan erat adalah mencari garis lurus dan, dengan implikasi, tepi, karena PSF juga
dapat diperkirakan jika kita dapat mengidentifikasi ini pada gambar.

Untuk memahami pendekatan kedua ini, pertimbangkan tepi tajam ideal dan versi kabur tepi itu pada
Gambar 6.6. Profil yang diambil melalui tepi dalam arah yang tegak lurus terhadap arah garis adalah
sinyal 1-D yang disebut sebagai fungsi sebaran tepi (ESF), yang akan kami tunjukkan e (x). Jelas, e (x)
adalah hasil konvolusi tepi ideal dengan sistem 1-D PSF h (x); dengan demikian, e (x) = s (x) * h (x).
Sekarang, dapat ditunjukkan secara formal7 bahwa turunan dari fungsi tepi ideal diberikan oleh fungsi
delta, yaitu (lihatpdf) S (x-x0) = ds / dx (seluruhnya setara, integral dari fungsi delta menghasilkan tepi
ideal fungsi). Menggunakan relasi ini, kami menemukan bahwa diferensiasi sederhana ESF menghasilkan
sistem PSF, mis. De / dx = h (x).

Tentu saja, ungkapan ini hanya menghasilkan versi 1-D dari PSF dan benar-benar mewakili integrasi
(distribusi marjinal) dari 2-D PSF sebenarnya h (x, y) di sepanjang arah
Hal 156

tepi. Sekarang, jika ada alasan yang baik untuk percaya bahwa h (x, y) adalah simetris sirkular (dan ini
masuk akal dalam banyak kasus), maka pekerjaan dilakukan dan perkiraan 1-D kami hanya diputar di
pesawat melalui 360 derajat ke menghasilkan versi 2-D yang sesuai. Namun, dalam kasus yang paling
umum, situasinya agak lebih terlibat. Menggabungkan sejumlah besar distribusi marjinal sedemikian
dari fungsi yang cukup umum h (x, y) hanya dapat dilakukan secara praktis dengan menggunakan teknik
Fourier (biasanya digunakan dalam computed tomography) yang mengeksploitasi teorema slice pusat.
Masalahnya jauh lebih sederhana jika kita dapat memperkirakan 2-D PSF h (x, y) dengan fungsi 2-D
Gaussian. Ini seringkali merupakan perkiraan yang baik untuk kenyataan, dan fungsinya mengambil
bentuk tertentu

rumus

di mana vektor x = [x y] dan matriks Cx dapat dinyatakan sebagai

rumus

Di sini, parameter s21 dan s22 (lihatpdf) mewakili lebar PSF di sepanjang dua arah ortogonal. Perhatikan
bahwa matriks Ru adalah matriks rotasi 2-D (yang memiliki satu derajat kebebasan, sudut 0 (lihatpdf))
termasuk untuk memungkinkan kemungkinan bahwa sumbu utama PSF tidak dapat disejajarkan dengan
sumbu gambar. Ketika sumbu utama PSF disejajarkan dengan sumbu gambar, matriks R0 (lihatpdf) = I,
matriks identitas dan Gaussian 2-D dapat dipisahkan dalam x dan y: -

rumus

Di bawah asumsi 2-D Gaussian PSF ini, respons sistem terhadap edge sewenang-wenang akan menjadi
fungsi Gaussian yang terintegrasi (apa yang disebut fungsi kesalahan yang dikenal dari statistik). Fungsi
kesalahan memiliki parameter bebas tunggal dan dengan kuadrat-terkecil yang cocok dengan respons
tepi ke fungsi kesalahan di sejumlah sisi, perkiraan PSF yang kuat dapat dibentuk.

6.9 Dekonvolusi buta

Pertimbangkan sekali lagi masalah dekonvolusi ‘standar’ dalam domain frekuensi yang diberikan oleh
Persamaan (6.2):
rumus

di mana kami berusaha untuk memperkirakan spektrum input F (kx, ky). Kami telah menekankan bahwa
kami tidak tahu spektrum noise N (kx, ky). Apa yang terjadi jika kita juga tidak tahu sistem OTF H (kx,
ky)? Pada pandangan pertama, masalah ini, yang dikenal sebagai dekonvolusi buta, tampaknya tidak
mungkin diselesaikan. Setelah semua, spektrum output yang diukur G (kx, ky) diberikan oleh produk dari
dua kuantitas yang tidak diketahui ditambah proses noise acak.
hal 157

Hebatnya, solusi yang layak dapat ditemukan untuk masalah ini dengan prosedur berulang (biasanya
dilakukan dalam domain frekuensi) yang hanya menegakkan kendala dasar pada solusi yang layak, yaitu:

(1) bahwa mereka memiliki dukungan terbatas, yaitu distribusi input yang dicari diketahui terbatas pada
wilayah spasial tertentu dan nol di luar wilayah ini;

(2) solusi apa pun yang diajukan harus benar-benar positif (input yang sesuai dengan perubahan sifat
tidak dapat memiliki nilai negatif).

Prosedur dekonvolusi buta berupaya memperkirakan / mengembalikan tidak hanya distribusi input asli,
tetapi juga PSF yang bertanggung jawab atas degradasi. Penjelasan rinci tentang pendekatan
dekonvolusi buta terletak di luar ruang lingkup teks ini, tetapi beberapa referensi terkait tersedia di situs
web buku.

Contoh restorasi menggunakan dekonvolusi buta kemungkinan maksimum dihasilkan dengan Matlab
Contoh 6.5 seperti yang ditunjukkan pada Gambar 6.7. PSF dari snap liburan kabur di paling kiri tidak
diketahui dan kami melihat bahwa, meskipun prosedur dekonvolusi telah menghasilkan beberapa efek
dering, gambar yang dipulihkan memang lebih tajam.

Komentar

Fungsi Matlab: edgetaper, deconvblind, deconvwnr.

Contoh di atas menunjukkan hasil dekonvolusi buta mulai dari dua perkiraan awal PSF yang berbeda.
Secara umum, hasil dekonvolusi buta cukup sensitif terhadap perkiraan PSF awal. Restorasi ketiga
menunjukkan hasil penyaringan Wiener tetapi menggunakan PSF pulih dari dekonvolusi buta.

Image Processing Toolbox memiliki fungsi khusus untuk menjalankan blind deconvolution, deconvblind.
Ketik doc deconvblind untuk perincian lengkap tentang cara menggunakan algoritma dekonvolusi buta
di Matlab.
Hal 158

Gambar 6.7 Kemungkinan besar dekonvolusi buta. (a) Gambar asli diperoleh dengan PSF tidak dikenal.
(B) Restorasi dengan dekonvolusi buta kemungkinan-maksimum (perkiraan awal untuk PSF filter rata-
rata 10x10). (c) Restorasi dengan dekonvolusi buta kemungkinan-maksimum (dugaan awal untuk PSF
10x10 Gaussian filter dengan o (lihat pdf) = 3). (D) Wiener difilter menggunakan estimasi akhir PSF dari
(c) dan NSR skalar yang diasumsikan = 0,01

6.10 Dekonvolusi berulang dan algoritma Lucy-Richardson

Restorasi citra tetap menjadi bidang penelitian yang luas. Akan tergoda untuk menawarkan beberapa
diskusi tentang berbagai teknik rekonstruksi terkait Bayesian dan masalah restorasi gambar nonlinier.
Namun, ini berada di luar ruang lingkup kami, dan bab ini hanya bertujuan untuk memberikan pembaca
rasa masalah pemulihan dasar dan beberapa pendekatan umum dan dasar untuk solusi. Pembaca yang
tertarik untuk mengejar subjek ini pada tingkat yang lebih dalam akan menemukan banyak literatur yang
mereka miliki.

Namun, sebagian karena telah menemukan popularitas di kalangan komunitas astronomi dan sebagian
karena merupakan algoritma yang secara eksplisit disediakan oleh Matlab Image Processing Toolbox,
kami menjelaskan secara singkat satu teknik lebih lanjut, yaitu algoritma dekonvolusi Lucy-Richardson
(LR) . Algoritma LR paling baik dipahami jika kita pertama-tama mempertimbangkan algoritma iteratif
sederhana dan kemudian melihat bagaimana metode LR merupakan perpanjangan dari pendekatan ini.

Persamaan pencitraan linier menyatakan bahwa g (x, y) = f (x, y) * * h (x, y) + n (x, y), sehingga noise n (x,
y) adalah perbedaan antara distribusi keluaran g (x, y) (yaitu gambar yang sebenarnya kami ukur) dan
distribusi input yang tidak diketahui f (x, y) berbelit-belit dengan PSF h (x, y):

rumus

Pergantian estimasi yang baik dari distribusi input f (x, y) dalam Persamaan (6.21) akan cenderung
menghasilkan nðx; yÞ kecil, sedangkan estimasi yang buruk akan membuatnya besar dan dalam batas
kebisingan yang dapat diabaikan estimasi ideal kami akan memuaskan:

rumus

Jika kita menambahkan distribusi input f (x, y) ke kedua sisi Persamaan (6.22), maka kita memiliki:

rumus
hal 159

Persamaan ini dapat dilihat sebagai prosedur berulang di mana estimasi input baru (sisi kiri) diberikan
sebagai jumlah dari estimasi sebelumnya (istilah pertama sisi kanan) dan istilah koreksi (dalam kurung) .
Istilah koreksi sebenarnya adalah perbedaan antara gambar yang diukur dan prediksi kami tentang itu
menggunakan estimasi input saat ini. Tampaknya ini adalah koreksi yang masuk akal untuk ditambahkan
dan tentu saja mudah untuk dihitung. Menulis ini secara eksplisit sebagai prosedur berulang, estimasi (k
þ 1) dari input dengan demikian diberikan oleh:

rumus

Prosedur yang dijelaskan oleh Persamaan (6.24) dimulai dengan menetapkan f0 (x, y) = g (x, y). Dengan
kata lain, kami menyemai algoritme dengan mengambil estimasi pertama kami dari distribusi input
untuk menjadi output yang diukur. Kecuali jika gambarnya sangat terdegradasi, outputnya tidak jauh
berbeda dari distribusi input sebenarnya dan prosedur sederhana ini menyatu dengan baik. Perhatikan
bahwa Persamaan (6.24) tidak pernah dapat dipenuhi dengan tepat, kecuali tidak ada suara sama sekali,
tetapi akan mencapai titik di mana ukuran istilah koreksi9 dalam Persamaan (6.24) mencapai nilai
minimum.

Variasi pada Persamaan (6.24) adalah algoritma Van Cittert, yang menggunakan faktor pembebanan
pixeldependent atau parameter relaksasi wðx; yÞ untuk mengontrol kecepatan konvergensi:

rumus

Asumsi dasar metode LR ada dua:

. kami berasumsi bahwa PSF diketahui;

. kami berasumsi bahwa kebisingan dalam output diatur oleh fungsi kerapatan Poisson.

Metode LR adalah algoritma iteratif yang mencoba untuk menemukan solusi kemungkinan-maksimum
yang diberikan pengetahuan tentang PSF dan asumsi kebisingan Poisson. Seperti biasa dalam sebagian
besar diskusi lain dari algoritma, kami akan mempertimbangkan bentuk Persamaan diskrit (6.1) di mana
distribusi input dan output diwakili oleh vektor dan PSF oleh matriks 2-D. Dengan kata lain, biarkan
piksel ke-i dalam distribusi input memiliki nilai fi. Ini terkait dengan nilai yang diamati dari pixel ke-i pada
output gi oleh

rumus
di mana penjumlahan atas indeks j memberikan kontribusi setiap piksel input, seperti yang dinyatakan
oleh hij PSF, ke piksel output yang diamati. Merupakan kebiasaan untuk menormalkan PSF diskrit
sehingga (lihat pdf)
hal 160

Rumus LR berulang diberikan oleh

rumus

di mana kernel dalam Persamaan (6.27) mendekati kesatuan saat iterasi berlangsung. Dasar teoritis
untuk Persamaan (6.27) dapat ditetapkan dari teorema Bayes, dan pembaca yang tertarik dirujuk ke
literatur untuk perincian. Contoh restorasi yang dicapai menggunakan algoritma dekonvolusi LR
diberikan oleh kode dalam Matlab Contoh 6.6 dan ditunjukkan pada Gambar 6.8.

Komentar

Fungsi Matlab: imnoise, mat2gray, deconvlucy.

Contoh di atas menunjukkan hasil dekonvolusi LR dalam tiga kondisi yang berbeda. Yang pertama, hanya
PSF yang disediakan dan 10 iterasi diterapkan. Dalam yang kedua, estimasi standar deviasi keseluruhan
kebisingan disediakan. Pada contoh ketiga, fungsi pembobotan (yang memberikan bobot nol pada piksel
di dekat batas gambar) diterapkan untuk menekan efek dering yang terlihat pada rekonstruksi
sebelumnya.

Image Processing Toolbox memiliki fungsi khusus untuk menjalankan dekonvolusi LR, dekonvolusi. Ketik
doc deconvlucy untuk detail lengkap tentang cara menggunakan algoritma dekonvolusi LR di Matlab.
Hal 161

Gambar 6.8 Dekonvolusi LR. Dari kiri ke kanan: (a) gambar asli; (B) 10 iterasi, PSF hanya disediakan; (c)
20 iterasi, varian noise juga disediakan; (d) 20 iterasi, pita lima piksel di sekitar tepi berbobot nol untuk
menekan efek dering

6.11 Formulasi matriks restorasi gambar

Kami akan mengakhiri diskusi pengantar kami tentang restorasi gambar dengan memeriksa secara
singkat restorasi dari perspektif alternatif. Secara khusus, kita akan membahas aljabar linier atau
formulasi matriks dari masalah restorasi gambar. Presentasi ini akan cukup matematis dan mungkin
cukup diperlihatkan pada bacaan pertama. Namun, formulasi adalah yang kuat karena secara efektif
menempatkan banyak teknik yang tampaknya berbeda dalam kerangka matematika yang identik. Untuk
alasan ini, kami memilih untuk mencurahkan bagian yang tersisa untuk itu.

Titik awal kami adalah integral superposisi linier yang diperkenalkan pada Bab 5, tetapi dengan
menambahkan istilah kebisingan tambahan:

rumus

Perhatikan bahwa persamaan ini menyatakan pemetaan linear antara distribusi di beberapa domain
input yang ditentukan oleh koordinat (x ', y') ke distribusi di beberapa domain output (x, y). Dengan
ditambahkannya istilah noise, ini merupakan ekspresi kami yang paling umum untuk model pencitraan
linier 2-D yang kontinu. Jika PSF h (x, y, x ', y') (yang, secara umum, empat dimensi) adalah bergeser
tidak berubah, maka ini mengurangi ke pencitraan konvolusi standar yang diberikan oleh Persamaan
(6.2). Namun, kami akan tetap dengan kasus yang lebih umum di sini, karena sama mudahnya untuk
mengobati.

Sistem pencitraan digital menghasilkan perkiraan diskritisasi terhadap integral superposisi linier di mana
domain input (x ', y') dan domain output (x, y) disampel menjadi sejumlah piksel yang terbatas. Sangat
mudah untuk menunjukkan bahwa versi Persamaan (6.1) yang didiskritkan menghasilkan persamaan
matriks

rumus
hal 162

di mana g adalah vektor output atau gambar, yang berisi semua piksel dalam gambar yang sesuai diatur
sebagai vektor kolom tunggal; f adalah vektor input, yang juga mengandung semua nilai piksel dalam
distribusi input yang disusun sebagai vektor kolom tunggal; n adalah vektor derau, di mana kontribusi
derau ke setiap piksel disusun sebagai vektor kolom tunggal; H adalah bentuk diskrit dari sistem PSF,
yang menggambarkan transfer setiap piksel dalam input ke setiap dan setiap piksel dalam output, dan
kadang-kadang disebut sistem atau matriks transfer.

Formulasi ini, tentu saja, tidak mengubah apa pun yang mendasar tentang masalah restorasi gambar,
yang pada dasarnya tetap sama - yaitu, bagaimana memulihkan f yang diberikan g dan berbagai tingkat
pengetahuan H dan n. Namun, kami memiliki perspektif matematika baru. Persamaan (6.29) sebenarnya
terdiri dari sistem besar persamaan linear. Model linier ini telah menjadi subjek dari banyak studi dalam
bidang teori estimasi statistik dan sangat dipahami. Keuntungan utama dari mengekspresikan masalah
restorasi dalam istilah ini adalah bahwa hal itu membawa masalah di bawah kerangka kerja yang
sederhana dan menyatukan yang sangat menarik dari perspektif teoritis.

Solusi Persamaan sistem linear (6.29) dapat mengambil berbagai bentuk. Diskusi kita harus dalam
lingkup yang sederhana dan akan berkonsentrasi hanya pada dua aspek:

(1) untuk menjelaskan esensi dari pendekatan teori estimasi untuk menyelesaikan linear ini

masalah;

(2) untuk menguraikan beberapa solusi yang lebih penting dan umum digunakan.

Solusi untuk model linier Persamaan (6.29) disebut estimator dan tujuannya adalah untuk menggunakan
pengetahuan kita tentang situasi spesifik untuk mendapatkan estimator ^ yang sedekat mungkin dengan
vektor input aktual f.

Secara umum, penaksir yang berbeda sesuai, tergantung pada tiga kriteria berikut:

. yang mana dari jumlah dalam Persamaan (6.29) yang dapat kita perlakukan sebagai stokastik (mis.
acak) dan yang tetap atau deterministik;

. kriteria minimalisasi spesifik yang digunakan;

. apakah kami ingin memaksakan kendala pada solusi yang diizinkan.

Kami pertama-tama melihat solusi paling sederhana: penaksir standar kuadrat-terkecil.

6.12 Solusi kuadrat-terkecil standar

Pertimbangkan sistem persamaan linear kami yang dijelaskan oleh Persamaan (6.29). Solusi paling
sederhana dari sudut pandang konseptual adalah memilih nilai f yang meminimalkan kuadrat
Hal 163

panjang vektor kesalahan n. Kriteria kuadrat-terkecil ini secara efektif mengatakan ‘menemukan
estimasi ^ f yang meminimalkan jumlah kesalahan kuadrat antara vektor pengukuran aktual g dan nilai
prediksi ^ g = H ^ f’. Perhatikan bahwa kriteria seperti itu tidak membuat asumsi eksplisit tentang
statistik kebisingan atau probabilitas a priori vektor solusi spesifik.

Karenanya, kami mendefinisikan fungsi biaya skalar

rumus

dan mencari vektor solusi yang meminimalkan Q. Q adalah kuantitas skalar yang bergantung pada
banyak parameter bebas (semua elemen vektor solusi ^ f). Mengambil turunan vektor dari Q berkenaan
dengan f dalam Persamaan (6.30) dan menuntut bahwa ini adalah nol minimal memaksakan persyaratan
yang

rumus

Perhatikan bahwa kita di sini mengasumsikan proses kebisingan rata-rata nol (hni ¼ 0) untuk
kesederhanaan, tetapi hasil yang serupa dapat dengan mudah diperoleh untuk proses kebisingan rata-
rata bukan nol.

Solusi kuadrat-terkecil yang diberikan oleh Persamaan (6.31) secara konseptual sederhana dan kami
mendapatkan bentuk tertutup rapi untuk vektor optimal ^ f. Namun, ada beberapa kelemahan.

(1) Solusi kuadrat-terkecil adalah blind gambar buta ’. Maksud kami adalah tujuannya hanya untuk
meminimalkan panjang kuadrat dari vektor kesalahan dan, dengan demikian, 'memperlakukan
semuanya sama', yaitu tidak memperhitungkan properti gambar atau fitur tertentu yang mungkin
penting secara persepsi. dan yang mungkin ingin kita pertahankan dalam citra yang dipulihkan.

(2) Tidak ada jaminan bahwa kebalikan yang sebenarnya terhadap istilah (HTH) ada. Namun, ini biasanya
diakomodasi dengan menghitung pseudo-invers menggunakan dekomposisi nilai singular dari HTH.

(3) Ini tidak membuat asumsi tentang kemungkinan relatif dari solusi tertentu. Dalam banyak kasus,
masuk akal untuk memperlakukan vektor input sebagai stokastik di mana distribusi input tertentu lebih
mungkin. Masalah khusus ini dijelaskan segera.

6.13 Restorasi kuadrat-terkecil terkekang

Weoffered diskusi tentang dekonvolusi terbatas di Bagian 6.7. Di sini, kami menekankan kembali bahwa
beberapa estimator yang berguna dapat diturunkan dengan meminimalkan beberapa operator linier L
Hal 164

pada distribusi input f tunduk pada kendala kebisingan kuadrat || Hf-g || 2 - || n || 2 = 0. Perhatikan
bahwa kendala ini disebutkan dalam Bagian 6.7 dan sepenuhnya sama, meskipun formulasi matriks,
untuk Persamaan ( 6.14). Dengan menggunakan metode pengganda Lagrange, kami membentuk fungsi
biaya skalar

rumus

dan mengambil turunan vektor dari Q sehubungan dengan f. Solusi umum adalah

rumus

di mana alpha = 1 / lambda, kebalikan dari pengali Lagrange. Pada prinsipnya, Persamaan (6.33) dapat
digunakan untuk menggantikan f dalam istilah batasan kebisingan || Hf-g || 2 - || n || 2 = 0 dan nilai
yang disesuaikan untuk memastikan bahwa kendala kebisingan memang dipenuhi . Dalam praktiknya,
nilai a sering diperlakukan sebagai parameter yang dapat disesuaikan.

Kami mencatat bahwa beberapa solusi spesifik yang menarik dapat diperoleh melalui pilihan spesifik
untuk operator linier L:

L = I: filter Wiener parametrik

rumus

Kesamaan dengan Persamaan (6.10) jelas. alpha bertindak seperti rasio noise / sinyal dan jelas, dalam
batas alpha -> 0, kita cenderung menuju filter invers langsung atau kuadrat-terkecil.

L = segitiga2: filter kehalusan maksimum

rumus

di mana matriks L (lihatpdf) adalah representasi diskrit dari operator Laplacian.

Dua bentuk yang diberikan oleh Persamaan (6.34) dan (6.35) sangat umum, tetapi kami menekankan
bahwa, pada prinsipnya, setiap operator linier yang dapat diimplementasikan dalam bentuk diskrit dapat
diganti menjadi Persamaan (6.33).
Untuk mengakhiri diskusi singkat ini, kami mencatat bahwa implementasi komputasi dari berbagai solusi
seperti Persamaan (6.31) dan Persamaan (6.33) tidak dapat secara masuk akal dicoba secara naif. Ini
karena ukuran semata-mata dari matriks sistem H. Misalnya, bahkan gambar digital dengan ukuran 5122
(sangat sederhana menurut standar saat ini) akan menghasilkan matriks sistem yang terdiri dari ~
69.000 juta elemen, inversi langsung yang menghadirkan perhitungan besar. Implementasi Persamaan
(6.33) dan bentuk-bentuk serupa yang dibahas dalam bagian ini dimungkinkan dalam praktiknya oleh
sifat jarang H (sebagian besar elemennya adalah nol) dan fakta bahwa ia menunjukkan pola siklik yang
merupakan konsekuensi dari pergeseran invariansi dari PSF dari sistem pencitraan. H dikatakan memiliki
struktur blok sirkuler, dan algoritma untuk menghitung kuantitas secara efisien, seperti HTH dan
kebalikannya, telah dikembangkan secara luas.
Hal 165

6.14 Distribusi input stokastik

dan penaksir Bayesian

Asumsi kunci dalam menurunkan estimator kuadrat-terkecil yang diberikan oleh Persamaan (6.22) dan
(6.24) adalah bahwa baik matriks sistem H dan distribusi input f diperlakukan sebagai jumlah
deterministik. Secara dangkal, tampaknya mereka tidak benar-benar bisa sebaliknya. Lagi pula, sistem
pencitraan yang propertinya tidak berubah dengan waktu jelas merupakan faktor penentu. Lebih lanjut,
memperlakukan distribusi input sebagai kuantitas deterministik (mis. Non-acak) tampaknya sangat
masuk akal.

Mengambil distribusi input menjadi deterministik tentu dapat diterima dalam banyak hal. Namun,
kadang-kadang kita tahu apriori bahwa distribusi input tertentu lebih mungkin terjadi daripada yang
lain. Dalam hal ini, kami dapat memperlakukan input sebagai stokastik. Untuk menggambarkan hal ini,
pertimbangkan contoh sederhana namun topikal. Jika kita tahu apriori bahwa kita sedang mencitrakan
wajah manusia (tetapi tidak tahu siapa individu yang sebenarnya), masuk akal bahwa hanya konfigurasi
tertentu vektor f yang layak sebagai solusi. Dalam kasus seperti itu, kami memperlakukan distribusi
input sebagai milik kelas pola tertentu - sebuah konsep yang kami telusuri lebih lanjut dalam Bab 11
tentang klasifikasi. Secara singkat, kelas pola adalah kelompok pola konseptual atau aktual yang
memiliki kesamaan fitur tertentu karena (biasanya) mereka sampel dari fungsi kepadatan probabilitas
yang mendasari yang sama. Spesifikasi pola individu dalam kelas yang diberikan biasanya dibuat melalui
vektor N-dimensi, yang masing-masing elemen sesuai dengan variabel yang digunakan untuk
menggambarkan pola. Dengan demikian, jika kita memiliki pengetahuan tentang fungsi kerapatan
probabilitas pola masukan (atau bahkan hanya beberapa di antaranya), kita dapat mencoba
memasukkan pengetahuan ini dalam prosedur estimasi kami. Ini adalah motivasi mendasar di balik
seluruh kelas penduga Bayesian. Berbicara dalam istilah yang longgar dan agak umum, metode Bayesian
secara efektif berusaha untuk mencapai keseimbangan yang tepat antara perkiraan berdasarkan data
saja (gambar yang direkam, PSF dan karakteristik kebisingan) dan pengetahuan kami sebelumnya
tentang seberapa besar kemungkinan solusi tertentu dalam yang pertama tempat. Kami akan
menyelesaikan bab ini dengan derivasi yang kuat tetapi sederhana dari teori estimasi 'klasik' yang
menggabungkan ide pengetahuan sebelumnya tentang kemungkinan solusi tanpa secara eksplisit
menggunakan teorema Bayes. Ini adalah penaksir Gauss-Markov umum yang terkenal.

6.15 Pengukur Gauss-Markov yang digeneralisasi

Titik awal kami adalah sistem linear umum yang ditulis dalam bentuk matriks dalam Persamaan (6.29):

rumus

Kami membuat asumsi penting berikut pada model linier kami:

. Matriks sistem H adalah kuantitas deterministik.

Hal 166

. Vektor error (noise) adalah jumlah stokastik. Kami akan menganggap bahwa ia memiliki nol rata-rata
(ini tidak membatasi, tetapi agak menyederhanakan aljabar) dan fungsi kovarians galat yang diketahui V
= (nnT). Distribusi input f adalah jumlah stokastik. Kami juga akan mengasumsikan tanpa membatasi
analisis kami bahwa ia memiliki nol rata-rata dan fungsi kovarian yang diketahui diberikan oleh Cf = (ffT).

. Kami selanjutnya akan mengasumsikan bahwa noise dan sinyal secara statistik tidak berkorelasi (suatu
kondisi yang biasanya memuaskan dalam kebanyakan kasus). Jadi, kita memiliki (nfT) = (nTf) = 0.

Kurung sudut menunjukkan harapan rata-rata atas ansambel banyak pengamatan dari proses acak. Pada
prinsipnya, matriks kovarian Cf dan V diturunkan dari jumlah tak terhingga dari realisasi acak masing-
masing. Dalam praktiknya, mereka biasanya diperkirakan dari sampel pengamatan terbatas.

Weseek estimator untuk distribusi input yang diberikan oleh beberapa operator linear pada data yang
diamati -

rumus

dan yang akan meminimalkan matriks kovarians kesalahan dari distribusi input yang diberikan oleh

rumus

di mana operator matriks L akan ditentukan. Memasukkan Persamaan (6.36) ke dalam Persamaan (6.37)
dan menggunakan definisi Cf = (ffT), jumlah yang akan diminimalkan adalah

rumus

Sebagai tambahan sesaat, kami mencatat bahwa sementara pembaca hampir pasti akan terbiasa
dengan gagasan meminimalkan fungsi skalar dari banyak variabel, gagasan 'meminimalkan' kuantitas
matriks multinilai seperti yang dipersyaratkan oleh Persamaan (6.38), bagaimanapun, mungkin novel.
Pendekatan yang diperlukan adalah mengambil variasi pertama dalam E sehubungan dengan operator
linier L dan mengaturnya ke nol. Ini menghasilkan

rumus

Matriks optimal dengan demikian diberikan oleh

rumus

Manipulasi aljabar matriks menunjukkan bahwa ini juga dapat ditulis sebagai

rumus
hal 167

Substitusi estimator optimal yang diberikan oleh Equation (6.41) ke dalam definisi matriks kovarians
kesalahan pada distribusi input yang diberikan oleh Equation (6.37) menghasilkan

rumus

Persamaan (6.42) adalah ungkapan yang berguna karena memberikan ukuran aktual dari kedekatan
input yang direkonstruksi atau diperkirakan dengan input aktual.

Kami mencatat dua bentuk pembatas minat untuk Persamaan (6.41):

. Jika kita berasumsi bahwa kita tidak memiliki pengetahuan sebelumnya tentang distribusi input, ini
setara dengan memperlakukannya sebagai kuantitas deterministik dan kami secara efektif
memungkinkan Cf-> tidak terbatas (mis. Varians / kovarians tak terbatas dimungkinkan), estimator
Gauss-Markov kemudian direduksi menjadi

rumus

Ini dikenal sebagai BLUE (penaksir tidak bias linier terbaik).

. Jika lebih jauh kita dapat mengasumsikan bahwa noise pada pixel memiliki varians sama o2 (lihat pdf)
dan tidak berkorelasi (asumsi yang masuk akal dalam banyak kasus) maka kita dapat menulis V = o2
(lihat pdf) I dan kami memperoleh standar kuadrat-terkecil larutan:

rumus

Kami menekankan bahwa solusi yang disajikan di sini adalah solusi yang cukup umum untuk masalah
linier. Namun, implementasi komputasi dari solusi ketika sinyal yang mendasarinya adalah gambar
umumnya hanya dapat dicoba dengan mengeksploitasi struktur siklus sistem transfer yang jarang dan
bersiklus.