Shift Variant Image Degradation and Restoration Using Singular Value Decomposition

Resumen Técnico: Degradación y Restauración de Imágenes con Variación de Desplazamiento mediante la Descomposición en Valores Singulares

Planteamiento del Problema
La degradación de imágenes en sistemas de captura prácticos surge a menudo de factores como el movimiento de la cámara u objetos, aberraciones ópticas, turbulencia atmosférica e imperfecciones del sensor. Mientras que muchas técnicas de restauración asumen una Función de Transferencia de Punto (PSF) invariante al desplazamiento —lo que permite modelar la degradación como una simple convolución—, los escenarios del mundo real presentan frecuentemente una degradación variante al desplazamiento. En estos casos, la PSF varía a través del campo de la imagen, lo que hace inaplicables los métodos convencionales de deconvolución en el dominio de Fourier. La restauración variante al desplazamiento constituye un problema inverso de gran escala y mal planteado donde el operador de degradación se representa mediante una matriz no de Toeplitz. La inversión directa de tales matrices es inestable debido a que los valores singulares pequeños amplifican el ruido de la medición y los errores numéricos, provocando artefactos de restauración inaceptables. Los métodos de regularización existentes, como la regularización de Tikhonov y la Descomposición en Valores Singulares Truncada (TSVD), enfrentan desafíos en la selección de parámetros; la TSVD, en particular, corre el riesgo de descartar información útil de la imagen si el umbral de truncamiento es demasiado agresivo, o de no suprimir el ruido si es demasiado permisivo.

Metodología
El artículo propone un marco modificado basado en la Descomposición en Valores Singulares (SVD) para restaurar imágenes degradadas por desenfoque de movimiento variante al desplazamiento. La metodología procede de la siguiente manera:

1. Formulación Matemática: El proceso de degradación se modela como un sistema lineal $g = Hf + \epsilon$, donde $g$ es la imagen observada, $f$ es la imagen original, $\epsilon$ es el ruido aditivo y $H$ es una matriz de degradación variante al desplazamiento. A diferencia de los sistemas invariantes al desplazamiento, las filas de $H$ corresponden a PSFs dependientes de la posición en lugar de un único núcleo.
2. Análisis SVD: La matriz de degradación $H$ se descompone en vectores singulares y valores singulares ($\omega_i$). La solución al problema inverso se expresa como una sumatoria de componentes ponderados por el inverso de los valores singulares. El artículo señala que los componentes asociados con valores singulares pequeños son altamente sensibles al ruido.
3. Criterio de Retención de Energía: Para abordar la inestabilidad de la inversión directa sin descartar arbitrariamente la información (como ocurre en la TSVD estándar), los autores introducen un criterio de retención de energía de valores singulares. El número de valores singulares a retener se determina mediante un umbral de energía acumulada. Específicamente, el método selecciona un corte $K$ tal que se preserva el 99% de la energía total de los valores singulares.
4. Estrategia de Atenuación: En lugar de eliminar los componentes correspondientes a los $K$ valores singulares pequeños, el método propuesto los atenúa utilizando un factor de escala derivado de las magnitudes de los valores singulares. Este enfoque tiene como objetivo reducir la amplificación del ruido preservando la información útil de la imagen que podría perderse mediante un truncamiento abrupto.
5. Modelos de PSF: El marco se evalúa utilizando tres modelos representativos unidimensionales de PSF de movimiento variante al desplazamiento:
   • Movimiento Lineal Bidireccional: La longitud del desenfoque varía linealmente con la posición.
   • Movimiento Gaussiano: El ancho del desenfoque (desviación estándar) varía con la posición.
   • Movimiento Armónico Simple (MAS): La amplitud de la oscilación varía con la posición, reflejando la densidad de probabilidad del desplazamiento armónico.

Contribuciones Clave
El artículo identifica dos contribuciones primarias:

1. Método de Restauración SVD Modificado: El desarrollo de un algoritmo de restauración que utiliza un criterio de retención de energía de valores singulares (específicamente el 99% de la energía) para seleccionar sistemáticamente los componentes singulares efectivos. Este método atenúa, en lugar de eliminar, la contribución de los valores singulares pequeños para equilibrar la supresión de ruido y la preservación de detalles.
2. Marco Algorítmico para Desenfoque Variante al Desplazamiento: La formulación de un algoritmo para construir núcleos de desenfoque por movimiento variante al desplazamiento y aplicar la restauración SVD propuesta a imágenes degradadas por estos modelos no uniformes específicos.

Resultados Experimentales
El método propuesto fue evaluado utilizando tres imágenes de prueba estándar (Lena, Crow y Text), cada una de 128x128 píxeles. Las imágenes fueron degradadas utilizando los tres PSFs variantes al desplazamiento descritos anteriormente, introduciendo ruido gaussiano aleatorio aditivo para simular una Relación Señal-Ruido (SNR) de aproximadamente 50.07 dB.

• PSF de Movimiento Lineal Bidireccional: La matriz de degradación exhibió un número de condición de $1.2849 \times 10^{17}$. Bajo el criterio de energía del 99%, se atenuaron 64 valores singulares pequeños, mientras que se retuvieron 64 valores singulares grandes.
• PSF Gaussiano: El número de condición fue $3.442 \times 10^8$. El criterio de energía del 99% resultó en la retención de 23 valores singulares grandes y la atenuación de 105 pequeños.
• PSF de Movimiento Armónico Simple (MAS): El número de condición fue $1.4752 \times 10^4$. El criterio condujo a la retención de 86 valores singulares grandes y la atenuación de 42 pequeños.

Los resultados experimentales demostraron que el enfoque propuesto recupera eficazmente los detalles de la imagen y reduce los artefactos de desenfoque en los tres modelos de movimiento. La variación en el número de valores singulares retenidos para cada modelo resaltó la necesidad de un umbral adaptativo basado en las características específicas de la degradación.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto ofrece un enfoque sistemático y computacionalmente efectivo para restaurar imágenes afectadas por desenfoque de movimiento variante al desplazamiento. Al apoyarse en un criterio de retención de energía, el método proporciona un mecanismo físicamente significativo para la selección de parámetros, evitando los problemas de sensibilidad asociados con los umbrales de truncamiento convencionales. Los autores sostienen que la representación SVD ofrece una visión profunda de la naturaleza mal condicionada del problema de restauración y permite el desarrollo de técnicas de inversión estables. El trabajo concluye que este marco basado en SVD es adecuado para problemas variantes al desplazamiento y sugiere extensiones futuras hacia PSFs espacialmente variables en dos dimensiones e integración con métodos de aprendizaje profundo.