Shift Variant Image Degradation and Restoration Using Singular Value Decomposition

Sintesi Tecnica: Degradazione e Ripristino di Immagini con Variazione di Spostamento tramite Decomposizione ai Valori Singolari

Definizione del Problema
La degradazione delle immagini nei sistemi di imaging pratici deriva spesso da fattori quali il movimento della fotocamera o dell'oggetto, aberrazioni ottiche, turbolenza atmosferica e imperfezioni del sensore. Mentre molte tecniche di ripristino assumono una Funzione di Diffusione del Punto (PSF) invariante rispetto allo spostamento — permettendo la degradazione di essere modellata come una semplice convoluzione — gli scenari del mondo reale presentano frequentemente una degradazione variante rispetto allo spostamento. In questi casi, la PSF varia attraverso il campo dell'immagine, rendendo inapplicabili i convenzionali metodi di deconvoluzione nel dominio di Fourier. Il ripristino variante rispetto allo spostamento costituisce un problema inverso su larga scala e mal posto, in cui l'operatore di degradazione è rappresentato da una matrice non Toeplitz. L'inversione diretta di tali matrici è instabile poiché i piccoli valori singolari amplificano il rumore di misura e gli errori numerici, portando ad artefatti di ripristino inaccettabili. I metodi di regolarizzazione esistenti, come la regolarizzazione di Tikhonov e la Decomposizione ai Valori Singolari Truncata (TSVD), affrontano sfide nella selezione dei parametri; la TSVD, in particolare, rischia di scartare informazioni utili sull'immagine se la soglia di troncamento è troppo aggressiva, o di non sopprimere il rumore se è troppo permissiva.

Metodologia
Il documento propone un framework modificato basato sulla Decomposizione ai Valoli Singolari (SVD) per il ripristino di immagini degradate da sfocatura da movimento variante rispetto allo spostamento. La metodologia procede come segue:

1. Formulazione Matematica: Il processo di degradazione è modellato come un sistema lineare $g = Hf + \epsilon$, dove $g$ è l'immagine osservata, $f$ è l'immagine originale, $\epsilon$ è il rumore additivo e $H$ è una matrice di degradazione variante rispetto allo spostamento. A differenza dei sistemi invarianti rispetto allo spostamento, le righe di $H$ corrispondono a PSF dipendenti dalla posizione piuttosto che a un singolo kernel.
2. Analisi SVD: La matrice di degradazione $H$ è decomposta in vettori singolari e valori singolari ($\omega_i$). La soluzione del problema inverso è espressa come una sommatoria di componenti pesate dall'inverso dei valori singolari. Il documento nota che le componenti associate a piccoli valori singolari sono altamente sensibili al rumore.
3. Criterio di Ritenzione dell'Energia: Per affrontare l'instabilità dell'inversione diretta senza scartare arbitrariamente l'informazione (come avviene nella TSVD standard), gli autori introducono un criterio di ritenzione dell'energia dei valori singolari. Il numero di valori singolari da mantenere è determinato da una soglia di energia cumulativa. Nello specifico, il metodo seleziona un cutoff $K$ tale che il 99% dell'energia totale dei valori singolari sia preservato.
4. Strategia di Attenuazione: Invece di eliminare le componenti corrispondenti ai $K$ piccoli valori singolari, il metodo proposto le attenua utilizzando un fattore di scala derivato dalle magnitudo dei valori singolari. Questo approccio mira a ridurre l'amplificazione del rumore preservando al contempo l'informazione utile che potrebbe andare perduta attraverso un troncamento netto.
5. Modelli PSF: Il framework è testato utilizzando tre rappresentativi modelli di PSF di movimento unidimensionale variante rispetto allo spostamento:
   • Movimento Lineare Bidirezionale: La lunghezza della sfocatura varia linearmente con la posizione.
   • Movimento Gaussiano: La larghezza della sfocatura (deviazione standard) varia con la posizione.
   • Movimento Armonico Semplice (SHM): L'ampiezza dell'oscillazione varia con la posizione, riflettendo la densità di probabilità dello spostamento armonico.

Contributi Chiave
Il documento identifica due contributi primari:

1. Metodo di Ripristno SVD Modificato: Lo sviluppo di un algoritmo di ripristino che utilizza un criterio di ritenzione dell'energia dei valori singolari (specificamente il 99% dell'energia) per selezionare sistematicamente le componenti singolari efficaci. Questo metodo attenua, anziché eliminare, il contributo dei piccoli valori singolari per bilanciare la soppressione del rumore e la preservazione dei dettagli.
2. Framework Algoritmico per la Sfocatura Variante rispetto allo Spostamento: La formulazione di un algoritmo per costruire kernel di sfocatura da movimento variante rispetto allo spostamento e applicare il proposto ripristino basato su SVD a immagini degradate da questi specifici modelli non uniformi.

Risultati Sperimentali
Il metodo proposto è stato valutato utilizzando tre immagini di test standard (Lena, Crow e Text), ciascuna di dimensioni 128x128 pixel. Le immagini sono state degradate utilizzando i tre PSF variabili descritti sopra, con l'introduzione di rumore Gaussiano casuale additivo per simulare un Rapporto Segnale-Rumore (SNR) di circa 50.07 dB.

• PSF Bi-Direzionale Lineare: La matrice di degradazione ha esibito un numero di condizionamento di $1.2849 \times 10^{17}$. Sotto il criterio del 99% di energia, 64 piccoli valori singolari sono stati attenuati, mentre 64 grandi valori singolari sono stati mantenuti.
• PSF Gaussiano: Il numero di condizionamento era $3.442 \times 10^8$. Il criterio del 99% di energia ha portato al mantenimento di 23 grandi valori singolari e all'attenuazione di 105 piccoli.
• PSF di Movimento Armonico Semplice (SHM): Il numero di condizionamento era $1.4752 \times 10^4$. Il criterio ha portato al mantenimento di 86 grandi valori singolari e all'attenuazione di 42 piccoli.

I risultati sperimentali hanno dimostrato che l'approccio proposto recupera efficacemente i dettagli dell'immagine e riduce gli artefatti di sfocatura in tutti e tre i modelli di movimento. Il numero variabile di valori singolari mantenuti per ogni modello ha evidenziato la necessità di una soglia adattiva basata sulle specifiche caratteristiche della degradazione.

Significatività e Rivendicazioni
Il documento afferma che il framework proposto offre un approccio sistematico e computazionalmente efficace per il ripristino di immagini affette da sfocatura da movimento variante rispetto allo spostamento. Affidandosi a un criterio di ritenzione dell'energia, il metodo fornisce un meccanismo fisicamente significativo per la selezione dei parametri, evitando i problemi di sensibilità associati alle convenzionali soglie di troncamento. Gli autori sostengono che la rappresentazione tramite valori singolari offre una visione nell'intrinseca natura mal condizionata del problema di ripristino e consente lo sviluppo di tecniche di inversione stabili. Il lavoro conclude che questo framework basato su SVD è adatto per problemi varianti rispetto allo spostamento e suggerisce estensioni future a PSF spazialmente variabili in due dimensioni e l'integrazione con metodi di deep learning.