Shift Variant Image Degradation and Restoration Using Singular Value Decomposition

Resumo Técnico: Degradação e Restauração de Imagens com Variância de Deslocamento Usando Decomposição em Valores Singulares

Definição do Problema
A degradação de imagens em sistemas de imagem práticos frequentemente surge de fatores como movimento da câmera ou do objeto, aberrações ópticas, turbulência atmosférica e imperfeições do sensor. Embora muitas técnicas de restauração assumam uma Função de Espalhamento de Ponto (PSF) invariante ao deslocamento — permitindo que a degradação seja modelada como uma convolução simples — cenários do mundo real frequentemente exibem degradação variante ao deslocamento. Nesses casos, a PSF varia através do campo da imagem, tornando inaplicáveis os métodos convencionais de deconvolução no domínio de Fourier. A restauração variante ao deslocamento constitui um problema inverso de grande escala e mal posto, onde o operador de degradação é representado por uma matriz não Toeplitz. A inversão direta dessas matrizes é instável porque pequenos valores singulares amplificam o ruído de medição e erros numéricos, levando a artefatos de restauração inaceitáveis. Métos existentes de regularização, como a regularização de Tikhonov e a Decomposição em Valores Singulares Truncada (TSVD), enfrentam desafios na seleção de parâmetros; a TSVD, em particular, corre o risco de descartar informações úteis da imagem se o limiar de truncamento for muito agressivo, ou de falhar na supressão de ruído se for muito brando.

Metodologia
O artigo propõe uma estrutura modificada baseada em Decomposição em Valores Singulares (SVD) para restaurar imagens degradadas por desfoque de movimento variante ao deslocamento. A metodologia procede da seguinte forma:

1. Formulação Matemática: O processo de degradação é modelado como um sistema linear $g = Hf + \epsilon$, onde $g$ é a imagem observada, $f$ é a imagem original, $\epsilon$ é o ruído aditivo e $H$ é uma matriz de degradação variante ao deslocamento. Diferente de sistemas invariantes ao deslocamento, as linhas de $H$ correspondem a PSFs dependentes da posição, em vez de um único núcleo.
2. Análise SVD: A matriz de degradação $H$ é decomposta em vetores singulares e valores singulares ($\omega_i$). A solução para o problema inverso é expressa como uma soma de componentes ponderados pelo inverso dos valores singulares. O artigo observa que os componentes associados a pequenos valores singulares são altamente sensíveis ao ruído.
3. Critério de Retenção de Energia: Para abordar a instabilidade da inversão direta sem descartar arbitrariamente informações (como na TSVD padrão), os autores introduzem um critério de retenção de energia de valor singular. O número de valores singulares a serem retidos é determinado por um limiar de energia cumulativa. Especificamente, o método seleciona um corte $K$ tal que 99% da energia total de valor singular seja preservada.
4. Estratégia de Atenuação: Em vez de eliminar os componentes correspondentes aos $K$ pequenos valores singulares, o método proposto os atenua usando um fator de escala derivado das magnitudes dos valores singulares. Esta abordagem visa reduzir a amplificação de ruído enquanto preserva informações úteis da imagem que poderiam ser perdidas através de um truncamento rígido.
5. Modelos de PSF: A estrutura é testada usando três modelos representativos de PSF de movimento unidimensional variante ao deslocamento:
   • Movimento Linear Bidirecional: O comprimento do desfoque varia linearmente com a posição.
   • Movimento Gaussiano: A largura do desfoque (desvio padrão) varia com a posição.
   • Movimento Harmônico Simples (SHM): A amplitude da oscilação varia com a posição, refletindo a densidade de probabilidade do deslocamento harmônico.

Principais Contribuições
O artigo identifica duas contribuições primárias:

1. Método de Restauração SVD Modificado: O desenvolvimento de um algoritmo de restauração que utiliza um critério de retenção de energia de valor singular (especificamente 9% de energia) para selecionar sistematicamente componentes singulares eficazes. Este método atenua, em vez de eliminar, a contribuição de pequenos valores singulares para equilibrar a supressão de ruído e a preservação de detalhes.
2. Estrutura Algorítmica para Desfoque Variante ao Deslocamento: A formulação de um algoritmo para construir núcleos de desfoque de movimento variante ao deslocamento e aplicar a restauração SVD proposta a imagens degradadas por esses modelos não uniformes específicos.

Resultos Experimentais
O método proposto foi avaliado usando três imagens de teste padrão (Lena, Crow e Text), cada uma com tamanho de 128x128 pixels. As imagens foram degradadas usando as três PSFs variantes ao deslocamento descritas acima, com ruído Gaussiano aditivo introduzido para simular uma Relação Sinal-Ruído (SNR) de aproximadamente 50,07 dB.

• PSF de Movimento Linear Bi-Direcional: A matriz de degradação exibiu um número de condição de $1,2849 \times 10^{17}$. Sob o critério de 99% de energia, 64 pequenos valores singulares foram atenuados, enquanto 64 grandes valores singulares foram retidos.
• PSF Gaussiana: O número de condição foi de $3,442 \times 10^8$. O critério de 99% de energia resultou na retenção de 23 grandes valores singulares e na atenuação de 105 pequenos.
• PSF de Movimento Harmônico Simples (SHM): O número de condição foi de $1,4752 \times 10^4$. O critério levou à retenção de 86 grandes valores singulares e à atenuação de 42 pequenos.

Os resultados experimentais demonstraram que a abordagem proposta recupera efetivamente os detalhes da imagem e reduz os artefatos de desfoque em todos os três modelos de movimento. O número variável de valores singulares retidos para cada modelo destacou a necessidade de um limiar adaptativo baseado nas características específicas da degradação.

Significância e Alegações
O artigo afirma que a estrutura proposta oferece uma abordagem sistemática e computacionalmente eficaz para restaurar imagens afetadas por desfoque de movimento variante ao deslocamento. Ao confiar em um critério de retenção de energia, o método fornece um mecanismo fisicamente significativo para a seleção de parâmetros, evitando os problemas de sensibilidade associados aos limiares de truncamento convencionais. Os autores afirmam que a representação por valores singulares oferece insights sobre a natureza mal condicionada do problema de restauração e permite o desenvolvimento de técnicas de inversão estáveis. O trabalho conclui que esta estrutura baseada em SVD é adequada para problemas variantes ao deslocamento e sugere extensões futuras para PSFs espacialmente variantes bidimensionais e integração com métodos de aprendizagem profunda.