Deconvoluci n de Im genes: revisi n actualizada de o a o algoritmos

20 de abril de 2009
MSc. Miguel Santana Justiz, Dr. Roberto Henry Herrera Marrero email: (msantana, henry)@ucf.edu.cu
Resumen En este trabajo se presenta una aplicaci n del procesamiento digital de se ales, al campo eso n pecco de la deconvoluci n de im genes. El objetivo se orienta a brindar t cnicas de proce o a e samiento digital, sobre la base de un m todo iterativo que permita mejorar la estimaci n de e o la imagen atendiendo a los indicadores fundamentales que miden su calidad, como la relaci n o se al a ruido, su incremento y el error cuadr tico medio. n a El an lisis de los m todos reportados en la literatura especializada conduce a la propuesta del a e m todo iterativo Landweber en contraste con el ltro cl sico de restauraci n. Se experimene a o ta con im genes simuladas y se realizan pruebas que validan la propuesta en im genes reales a a afectadas por varias efectos de ruido y tipos de desenfoque. El m todo de deconvoluci n propuesto mejora la relaci n se al a ruido y dem s indicadores. e o o n a Estos resultados sientan las bases para una nueva perspectiva en la deconvoluci n de im genes o a desde el campo de aplicaci n de los m todos num ricos, a partir de los recursos de hardware o e e actuales que disminuyen el tiempo de ejecuci n de los algoritmos iterativos. o

Introducci n o
La restauraci n de im genes, afectadas por los dispositivos de adquisici n o por el ruido aditivo, o a o inherente a la electr nica y a los sistemas fsicos reales, es un problema inverso de recurrente o an lisis en los estudios actuales (Chen, 2003; Starck & Pantin, 2002). La soluci n de este problema a o inverso tiene aplicaciones en numerosos campos, tales como, la astronoma, medicina, biologa, ensayos no destructivos, etc. (Mignotte & Meunier, 1999). Una imagen degradada se genera por la convoluci n entre el objeto real y una funci n de dispersi n o o o puntual (PSF). El modelo matem tico que representa este fen meno fsico es, a o y(t) = x(t) h(t) + (t). (1)

La imagen observada usualmente est afectada por ruido, que puede tener origen en diversas fuentes a (por ejemplo, mediciones, registros, transmisi n, etc.). Si el ruido proveniente de diversas fuentes o se tiene en consideraci n, se puede formalizar con diferentes distribuciones estadsticas de probao bilidad (Gaussiana, Poisson, etc.). 1

1. Desarrollo
La deconvoluci n de im genes es un problema inverso lineal con aplicaciones en detecci n remoo a o ta, sismologa, astronoma, ultrasonidos, y de forma m s general en la restauraci n de im genes a o a (Bioucas-Dias, 2003). Tambi n otra informaci n a priori tal como la no negatividad del valor de los pxeles a recon struir e o en una imagen (provenientes de una imagen astron mica) puede afectar la selecci n de la t cnica o o e de regularizaci n (e.j: la no negatividad puede ser incorporada como una restricci n convexa o meo o diante una funci n de m xima entropa). (Engl, Hanke, & Neubauer, 1996) o a El reto en muchos problemas inversos lineales es que son, por naturaleza, mal-condicionados, esto signica que su operador no admite la operaci n inversa o que es cercano a singular, conduciendo o a soluciones altamente sensibles al ruido. En un problema inverso, el objetivo es estimar la se al/imagen original x(t), a partir de una obn servaci n ruidosa, y(t), producida por un operador h(t) aplicado a x(t). En la Fig.1, mostramos el o efecto del desenfoque en im genes. En este trabajo, se asumir que el operador h(t), el kernel de a a la convoluci n es conocido. o

Figura 1: Se muestra la imagen original x(t) afectada por el operador h(t), y con ruido (t).

1.1. El kernel o PSF

El kernel de la convoluci n, en el campo del procesamiento de im genes, se conoce como o a funci n de dispersi n del punto (PSF) (Starck & Pantin, 2002). Una PSF convolucionada con la o o imagen original provoca un efecto llamado desenfoque (blurring). Se pueden distinguir muchos tipos de desenfoque debidos al movimiento relativo entre el dispositivo de captaci n y el objeto o (Abad, 2003). El efecto provocado por este PSF puede observarse en la Fig.1 y se conoce como: desenfoque por movimiento lineal. Otros tipos de desenfoque citados en la literatura son: el desenfoque uniforme, desenfoque por turbulencia atmosf rica y desenfoque gaussiano (Abad, 2003) e

1.2. M todos de Deconvoluci n e o

Dada la imagen observada y(t) y una estimaci n para el pulso o PSF h(t), se desea extraer la funo ci n de reexividad x(t) . La soluci n del problema inverso que se enuncia previamente en (1) cono o duce a que la relaci n entre estas im genes se encuentra minimizando la funci n convexa,(Vogel, o a o

2002).

1 m y(t) x(t) h(t) 2 . n (2) 2 Existen diversos enfoques para la soluci n del problema inverso que encierra el fen meno de la o o deconvoluci n de im genes. Estos se reeren a distintos criterios de optimizaci n que intentan o a o solucionar el problema sobre la se al en un dominio de la frecuencia. n
2

Y (f ) = H(f )X(f ) + N (f ), donde: Y (f ), H(f ), X(f ) y N (f ) son las respectivas transformadas de Fourier 1.2.1. Filtro de Wiener, estimador optimo en el sentido MSE

(3)

El ltro inverso ideal para x = H 1 y, pero este no es realizable en la pr ctica, porque para dea terminadas frecuencias necesitara una respuesta innita. La mejor aproximaci n a este ltro sera o aquel con el menor error cuadr tico medio (mean square error, MSE) de amplitud, conocido como a ltro de Wiener. Gw = Rx (Rx + 2 I)1 , (4) donde Gw , es la funci n del ltro, Rx es la autocorrelaci n de la se al de entrada y 2 , es la varianza o o n del ruido. El inconveniente del Filtro de Wiener es que necesita conocer los estadsticos de segundo orden la se al de entrada, adem s de informaci n sobre el ruido.A pesar de estos inconvenientes, hay n a o estrategias para la estabilizaci n del ltro y para la obtenci n de los par metros a partir de m todos o o a e iterativos que han sido descritos en (Hillery & Chin, 1991), con implementaciones en (Herrera, 2006). 1.2.2. Filtro de Landweber en el dominio de la Frecuencia Basado en el modelo matricial del M todo de Landweber se puede derivar su representaci n en la e o frecuencia (Vogel, 2002): X k+1 (f ) = X k (f ) + H (f )[Y (f ) H(f )X k (f )], (5)

donde el superndice *, indica el conjugado complejo en el dominio de Fourier y k, es el n mero u k de iteraciones. Es com n comenzar con un X = 0 y un par metro jo para el tama o del paso, u a n 2 0 < < 1/||H|| . En este m todo, a diferencia del ltro de Wiener, no hay involucrado ning n cociente, por lo que e u se evita la indeterminaci n cuando H(f ) toma valores cercanos a cero. Otra de las ventajas es que o se puede detener la iteraci n cuando se comience a amplicar el ruido, y por ultimo, si se tiene o informaci n a priori de la se al, se puede incorporar en el proceso iterativo como supuesto inicial, o n para reducir el n mero de iteraciones. u

1.3. Situaci n experimental, Materiales y M todos o e

En todos los experimentos, se usa la misma arquitectura. No se emplea paralelizaci n de los m too e dos, por cuanto los resultados obtenidos pudieran ser mejorados en trabajos futuros. Se usan cuatro t rminos que dan una medida comparativa del comportamiento de los algoritmos: la relaci n e o 3

 Senal a Ruido Desenfocada, BSNR (Raimondo & Stewart, 2007), la relaci n Senal a Ruido o de la senal estimada, SNR (Ma, Wang, & Du, 2006), la mejora en la relaci n senal-ruido, ISo NR(Neelamani, Choi, & Baraniuk, 2004) y el error cuadr tico medio, MSE (Donoho, 1995; a Ma et al., 2006). 1.3.1. Resultados en Im genes Simuladas a Partiremos de una simulaci n usada por (Vogel, 2002), con c digo disponible en su sitio web1 o o Esta simulaci n se ha convertido en un est ndar para la reconstrucci n de im genes, vea por ejemo a o a plo, (Cui, Lamm, & Scoeld, 2007). En este caso se representa una imagen de sat lite (Vogel, e 2002), desenfocada de manera tal que modele la distorsi n atmosf rica, que es un caso com n en o e u im genes captadas desde un telescopio en tierra. Los algoritmos discutidos se han ejecutado soa bre esta imagen degradada. La Fig. 2 parte superior izquierda muestra la imagen original y en la derecha se muestra la imagen contaminada con una BSNR = 40 dB, a la imagen real y se obtiene una estimaci n de esta usando el ltro de Wiener (Imagen inferior izquierda) y usando el ltro o Landweber y su estimaci n se muestra en la parte inferior derecha. o
Original image 10 20 30 40 50 60 20 40 60 Noisy image, BSNR =40dB 10 20 30 40 50 60 20 40 60

Wiener, ISNR =5.43dB, SNR =8.87dB Landweber, ISNR =8.77dB, SNR =12.21dB 10 20 30 40 50 60 20 40 60 10 20 30 40 50 60 20 40 60

Figura 2: Soluci n de los m todos Wiener y Landweber en Im genes o e a

Cuadro 1: Indicadores SNR, ISNR y MSE para diferentes BSRN = 40, 30, 15 dB.
M todo e Wiener Landweber SNR 8,92 11,69 BSN R40 ISNR MSE 5,47 1,435 105 8,24 7,59 104 SNR 5,47 10,40 BSN R25 ISNR MSE 8,90 3,94 106 6,96 1,02 105 SNR 15,19 9,82 BSN R15 ISNR MSE 18,50 3,70 107 6,52 1,17 105

Los indicadores de calidad de la se al verican la ventaja del m todo iterativo con respecto al n e cl sico, mostrando resultados superiores que se aprecian en la Tabla 1. Los valores de SNR e ISNR a en el M todo de Landweber superan a los obtenidos por la deconvoluci n usando Wiener, as como e o el error en la estimaci n seg n el MSE es considerablemente menor. o u
1

http://www.math.montana.edu/vogel/Book/Codes/Ch5.

1.3.2. Resultados en Im genes Reales. a Se emple la imagen de Cameraman, patr n de referencia para la comprobaci n del rendimiento o o o de algoritmos en el campo del procesamiento digital de im genes. Se proces con desenfoque por a o movimiento horizontal de 9 pxeles y desenfoque gaussiano con varianza = 3 y ruido gaussiano aditivo con diferentes varianzas para obtener BSNR de 15dB, 25dB y 40dB. La Tabla 2 muestra el resumen de los resultados obtenidos por ambos m todos para los distintos e niveles de BSNR; es notable el deterioro que sufre la soluci n con el ltro de Wiener en la medida o en que se incrementa la contaminaci n por ruido. En tanto la soluci n del Landweber l gicamente o o o
Original image 50 100 150 200 250 50 100 150 200 250 Noisy image, BSNR =40dB 50 100 150 200 250 50 100 150 200 250

Wiener, ISNR =8.9dB, SNR =20.66dB Landweber, ISNR =9.06dB, SNR =20.82dB 50 100 150 200 250 50 100 150 200 250 50 100 150 200 250 50 100 150 200 250

Figura 3: Soluci n de los m todos Wiener y Landweber en Im genes o e a produce resultados que disminuyen con respecto al caso de BSNR=40dB pero se podra decir que ofrece cierta estabilidad en su variaci n en lo que SNR e ISNR, respecta. o Cuadro 2: Resultados obtenidos para la Imagen Cameraman.
SNR 20,65 20,82 Desenfoque por Movimiento Lineal con L = 9 40dB 25bB ISNR MSE SNR ISNR MSE SNR 8,89 156,01 10,48 1,25 1,6217e + 3 0,71 9,05 150,20 17,99 6,26 288,14 16,50 Desenfoque: Gaussiano con = 3 40dB 25bB ISNR MSE SNR ISNR MSE 16,41 280,86 17,68 15,99 309,23 17,00 245,15 18,09 16,41 281,06 15dB ISNR MSE 10,73 1,5387e + 4 5,07 405,91

Wiener Landweber

Wiener Landweber

SNR 18,10 18,69

SNR 14,98 16,30

15dB ISNR MSE 13,30 575,75 14,61 424,95

Conclusiones
1. El trabajo muestra los m todos m s comunes en distintas areas del procesamiento de im genes, e a a as como los tipos de PSF que provocan desenfoque en la misma atendiendo al sistema fsico que representan y al medio de adquisici n . o 2. Se analiza el ltro de Wiener como m todo cl sico y las principales desventajas de su uso. e a 3. Se propone utilizar el m todo iterativo conocido como ltro Landweber, se realiza su fore mali zaci n en el dominio de la frecuencia y se logra demostrar que este m todo iterativo o e mejora los indicadores de calidad en la deconvoluci n de se ales respecto al ltro de Wiener. o n o 4. Este ultimo ltro muestra capacidad para estimar la imagen a partir de una observaci n degradada, independientemente del tipo de PSF y de la contaminaci del ruido que contenga. o 5. Lo anterior permite hacer enfasis en la estabilidad y la convergencia del ltro Landweber para solucionar problemas mal-condicionados.

Referencias
Abad, J. (2003). Restauraci n y reconstrucci n bayesianas de im genes usando descomposiciones o o a multibandas. Tesis de Doctorado, Universidad de Granada. Bioucas-Dias, J. (2003). Fast gem wavelet-based image deconvolution algorithm. En Proc. IEEE Int. Conf. Image Processing (Vol. 2, pp. 961964). Chen, C. (2003). Advanced image processing methods for ultrasonic nde research. En World congress of ultrasonics. Pars, Francia. Cui, C., Lamm, P., & Scoeld, T. (2007). Local regularization for n-dimensional integral equations with applications to image processing. Inverse Problems, 23, 16111633. (doi:10.1088/02665611/23/4/014) Donoho, D. (1995). De-noising by soft-thresholding. IEEE Trans. Inform., Theory, 613-627. Engl, H., Hanke, M., & Neubauer, A. (1996). Regularization of inverse problems. Kluwer Academic Publishers, Dordrecht, The Netherlands. Herrera, R. (2006). Deconvoluci n de se ales ultras nicas en la evaluaci n no desructiva. Tesis o n o o de Doctorado, Universidad Central Marta Abreu de las Villas. Hillery, A., & Chin, R. (1991). Iterative Wiener lters for image restoration. IEEE Transactions on Signal Processing, 39(3), 18921899. Ma, Q., Wang, X., & Du, S. (2006). Method and application of wavelet shrinkage denoising based on genetic algorithm. J Zhejiang Univ SCIENCE A, 7(3), 361367. Mignotte, M., & Meunier, J. (1999). A comparison of surperviced and blind deconvolution techniques applied in spect imagery. IEEE trans on Biomedical Engineering. 6

Neelamani, R., Choi, H., & Baraniuk, R. (2004). ForWaRD: Fourier-wavelet regularized deconvolution for ill-conditioned systems. IEEE Trans. Ultrason., Ferroelect., Freq. Contr., 52(2), 418-432. Raimondo, M., & Stewart, M. (2007). The WaveD Transform in R: Performs Fast TranslationInvariant Wavelet Deconvolution. Journal of Statistical Software, 21(2), 128. Starck, J., & Pantin, E. (2002). Deconvolution in astronomy: A review. Publications of the Astronomical Society of the Pacic, 114, 1051-1069. Vogel, C. (2002). Computational methods for inverse problems. SIAM, Frontier in Applied Mathematics.