Производство фотографий на сегодняшний день вышло на новый уровень. В каждом телефоне есть по 2, а иногда и больше камер. Также существуют много систем, основанных на фото и видеосъемке, например: видеорегистраторы, камеры наблюдения, системы, основанные на идентификации человека по лицу. Поэтому обработка изображений, в частности улучшение их качества до сих пор остается актуальной задачей, которая до конца не решена.
Для восстановления размытых изображений существует большое количество алгоритмов, начиная от тех, которые основаны на простых предположениях и работают достаточно быстро, но дают не достаточно качественный результат, заканчивая сложными алгоритмами, которые могут работать по несколько часов. Каждый имеет свои преимущества и недостатки.
Данная работа посвящена сравнению некоторых методов восстановления размытых изображений.
В работе были исследованы методы восстановления изображения с неизвестным ядром размытия: метод Люси-Ричардсона, метод градиентного спуска для восстановления изображения, а также глубокая нейронная сеть. Исследования показали, что первоначальное приближение ядра имеет важную роль во всех методах. Чем лучше подобрано первоначальное приближения ядра, тем лучше методы восстанавливают изображение. Для предсказания параметров смаза при помощи нейронной сети достаточно только самого изображения, однако после предсказания надо использовать обычный метод Люси-Ричардсона для восстановления изображения. При выборе метода для восстановления изображения важную роль играет время работы алгоритма. Нейронная сеть показывает хорошие результаты при восстановлении изображения, но время ее обучения занимает достаточно много времени (8-9 часов) и требует больших вычислительных ресурсов. А между слепым методом Люси-Ричардсона и методом, основанном на градиентном спуске, лучшие результаты показывает метод Люси-Ричардсона, т. к. для достижения того же качества для него нужно меньшее количество итераций. Были проведены эксперименты с добавлением шума, в ходе которых выяснилось, что в этом случае качество восстановления было хуже.
