Application of neural networks for solving inverse problems of image deconvolution and removal of distortions such as grease and defocusing

P.V. Skribtsov; P.A. Kazantsev; A.V. Dolgopolov

Application of neural networks for solving inverse problems of image deconvolution and removal of distortions such as grease and defocusing

P.V. Skribtsov¹, P.A. Kazantsev², A.V. Dolgopolov³

research article Pages: 47-54

¹ к.т.н., ген. директор, ООО «ПАВЛИН Техно»
² к.т.н., руководитель группы разработчиков, ООО «ПАВЛИН Техно»
³ ООО «ПАВЛИН Техно», www.pawlin.ru, www.pawlin.com

Keywords: deconvolution of images image processing grease blur neural networks neural network processing

Abstract

The article describes the application of neural nets to solve the inverse problem of deconvolution of images and distortions such as motion blur and defocusing. Proposed neural network model PSF, which allows for the deconvolution of complex cases such as distortion and defocusing of lubricant that does not quite match the standard model. Application of neural PSF can more accurately restore the image with distortions such as motion blur and defocusing.

How to cite

Скрибцов П.В., Казанцев П.А., Долгополов А.В. Применение нейронных сетей для решения обратных задач деконволюции изображений и устранения искажений типа смаз и расфокусировка // Нейрокомпьютеры: разработка, применение. 2012. № 9. С. 47–54.

References

Родионов С. А. Основы оптики. Конспект лекций. СПб: СПб ГИТМО (ТУ). 2000.
Домненко В. М., Бурсов М. В. Моделирование формирования оптического изображения. Учеб. пособие. СПб: СПбГУИТМО. 2005.
Charu Khare, Kapil Kumar Nagwanshi, Implementation and Analysis of Image Restoration Techniques // International Journal of Computer Trends and Technology. May to June Issue 2011.
Dr. P.Subashini , Ms. M. Krishnaveni, Mr. Vijay Singh, Image Deblurring Using Back Propagation Neural Network // World of Computer Science and Information Technology Journal (WCSIT). 2011. V. 1. № 6. Р. 277-282.
Нейрокомпьютеры в прикладных задачах обработки изображений // под ред. А.Н. Балухто, А.И. Галушкина. М.: Радиотехника. 2007.
Хайкин С. Нейронные сети: полный курс. М.: Вильямс. 2006.
Christopher M. Bishop, Neural Networks for Pattern Recognition // Oxford University Press. 2005.
ООО «ПАВЛИН ТЕХНОЛОГИИ» / Решение обратных задач на основе математических моделей формирования пространственно-временных характеристик русел рек для оперативных краткосрочных прогнозов паводков и половодья с использованием многоядерных суперЭВМ. - Государственный контракт № 16.515.11.5004 от «29» апреля 2011 г., шифр 2011-1.5-515-020-037, Отчет о НИР, этап № 2 «Теоретические исследования поставленных перед НИР задач», 2011 г.
Richardson, W. H., Bayesian-based iterative method of image restoration // Journal of The Optical Society of America. 62(1):55. 1972.
Shepp, L. A. and Vardi, Y., Maximum likelihood reconstruction for emission tomography // IEEE Transactions on Medical Imaging. MI-2: 113-122. 1982.
Landweber, L., An iteration formula for Fredholm integral equations of the ﬁrst kind // American Journal of Mathematics. 73:615-624. 1951.
Biemond, J., Lagendijk, R., and Mersereau, R., Iterative methods for image deblurring // The Proceedings of the IEEE. V. 78. № 5. 1990. P. 856-883.
Vincent L., Soille P. Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion Simulations // IEEE Trans. on Pattern Analysis and Machine Intelligence. 1991. V. 13. № 6. Р. 583-598.

Full text, PDF 350 ₽

[1] Родионов С. А. Основы оптики. Конспект лекций. СПб: СПб ГИТМО (ТУ). 2000.

[2] Домненко В. М., Бурсов М. В. Моделирование формирования оптического изображения. Учеб. пособие. СПб: СПбГУИТМО. 2005.

[3] Charu Khare, Kapil Kumar Nagwanshi, Implementation and Analysis of Image Restoration Techniques // International Journal of Computer Trends and Technology. May to June Issue 2011.

[4] Dr. P.Subashini , Ms. M. Krishnaveni, Mr. Vijay Singh, Image Deblurring Using Back Propagation Neural Network // World of Computer Science and Information Technology Journal (WCSIT). 2011. V. 1. № 6. Р. 277-282.

[5] Нейрокомпьютеры в прикладных задачах обработки изображений // под ред. А.Н. Балухто, А.И. Галушкина. М.: Радиотехника. 2007.

[6] Хайкин С. Нейронные сети: полный курс. М.: Вильямс. 2006.

[7] Christopher M. Bishop, Neural Networks for Pattern Recognition // Oxford University Press. 2005.

[8] ООО «ПАВЛИН ТЕХНОЛОГИИ» / Решение обратных задач на основе математических моделей формирования пространственно-временных характеристик русел рек для оперативных краткосрочных прогнозов паводков и половодья с использованием многоядерных суперЭВМ. - Государственный контракт № 16.515.11.5004 от «29» апреля 2011 г., шифр 2011-1.5-515-020-037, Отчет о НИР, этап № 2 «Теоретические исследования поставленных перед НИР задач», 2011 г.

[9] Richardson, W. H., Bayesian-based iterative method of image restoration // Journal of The Optical Society of America. 62(1):55. 1972.

[10] Shepp, L. A. and Vardi, Y., Maximum likelihood reconstruction for emission tomography // IEEE Transactions on Medical Imaging. MI-2: 113-122. 1982.

[11] Landweber, L., An iteration formula for Fredholm integral equations of the ﬁrst kind // American Journal of Mathematics. 73:615-624. 1951.

[12] Biemond, J., Lagendijk, R., and Mersereau, R., Iterative methods for image deblurring // The Proceedings of the IEEE. V. 78. № 5. 1990. P. 856-883.

[13] Vincent L., Soille P. Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion Simulations // IEEE Trans. on Pattern Analysis and Machine Intelligence. 1991. V. 13. № 6. Р. 583-598.

Abstract

How to cite

Related articles