Was ist Dekonvolution?
Dekonvolution schätzt ein ursprüngliches Signal oder Bild, indem sie einer Unschärfe entgegenwirkt, die durch eine bekannte oder abgeleitete Punktspreizfunktion beschrieben wird. Da die Inversion Messfehler verstärkt, sinkt die Rekonstruktionsqualität mit zunehmendem Rauschen.
So funktioniert Dekonvolution
Ein bildgebendes System lässt sich so modellieren, dass es jeden Szenenpunkt gemäß einer Punktspreizfunktion verteilt und anschließend Sensorrauschen hinzukommt. Dekonvolution sucht eine plausible zugrunde liegende Szene, deren Faltung mit dieser Funktion die Beobachtung erklärt. Ein nicht blindes Verfahren erhält den Unschärfekern, während blinde Verfahren sowohl Szene als auch Kern schätzen und stärker unterbestimmt sind. In wissenschaftlichen und fotografischen Pipelines stabilisieren Vorannahmen oder Strafterme die Schätzung, bevor Messung und Darstellung fortgesetzt werden.
Wichtige Fakten
- Im Frequenzbereich wird eine naive Division durch eine Übertragungsfunktion nahe den Frequenzen instabil, an denen diese Funktion kleine Werte annimmt, weil dort zugleich das Messrauschen verstärkt wird.
- Wiener-Filterung nutzt Annahmen über Signal und Rauschen, während iterative Verfahren Bedingungen wie eine nichtnegative Intensität erzwingen können. Diese Ansätze unterscheiden sich hinsichtlich systematischer Abweichungen und Artefaktbildung.
- Eine falsche Punktspreizfunktion, nicht modellierte räumlich variable Unschärfe oder mangelhafte Randbehandlung können Lichthöfe und Ringing erzeugen, selbst wenn das Optimierungsverfahren numerisch konvergiert.
Wann Dekonvolution wichtig ist
Wenden Sie Dekonvolution auf Daten aus Mikroskopie, Astronomie oder computergestützter Fotografie an, wenn das Unschärfemodell plausibel ist. Regularisierung verzichtet auf maximale Schärfe zugunsten von weniger Ringing und geringerer Rauschverstärkung.