Qu’est-ce que la déconvolution ?
La déconvolution estime un signal ou une image d’origine en compensant un flou décrit par une fonction d’étalement du point connue ou déduite. Comme l’inversion amplifie les erreurs de mesure, la qualité de la restitution diminue lorsque le bruit augmente.
Fonctionnement de la déconvolution
Un système d’imagerie peut être modélisé comme étalant chaque point de la scène selon une fonction d’étalement du point, avec ajout du bruit du capteur ensuite. La déconvolution recherche une scène latente plausible dont la convolution avec cette fonction explique l’observation. Une méthode non aveugle reçoit le noyau de flou, tandis que les méthodes aveugles estiment à la fois la scène et le noyau et sont davantage sous-déterminées. Dans les chaînes de traitement scientifiques et photographiques, des a priori ou des pénalités stabilisent l’estimation avant la poursuite des étapes de mesure et d’affichage.
Points clés
- Dans le domaine fréquentiel, une division naïve par une fonction de transfert devient instable près des fréquences où cette fonction est faible, car le bruit de mesure y est également amplifié.
- Le filtrage de Wiener utilise des hypothèses sur le signal et le bruit, tandis que les méthodes itératives peuvent imposer des contraintes telles qu’une intensité positive ou nulle ; ces approches produisent des biais et des artefacts différents.
- Une fonction d’étalement du point incorrecte, un flou spatialement variable non modélisé ou une mauvaise gestion des bords peuvent créer des halos et des oscillations, même lorsque l’optimiseur converge numériquement.
Quand la déconvolution est utile
Appliquez la déconvolution aux données de microscopie, d’astronomie ou de photographie computationnelle lorsque le modèle de flou est crédible. La régularisation réduit les oscillations et l’amplification du bruit au détriment de la netteté maximale.