Image Deblurring

Abstract

Pictorial information is important nowadays since every platform incorporates pictorial information as a component of the platform. Therefore, image data is essential for rich content and beneficial in various aspects, whether checking data from the camera or inspecting the video image. Often, this data can't be directly or efficiently used due to problems with image quality, which can stem from various causes such as distorted images, destroyed images, compressed images, and blurred images. These problems are commonly encountered in both still and moving images. Generally, images like these originate from CCTV or still cameras. The reasons for poor clarity in CCTV images can stem from various limitations, including outdated CCTV systems with low resolution and fewer pixels, unfocused camera distances and placements, low lighting conditions, slow shutter speeds, image file compression to save storage space, continuous operation at all times, balancing between frames per second, and storage duration. These limitations result in images lacking sharpness. Thus, this study attempted to improve blurred images to enhance their clarity, making it possible to reuse these images effectively. The objective of this study was to improve blurry images caused by shaking through image processing using deep learning methods, employing Autoencoders and Generative Adversarial Networks (GANs) as the main structure of the research with three datasets: GoPro-Large, Real-World, and Kohler. The autoencoder algorithm successfully reduced blurriness in images, enhancing their clarity. When measuring the image performance, it has SNR, PSNR, and SSIM values of 32.64, 22.06, and 0.777, respectively, which are significantly higher than baseline.

ข้อมูลภาพเป็นข้อมูลที่มีความสำคัญในปัจจุบัน จะเห็นได้ว่าแพลตฟอร์มทุกแพลตฟอร์มมีการนำส่วนข้อมูลภาพมาใช้เป็นส่วนประกอบ ดังนั้นข้อมูลภาพจึงจำเป็นสำหรับข้อมูลที่มีริชคอนเทนท์ (Rich Content) ในการนำมาใช้ประโยชน์ในหลายๆ ด้าน ไม่ว่าจะเป็นการนำมาใช้ในการตรวจสอบข้อมูลจากกล้อง การตรวจสอบภาพวิดีโอ บ่อยครั้งที่ข้อมูลเหล่านี้ไม่สามารถนำไปใช้ได้โดยตรงหรือใช้ได้งานได้อย่างมีประสิทธิภาพและถูกต้อง เนื่องจากปัญหาของคุณภาพของภาพ (Image Quality) ซึ่งอาจจะประกอบไปด้วยหลายสาเหตุ เช่น ภาพที่ถูกบิดเบือน ภาพที่โดนทำลาย ภาพที่เกิดจากการบีบอัดและภาพเบลอ ปัญหาเหล่านี้มักจะพบในภาพนิ่งและภาพเคลื่อนไหว โดยทั่วไปแล้วภาพที่เกิดในลักษณะนี้จะเป็นภาพที่มาจากกล้องวงจรปิดหรือกล้องถ่ายภาพนิ่งเป็นหลัก ซึ่งสาเหตุที่ทำให้ภาพจากกล้องวงจรปิดไม่มีความคมชัดจะมีข้อจำกัดในหลายรูปแบบ ไม่ว่าจะเป็นคุณภาพของกล้องวงจรปิดที่ยังคงใช้ระบบเก่า มีความละเอียดต่ำและมีจำนวนพิกเซลน้อย ระยะโฟกัสของกล้องและจุดที่ติดตั้งไม่มีความสัมพันธ์กัน สภาวะแสงน้อย หรือ Shutter Speed ต่ำ การบีบอัดไฟล์ภาพเพื่อประหยัดพื้นที่ในการจัดเก็บ อีกทั้งยังต้องเปิดทำงานงานตลอดเวลา รวมไปถึงการปรับความสมดุล (Balance) ระหว่างจำนวนเฟรมต่อวินาทีและระยะเวลาในการจัดเก็บ จากข้อจำกัดดังกล่าวจึงส่งผลให้ภาพที่ได้ไม่มีความคมชัด

สำหรับงานวิจัยนี้จึงได้ปรับปรุงภาพเบลอให้มีความชัดเจนและสามารถนำภาพเหล่านั้นกลับมาใช้งานได้อีก โดยมีวัตถุประสงค์ที่จะปรับปรุงภาพเบลอที่เกิดจากการสั่นให้มีความคมชัดด้วยวิธีการประมวลผลภาพผ่านกระบวนการเรียนรู้เชิงลึก (Deep learning) โดยใช้อัลกอริทึมของการเข้ารหัสอัตโนมัติ (Autoencoder) และ Generative adversarial Networks (GANs) เป็นโครงสร้างหลักในการวิจัย ซึ่งใช้ชุดข้อมูล 3 ชุดประกอบด้วย GoPro-Large, Real-world และ Kohler ซึ่งอัลกอริทึมของการเข้ารหัสอัตโนมัติ (Autoencoder) สามารถปรับภาพให้มีความเบลอลดลงและทำให้ภาพคมชัดขึ้น โดยเมื่อนำมาวัดประสิทธิภาพของภาพจะมีค่า SNR, PSNR และ SSIM เท่ากับ 32.64, 22.06, 0.777 ตามลำดับ ซึ่งสูงกว่า Baseline อย่างมีนัยสำคัญ