Origini di sfocatura
<img src="/images/notes/image/universita/ex-notion/Immagini/Untitled.png" alt="image/universita/ex-notion/Immagini/Untitled">
- Rumore causata da problemi fisici che sono errori di lettura del segnale analogico Questo si indica anche come errore gaussiano bianco e si può considerare additivo.
- Rumore causato dalla digitalizzazione, quindi dalla discretizzazione di essa.
-
Slide formalizzazione errori per sfocatura
Point spread function
Un unico pixel bianco sembra influenzare il suo ambiente nero, come in immagine
Vorremmo utilizzare delle funzioni ce siano in grado di approssimare questa funzione.
-
Funzioni solitamente utilizzate per approssimare e risultati
Convoluzioni
Questa cosa lo avevo già studiato credo per CNN, in AI. La prof lo scrive in modo molto incomprensibile, ma è la stessa cosa… Che cosa triste..
-
Slides
Ricostruzione immagini
Ossia cerco di identificare le cause del blur, e da quello provo a tornare indietro
<img src="/images/notes/image/universita/ex-notion/Immagini/Untitled 7.png" alt="image/universita/ex-notion/Immagini/Untitled 7">
Da tenere in mente il fatto che A è mal condizionata!. Vogliamo quindi introdurre alcuni metodi di regolarizzazione in modo da far diventare più gestibile questo problema. (quindi vorremmo avere una matrice equivalente che sia più gestibile).
TODO: vedere perché minimi quadrati è mal condizionato.
Regolarizzazione
Andiamo ad utilizzare un funzionale di regolarizzazione con un parametro che mi indica quanto è influenza la funzione finale.
Regolarizzazione Tiknohov e Morozov
-
Slide riassuntiva
Di solito come funzione phi di x metto l’identità e come lambda un valore che scelgo provando tante cose e prendendo alla fine il più grande che mi soddisfa
e è l’errore causato dal blur
Si può saltare la regolarizzazione con le altre norme 💀 perché alla prof non piace, saddo.
Peak signal to Noise Ratio
Quanto più il valore è alto più l’immagine è buona, questo è un buon parametro per valutare che la funzione di approssimazione sia buona.