همانطور که در فصل قبل گفته شد بیشتر روش­های بیان شده در زمینه­ رفع ماتی از تصاویر چهره، از نوع بهسازی تک تصویر و بدون استفاده از اطلاعات مرحله آموزش می­باشند، لذا این روش­ها به اندازه کافی از اطلاعات قبلی در مورد شناسایی PSF تصویر استفاده نمی­کنند. از طرفی در این روش­ها یافتن PSF مات کننده تصویر در شرایط نویزی، مشکل و دارای خطای زیاد است؛ در نتیجه PSF مات کننده تصویر به خوبی شناسایی نشده و بنابراین، کیفیت تصاویر بهسازی شده توسط این روش­ها در بیشتر موارد پایین می­باشد.

در این پایان نامه برای مقابله با مشکلات موجود در روش­های مذکور، از دانش قبلی برای شناسایی PSF مربوط به عامل مات کننده تصاویر چهره استفاده می­کنیم.
اجزای روش پیشنهادی
در روش پیشنهادی طبق روندنمای نشان داده شده در شکل (۳-۱الف) ابتدا تصاویر چهره مربوط به پایگاه داده مورد نظر را به کمک رابطه (۳-۱) و با بهره گرفتن از چند PSF مشخص و استاندارد، به صورت مصنوعی مات می­کنیم. فرایند تخریب یک تصویر با عوامل مخرب نویز و ماتی، در حوزه فرکانس، به صورت رابطه زیر تعریف می­ شود:

که تصویر چهره شفاف اصلی، پنجره مات کننده تصویر چهره، تصویر چهره مات شده و N مربوط به چگالی طیفی نویز می­باشد.
حال به استخراج ویژگی از این تصاویر می­پردازیم. نکته قابل توجه در امر استخراج ویژگی این است که با استخراج ویژگی از روی پیکسل­های خام تصاویر مرحله آموزش و ایجاد فضای ویژگی توسط آن­ها، این نمونه­ها به راحتی از هم جدا­پذیر نمی­باشند و دقت شناسایی PSF رضایت بخش نمی ­باشد. در روش پیشنهادی در این پایان نامه برای حل این مشکل از روشی مبتنی بر تشکیل فضای ویژگی بر اساس استخراج ویژگی از اطلاعات بیشینه­ی اندازه مولفه­های فرکانسی تصاویر استفاده شده است. طبق این روش برای نگاشت نمونه­های آموزش به فضای ویژگی مورد نظر، ابتدا به کمک تبدیل فوریه دوبعدی، نمونه­های آموزش را به حوزه فرکانس منتقل می­کنیم. حال با توجه به این نکته که اطلاعات بیشینه­ی مربوط به اندازه مولفه­های فرکانسی کلیه تصاویر مات شده با عامل ماتی مشابه (یعنی کلیه تصاویر متعلق به یک دسته)، در حوزه فرکانس، دارای همبستگی زیاد با یکدیگر اما اختلاف قابل توجه با اطلاعات بیشینه­ی مربوط به اندازه مولفه­های فرکانسی تصاویر متعلق به دسته­های دیگر است، تنها اطلاعات مربوط به اندازه مولفه­های فرکانسی نمونه­های آموزش، ذخیره شده و فضای ویژگی را به کمک آن­ها تشکیل می­دهیم. (در اینجا از اطلاعات مربوط به فاز حوزه فرکانس نمونه­های آموزش استفاده­ای نمی­ شود). حال ویژگی­های نگاشت یافته به فضای ویژگی را ابتدا نسبت به اندازه فاصله بین ویژگی­های هر بردار نرمالیزه کرده، و سپس از آن­ها جهت آموزش شبکه عصبی استفاده می­کنیم.
با توجه به شکل (۳-۱الف) و به کمک رابطه (۳-۲) در مرحله آموزش، تعداد N دسته از روی نمونه­های تصاویر آموزشی که به صورت مصنوعی مات شده ­اند، ایجاد می­ شود؛ و هر کدام از این N دسته شامل تصاویر چهره مات شده با PSF مات کننده مشخص می­باشند.

که در این رابطه، Ω مجموعه آموزش، H_i تابع گسترش نقطه­ای مات کننده دسته i ام و N تعداد دسته­های موجود در این مجموعه را نشان می­دهد.
باید به این نکته توجه داشت که ممکن است در این روش با توجه به کاربرد سیستم­های بازشناسی چهره در موقعیت­های مختلف، برای مات کردن تصاویر چهره از PSF مات کننده مختلفی استفاده­کرد؛ برای مثال در این پایان نامه اثر PSF مات کننده مربوط به عامل ماتی بر اثر حرکت^[۲۱] و ماتی بر اثر خارج زوم بودن سوژه نسبت به دوربین^[۲۲]، بررسی شده ­است.

شکل (۳-۱): روندنمای مربوط به روش پیشنهادی که شامل دو مرحله است: الف) مرحله آموزش ب) مرحله شناسایی PSF مات کننده تصویر چهره، رفع ماتی، و بازشناسی آن تصویر
طبق روندنمای نشان داده شده در شکل (۳-۱ب)، در مرحله آزمایش نیز ابتدا به کمک شبکه عصبی PSF مات کننده تصویر چهره مات ورودی را شناسایی کرده، و پس از شناسایی این تابع به بهسازی این تصویر با بهره گرفتن از روش دیکانولوشن می­پردازیم. در نهایت تصویر بهسازی شده را برای انجام بازشناسی به سیستم بازشناسی چهره تحویل می­دهیم.
ایجاد فضای ویژگی
همانطور که در قسمت­ قبل گفته ­شد، به منظور رفع ماتی از تصاویر چهره ابتدا باید به شناسایی PSF مات کننده آن تصویر بپردازیم. بدیهی است هرچه این تابع با دقت بالاتری شناسایی شود شاهد نتیجه بهتری در بهسازی آن تصویر خواهیم بود. برای بالا بردن این دقت نیازمند ایجاد یک فضای ویژگی خاص می­باشیم. این فضای ویژگی از یک جهت باید نسبت به تغییرات ایجاد شده توسط عوامل مات کننده مختلف در تصاویر چهره، حساس و از طرف دیگر نسبت به تفاوت بین تصویر چهره یک فرد با فرد دیگر غیر حساس باشد. از [۲۷] و توجه به شکل (۳-۲) درمی­یابیم­ که بین اندازه مولفه­های فرکانس میانی و بالایی مرتبط با تصاویر شفاف و مات اختلاف قابل توجهی وجود دارد. بنابراین با توجه به این وجه تمایز می­توان از آن به عنوان بردار ویژگی استفاده کرد.
شکل (۳-۲): مقایسه بین بردارهای ویژگی موجود در فضاهای ویژگی مختلف [۲۰]. الف) بردار ویژگی مرتبط با اطلاعات تصویر چهره شفاف و مات در حوزه مکان ب) بردار ویژگی مرتبط با اطلاعات اندازه مولفه­های فرکانسی تصویر چهره شفاف و مات در حوزه فرکانس ج) بردار ویژگی مرتبط با اطلاعات اندازه مولفه­های فرکانسی تصویر چهره شفاف و مات در حوزه فرکانس پس از گرفتن لگاریتم
همانطور که در شکل (۳-۲ الف) دیده می­ شود، در فضای ویژگی مربوط به حوزه زمان، بین مقدار خام پیکسل­های مرتبط با تصاویر شفاف و مات اختلاف معنادار وجود ندارد و از این مقادیر نمی­ توان به عنوان بردار ویژگی استفاده کرد. همچنین مطابق با شکل (۳-۲ ب)، در فضای ویژگی ایجاد شده بر اساس اطلاعات مربوط به اندازه مولفه فرکانسی تصاویر شفاف و مات، اختلاف مابین اندازه مولفه فرکانس میانی و بالایی تصاویر شفاف و مات به خوبی آشکار نشده است. می­توان، مطابق شکل (۳-۲ ج) برای آشکار شدن وجه تمایز مابین این بردارهای ویژگی، از اطلاعات مربوط به اندازه مولفه فرکانسی تصاویر شفاف و مات لگاریتم گرفت. حال در فضای ویژگی جدید ایجاد شده، وجه تمایز زیادی بین بردارهای ویژگی مرتبط با هر دسته از تصاویر چهره که با PSF مات کننده مختلفی مات شده ­اند، وجود دارد. این وجه تمایز بین بردارهای ویژگی خود موجب افزایش کارایی طبقه ­بندی و درنتیجه افزایش دقت شناسایی PSF مات کننده تصویر ورودی می­ شود.
در کاربرد جهان واقعی با تصاویر گرفته شده معمولا مقداری نویز همراه می­ شود، که این نویز در فضای ویژگی مورد نظر، برروی دقت شناسایی PSF مات کننده، تاثیر منفی نسبتا زیادی دارد. برای حل این مشکل، پس از بررسی­های فراوان برروی شکل موج مربوط به اطلاعات اندازه مولفه فرکانسی تصاویر نویزی مات و شفاف، به این نتیجه رسیدیم که اطلاعات بیشینه مربوط به هر سطر از ماتریس نتشکل از اندازه مولفه فرکانسی تصاویر نویزی مات و شفاف دارای تمایز بیشتری نسبت به یکدیگر هستند. لذا از این ویژگی می­توان برای تشکیل بردار ویژگی و استفاده در تخمین PSF استفاده کرد.
حال برای ایجاد فضای ویژگی مورد نظر طبق رابطه (۳-۳) از اطلاعات بیشینه مربوط به هر سطر از ماتریس متشکل از اندازه مولفه فرکانسی تصاویر، استفاده می­کنیم.

که در این رابطه تصویر چهره نگاشت یافته به حوزه فرکانس، ویژگی­های استخراج شده از این تصویر، متناظر با مولفه فرکانسی دو بعدی تصاویر، وM تعداد سطرهای هر تصویر می­باشند.
پس از آشنایی با نحوه ایجاد فضای ویژگی مربوط به مرحله آموزش، نوبت به آشنایی با نحوه آموزش این فضا جهت شناسایی PSF مات کننده تصویر می­رسد.
همانطور که در بخش­های قبل به آن اشاره­ شد، فضای ویژگی استفاده شده جهت شناسایی PSF مات کننده تصویر ورودی، مجموعه ­ای از تصاویر چهره می­باشند که با بهره گرفتن از PSF مشخص، به صورت مصنوعی مات شده و پس از اضافه شدن نویز به آن­ها، تصاویر چهره مات شده با PSF مشابه در یک دسته قرار گرفته و بعد از نگاشت تصاویر هر دسته به حوزه فرکانس، از اطلاعات بیشینه مربوط به اندازه مولفه فرکانسی آن­ها به عنوان ویژگی استفاده می­کنیم. حال با نرمالیزه کردن این ویژگی­ها، آن­ها را با ترتیب تصادفی به عنوان ورودی به شبکه عصبی طراحی شده اعمال می­کنیم.
از آنجا که از یک طرف تعداد ویژگی­های استخراج شده از هر تصویر نسبتا زیاد می­باشد (از هر تصویر ۱۰۶ ویژگی)­، و از طرف دیگر نیازمند سرعت شناسایی بالا در مرحله آزمایش می­باشیم؛ در نتیجه از یک شبکه­ عصبی که با این شرایط سازگار باشد، استفاده می­کنیم. ما در این پایان نامه پس از بررسی شرایط شبکه ­های عصبی مختلف، از شبکه عصبی MLP^[23] استفاده کرده­ایم.