El enmascaramiento de enfoque ( USM ) es una técnica de nitidez de imágenes que se implementó por primera vez en la fotografía en cuarto oscuro , pero que ahora se usa comúnmente en el software de procesamiento de imágenes digitales . Su nombre deriva del hecho de que la técnica utiliza una imagen negativa borrosa o "desenfocada" para crear una máscara de la imagen original. Luego, la máscara de enfoque se combina con la imagen positiva original, creando una imagen que es menos borrosa que la original. La imagen resultante, aunque más clara, puede ser una representación menos precisa del sujeto de la imagen.
En el contexto del procesamiento de señales , una máscara de enfoque es generalmente un filtro lineal o no lineal que amplifica los componentes de alta frecuencia de una señal.
Para el proceso fotográfico en cuarto oscuro, se copia por contacto un negativo de placa de vidrio de gran formato sobre una película o placa de bajo contraste para crear una imagen positiva. Sin embargo, la copia positiva se realiza con el material de copia en contacto con la parte posterior del original, en lugar de hacerlo de emulsión a emulsión , por lo que está borrosa. Después del procesamiento, este positivo borroso se vuelve a colocar en contacto con la parte posterior del negativo original. Cuando la luz pasa a través del negativo y del positivo en registro (en una ampliadora , por ejemplo), el positivo cancela parcialmente parte de la información del negativo.
Como el positivo se ha difuminado intencionadamente, solo se cancela la información de baja frecuencia (borrosa). Además, la máscara reduce eficazmente el rango dinámico del negativo original. Por tanto, si la imagen ampliada resultante se graba en papel fotográfico contrastado , la cancelación parcial enfatiza la información de alta frecuencia espacial (detalles finos) del original, sin pérdida de detalles de luces o sombras. La impresión resultante parece más nítida que una realizada sin la máscara de enfoque: su acutancia aumenta.
En el procedimiento fotográfico, la cantidad de desenfoque se puede controlar cambiando la "suavidad" o "dureza" (de fuente puntual a completamente difusa) de la fuente de luz utilizada para la exposición inicial de la máscara de enfoque, mientras que la intensidad del efecto se puede controlar cambiando el contraste y la densidad (es decir, exposición y revelado) de la máscara de enfoque.
En la fotografía tradicional, el enmascaramiento de enfoque se suele utilizar en materiales monocromáticos ; existen películas pancromáticas especiales en blanco y negro que suavizan el trabajo y se utilizan para enmascarar transparencias fotográficas en color. Esto ha sido especialmente útil para controlar el rango de densidad de una transparencia destinada a la reproducción fotomecánica .
El mismo principio de diferenciación se utiliza en la herramienta de máscara de enfoque de muchos paquetes de software de imágenes digitales, como Adobe Photoshop y GIMP . [1] El software aplica un desenfoque gaussiano a una copia de la imagen original y luego la compara con el original. Si la diferencia es mayor que un valor umbral especificado por el usuario, las imágenes se restan (en efecto).
La máscara de enfoque digital es una forma flexible y potente de aumentar la nitidez, especialmente en imágenes escaneadas . Desafortunadamente, puede crear efectos de borde llamativos no deseados o aumentar el ruido de la imagen . Sin embargo, estos efectos se pueden usar de manera creativa, especialmente si se enfoca un solo canal de una imagen RGB o Lab . Los efectos no deseados se pueden reducir utilizando una máscara, en particular una creada por detección de bordes , para aplicar el enfoque solo a las regiones deseadas, a veces denominada "enfoque inteligente".
Normalmente, el enmascaramiento de enfoque digital se controla mediante la cantidad, el radio y el umbral:
Existen varias recomendaciones para los valores iniciales de estos parámetros [2] y su significado puede diferir entre implementaciones. En general, se recomienda un radio de 0,5 a 2 píxeles y una cantidad del 50 al 150 %.
También es posible implementar USM manualmente, creando una capa separada que actúe como máscara; [1] esto se puede utilizar para ayudar a comprender cómo funciona USM o para una personalización fina.
La fórmula de combinación típica para enmascarar el enfoque es
El enmascaramiento de enfoque también se puede utilizar con un radio grande y una cantidad pequeña (como un radio de 30 a 100 píxeles y una cantidad de 5 a 20 % [3] ), lo que produce un mayor contraste local, una técnica denominada mejora del contraste local . [3] [4] El USM puede aumentar la nitidez o el contraste (local) porque ambas son formas de aumentar las diferencias entre valores, aumentando la pendiente: la nitidez se refiere a diferencias de escala muy pequeña (alta frecuencia) y el contraste se refiere a diferencias de escala más grande (baja frecuencia). Las técnicas más potentes para mejorar la tonalidad se conocen como mapeo de tonos .
En el caso del procesamiento de imágenes, la deconvolución es el proceso de invertir aproximadamente el proceso que provocó que una imagen se viera borrosa. En concreto, el enmascaramiento desenfocado es una operación de imagen lineal sencilla: una convolución mediante un núcleo que es el delta de Dirac menos un núcleo de desenfoque gaussiano. Por otra parte, la deconvolución se considera generalmente un problema inverso mal planteado que se resuelve mejor mediante enfoques no lineales. Mientras que el enmascaramiento desenfocado aumenta la nitidez aparente de una imagen sin tener en cuenta la forma en que se adquirió la imagen, la deconvolución aumenta la nitidez aparente de una imagen, pero se basa en información que describe algunos de los orígenes probables de las distorsiones de la trayectoria de la luz utilizada para capturar la imagen; por lo tanto, a veces puede ser preferible, cuando el costo en tiempo de preparación y tiempo de cálculo por imagen se compensa con el aumento de la claridad de la imagen.
Con la deconvolución, es posible recuperar aproximadamente los detalles "perdidos" de la imagen, aunque generalmente es imposible verificar que los detalles recuperados sean precisos. Estadísticamente, se puede lograr cierto nivel de correspondencia entre las imágenes mejoradas y las escenas reales que se están capturando. Si las escenas que se capturarán en el futuro son lo suficientemente similares a las escenas de imágenes validadas, entonces se puede evaluar el grado en que los detalles recuperados pueden ser precisos. La mejora en la calidad de la imagen suele ser atractiva, ya que los mismos problemas de validación están presentes incluso para las imágenes no mejoradas.
Para que la deconvolución sea efectiva, se deben modelar todas las variables en la escena de la imagen y el dispositivo de captura, incluyendo la apertura , la distancia focal , la distancia al sujeto, la lente y los índices de refracción y geometrías del medio. Aplicar la deconvolución con éxito a imágenes de cámaras de uso general normalmente no es factible, porque las geometrías de la escena no están establecidas. Sin embargo, la deconvolución se aplica en la realidad a la microscopía y la obtención de imágenes astronómicas, donde el valor de la nitidez obtenida es alto, los dispositivos de obtención de imágenes y las posiciones relativas del sujeto están bien definidos, y la optimización de los dispositivos de obtención de imágenes para mejorar la nitidez físicamente costaría significativamente más. En los casos en los que hay una aberración estable y bien definida, como el defecto de la lente en las primeras imágenes del Telescopio Espacial Hubble , la deconvolución es una técnica especialmente efectiva.
En el siguiente ejemplo, la imagen se convoluciona con el siguiente filtro de nitidez:
Filtro de nitidez
Esta matriz se obtiene utilizando la ecuación mostrada arriba en #Máscara de enfoque digital, utilizando un kernel uniforme con 5 píxeles para la imagen "borrosa" y 5 para el multiplicador de "cantidad":
El efecto de nitidez se puede controlar variando el multiplicador. En este caso, se eligió el valor 5 para obtener un núcleo con valores enteros, pero esto no es un requisito para la operación.
La segunda imagen se ha mejorado dos veces más que la primera.
