ब्लाइंड डिकोनवोल्यूशन

इलेक्ट्रिकल इंजीनियरिंग और अनुप्रयुक्त गणित में, ब्लाइंड डीकोनवोल्यूशन, कनवल्शन में प्रयुक्त आवेग प्रतिक्रिया कार्य के स्पष्ट ज्ञान के बिना डीकनवोल्यूशन है। यह समान्यत: आउटपुट का विश्लेषण करके आवेग प्रतिक्रिया का अनुमान लगाने के लिए इनपुट की उचित धारणा बनाकर प्राप्त किया जाता है। जिसमे इनपुट और आवेग प्रतिक्रिया पर धारणा बनाए बिना ब्लाइंड विखंडन को हल नहीं किया जा सकता है। इस समस्या को हल करने के लिए अधिकांश एल्गोरिदम इस धारणा पर आधारित हैं कि इनपुट और आवेग प्रतिक्रिया दोनों संबंधित ज्ञात उप-स्थानों में रहते हैं। चूँकि, इस धारणा के साथ भी ब्लाइंड डिकॉन्वोल्यूशन एक बहुत ही चुनौतीपूर्ण गैर-उत्तल अनुकूलन समस्या बनी हुई है।



छवि प्रसंस्करण में
छवि प्रसंस्करण में, ब्लाइंड डीकोनवोल्यूशन एक डीकोनवोल्यूशन तकनीक है जो खराब निर्धारित या अज्ञात बिंदु प्रसार कार्य (पीएसएफ) की उपस्थिति में एकल या धुंधली छवियों के समूह से लक्ष्य दृश्य की पुनर्प्राप्ति की अनुमति देती है। जो की यह नियमित रैखिक और गैर-रेखीय विखंडन तकनीकें एक ज्ञात पीएसएफ का उपयोग करती हैं। ब्लाइंड डिकोनवोल्यूशन के लिए, पीएसएफ का अनुमान छवि या छवि सेट से लगाया जाता है, जिससे डिकोनवोल्यूशन निष्पादित किया जा सकता है। शोधकर्ता अनेक दशकों से अंध विघटन विधियों का अध्ययन कर रहे हैं, और विभिन्न दिशाओं से समस्या का सामना कर रहे हैं।

ब्लाइंड डिकॉन्वोल्यूशन पर अधिकांश कार्य 1970 के दशक की प्रारंभ में प्रारंभ हुआ। जिससे ब्लाइंड डीकोनवोल्यूशन का उपयोग खगोलीय छवि और मेडिकल छवि में किया जाता है।

ब्लाइंड डिकोनवोल्यूशन को पुनरावृत्त रूप से किया जा सकता है, जिससे प्रत्येक पुनरावृत्ति पीएसएफ और दृश्य के अनुमान में सुधार करती है, या गैर-पुनरावृत्तीय रूप से, जहां एल्गोरिदम का एक अनुप्रयोग, बाहरी जानकारी के आधार पर, पीएसएफ निकालता है। पुनरावृत्तीय विधियों में अधिकतम पोस्टीरियर अनुमान और अपेक्षा-अधिकतमकरण एल्गोरिदम सम्मिलित हैं। पीएसएफ का एक अच्छा अनुमान त्वरित अभिसरण के लिए सहायक है किंतु आवश्यक नहीं है।

गैर-पुनरावृत्तीय तकनीकों के उदाहरणों में SeDDaRA, सेप्स्ट्रम परिवर्तन और एपेक्स प्रभुत्व ट्रांसफॉर्म और एपेक्स विधियां मानती हैं कि पीएसएफ का एक विशिष्ट आकार है, और किसी को आकार की चौड़ाई का अनुमान लगाना चाहिए। जो की SeDDaRA के लिए, दृश्य के बारे में जानकारी एक संदर्भ छवि के रूप में प्रदान की जाती है। एल्गोरिथ्म धुंधली छवि में स्थानिक आवृत्ति जानकारी की लक्ष्य छवि से तुलना करके पीएसएफ का अनुमान लगाता है।

उदाहरण
किसी भी धुंधली छवि को ब्लाइंड डिकोनवोल्यूशन एल्गोरिदम में इनपुट के रूप में दिया जा सकता है, यह छवि को धुंधला कर सकता है, किंतु इस एल्गोरिदम के काम करने के लिए आवश्यक नियम का उल्लंघन नहीं किया जाना चाहिए जैसा कि ऊपर विचार की गई है। पहले उदाहरण (आकारों की छवि) में, पुनर्प्राप्त छवि बहुत अच्छी थी, बिल्कुल मूल छवि के समान है क्योंकि L > K + N। दूसरे उदाहरण (एक लड़की की छवियो ) में, L < K + N, इसलिए आवश्यक नियम का उल्लंघन हुआ है, इसलिए पुनर्प्राप्त छवि मूल छवि से बहुत अलग है।



भूकंपीय डेटा
डीकोनवोल्यूशन या सीस्मोलॉजी के स्थितियों में, मूल अज्ञात संकेत स्पाइक्स से बना होता है इसलिए विरलता बाधाओं के साथ चिह्नित करना संभव है या नियमितीकरण (गणित) जैसे l1 मानक/l2 मानक मानदंड अनुपात, 1978 में डब्ल्यू. सी. ग्रे द्वारा सुझाया गया है।

ऑडियो डिकॉन्वोल्यूशन
ऑडियो डीकोनवोल्यूशन ( अधिकांशतः डीरेवरबरेशन के रूप में जाना जाता है) ऑडियो मिश्रण में एक प्रतिध्वनि कमी है। यह कॉकटेल पार्टी प्रभाव जैसे ग़लत स्थितियों में रिकॉर्डिंग की ऑडियो प्रोसेसिंग का भाग है। एक संभावना स्वतंत्र घटक विश्लेषण का उपयोग करना है।

समान्यत:
मान लीजिए कि हमारे पास एक चैनल के माध्यम से प्रसारित संकेत है। चैनल को समान्यत: एलटीआई प्रणाली सिद्धांत रैखिक शिफ्ट-इनवेरिएंट प्रणाली के रूप में मॉडल किया जा सकता है, इसलिए रिसेप्टर को चैनल की आवेग प्रतिक्रिया के साथ मूल संकेत का कनवल्शन प्राप्त होता है। यदि हम चैनल के प्रभाव को व्युत्क्रम चाहते हैं, तो मूल संकेत प्राप्त करने के लिए, हमें चैनल की प्रतिक्रिया को व्युत्क्रम करते हुए, इस प्राप्त संकेत को दूसरे रैखिक प्रणाली द्वारा संसाधित करना होगा। इस प्रणाली को समकरण (संचार) कहा जाता है। यदि हमें मूल संकेत दिया जाता है, तो हम एक पर्यवेक्षण तकनीक का उपयोग कर सकते हैं, जैसे कि वीनर फ़िल्टर खोजना, किंतु इसके बिना, हम अभी भी इसकी पुनर्प्राप्ति का प्रयास करने के लिए इसके बारे में जो कुछ भी जानते हैं उसका पता लगा सकते हैं। उदाहरण के लिए, हम वांछित वर्णक्रमीय शक्ति घनत्व प्राप्त करने के लिए प्राप्त संकेत को फ़िल्टर कर सकते हैं। ऐसा ही होता है, उदाहरण के लिए, जब मूल संकेत को कोई ऑटो सहसंबंध नहीं माना जाता है, और हम प्राप्त संकेत को "सफ़ेद" में बदल देते हैं।

सफेदी समान्यत: परिणामों में कुछ चरण (तरंगें) विकृति छोड़ देती है। जो की अधिकांश ब्लाइंड डिकोनवोल्यूशन तकनीकें संकेतों के उच्च-क्रम आँकड़ों का उपयोग करती हैं, और ऐसे चरण विकृतियों के सुधार की अनुमति देती हैं। हम मूल पीएसएफ के बारे में जो कुछ जानते हैं उसका अनुमान लगाते हुए पीएसएफ के साथ संकेत प्राप्त करने के लिए इक्वलाइज़र को अनुकूलित कर सकते हैं।

उच्च-क्रम आँकड़े
ब्लाइंड डीकोनवोल्यूशन एल्गोरिदम अधिकांशतः दो से अधिक क्षणों के साथ उच्च-क्रम के आँकड़ों का उपयोग करते हैं। यह अंतर्निहित या स्पष्ट हो सकता है.

यह भी देखें

 * चैनल मॉडल
 * विपरीत समस्या
 * नियमितीकरण (गणित)
 * ब्लाइंड समानीकरण
 * अधिकतम एक पश्चगामी अनुमान
 * अधिकतम संभाव्यता

बाहरी संबंध

 * ImageJ plugin for deconvolution