مرحله شناسایی PSF مات کننده تصویر چهره
جهت شناسایی PSF مات کننده تصویر چهره مات ورودی، ابتدا تصویر چهره را با PSF تصادفی مات کرده، سپس آن را به فضای ویژگی مرحله آموزش نگاشت داده و پس از استخراج ویژگی­ها از آن و نرمالیزه کردن آن­ها، این ویژگی­ها را به عنوان ورودی به شبکه عصبی مرحله آموزش اعمال می­کنیم. پس از اعمال این ویژگی­ها به شبکه عصبی و با توجه به وزن­های ذخیره شده در مرحله آموزش در خروجی، مقدار یک نرون از مابقی نرون­ها بیشتر بوده و با توجه به اندیس این نرون که نمایانگر اندیس دسته­ای از دسته­های مرحله آموزش می­باشد، PSF مات کننده آن دسته را به عنوان PSF مات کننده تصویر چهره ورودی در نظر می­گیریم.
بهسازی تصویر چهره مات ورودی
پس از شناسایی PSF مات کننده تصویر چهره ورودی در بخش قبل، نوبت به بهسازی این تصویر با بهره گرفتن از روش دیکانولوشن و اعمال عکس اثر PSF مات کننده شناسایی شده، برروی این تصویر است.
شکل (۳-۳) فرایند تخریب یک تصویر و همچنین بازسازی تصویر تخریب شده را نشان می­دهد.
شکل (۳-۳): فرایند تخریب و بازسازی یک تصویر
با توجه به فرایند نمایش داده شده در شکل (۳-۳)، معمولا تصویر مات شده علاوه بر اثر مخرب عامل مات کننده، تحت تاثیر نویز نیز قرار می­گیرد. حال در حالت عادی به منظور بهسازی تصویر مات شده باید معکوس تابع مات کننده شناسایی شده در بخش قبلی را طبق رابطه (۳-۴) برروی تصویر تخریب شده اعمال کنیم.

که تصویر چهره بازسازی شده، تابع پنجره مات کننده شناسایی شده، تصویر چهره مات شده و N مربوط به چگالی طیفی نویز می­باشد.
باید توجه داشت که دو تابع و N دارای رفتار فرکانسی کاملا متضاد هستند؛ به این صورت که بیشتر مولفه­های فرکانسی تابع در فرکانس­های پایین حضور دارند و این تابع یک تابع فرکانس پایین می­باشد. در صورتیکه بیشتر مولفه­های فرکانسی تابع N در فرکانس­های بالا حضور داشته و این تابع یک تابع فرکانس بالا می­باشد. حال اگر طبق رابطه (۳-۴) تابع فرکانس بالای N را بر تابع فرکانس پایین تقسیم کنیم، در فرکانس­های بالا باعث تشدید اثر مخرب نویز شده (در این حالت تقسیم بر صفر داریم) و تصویر بازسازی شده کیفیت خوبی نخواهد داشت. در [۲۸] برای حل این مشکل فیلتر وینر معرفی شده است. رابطه (۳-۵)، رابطه مربوط به این فیلتر را نشان می­دهد.

که تصویر چهره بازسازی شده، تابع پنجره مات کننده شناسایی شده، تصویر چهره مات شده و مربوط به پارامتر تعاملی بین چگالی طیفی توان نویز (S_N(u,v)) و طیف توان تصویر بازسازی شده (S_f (u,v))می­باشد.
طبق رابطه (۳-۵) در این فیلتر به جای تقسیم مستقیم تصویر تخریب شده بر تابع مات کننده ، این تصویر را بر حاصلجمع تابع مات کننده با مقدار تقسیم می­کنیم. در این رابطه با انتخاب مقدار مناسب برای پارامتر می­توان به تصویر بازسازی شده با کیفیت نسبتا خوب دست یافت.
نتیجه گیری
همانطورکه ملاحظه شد، در این فصل ابتدا روندنمای روش پیشنهادی در این پایان نامه، معرفی شد. سپس در مورد نحوه ایجاد فضای ویژگی استفاده شده در روش پیشنهادی در این پایان نامه صحبت شد. همچنین پس از معرفی نحوه ایجاد فضای ویژگی مورد نظر، به توضیح در مورد نحوه شناسایی PSF تابع مات کننده تصویر به کمک شبکه عصبی از روی این فضای ویژگی پرداخته شد. در انتها نیز نحوه بهسازی تصویر تخریب شده با توجه به تابع مات کننده شناسایی شده و به کمک فیلتر وینر معرفی گردید.
پس از معرفی روش پیشنهادی در این پایان نامه در این فصل، حال به معرفی نحوه شبیه­سازی این روش و نمایش نتایج حاصل از آن در فصل بعد می­پردازیم.
فصل چهارم
نتایج شبیه­سازی
مقدمه
ما در این فصل ابتدا به معرفی پایگاه داده استفاده شده در این پایان نامه می­پردازیم. سپس به طور خلاصه سه روش مختلف و نوین در مورد بازشناسی چهره را که در این پایان نامه استفاده و شبیه­سازی کرده­ایم، شرح می­دهیم.
در ادامه نیز پس از معرفی و شبیه­سازی روش نوین رفع ماتی از تصاویر چهره FADEIN، به مقایسه عملکرد روش پیشنهادی در این پایان نامه با روش FADEIN، در دو حالت ماتی تصاویر چهره بر اثر خارج زوم بودن سوژه نسبت به دوربین و ماتی بر اثر حرکت دوربین، می­پردازیم.
معرفی پایگاه داده
در این پایان نامه از پایگاه داده ORL [29]، که مشخصات تکمیلی آن در جدول­ (۴-۱) ارائه شده است، استفاده کرده­ایم.