iv_unsharp_deblur — 2D `restoration` op

• Datenarten: image → image

• Aufruf: fullseye.apply(img, "iv_unsharp_deblur", a=0.5, b=0.5) (das 2-D-Modell ist ein Bild plus zwei skalare Regler a,b∈[0,1])

Verwendung

Iteratives Unscharf-Maskieren (Unsharp Masking) als näherungsweise Entschärfung. Jeder Durchgang addiert einen skalierten Hochpassanteil (Bild minus seiner Gaußschen Unschärfe) zurück zum Bild. `a legt die Iterationsanzahl n = 1 + round(a*5) (1..6) fest; b` legt die Stärke pro Durchgang amt = 0,4 + b (0,4..1,4) fest. Mehr Iterationen / größere Stärke -> schärfer.

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie gallery2d_smoothing_rank

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• gallery2d_smoothing_rank — py -3.11 examples/gallery2d_smoothing_rank.py

Typkompatible Folge-Operatoren (nehmen `image` als Eingabe)

identity · gaussian · mean_box · bilateral · unsharp · median · min_filter · max_filter

Gleiche Kategorie (`restoration`)

xsk_inpaint · xsk_richardson_lucy · xsk_unwrap_phase · xcv_inpaint · xsk2_wiener · xcv3_inpaint_ns · iv_richardson_lucy · iv_wiener_deconv_spatial

*Provenance: ops.py — 2D Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

iv_unsharp_deblur — 2D restoration op