¿Es el filtro antialias realmente un filtro de desenfoque?

Sí, el filtro anti-aliasing de la mayoría de las cámaras digitales es un filtro óptico que desenfoca la luz justo en frente del sensor de imagen. Pero para tus propósitos esa es la menor de tus preocupaciones.

La forma en que funciona una máscara de filtro Bayer en la gran mayoría de las cámaras digitales significa que el límite de resolución real de las cámaras así equipadas es aproximadamente la mitad del número de píxeles. Los datos sin procesar incluyen solo un único valor de luminancia para cada píxel, que se enmascara para que sea más sensible a uno de los tres colores que componen la máscara de Bayer: rojo, verde o azul.¹ Reflejando la respuesta de color del ojo humano, hay dos píxeles verdes, uno azul y uno rojo en cada grupo de cuatro píxeles dispuestos 2 x 2 en el sensor. Para obtener colores de esta información monocromática, los datos sin procesar se deben demostrar mediante algoritmos que comparan los valores de los píxeles adyacentes e interpolan un valor rojo, verde y azul para cada píxel en el sensor.

_{¹ Excepto que nuestras máscaras Bayer no son en realidad los colores RGB que creemos que son. El "rojo" en la mayoría de las máscaras de Bayer es más sensible a ≈590-600nm, que los humanos perciben como amarillo anaranjado. El rojo emitido por nuestras pantallas RGB es de ≈640nm. El "verde" en la mayoría de las máscaras de Bayer es más sensible a ≈535nm, a diferencia del verde en RGB a ≈525nm. "El azul en la mayoría de las máscaras de Bayer es más sensible a ≈450nm en lugar del azul RGB a ≈480nm.}

No podrá obtener los mejores resultados analizando teóricamente uno o más efectos que causan el desenfoque. La mejor manera de proceder es medir el desenfoque y luego realizar la deconvolución en función de la función de dispersión del punto medido. Puede imprimir un patrón en blanco y negro con líneas en diferentes direcciones o círculos en una hoja de papel. Una imagen tomada desde relativamente cerca, digamos a un metro de distancia pero sin mucha deformación en los bordes, se puede usar como una imagen de referencia de alta resolución. Entonces, si tomas otra foto desde más lejos (usando exactamente la misma distancia focal) tendrás una imagen de menor resolución. El mapeo de la imagen de alta resolución a la imagen de baja resolución implica todos los efectos de desenfoque que desea corregir.

Ahora, como se menciona en los comentarios de la respuesta de Michael, debe trabajar con las imágenes sin procesar originales sin hacer ninguna demostración. Para esto, puede usar el programa dcraw y usar la opción -d o -D para producir archivos TIFF. Estos archivos Tiff deben dividirse en 3 partes seleccionando los píxeles correspondientes a R, G y B de la imagen original. Luego debe asegurarse de que la salida que obtiene sea realmente lineal como debería ser, de lo contrario, debe corregir eso. Por lo tanto, debe hacerlo bien antes de poder comenzar con la medición de la función de dispersión de puntos.

Lo que puedes hacer es tomar fotografías de algunos objetos en una habitación con dos luces A y B usando un trípode. Toma imágenes con solo luz A, solo luz B y tanto A como B. Luego, si las imágenes sin procesar son exactamente lineales, debería poder calcular exactamente la imagen A + B de la imagen A y B. Pero debe tomar muchas fotos, alinearlas y promediarlas para hacerlas casi totalmente libres de ruido. También debe corregir los diferentes tiempos de exposición, después de apilar termina con un tiempo de exposición efectivo desconocido. Pero eso no importa, porque se supone que A + B es una combinación lineal de A y B, y si no lo es, puedes detectarlo fácilmente.

Luego, suponiendo que puede producir imágenes no demostradas que son casi exactamente lineales y libres de ruido, puede producir tales imágenes para los patrones y luego usarlas para calcular la función de dispersión de puntos para varias configuraciones de cámara. Esto debe hacerse para diferentes números F y también para desviaciones deliberadas del enfoque perfecto. El cálculo de la función de dispersión de puntos en cada caso se puede realizar utilizando métodos de transformada de Fourier.

Con los datos de todas las funciones de dispersión de puntos, puede afinar con mucha precisión utilizando la deconvolución. Si toma fotografías de algún objeto, debe hacerlo utilizando métodos de apilamiento de imágenes para eliminar el ruido lo mejor posible. Además, debe hacer esto para configuraciones de enfoque ligeramente diferentes dentro del margen, lo que consideraría perfectamente nítido. A continuación, utilice los archivos sin procesar lineales no demostrados (utilizando cualquier transformación adicional que haya encontrado necesaria para obtener una salida casi exactamente lineal).

Luego, al estudiar las imágenes, puede extraer las funciones de dispersión de puntos con cierta aproximación (por ejemplo, al observar los bordes de alto contraste). Luego compara estas funciones de dispersión de puntos con las determinadas experimentalmente, para seleccionar cuál es la mejor. Es mejor tener las funciones experimentales de dispersión de puntos procesadas en una forma matemática donde el desenfoque se describe mediante un parámetro continuo. Como función de este parámetro, la función de dispersión de puntos tendrá una buena aproximación de escala justa.

Luego, selecciona la imagen que corresponde a la función de dispersión de puntos más estrecha y luego desconvoluciona esa imagen. Cuanto más estrecha sea la función de dispersión de puntos, menos ruido obtendrá (cuanto más amplia sea la función de dispersión de puntos, más estrecha será en el espacio k, lo que hace que se amplifiquen los componentes de Fourier altos, lo que hace que se amplifique el ruido).