Est-il possible de "dé-flouter" l'image, si vous connaissez l'algorithme et le réglage, ou par essai d'erreur &?

Ici, je suppose que nous sommes en ne considérant que les images floues à l'aide d'un filtre appliqué à l'image, et non en raison d'une mauvaise capture (mouvement / flou optique).

La suppression du flou est certainement possible, et vous verrez une prise en charge dans de nombreux outils de traitement d'image. Cependant, le flou réduit intentionnellement la quantité d'informations dans l'image, donc pour vraiment récupérer l'image d'origine pourrait nécessiter une "force brute", par laquelle un grand nombre (énormément) d'images candidates sont générées, qui toutes "floutent" au même final image.

Différents types de flou ont des pertes différentes, mais il est possible de les inverser tous (bien que coûteux). Le coût de la suppression du flou et le nombre de résultats possibles dépendent du nombre de passes prises par le filtre de flou et du nombre de voisins pris en compte lors du flou. Une fois supprimés, de nombreux outils et services devraient être en mesure de supprimer automatiquement de nombreux résultats, en sachant de quel type d'image il s'agit.

Par exemple, cet article de blog parle pourquoi flouter le contenu avec une faible quantité d'entropie (par exemple les chéquiers) est beaucoup moins sûr que flouter quelque chose comme un visage humain.

En bref, il est en effet possible de récupérer une image qui si elle est "floue" donnera la même image que celle que vous avez fournie. Mais vous ne pouvez pas garantir que l'image de floue est la seule version de flou valide (vous aurez besoin de quelques connaissances du domaine et d'une analyse d'image comme la correspondance des bords, des objets ayant un sens sémantique).

Pour l'œil nu, il pourrait être difficile de comprendre le contenu flou. Mais le flou pourrait-il être «rétro-ingénierie» pour révéler l'image d'origine, ou du moins quelque chose de reconnaissable?

Il est possible que le flou ne transforme pas fondamentalement la "signature" d'une image, de sorte que l'histogramme soit similaire et permette la correspondance. Dans votre cas, l'œil humain peut en fait comprendre que cela pourrait être le logo Google (couleurs familières) mais l'histogramme est assez différent. Google lui-même ne peut pas identifier l'image et vous pouvez étudier l'histogramme et les groupes de couleurs à l'aide de cet outil en ligne - les images sont assez différentes.

Ce serait probablement plus sûr si vous deviez choisir de masquer le contenu sensible (voir le message ici)

Je souhaite que ces choses ne soient pas possibles (par exemple, j'essayais de aller aussi vite que possible près des pièges de vitesse pour que le flou de mouvement cache mes plaques d'immatriculation, mais cela ne fonctionne plus). Les outils de suppression de flou sont assez courants maintenant (par exemple Blurity) bien qu'ils ne fonctionnent pas aussi bien avec de petites images générées par ordinateur (moins d'informations) qu'avec des photographies (voir un exemple de ce que j'ai récupéré).

En termes de plus de références, le premier chapitre de Debruring Images: Matrices, Spectra , et le filtrage par Per Christian Hansen, James G. Nagy et Dianne P. O'Leary est une très bonne introduction. Il explique comment le bruit et d'autres facteurs rendent impossible la récupération de l'image originale exacte: Malheureusement, il n'y a aucun espoir que nous puissions récupérer l'image originale exactement! mais décrit ensuite comment vous pouvez obtenir une correspondance étroite .

Cette enquête compare différentes techniques utilisées dans la reconstruction d'images médico-légales (elle a presque 20 ans, elle se concentre donc sur les fondamentaux).

Enfin, un lien vers le blog de Schneier où cela est discuté en détail.

Oui, le flou est un moyen peu sûr de censurer les données des images.

Il existe des logiciels qui peuvent facilement inverser le flou algorithmique comme le flou gaussien, en un résultat assez lisible. Assez souvent pour identifier des objets / lire des textes.

Cela dépend de deux choses: l'image elle-même (quantité d'informations) et le flou utilisé (type + quantité).

Le flou gaussien que vous avez mentionné redistribue le contraste (info) d'où il le plus ou le moins concentré dans un cercle diffusant autour du contraste; plus vers le centre, de moins en moins à mesure que vous vous approchez du bord du cercle (aka rayon de flou).

Au lieu d'une image numérique, considérez une image d'art de sable d'un damier sur une table branlante. Si vous écrasez votre poing sur la table, vous imitez un flou gaussien, qui devrait arrondir les carrés, laissant derrière eux des cercles qui se chevauchent. En regardant cette table en désordre, vous pourriez probablement encore conclure que c'était un damier avant le remaniement.

D'un autre côté, si vous frappez le côté de la table, vous simulez un flou de mouvement. Si la distance de la secousse / inertie des grains de sable dépasse la largeur des carrés du damier, la table sera uniformément recouverte de sable, et il sera impossible de dire si la conception de pré-secouage était un damier, des rayures ou un distribution déjà uniforme.

Si vous ne disposez que d'un flou gaussien et que vous souhaitez masquer le texte, vous devez alors flouter le double de la hauteur de la ligne, puis posturiser l'image. Le flou étale les grands détails en détails fins, tandis que la posturisation élimine les détails fins. Vous pouvez également utiliser quelque chose de plus dramatique qui supprime les détails fins pour obscurcir l'image floue, réduire la profondeur des couleurs, réduire les niveaux, surcompresser, etc.

En bref, si les détails sont étalés et puis les détails fins ignorés, il ne reste tout simplement pas assez d'informations pour récupérer de manière fiable l'image.

Mon expérience montre que le flou gaussien dans GIMP n'est pas suffisant pour masquer complètement les informations. En fait, il est possible d'utiliser la déconvolution pour restaurer la plupart des données d'image après un flou gaussien.

Le brouillage délibéré d'une région entraîne une perte d'informations. Ce que vous pouvez restaurer dépend de la quantité d'informations perdues. Cette quantité dépend de l'algorithme de flou et de ses paramètres. Mais même si une seule image ne contient pas suffisamment d'informations, vous pouvez toujours récupérer des informations perdues dans une image spécifique si vous avez des images similaires où la région spécifique était également floue, mais d'une manière légèrement différente (comme des paramètres ou un algorithme différents, une région légèrement différente qui s'est estompée, mise à l'échelle différente de l'image ...).

Ainsi vous ne pouvez pas dire que vous avez pu reconstruire toutes les informations importantes dans tous les cas. Mais vous ne pouvez pas non plus dire que le flou cache toutes les informations de manière fiable. Si la reconstruction des informations est possible ou non dépend de l'algorithme de flou, des paramètres et bien sûr aussi de ce que vous considérez comme les informations importantes.

Il y a beaucoup de recherches dans ce domaine que vous pouvez facilement trouver lors de la recherche de Supprimer le flou des images.

Le terme "flou" est utilisé pour décrire de nombreux types d'effets visuels, y compris ceux que l'on pourrait appeler "bavures" ou "bavures". Si une image floue mathématiquement était stockée avec précision, il serait possible de reconstruire parfaitement l'original. L'un des effets du flou, cependant, est de rendre les données plus sensibles à certains types de bruit ou d'artefacts d'échantillonnage, donc si l'on applique suffisamment de flou, il peut être possible d'obscurcir l'image au point que l'annulation du flou amplifierait le bruit. assez pour laisser le contenu obscurci.

Une meilleure approche que le flou, cependant, est de "salir" ou "tacher" les données; ces termes sont moins bien définis, mais l'essence de base est que certaines parties de l'image originale contribuent beaucoup plus à l'image finale que d'autres, et dans de nombreux cas, certaines parties ne contribueront pas du tout. Beaucoup de ces effets peuvent laisser des bords très durs qui peuvent être gênants, mais ces distractions peuvent être réduites en appliquant un flou mathématique après le maculage.

Pour terminer, les approches de "pixellisation" qui impliquent une moyenne mathématique détruiront les informations, tout comme les bavures ou les bavures, mais ne seront pas nécessairement aussi sûres qu'on pourrait le penser. Si l'on pixelise le numéro de compte sur un chèque de telle sorte que chaque chiffre soit représenté par environ une matrice 2x2, ces nombres ne peuvent pas être "lus" normalement, mais quelqu'un qui pourrait reproduire l'alignement de la caméra et les paramètres de pixelisation pourrait être en mesure de comprendre ce que les nombres devraient être pour donner le modèle observé de carrés clairs et foncés. Un tel problème pourrait être évité en remplaçant numériquement le numéro de compte par un numéro de compte "test" standard qui garantit de ne pas correspondre à un compte réel, puis en masquant numériquement cela (si une vue pouvait indiquer que le numéro de compte était quelque chose comme " 1234567890 "qui pourrait être gênant, mais s'il était suffisamment pixelisé pour qu'une reconstruction avancée soit nécessaire, personne qui n'a pas fait un tel effort ne devrait être distrait par le numéro de compte).

Il existe un cas où le flou peut définitivement être inversé: si vous floutez du texte généré par ordinateur, par exemple des captures d'écran.

Par exemple, si le texte ci-dessus était flou, et même si le flou s'étendait sur plusieurs caractères, vous pourriez écrire un logiciel qui essaie toutes les combinaisons de lettres et trouver celles qui produisent exactement les mêmes valeurs de pixels que le flou image lorsqu'ils sont flous. Cela fonctionne parce que dans ce cas, les informations réelles ne sont que de 8 bits par caractère environ, et non les bits 8x5x24 que les graphiques du caractère dans une boîte 8x5 contiendraient.

(Un autre article mentionne les numéros de carte de crédit; une photo de 16 chiffres contient moins de 54 bits d'informations réelles.)