blinddeconv.processing.extensions package

Submodules

• blinddeconv.processing.extensions.base module
  • MetricType
    • MetricType.PSNR
    • MetricType.SHARPNESS
    • MetricType.SSIM
    • MetricType.from_string()
  • OptimizationMethod
    • OptimizationMethod.GP
    • OptimizationMethod.NSGA2
    • OptimizationMethod.RANDOM
    • OptimizationMethod.TPE
    • OptimizationMethod.from_string()
  • OptimizationResult
    • OptimizationResult.best_params
    • OptimizationResult.best_value
    • OptimizationResult.elapsed_time
    • OptimizationResult.history
    • OptimizationResult.n_trials
    • OptimizationResult.study
    • OptimizationResult.to_dict()
  • ParameterRange
    • ParameterRange.is_integer
    • ParameterRange.log_scale
    • ParameterRange.max_value
    • ParameterRange.min_value
    • ParameterRange.name
    • ParameterRange.step
    • ParameterRange.validate()
  • ParetoPoint
    • ParetoPoint.dominates()
    • ParetoPoint.is_pareto_optimal
    • ParetoPoint.metadata
    • ParetoPoint.objectives
    • ParetoPoint.parameters
  • ProcessingExtension
    • ProcessingExtension.__init__()
    • ProcessingExtension.execute()
• blinddeconv.processing.extensions.hyperparameter_optimization module
  • HyperparameterOptimizer
    • HyperparameterOptimizer.__init__()
    • HyperparameterOptimizer.execute()
• blinddeconv.processing.extensions.pareto_analysis module
  • ParetoFrontAnalyzer
    • ParetoFrontAnalyzer.ALPHA
    • ParetoFrontAnalyzer.COLORMAP
    • ParetoFrontAnalyzer.FIGURE_DPI
    • ParetoFrontAnalyzer.LINE_WIDTH
    • ParetoFrontAnalyzer.MARKER_SIZE
    • ParetoFrontAnalyzer.__init__()
    • ParetoFrontAnalyzer.execute()

Module contents

Пакет расширений для фреймворка слепой деконволюции изображений.

Модули:

base: Базовые классы и интерфейсы hyperparameter_optimization: Оптимизация гиперпараметров pareto_analysis: Анализ фронта Парето

Автор: Беззаборов А.А.

class blinddeconv.processing.extensions.HyperparameterOptimizer(processing_instance: Any, output_folder: str = 'parameters')

Базовые классы: ProcessingExtension

Оптимизация гиперпараметров с использованием байесовской оптимизации.

Реализует эффективный поиск гиперпараметров для алгоритмов слепой деконволюции с использованием фреймворка Optuna.

Поддерживаемые стратегии оптимизации:

• TPE (Tree-structured Parzen Estimator)

• Случайный поиск

• Гауссовские процессы (при наличии BoTorch)

• NSGA-II для многокритериальной оптимизации

__init__(processing_instance: Any, output_folder: str = 'parameters')

Инициализация оптимизатора.

Параметры

processing_instanceAny

Ссылка на объект Processing с изображениями.

output_folderstr

Директория для сохранения результатов оптимизации.

execute(algorithm_processor: DeconvolutionAlgorithm, param_ranges: Dict[str, Tuple[int | float, int | float]], n_trials: int = 50, metric: str = 'PSNR', timeout: int | None = 3600, method: OptimizationMethod = OptimizationMethod.TPE, n_jobs: int = 1, seed: int = 42, show_progress: bool = True, save_results: bool = True) → OptimizationResult

Оптимизация гиперпараметров для заданного алгоритма.

Параметры

algorithm_processorDeconvolutionAlgorithm

Алгоритм деконволюции для оптимизации.

param_rangesDict[str, Tuple]

Словарь соответствия имен параметров кортежам (min, max).

n_trialsint, по умолчанию 50

Количество испытаний оптимизации.

metricstr, по умолчанию „PSNR“

Метрика оптимизации: „PSNR“, „SSIM“ или „SHARPNESS“.

timeoutOptional[int], по умолчанию 3600

Максимальное время оптимизации в секундах (None без ограничения).

methodOptimizationMethod, по умолчанию TPE

Метод оптимизации.

n_jobsint, по умолчанию 1

Количество параллельных задач (-1 для всех ядер).

seedint, по умолчанию 42

Seed для воспроизводимости.

show_progressbool, по умолчанию True

Отображать индикатор прогресса.

save_resultsbool, по умолчанию True

Сохранять лучшие параметры в JSON-файл.

Возвращает

OptimizationResult

Контейнер с лучшими параметрами и историей оптимизации.

class blinddeconv.processing.extensions.MetricType(value)

Базовые классы: Enum

Метрики качества для оценки восстановления изображений.

Для всех метрик большее значение соответствует лучшему качеству.

PSNR - пиковое отношение сигнал-шум (дБ) SSIM - индекс структурного сходства SHARPNESS - мера резкости на основе лапласиана

PSNR = 'psnr'

SHARPNESS = 'sharpness'

SSIM = 'ssim'

classmethod from_string(value: str) → MetricType

Создание из строкового представления.

class blinddeconv.processing.extensions.OptimizationMethod(value)

Базовые классы: Enum

Поддерживаемые методы оптимизации.

TPEstr

Tree-structured Parzen Estimator (байесовская оптимизация). Рекомендуется для общей настройки гиперпараметров.

RANDOMstr

Случайный поиск. Эффективен для многомерных пространств и параллельных вычислений.

GPstr

Гауссовские процессы (требует BoTorch). Оптимален для дорогостоящих вычислений в малоразмерных пространствах.

NSGA2str

Non-dominated Sorting Genetic Algorithm II. Предназначен для многокритериальной оптимизации.

GP = 'gp'

NSGA2 = 'nsga2'

RANDOM = 'random'

TPE = 'tpe'

classmethod from_string(value: str) → OptimizationMethod

Создание из строкового представления.

class blinddeconv.processing.extensions.OptimizationResult(best_params: ~typing.Dict[str, ~typing.Any], best_value: float, n_trials: int, study: ~typing.Any | None = None, history: ~typing.List[~typing.Dict[str, ~typing.Any]] = <factory>, elapsed_time: float = 0.0)

Базовые классы: object

Контейнер для результатов оптимизации.

Атрибуты

best_paramsDict[str, Any]

Лучшие найденные гиперпараметры.

best_valuefloat

Лучшее достигнутое значение целевой функции.

n_trialsint

Количество выполненных испытаний.

studyOptional[Any]

Объект исследования Optuna для дальнейшего анализа.

historyList[Dict[str, Any]]

История испытаний с параметрами и оценками.

elapsed_timefloat

Затраченное время в секундах.

best_params: Dict[str, Any]

best_value: float

elapsed_time: float = 0.0

history: List[Dict[str, Any]]

n_trials: int

study: Any | None = None

to_dict() → Dict[str, Any]

Преобразование результатов в словарь.

class blinddeconv.processing.extensions.ParameterRange(name: str, min_value: int | float, max_value: int | float, log_scale: bool = False, step: float | None = None)

Базовые классы: object

Диапазон поиска гиперпараметра.

Атрибуты

namestr

Имя параметра.

min_valueUnion[int, float]

Минимальное значение диапазона.

max_valueUnion[int, float]

Максимальное значение диапазона.

log_scalebool

Использовать логарифмическую шкалу для параметров, охватывающих несколько порядков величины.

stepOptional[float]

Размер дискретного шага (None для непрерывных параметров).

property is_integer: bool

Проверка, является ли параметр целочисленным.

log_scale: bool = False

max_value: int | float

min_value: int | float

name: str

step: float | None = None

validate() → bool

Проверка корректности диапазона.

class blinddeconv.processing.extensions.ParetoFrontAnalyzer(processing_instance: Any, output_folder: str = 'pareto_analysis')

Базовые классы: ProcessingExtension

Многокритериальный анализ производительности с построением фронта Парето.

Предоставляет комплексный анализ производительности алгоритмов по нескольким конкурирующим критериям (качество vs скорость, устойчивость к шуму vs размытию).

Фронт Парето представляет множество недоминируемых решений, где ни один критерий не может быть улучшен без ухудшения другого.

Возможности:

• 3D визуализация поверхности Парето (шум x размытие x качество)

• 2D проекции для попарного анализа критериев

• Статистическое сравнение алгоритмов

• Тепловые карты производительности

Точка x* является Парето-оптимальной, если не существует другой точки x, такой что f_i(x) >= f_i(x*) для всех критериев i, и f_j(x) > f_j(x*) хотя бы для одного критерия j.

ALPHA = 0.7

COLORMAP = 'viridis'

FIGURE_DPI = 300

LINE_WIDTH = 2

MARKER_SIZE = 60

__init__(processing_instance: Any, output_folder: str = 'pareto_analysis')

Инициализация анализатора Парето.

Параметры

processing_instanceAny

Ссылка на объект Processing.

output_folderstr

Директория для сохранения результатов анализа.

execute(save_figures: bool = True) → DataFrame

Выполнение комплексного анализа фронта Парето.

Параметры

save_figuresbool, по умолчанию True

Сохранять сгенерированные графики.

Возвращает

pd.DataFrame

DataFrame со всеми данными анализа.

class blinddeconv.processing.extensions.ParetoPoint(objectives: ~typing.Dict[str, float], parameters: ~typing.Dict[str, ~typing.Any], metadata: ~typing.Dict[str, ~typing.Any] = <factory>, is_pareto_optimal: bool = False)

Базовые классы: object

Точка в многокритериальном пространстве.

Атрибуты

objectivesDict[str, float]

Значения целевых функций (например, {„psnr“: 25.0, „time“: 1.5}).

parametersDict[str, Any]

Связанные гиперпараметры.

metadataDict[str, Any]

Дополнительная информация (имя алгоритма, изображение и т.д.).

is_pareto_optimalbool

Принадлежит ли точка фронту Парето.

dominates(other: ParetoPoint, maximize: List[str] | None = None) → bool

Проверка доминирования текущей точки над другой.

Параметры

otherParetoPoint

Другая точка для сравнения.

maximizeList[str]

Список критериев для максимизации.

Возвращает

bool

True если текущая точка доминирует над other.

is_pareto_optimal: bool = False

metadata: Dict[str, Any]

objectives: Dict[str, float]

parameters: Dict[str, Any]

class blinddeconv.processing.extensions.ProcessingExtension(processing_instance: Any, output_folder: str = 'output')

Базовые классы: ABC

Абстрактный базовый класс для расширений обработки.

Предоставляет общий функционал для расширений, дополняющих основной конвейер обработки изображений.

Атрибуты

processingAny

Ссылка на основной экземпляр обработки.

output_folderPath

Директория для сохранения результатов.

loggerlogging.Logger

Логгер для данного расширения.

__init__(processing_instance: Any, output_folder: str = 'output')

Инициализация расширения.

Параметры

processing_instanceAny

Ссылка на объект Processing.

output_folderstr

Директория для сохранения результатов.

abstract execute(*args, **kwargs) → Any

Выполнение основного функционала расширения.

Должен быть реализован в подклассах.