Tämän tutkielman tarkoituksena on esitellä focus stacking -algoritmien toimintaa. Focus stacking on digitaalinen kuvankäsittelymenetelmä, jossa yhdistetään useita eri kuvia, joissa jokaisessa eri osa
kohteesta on tarkka. Kuvista erotetaan tarkat kohdat ja kootaan ne uudeksi kuvaksi. Näin saadaan muodostettua kuva, jossa koko kuvauksen kohde on mahdollisimman tarkka. Tässä tutkielmassa perehdytään kahteen eri tapaan tunnistaa kuvien tarkat kohdat, gradientin ja Fourier-muunnoksen avulla tapahtuvaan tunnistamiseen.
Tutkielman alussa, luvussa kaksi, esitellään focus stacking -algoritmien toteuttamiseen tarvittavaa teoriaa. Luvun alussa selostetaan digitaaliseen kuvaan ja valokuvaukseen liittyvää termistöä. Tämän jälkeen esitellään gradientin teoriaa ja kerrotaan, miten gradientti voidaan laskea kuvalle erilaisten konvoluutioytimien avulla. Seuraavaksi selostetaan teoriaa Fourier-muunnoksesta, erityisesti diskreetissä tapauksessa. Lisäksi tarkastellaan nopeaa Fourier-muunnosta. Luvun lopuksi tarkastellaan vielä ali- ja ylipäästösuodatusta.
Kolmannessa luvussa esitellään työssä käytettävä aineisto eli itse otetut kuvat, joiden kohteena on kolme laskettelevaa pupua. Jokaisessa kuvassa eri pupu on tarkka. Tavoitteena on saada muodostettua algoritmeja käyttäen kuva, jossa kaikki kolme pupua olisivat mahdollisimman tarkkoja. Luvussa neljä esitellään menetelmät, joista gradienttimenetelmässä vertaillaan tarkkoja ja epätarkkoja alueita gradienttien magnitudeista laskettujen normien avulla ja Fourier-muunnosmenetelmässä Fourier-muunnosten normien avulla.
Luvussa viisi esitellään molemmilla menetelmillä eri parametrien arvoilla saatuja tuloksia. Käytettävissä algoritmeissa on kolme muutettavaa parametria, kerrallaan tarkasteltavan alueen koko, kynnys ja Fourier-muunnosmenetelmässä vielä ylipäästösuodatuksen rajataajuus. Kuvia vertaillaan siis aina tarkasteltavan alueen kokoinen pala kerrallaan. Kynnys tarkoittaa lukua, jonka alle jääviä normeja vastaavat alueet valitaan esimerkiksi ensimmäisestä kuvasta. Nämä alueet ovat siis kaikissa kuvissa epätarkkoja. Kynnyksen avulla varmistetaan, että epätarkasta alueesta saadaan tasainen.
Johtopäätöksissä, luvussa kuusi, tarkastellaan saatuja tuloksia, jotka ovat yllättävän hyviä. Parhaan gradienttimenetelmällä ja parhaan Fourier-muunnosmenetelmällä saadun kuvan välillä ei ole suurta eroa. Kummassakin kuvassa on joitakin virheitä eli epätarkkoja pikseleitä. Gradienttimenetelmässä tarkkojen alueiden reunat tulevat helpommin tasaisemman näköisiksi kuin Fourier-muunnosmenetelmässä, mutta kuviin jää usein kokonaisia epätarkkoja alueita. Fourier-muunnosmenetelmässä reunoihin jää usein pieniä epäsäännöllisen muotoisia epätarkkoja alueita. Parametrien arvoista erityisesti tarkasteltavan alueen koolla ja ylipäästösuodatuksen rajataajuudella on suuri merkitys tuloksiin.
