Técnicas de enfoque de imágenes y cuándo usarlas - Guía práctica de nitidez

Principios del enfoque - Por qué se realzan los bordes

La esencia del enfoque es amplificar los componentes de alta frecuencia (bordes y detalles) de una imagen. Al extraer información de bordes y superponerla sobre la imagen original, se aumenta el contraste a ambos lados de los bordes, produciendo una sensación visual de mayor nitidez.

Principio matemático: Enfoque = Original + α × (Original - Desenfocada). La imagen desenfocada elimina los detalles de alta frecuencia; restar la desenfocada de la original produce los componentes de alta frecuencia (bordes); amplificarlos y sumarlos de vuelta completa el enfoque.

Por qué se necesita el enfoque:

• El filtro de paso bajo (filtro AA) de las cámaras digitales desenfoca ligeramente la imagen
• El escalado de imágenes (especialmente la reducción) pierde nitidez
• La compresión JPEG desenfoca los detalles
• La impresión requiere enfoque adicional para compensar la difusión de los puntos de tinta

Peligros del enfoque excesivo: Aparición de halos blancos en los bordes; amplificación del ruido; texturas que se vuelven artificiales; archivos más grandes tras la compresión (aumento de alta frecuencia).

Enfoque USM (Unsharp Mask) - El método estándar más utilizado

USM es el método de enfoque más clásico y ampliamente utilizado. Su nombre proviene de la técnica de cuarto oscuro que usa una copia desenfocada (unsharp) para mejorar la nitidez.

Tres parámetros:

• Amount (intensidad): Fuerza del efecto de enfoque. Típicamente 50-200%
• Radius (radio): Alcance de la detección de bordes. Típicamente 0.5-3 píxeles
• Threshold (umbral): Ignora bordes por debajo de este contraste, evitando enfocar el ruido. Típicamente 0-10

Guía de selección de parámetros:

• Fotos de alta resolución: Amount 100-150%, Radius 1-2, Threshold 3-5
• Después de reducir para Web: Amount 50-100%, Radius 0.3-0.8, Threshold 0
• Retratos: Amount bajo + Threshold alto (evitar enfocar la textura de la piel)

Implementación:

// Sharp
sharp(input).sharpen({ sigma: 1.5, m1: 1.0, m2: 0.5 }).toFile(output);
// OpenCV
blurred = cv2.GaussianBlur(img, (0,0), radius)
sharpened = cv2.addWeighted(img, 1 + amount, blurred, -amount, 0)

Enfoque por filtro de paso alto - Método de control preciso

El enfoque por filtro de paso alto logra un control más preciso extrayendo los componentes de alta frecuencia de la imagen, ampliamente utilizado en flujos de trabajo de Photoshop.

Flujo de enfoque High Pass en Photoshop:

• Duplicar la capa
• Aplicar filtro de paso alto a la copia (Filter → Other → High Pass), radio 1-5 píxeles
• Establecer el modo de fusión de la capa copia en "Overlay" o "Soft Light"
• Ajustar la opacidad de la capa para controlar la intensidad del enfoque

Ventajas:

• Se puede enfocar selectivamente mediante máscara de capa (ej. solo enfocar los ojos, no la piel)
• La selección del modo de fusión proporciona diferentes características de enfoque
• Edición no destructiva, ajustable en cualquier momento

Implementación programática:

# Enfoque High Pass con OpenCV
lowpass = cv2.GaussianBlur(img, (0,0), sigma)
highpass = cv2.subtract(img, lowpass) + 128
# Fusión overlay
sharpened = cv2.addWeighted(img, 1.0, highpass - 128, strength, 0)

Deconvolución - Restauración matemática del desenfoque óptico

La deconvolución intenta revertir el desenfoque del proceso de formación de imagen, restaurando matemáticamente la nitidez original. A diferencia del "realce de bordes" de USM, la deconvolución intenta "recuperar detalles reales".

Principio: El proceso de formación de imagen se modela como: Imagen desenfocada = Imagen nítida * PSF (Función de Dispersión de Punto). La deconvolución resuelve: Imagen nítida = deconvolución(Imagen desenfocada, PSF).

Métodos:

• Deconvolución de Wiener: Se realiza en el dominio de frecuencia, considerando el nivel de ruido. Estable pero requiere PSF conocida
• Richardson-Lucy: Método iterativo, adecuado para ruido de Poisson. Común en astronomía
• Deconvolución ciega: Estima simultáneamente la PSF y la imagen nítida. La más difícil pero más práctica

Aplicaciones prácticas:

• El panel "Detalle" de Lightroom/Photoshop usa principios de deconvolución
• Topaz Sharpen AI usa aprendizaje profundo para deconvolución ciega
• En astrofotografía para recuperar el desenfoque causado por turbulencia atmosférica

Limitaciones: Extremadamente sensible al ruido; estimación imprecisa de PSF produce artefactos severos; alto costo computacional; no puede recuperar información completamente perdida.

Estrategia de enfoque según salida - Flujo de trabajo en tres etapas

Los flujos de trabajo de fotografía profesional dividen el enfoque en tres etapas, cada una con un propósito diferente.

Primera etapa: Enfoque de captura (Capture Sharpening):

• Compensa el ligero desenfoque del filtro AA de la cámara y la decodificación RAW
• Se aplica en la etapa de procesamiento RAW
• Enfoque ligero: Amount 25-40%, Radius 0.8-1.2

Segunda etapa: Enfoque creativo (Creative Sharpening):

• Enfoque selectivo de áreas específicas (ej. ojos, detalles de producto)
• Uso de máscaras para controlar las áreas de enfoque
• Intensidad ajustada según necesidades creativas

Tercera etapa: Enfoque de salida (Output Sharpening):

• Enfoque específico para el medio de salida final
• Web: Enfoque ligero después de reducir (Radius 0.3-0.5)
• Impresión: Enfoque más fuerte para compensar difusión de tinta (Radius 1-2)
• Se aplica al final, después de completar todas las demás ediciones

写真レタッチの技法書は Amazon でも入手できます

Implementación programática del enfoque - Automatización con OpenCV y Python

Implementación automatizada de varios algoritmos de enfoque usando OpenCV y Python.

Implementación USM:

import cv2
import numpy as np

def unsharp_mask(img, sigma=1.0, amount=1.5, threshold=0):
blurred = cv2.GaussianBlur(img, (0, 0), sigma)
sharpened = cv2.addWeighted(img, 1 + amount, blurred, -amount, 0)
if threshold > 0:
diff = np.abs(img.astype(int) - blurred.astype(int))
mask = (diff > threshold).astype(np.uint8)
sharpened = img * (1 - mask) + sharpened * mask
return np.clip(sharpened, 0, 255).astype(np.uint8)

Enfoque adaptativo: Ajusta automáticamente la intensidad del enfoque según el contraste local. Áreas de alto contraste (bordes existentes) reciben enfoque ligero, áreas de bajo contraste (planas) no se enfocan, áreas de contraste medio (detalles) reciben enfoque fuerte.

Procesamiento por lotes: Combinando el método .sharpen() de Sharp en el pipeline de optimización de imágenes para aplicar automáticamente enfoque de salida. El enfoque automático después de reducir es el escenario de automatización más común.