数字图像处理-图像复原.pptVIP

(5.8.2) 误差函数的最小值在频率中用下式表达: 维纳滤波, 括号中的项组成的滤波器通常称为最小均方误差滤波器,或最小二乘方误差滤波器. 处理白噪声(噪声的傅立叶谱为常量)时,谱|N(u,v)|2是一个常数,问题可以简化,但|F(u,v)|2未知. K为特殊常数. 经常用下式近似: (5.8.2)的维纳滤波要求: 未退化图像和噪声的功率必须是已知的.虽然用(5.8.3)近似的方法能得到好的结果,但功率谱比的常数K的估计一般没有合适的解. (5.8.3) 逆滤波和维纳滤波的比较 (a) 全滤波的逆滤波结果 (b) 半径受限的逆滤波结果 (c) 维纳滤波的结果 (交互选择K) 维纳滤波的结果非常接近原始图像,比逆滤波要好 (a)由运动模糊及均值为0方差为650的加性高斯噪声污染的图像 (b) 逆滤波的结果 (c) 维纳滤波的结果 (d)-(f) 噪声幅度的方差比(a)小一个数量级 (g)-(i) 噪声方差比(a)小5个数量级 九、 约束最小均方差误差滤波器 本节方法只要求噪声方差和均值的知识,对于处理的每一副图像都能产生最优结果. 在有加性噪声的情况下,线性退化模型可以表示成如下方式: (5.5.16) 频率域中的求解方法: 约束最小二乘方滤波的结果 可以仅仅用噪声均值和方差的知识执行最佳复原算法. * (a) 电路板的X射线图像 (b) 由附加高斯噪声污染 的图像 (c) 用3×3算术均值滤波器 滤波的结果 (d) 用3×3的几何均值滤波 器滤波的结果 算术均值和几何均值都能衰减噪声, 但比较而言,几何均值滤波器较难使图像变模糊. (a) 以0.1的概率被”胡椒” 噪声污染的图像 (b) 以0.1的概率被”盐” 噪声污染的图像 (c) 用3×3大小、阶数为 1.5的逆谐波滤波器滤波 的结果 (d) 用Q=-1.5滤波(b)的结果 算术和几何适合处理高斯或均匀等随机噪声,谐波更适于处理脉冲噪声,但必须知道是暗噪声还是亮噪声,以便选择Q值符号. 在逆谐波滤波中错误地选择符号的结果 (a) 原图像 (b) 用3×3 的大小和Q＝－1.5的逆谐波波器滤波的结果 (c) 用Q=1.5滤波的结果 顺序统计滤波器 中值、最大值、最小值滤波器 (1)中点滤波器 这种滤波器结合了顺序统计和求平均，对于高斯和均匀随机分布这类噪声有最好的效果。 在滤波器涉及范围内计算最大值和最小值之间的中点： 顺序统计滤波器 (2)修正后的阿尔法均值滤波器 (a)由概率Pa=Pb=0.1的椒盐 噪声污染的图像 (b) 用尺寸为3×3的中值滤波 器处理的结果 (c) 用该滤波器处理(b)的结果 (d) 用相同的滤波器处理(c)的结果 经过多次处理,逐渐消除噪声,但多次应用中值滤波器,会使图像模糊 对噪声图像多次应用中值滤波器 (a)用大小为3×3的最大滤波器对图(a)滤波的结果 (b)用最小滤波器对图滤波的结果 图(a) 图(b) 最大值滤波器可以去除”胡椒”噪声,但会从黑色物体边缘移走一些黑色像素. 最小值滤波器可以去除”盐”噪声,但会从亮色物体边缘移走一些白色像素. 由加性均匀噪声污染的图像 均值为0,方差为800的高斯噪声 (b) 图(a)加上椒盐噪声污染的图像 Pa=Pb=0.1得椒盐噪声 (c) 5×5的算术均值滤波处理图(b) (d) 几何均值滤波器处理图(b) (e) 中值滤波器处理图(b) (f) d=5的修正后的阿尔法均值滤波器 (a) (b) (c) (d) (e) (f) 由于脉冲噪声的存在,算术均值滤波器和几何均值滤波器没有起到良好作用. 中值滤波器和阿尔法滤波器效果更好,阿尔法最好. 到目前为止，我们所讨论的滤波器都是：一但选定了一种滤波器，就不考虑从一点到另一点图像性能（特征）的变化。 本节介绍一种滤波器，其行为变化是基于 内矩形窗口 内的统计特征，叫自适应滤波器，其性能优于前边所有滤波器性能。 滤波器作用于局部区域，滤波器在中心化区域中任何点的响应其于以下4个量： （a） ：含噪声的图像 （b） ：噪声方差 （c） ：在 上局部灰度均值 （d） ：在 上的局部方差 希望滤波器预期性能如下： 1、如果 ，应返回 ，0噪声。 2、如果 与 高相关，返回 近似值（遇到边缘时） 3、如果 ，返回 上算平均值