Matlab数字图像处理6【荐】.pptVIP

在图像的采集、传送和转换过程中，会加入一些噪声，表现为图像模糊、失真、有噪声等。在实际应用中需要清晰的、高质量的图像。图像复原就是要尽可能恢复退化图像的本来面目，它是沿图像退化的逆过程进行处理。典型的图像复原技术是根据图像退化的先验知识建立一个退化模型，以此模型为基础，采用各种逆退化处理方法进行恢复，得到质量改善的图像。本章将详细的介绍图像复原技术，主要包括图像的噪声模型、图像的滤波以及常用的图像复原方法等。 图像复原在数字图像处理中有非常重要的研究意义。图像复原最基本的任务是在去除图像中的噪声的同时，不丢失图像中的细节信息。然而抑制噪声和保持细节往往是一对矛盾，也是图像处理中至今尚未很好解决的一个问题。图像复原的目的就是为了抑制噪声，改善图像的质量。 图像复原和图像增强都是为了改善图像的质量，但是两者是有区别的。图像复原和图像增强的区别在于：图像增强不考虑图像是如何退化的，而是试图采用各种技术来增强图像的视觉效果。而图像复原不同，需要知道图像退化的机制和过程等先验知识，据此找到一种相应的逆处理方法，从而得到恢复的图像。 数字图像的噪声主要来自图像的采集和传输过程。图像传感器的工作受到各种因素的影响。例如在使用CCD摄像机获取图像时，光照强度和传感器的温度是产生噪声的主要原因。图像在传输过程中也会受到噪声的干扰。 图像噪声按照噪声和信号之间的关系可以分为加性噪声和乘性噪声两种。假设图像的像素值为，噪声信号为。如果混合叠加信号为的形式，则这种噪声为加性噪声。如果叠加后信号为的形式，则这种噪声为乘性噪声。 噪声是不可预测的，只能用概率统计方法来认识的随机误差。下面介绍常见的噪声: 1、高斯噪声 2、椒盐噪声 3、均匀分布噪声 4、指数分布噪声 5、伽玛分布噪声 在MATLAB中，可以通过函数imnoise( )给图像添加噪声，该函数可以得到高斯分布噪声、椒盐噪声、泊松分布噪声和乘性噪声。该函数的调用格式为： J=imnoise(I, type, parameters)：该函数对图像I添加类型为type的噪声。参数type对应的噪声类型如下：gaussian为高斯噪声；localvar为0均值白噪声；poisson为泊松噪声；salt pepper为椒盐噪声；speckle为乘性噪声。参数parameters为对应噪声的参数，如果不设置parameters则采用系统的默认值。 均值滤波复原包括算术均值滤波器和几何均值滤波器。在坐标点，大小为的巨型窗口表示为，算术平均值是窗口中被干扰图像的平均值，即 几何均值滤波器复原图像时，表达式为： 逆谐波均值滤波器的表达式为： 顺序统计滤波包括中值滤波、最大值滤波和最小值滤波。中值滤波能够很好的保留图像的边缘，非常适合去除椒盐噪声，效果优于均值滤波。 下面首先介绍中值滤波。在坐标点，大小为的窗口表示为，中值滤波是选取窗口中被干扰图像的中值，作为坐标点的输出，公式为： 最大值滤波器也能够去除椒盐噪声，但会从黑色物体的边缘去除一些黑色像素。最大值滤波器的公式为： 最小值滤波器和最大值滤波器类似，但是会从白色物体的边缘去除一些白色像素。最小值滤波器的公式为： 在MATLAB软件中，函数wiener2( )可以根据图像中的噪声进行自适应维纳滤波，还可以对噪声进行估计。该函数根据图像的局部方差来调整滤波器的输出。该函数的调用格式为： J=wiener2(I, [m, n], noise)：该函数对图像I进行自适应维纳滤波，采用的窗口大小为m×n，如果不指定窗口大小，默认值为3×3。输入参数noise为噪声的能量。返回值J为滤波后得到的图像。 [J, noise]=wiener2(I, [m, n])：该函数对图像中的噪声进行估计，返回值noise为噪声的能量。 下面对图像复原的常用方法进行介绍，主要包括逆滤波复原、维纳滤波复原、约束最小二乘法复原、 Lucy-Richardson复原和盲解卷积复原等。 表示输入图像，即理想的、没有退化的图像，是退化后观察得到的图像，为加性噪声。通过傅立叶变换到频域后为： 图像复原的目的是给定和退化函数，以及关于加性噪声的相关知识，得到原图像的估计图像，使该图像尽可能的逼近原图像。用于复原一幅图像的最简单的方法是构造如下的公式： 然后通过的傅立叶反变换得到图像的估计值，称为逆滤波。逆滤波是一种非约束复原方法。非约束复原是指在已知退化图像的情况下，根据对退化模型和噪声的一些知识，做出对原图像的估计，使得某种事先确定的误差准则为最小。在得到误差最小的解的过程中，没有任何约束条件。 对于直接逆滤波，由于存在噪声的影响，退化图像的估计公式为： 维纳（wiener）滤波最早是由Wiener首先提出的，并应用于一维信号，取得很好的效果。后来该算法又被引入二