ch8- 图象复原.ppt

§1 图象退化和退化模型（Degredation model） 图象退化模型 图象复原是根据退化原因，建立相应的数学模型，从被污染或畸变的图象信号中提取所需要的信息，沿着使图象降质的逆过程恢复图象本来面貌。 离散图像退化模型 线性移不变降质算子 §2 图像恢复的相关指标 模糊信噪比(BSNR, the Blurred Signal-to-Noise Ratio ) 表示由模糊和叠加噪声引起的降质程度 §3 高斯白噪声 产生正态分布的高斯白噪声 设r1,r2,…,rn为一列独立同分布的随机变量，且： 则： 由于概率分布中最简单的是(0, 1)区间上均匀分布的随机数， 当n充分大时 的分布近似于标准正态分布N(0,1)。通常取，此时 最后再通过一般正态分布和标准正态分布之间的变换 便可得到均值为μ、方差为σ2的正态分布的高斯白噪声y。 §4 逆滤波复原方法 运动模糊图象的逆滤波复原 §6 卡尔曼滤波 卡尔曼离散状态方程和观测方程 §7 图象灰度校正和几何畸变校正 一、灰度校正 假设理想图象为f（x,y），由于灰度失真因 子D（x,y）的影响，实际得到的图象为g（x,y）， g（x,y）=D（x,y）f（x,y） 灰度校正是要从畸变的图象g（x,y）中复原原 始图象f（x,y）。一种最直接的方法是用光密度计 测量出被拍摄景物中的某一部分区域S内真实的灰 （亮）度数值C，而对应的图象灰度为gc（x,y）， 则  代入图象复原方程则有 三、几何畸变校正 在图象获取或显示过程中可能产生图象的几何失真， 如下图所示 用拉格朗日法求 微分， γ可以用来调节以满足约束条件。 在退化模型 中，设 循环矩阵H的特征值和特征向量分别为： ?(k) = he(0)+he(M-1)exp[j2?/M?k]+……+ he(1)exp[j2?/M ? (M-1) k] ； ?(k) = [ 1 exp[j2?/M *k] …… exp[j2?/M* (M-1)k]T； 将H的M个特征向量组成一个M*M的矩阵W： W=[?(0) ?(1) ?(2) …… ?(M-1)] H = WDW-1； 式中D为一个对角矩阵，其元素正是H特征值， 即 D (k,k)= ?(k)。 二维情况下的块循环矩阵的对角化借助一维循环矩阵的结果进行推广： 设矩阵W的尺寸为MN*MN，每个元素为W(i,m)=exp(j2?/M*im)WN ； WN为一个N*N矩阵，每个元素为WN(k,n)=exp(j2?/N*kn) ； H = WDW-1 ；且HT = WD*W-1 ； D*为D的复共轭； ∴ D = W-1HW；可转化为对角阵。 设Rf和Rn为f和n的相关矩阵： 它们是对称矩阵。对于大多数图像而言，相邻象素之间相关性很强，在20个象素之外，趋于零。在此条件下， Rf和Rn可以近似为分块循环矩阵： 其中A和B为对角阵，W为酋阵。 若QTQ用Rf－1Rn来代替 当D为对角阵，分块循环矩阵 因此： 写成频域形式为： 其中Sff(u,v), Snn(u,v)分别是f(x,y)和n(x,y)的谱密度。 维纳滤波器 参数滤波器 i=imread(flowers.tif); i=i(:,:,1); j=imnoise(i,gaussian,0,0.005); [k noise]=wiener2(j,[5 5]); subplot(1,2,1); imshow(j); subplot(1,2,2); imshow(k); 维纳滤波是对图像为平稳过程且已知相关函数情况下 再假定为白噪声条件下的最有线性滤波。 维纳滤波提供了一种频域滤波，显然用频域方法时， 计算机的存储量、计算量大而且不能向非平稳过程 推广。 为了克服维纳滤波的上述不足，卡尔曼等人在20世纪60年代初提出了一种递归滤波算法，即卡尔曼滤波。 由于空间技术的需要推动了卡尔曼滤波的发展。它虽然也是根据随机过程统计的观点，但它可以在时域进行。 卡尔曼滤波的另一个优点是它用递归滤波的方法，节约了存储量，减少了计算量。 卡尔曼滤波也是求最小方差意义上的最优解，但它可以从某一点为起点去观测，用递归方法计算，有利于计算机实时求解。 缺点：由于采用递归方法，执行效率低。 卡尔曼离散滤波的两个方程为状态方程和观测方程 状态方程