数字图像处理-5章.pptVIP

脉冲噪声（椒盐噪声） 设ba，则灰度值b在图像中是一个亮点，a则是一个暗点，若Pa和Pb中有一个为0，则称为单极脉冲，视觉上，双击脉冲噪声类似于餐桌上的胡椒和盐粉，因此也称为椒盐噪声，其中，亮点对应于“盐粉”，而暗点对应于“胡椒”。 b和a通常是饱和值，即它们是图像中可表示的最大值和最小值，因此一般为255和0。 测试图，只有三种不同的灰度级，因此它的直方图只有三条线条。 前面几种噪声模型在视觉上很难区分，但在直方图上差异非常明显； 椒盐噪声是上述唯一会引起视觉区分识别的噪声，其直方图也很特别。 周期噪声：图像获取过程中电力或机电干扰中产生的，是一种空间依赖型的噪声，例如特定频率干扰的一张图像。 4. 噪声模型的估计 从传感器的规格说明中获取； 通过傅立叶频谱检测； 使用一张标准图像检测成像系统的噪声参数，例如黑色背景下的一个白色方块图； 利用图像本身的信息？ 截取图像区域中较为平缓的一个子区域，作为标准测试图像，检测噪声直方图形状。 5.2.1 无约束代数复原法 方法：不同的误差最优准则，得到不同的复原方法。 目的：已知降质图像g, 对噪声n没有先验的知识，估计原始图像 , 使得某种事先确定的误差最小。 5.2 无约束图象恢复 使得 最小的准则称为最小二乘方准则，此时的复原方法是无约束的图像复原。 根据范数定义有： 使得准则函数最小： 记 离散图像退化模型 g=hf+n n=g-hf 根据向量微分性质： 则： 5.2.2 逆滤波（去卷积） 连续图象退化模型 G(u,v)=F(u,v) H(u,v) H(u,v)不为0时 考虑噪声： 令 ，它是H(u,v)的逆，代表滤波器的转移函数，该恢复方法取名为逆滤波。 F(u,v) H(u,v) + M(u,v) G(u,v) N(u,v) 当H(u,v)很小或等于零，即出现了零点，就会导致不定解。 即使没有噪声，一般也不可能精确地复原f(x,y)。如果考虑噪声项N(u,v)，则出现零点时，噪声项将被放大，零点的影响将会更大，对复原的结果起主导地位。 考虑到退化系统的传递函数H(u,v)的带宽比噪声的带宽要窄的多，其频率特性具有低通性质，取恢复转移函数M(u,v)为 存在振铃现象 可以用下式消除振铃现象： 逆滤波 改进后的逆滤波 逆滤波图像复原寻找一个最优估计图像，使得准则函数最小，此外不受任何其它约束，是一种无约束复原。 但是由于传递函数存在零点的问题，复原只能局限在离原点不太远的有限区域内进行，使得无约束图像复原具有相当大的局限性。 5.3 有约束图像复原 在了解图像退化函数的基础上，还需要知道某些噪声的统计特性或噪声与图像的某些相关情况。 根据所了解的噪声先验知识的不同，采用不同的约束条件，从而得到不同的图像复原技术。 有约束代数复原方法 维纳滤波 功率谱均衡复原 在约束最小二乘法复原问题中，令Q为f的线性算子，要设法寻找一个最优估计 ，使形式为 、服从约束条件 的函数最小化。 5.3.1 有约束代数复原方法 拉格朗日系数 求导并使 为零 ，则 式中γ=1/α，这个量必须调整到约束条件被满足为止。 求解最优估计 核心就是选择一个合适变换矩阵Q； 不同的Q对应不同类型的有约束的最小二乘法图像复原方法。 一、能量约束 当Q矩阵为单位矩阵时，即 其物理意义是：当有若干个可能的解时，能量最小的解为最佳解，此时约束条件 最小。 二、特征约束 特征约束是以图像空间的滤波特征为依据确定约束矩阵，令 上述的Q表示在垂直方向和水平方向都取二阶差分，则此时的解是在所有解中二阶差分最小的解就是该约束条件的解。 Rf和Rn分别是图像f和噪声n的相关矩阵： Rf = E{f fT}； Rn= E{nnT} Rf的第ij个元素是E{ij}，代表f 的第i和第j元素相关。Rf和Rn都是实对称矩阵。 对大多数图像来说，像素间的相关不超过20-30个像素，所以典型的相关矩阵只在主对角线方向上有一条非零元素带，而在右上角和左下角的区域将为零值。 5.3.2 维纳滤波 对应Rf和Rn中相应元素的傅立叶变换，并分别记为Sf(u,v)和Sn(u,v)表示 1、如果γ=1，称为维纳滤波器 ；γ为变量，则称为参变滤波器。 2、无噪声时，Sn(u,v)=0。退化成逆滤波器。因此，逆滤波器可看成是维纳滤波器的一种特殊情况。 3、如果不知道噪声的统计性质，即当Sf(u,v)和Sn(u,v)未知时： 逆滤波