第6章 图像复原(第1讲).pptVIP

(6—46) 式中 G(u,v) ， H(u,v) ， F(u,v) 分别是退化图像 g(x,y) ，点扩散函数 h(x,y) ，原始图像 f(x,y) 的傅立叶变换。 由式(6—46)，可得 (6—47) (6—48) 这意味着，如果已知退化图像的傅立叶变换和“滤波”传递函数，则可以求得原始图像的傅立叶变换，经反傅立叶变换就可求得原始图像 f(x,y)。这里 G(u,v) 除以 H(u,v) 起到了反向滤波的作用。这就是逆滤波法复原的基本原理。 在有噪声的情况下，逆滤波原理可写成如下形式 (6—49) (6—50) 式中 N(u,v) 是噪声 n(x,y) 的傅立叶变换。 利用式(6—47)和式(6—50)进行复原处理时可能会发生下列情况，即在 u,v 平面上有些点或区域会产生 H(u,v)=0 或 H(u,v) 非常小的情况，在这种情况下，即使没有噪声，也无法精确恢复 f(x,y) 。 另外，在 有 噪 声 存 在 时 ，在 H(u,v) 的领域内， H(u,v) 的值可能比 N(u,v) 的值小的多，因此由式（6—50）得到的噪声项可能会非常大，这样也会使 f(x,y) 不能正确恢复。 一般来说，逆 滤 波 法 不 能 正 确 地估计 H(u,v) 的零点，因此必须采用一个折衷的方法加以解决。实 际 上 逆 滤 波 不 是用1 / H(u,v)，而是采用另外一个关于 u,v 的函数 M(u,v) 。它的处理框图如图6—2所示。 在没有零点并且也不存在噪声的情况下 图 6—2 实际的逆滤波处理框图 图6—2的模型包括了退化和恢复运算。退化和恢复总的传递函数可用 来表示。此时有 (6—51) 式中 是 的估计值， 是 的傅立叶变换。 叫做输入传递函数， 叫做处理传递函数， 叫做输出传递函数。 一般情况下， 的幅度随着离 平面原点的距离的增加而迅速下降，而噪声项 的幅度变化是比较平缓的。在远 离 平面的原点时 的值就会变得很大，而对于大多 数 图 像 来 说 却变小，在这种情况下，噪声反而占优势，自然无法满意地恢复出原始图像。这一规律说明，应用逆滤波时仅在原点邻域内采用 1/ 方能奏效。 换句话说，应使 在下述范围内来选择 (6—52) 的选择应该将 的零点排除在此邻域之外。 6.3 最小二乘方滤波 最小二乘方滤波也就是维纳滤波。它是使原始图像 及其恢复图像 之间的均方误差最小的复原方法。 上述的一维时域冲激函数 不难推广到二维空间域中。如果推广至二维空间，那么可定义 为冲激函数。 就是有延迟的冲激函数。显然，可以把 写成下式形式 (6—11) 根据 的关系, 如果令 , 则有下式成立 由于 是线性算子，所以 (6—12) 令 则 (6—13) 其中 就是系统 的冲激响应。也就是说 是系统 对坐标为 处的冲激函数 的响应。在光学中，冲激为一光点，所以 又称为点扩散函数（PSF）。 式(6—13)就是线性系统理论中非常重要的费雷德霍姆(fredholm)积分。式(6—13)指出，如果系统 对冲激函数的响应为已知，则对任意输入 的响应可用式(6—13)求得。换句话说，线性系统 完全可由其冲激响应来表征。 在空间位置不变的情况下 (6—14) 在这种情况下，显然 (6—15) 这说明，系统 加入输入信号的响应就是系统输入信号与冲激响应的卷积积分。 在有加性噪声的情况下，前述的线性退化模型可表示为 (6—16) 当然，在上述情况中，都假设噪声与图像中的位置无关。 式(6—16)就是我们主要研究的连续函数的退化模型。 6.1.1 系统 的基本定义 6.1.2 连续函数退化模型