图像复原讲述.pptVIP

第6章 图像复原 基本思路： 图像退化和复原 退化：在图像的获取、传输过程中，由于成像系统、传输介质等方面的原因，不可避免地造成图像质量的下降。 图像复原：对退化的图像进行处理，试图恢复损坏的图像，还原真面目。 典型的图像复原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，使图像质量得到改善。 图像退化和复原 建立系统退化模型：在研究图像退化原因的基础上，以退化图像为依据，运用某些先验知识，建立系统退化的数学模型。 然后再将劣化了的图像以最大的保真度恢复图像。 找退化原因→建立退化模型→反向推演→恢复图像 图像复原主要取决于对图像退化过程的先验知识所掌握的精确程度，体现在建立的退化模型是否合适。 图像退化 原因：成像系统受各种因素的影响，导致了图像质量的降低，或者说是退化。由于获得图像的方法不同（光学、光电子或电子等），有多种退化形式，都使成像的分辨率和对比度退化，例如： * 传感器噪声 * 摄像机聚焦不佳 * 物体与摄像机之间的相对移动 * 随机大气湍流 光学系统的象差 * 成像光源和射线的散射 图像退化 图像退化 图像退化 典型表现：图像模糊、失真、有噪声。 复原方法：根据不同的退化模型，处理技巧和估计准则，导出各种不同的恢复方法 图像复原的方法 图像恢复的典型情况： 仅有几何失真：如果图像仅有几何失真，则可图像形态变换进行校正，其重点在于获取图像失真的原因或失真变换模型； 仅有确定性噪声且噪声的数学模型明确：通过分析噪声的频谱，选择合适的空域或频域滤波器进行去除； 仅有随机性噪声且噪声的统计模型未知：采用均值滤波、自适应中值滤波等图像增强方法进行恢复，由于这些方法是基于主观感受的恢复方法，因此无法完全恢复图像； 图像复原的方法 仅有随机性噪声且噪声的统计模型已知：采用自适应滤波等可以估计噪声统计模型参数的恢复方法； 仅有退化过程：逆滤波恢复； 含有随机性噪声且经受退化过程：统计最优恢复方法。 图像恢复技术的重点：在对退化系统和图像信号及噪声的有限的先验知识条件下，尽可能准确的恢复图像。 图像复原 与图像增强相似－都要得到在某种意义上改进的图像，希望要改进输入图像的视觉质量。 图像增强：用适当方式改善图像质量，增强图像的视觉效果，以适应人眼的视觉和心理，不用考虑增强处理后的图像是否符合原有图像，是否失真。 图像复原 图像复原和图像增强的区别： 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。因此，图像增强可以不顾增强后的图像是否失真，只要看得舒服就行。 基本思路： 图像复原 图像复原要明确规定质量准则 衡量接近原始景物图像的程度 图像复原模型 可以用连续数学或离散数学处理； 图像复原根据退化的数学模型对退化图像进行处理，其实现可在空间域卷积或在频域相乘。 图像复原 在航空航天、国防公安、生物医学、文物修复等领域具有广泛的应用。 传统的复原方法—基于平稳图像、线性空间不变的退化系统、图像和噪声统计特性的先验知识已知等条件下讨论。 现代的复原方法—对非平稳图像（如卡尔曼滤波）、非线性方法（如神经网络）、信号与噪声的先验知识未知（如盲图像复原）等前提下开展工作。 连续图像退化的数学模型 连续图像退化的一般模型如图所示： 输入图像f(x, y)经过一个退化系统或退化算子H(x, y)后产生的退化图像g(x, y)可以表示为： g(x, y)= H[f(x, y)] 如果仅考虑加性噪声的影响，则退化图像可表示为： g(x, y)= H [f(x, y)]+n(x, y) 连续图像退化的数学模型 退化的图像是由成像系统的退化加上额外的系统噪声而形成的。 若已知H(x, y)和n(x, y)，图像复原是在退化图像的基础上，作逆运算，得到f(x, y)的一个最佳估计。 “最佳估计”而非“真实估计”。 由于存在可能导致图像复原的病态性。 连续图像退化的数学模型 导致图像复原的病态性的原因： （1）最佳估计问题不一定有解。 —由于图像复原中可能遇到奇异问题； （2）逆问题可能存在多个解。 连续图像退化的数学模型 假定退化系统H是线性空间不变系统，则： (1) 线性： (2) 相加性（k1 = k2 = 1 ）： (3) 一致性（f2(x, y) = 0 ）： (4) 位置（空间）不变性： 连续图像退化的数学模型 根据卷积定理，连续函数f(x, y)可用二维 函数的二维卷积表示： 退化图像： 点扩展函数PSF（Point-spread