5-第五章数字图像恢复1、2.ppt

积分和y无关，可表示成只是x的函数 为讨论方便，略去常数因子 再把y带入，就可得到最终结果： 替换 由运动模糊引起的降质图像的恢复。 a为原图，b为降质图，c为恢复图 沿水平方向匀速运动造成的模糊图像的恢复处理例子。 （a）是模糊图像，（b）是恢复后的图像。 去除由匀速运动引起的模糊 这种由于在图像成像积分时间内摄象机与被摄景物之间产生相对运动，导致图像模糊的现象是我们在实际应用中常常遇到的问题。 对于这种模糊图像的恢复是十分重要的。 镜头聚焦不准产生的散焦模糊； * 白噪声：图象平面上不同点的噪声是不相关的，其（功率）谱密度为常数。 实际降质过程中，降质的另一个复杂因素是随机噪声， 考虑有噪声的图像恢复，必需知道噪声统计特性以及噪声和图像信号的相关情况，这是非常复杂的。 ? 假设1：噪声与图像内容不相关 ? 假设2：退化图像可以表示为噪声与图像的叠加 ? 噪声频谱的特点 –随机噪声的频谱通常较宽 –图像内容的带宽总是有限的 由于离散卷积和离散傅里叶变换均是针对周期函数定义的，为了避免离散卷积的周期性序列之间发生相互重叠现象，必须对函数f(x)和h(x )进行周期性延拓，并取M=A+B-1，则 * 为 的范数的平方。 已知退化图像的傅里叶变换和系统的传递函数，就可以求原始图像的傅里叶变换，经傅里叶反变换就可以求得原始图像。 * A可用g图像估计 * * M×M阶矩阵H可写为 可以看出，H 为一个循环矩阵，即每行最后1项等于下1行最前1项，最下1行最后1项等于第1行最前1项。 上述讨论的一维退化模型不难推广到二维情况。 如果给出A×B 大小的数字图像，以及C×D大小的点扩散函数，则首先做成大小为M×N 的周期延拓图像： 为避免折叠，要求M ≥ A+C-1, N≥ B+D-1 2. 二维离散退化模型 二维离散退化模型 考虑到噪声，离散图像退化模型可以写成如下形式： 写成矩阵形式为： 3.图像的离散退化模型 其中，每个 都是一个N×N 矩阵，由延拓函数 第j 行而来： 可见， 是一个循环矩阵，H是分块循环矩阵。 上述离散退化模型都是在线性空间不变的前提下得出的，这种退化模型已为许多恢复方法所采用，并有良好的恢复效果。 恢复任务：去除图像畸变、补偿图像模糊和减弱噪声效应，以使空间图像恢复。 基本思路：由给定的降质图像 g 和对退化模型 H 及噪声 n 的先验了解，寻找一个对原图像 f 的最优估计 ，而使事先确定的最优准则为最小。 5.3代数恢复方法 若图像的降质模型为： 对n没有先验知识， 对 f 的估计 使得： 取值最小，J称为准则或目标函数。 这里： 以上形成了一个对 f 无约束的复原问题。 5.3.1无约束最小二乘方恢复 常用的最小二乘方准则函数。 求极小值： 令M＝N，且H可逆： 上式表明在最小二乘方准则下寻找出的最优估计图像 可由降质图像 和降质系统冲激响应的逆矩阵 求得。 约束最小二乘法恢复：除了要求知道系统的冲激响应外，还需要知道噪声的统计特性和噪声、图像的相关情况。 5.3.2有约束最小二乘方恢复 1、有约束的最小二乘恢复的方法 若图像的降质模型为： 令Q为 f 的线性算子，在约束 下, 使 为最小的原图 f 的最佳估计 。 求极小值： 可利用拉格朗日乘数法进行处理。 构造辅助函数： 由此可得恢复步骤为： ① 选取一个 代入 ，把求得的 代入式 ② 当结果大于 ，减小 ，返回①； ③ 当结果小于 ，增加 ，返回①； ④ 重复上述迭代过程，直到式 满足为止。此时 为恢复图像。 之差小于某一阈值 问题的核心转化为求合适的矩阵Q，不同的选择导致不同的恢复方法。 如：Q＝I，能量约束恢复， 维纳滤波图像恢复。 2、维纳滤波图像恢复 设 分别为原始图像f和噪声n的相关矩阵，定义如下： 维纳滤波选择： 获得对原图像的均方误差最小的估计。这时： ＝1为标准维纳滤波， 不为 1时对应含参数的维纳滤波。 可以通过迭代的方法得到。 5.4频率域恢复方法 5.4.1逆滤波恢复法