数字图象处理及matlab的实现 ppt 课件 第05章.ppt

* 频率滤波消减周期噪声 (a) 被正弦噪声污染的图像 (b) 图(a)的频谱 (c) 巴特沃思带阻滤波器 (d) 滤波效果图 (a) (b) (c) (d) * 频率滤波消减周期噪声 带通滤波器（bandpass filter） 带通滤波器执行与带阻滤波器相反的操作. 滤波器传递函数可从相应的带阻滤波器传递函数得到 可利用带通滤波器提取噪声模式 * 退化函数建模 退化模型: 系统H是线性的如果: 系统H是位置不变的或空间不变的如果对于任意f(x,y)和α、β有: 暂时不考虑噪声，则退化模型成为: * 直接逆滤波 未知的随机函数 退化函数 避免H(u,v)为零值，否则N(u,v)/ H(u,v)会过大而失去逆滤波的实际意义, 方法之一是只保留原点附近的频率成分。 全滤波结果 截止频率为40 截止频率为70 截止频率为85 退化函数： * 维纳滤波 逆滤波没有说明怎样处理噪声. 维纳滤波综合考虑退化函数和噪声统计特性. 维纳滤波的目标是寻找使下面均方误差最小化的估计图像 ： 结果为： 维纳滤波器，最小均方误差滤波器，最小二乘方误差滤波器 Wiener filter, minimum mean square error filter, least square error filter 退化函数： 噪声功率谱： 未退化图像功率谱： * 最小均方误差滤波(维纳滤波) 处理白噪声时, 噪声功率谱Sη(u,v)是常数,公式简化, 但Sf(u,v)仍未知。 经常采用下面的近似公式： 其中K为一待指定的常数。 全滤波的逆滤波结果 截止频率为70的 逆滤波结果 维纳滤波结果 * (a) (b) (c) (d) (e) (f) (g) (h) (i) (a)由运动模糊及均值为0方差为650的加性高斯噪声污染的图像 (b) 逆滤波的结果 (c) 维纳滤波的结果 (d)-(f) 噪声方差减小一个数量级 (g)-(i) 噪声方差减小5个数量级 * 几何变换与图像配准 几何变换 (geometric transformation) 可修改数字图像中像素间的空间联系。几何变换由两个基本操作组成: 图像配准(registration)把两张不同角度同一场景的图像进行对准 空间变换：重新安排图像平面上的像素; 灰度级插值：对空间变换后图像中的像素进行灰度级赋值. 空间变换 (spatical transformations)：x = r(x,y), y = s(x,y) (x,y) (x,y) 原图像 几何形变图像 在实际中，r(x,y)和s(x,y)的解析形式一般不存在， * 几何变换 灰度级内插 (gray-level interpolation): 为何要进行灰度级内插？在前面计算校正图像灰度的方法中，(x0,y0)不一定是整数位置，从而g(x0,y0)未必存在。 最近邻内插法： 校正图像 失真图像 缺点：易产生扭曲边界。 * 几何变换 双线性内插法：利用(x,y)的四个最近邻像素的灰度级进行插值。内插获得的灰度级： 利用4个近邻点可建立4个关于a, b, c, d的方程。 校正图像 失真图像 * * 图像配准(Registration) 实际进行空间变换常利用“联结点”。 联结点 (tiepoints)：在 (失真的)输入图像和 (校正的)输出图像中的位置对应且已知的像素。 校正图像 失真图像g 假设几何变形过程用双线性方程建模，即: 总共有8个联结点, 可解出8个系数, 得到四边形内几何失真模型. 通常需要足够多的联结点以产生覆盖整个图像的四边形集. (x0,y0) (x0,y0) 求校正图像在(x0,y0)处的值： 利用空间变换模型计算与(x0,y0)对应的失真坐标(x0,y0); 令 得到校正图像的灰度值。 * (a) 布置连接点的原图像 (b) 几何失真后的连接点 (c) 利用最近邻内插获得的失真图像 (d) 利用最近邻内插获得的复原图像 (e) 利用双线性内插获得的失真图像 (f) 利用双线性内插获得的复原图像 利用最近邻内插法几何校正的效果尚可，但沿着灰色和黑色区域的边界处存在灰度级赋值的明显错误。双线性内插法对此有明显改善。 Log-polar 变换： 由直角坐标(x,y)?对数极坐标(r, θ) x=exp(r)cos(θ) y=exp(r)sin(θ) * T=[2 0 0; 0 3 0; 0 0 1]; tform=maketform(‘affine’, T); g=imtransform(f, tform, ‘interp’); Tscale=[1.5 0 0;0 2 0; 0 0 1]; trotation=[c