第五图像消噪和恢复解决方案.ppt

(1)对退化图像g(x，y)作二维离散傅立叶变换，得到G(u,v)； (2)计算系统点扩散函数h(x，y)的二维傅立叶变换，得到 H(u,v); (3)逆滤波计算 (4)计算 的逆傅立叶变换，求得 。 逆滤波复原过程可归纳如下: 若噪声为零，则采用逆滤波恢复法能完全再现原图像。 若噪声存在，而且H(u,v）很小或为零时，则噪声被放大。这意味着退化图像中小噪声的干扰在H(u,v)较小时，会对逆滤波 恢复的图像产生很大的影响，有可能使恢复的图像和f(x,y)相差很大，甚至面目全非。当u-v平面上的某引起点或区域H(u, v)很小或等于零，即出现了零点时， 就会导致不稳定解。 但实际获取的影像都有噪声，因而只能求F(u,v)的估 计值 。 再作傅立叶逆变换得 一种改进方法是考虑到退化系统的传递函数H(u, v)带宽比噪声的带宽要窄得多，其频率特性具有低通性质，取恢复转移函数M(u, v)为 其中，ω0的选取原则是将H(u, v)为零的点除去。这种方法的缺点是复原后的图像的振铃效果较明显。 消除匀速直线运动模糊： 线性运动退化是由于目标于成像系统间的相对匀速直线运动 形成的退化。 改进的方法： 维纳滤波 在一般情况下，图像信号可近似地认为是平稳随机过程， 维纳滤波将原始图像 f 和对原始图像的估计 看作为随机变量。假设 Rf 和 Rn为 f 和 n 的自相关矩阵，其定义为 式中，E{·}代表数学期望运算。 5.4 有约束恢复 Rf和Rn均为实对称矩阵，在大多数图像中，邻近的像素点是高度相关的，而距离较远的像素点的相关性却较弱。通常，f 和 n的元素之间的相关不会延伸到20～30个像素的距离之外。因此，一般来说，自相关矩阵在主对角线附近有一个非零元素带， 而在右上角和左下角的区域内将为零值。如果像素之间的相关是像素之间距离的函数， 而不是它们位置的函数，可将Rf和Rn近似为分块循环矩阵。因而，用循环矩阵的对角化，可写成 W的第i, m个分块为 i, m=0, 1, …, M-1 其中，WN为一个N×N矩阵，其第k, n个位置的元素为 k, n=0, 1, …, N-1 式中，A和B的元素分别为Rf和Rn中的自相关元素的傅立叶变换。这些自相关的傅立叶变换被分别定义为fe(x, y)和ne(x, y)的谱密度Sf (u, v)和Sn(u, v)。 式中，W为一个MN×MN矩阵，包含M×M个N×N的块。M、N的含义见二维离散模型部分。 定义QTQ=R-1f Rn，代入式(11-33)，得 进一步可推导出 式中，D*为D的共轭矩阵。 再进行矩阵变换： 假设M=N，则 式中，u, v=0, 1, 2,…, N-1， |H(u, v) |2=H*(u, v)H(u, v)。 对式作如下分析：  (1) 如果γ=1，称之为维纳滤波器。注意，当γ=1时，并不是在约束条件下得到的最佳解，即并不一定满足 若γ为变数，此式为参变维纳滤波器。 使用参变维纳滤波法时，H(u, v)由点扩展函数确定，而当噪声是白噪声时，Sn(u, v)为常数，可通过计算一幅噪声图像的功率谱Sg(u, v)求解。由于Sg(u, v)=|H(u, v) |2Sf(u, v)+Sn(u, v)，所以Sf (u, v)可通过式求得。 (2) 当无噪声影响时，Sn(u, v)=0，称之为理想的反向滤波器。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，也就是Sf (u, v)和Sn(u, v)未知时，式(11-39)可以用下式近似： 式中，K表示噪声对信号的频谱密度之比。 有约束最小平方恢复 约束最小平方复原是一种以平滑度为基础的图像复原方法。如前所述，在进行图像恢复计算时，由于退化算子矩阵H［·］的病态性质，多数在零点附近数值起伏过大，使得复原后的图像产生了多余的噪声和边缘。约束最小平方复原仍然是以最小二乘方滤波复原公式为基础， 通过选择合理的Q，并优化‖Qf‖2，从而去掉被恢复图像的这种尖锐部分，即增加图像的平滑性。 我们知道，图像增强的拉普拉斯算子 ，它具有突出边缘的作用， 然而则恢复了图像的平滑性，因此，在作图像恢复时可将其作为约束。现在的问题是如何将其表示成‖Qf‖2的形式，以便使用式(11-37)。