《图像处理课件》第5章 图像复原.pptVIP

图像退化举例1： 图像退化举例2： 复原举例1： 复原举例2： 有约束最小平方恢复举例： 5.5.2 几何校正 代入上式 记作矩阵形式 同样有 解方程组，得到ai，bi 12个系数。 f(x,y) g(x’, y’) 5.5.2 几何校正 内插法确定像素的灰度值 几何变换是由输出图像像素坐标反算出输入图像坐标，但该坐标并非整数，需要进行灰度再采样。 例： 最近邻插值 双线性插值 Nearest Neighbor Bilinear 再采样是通过灰度插值来完成的 5.5.2 几何校正 作业 问题 5-1 图像退化的原因是什么？什么是图像恢复？图像恢 复与图像增强的区别？ 5-2 a）图像的退化模型是什么？对降质模型有哪两个假设？ b) 点扩散函数是如何由冲击函数推导出来的？ 5-3 离散图像退化模型是什么？ 5-4 a）逆滤波复原、维纳滤波、约束最小平方滤波图 像恢复的约束条件及表示式是怎样的？ b) 非线性约束还原的两种方法？ 5-5 大气湍流造成的传递函数PSF、光学系统散焦传 递函数匀速直线运动模糊下的PSF 5-6 图像恢复的相关指标有哪些？ 5-7 几何校正的两个步骤是什么？为何要进行灰度重采 样？有哪几种重采样方法？? 作业 由退化模型得： 最小均方误差准则： 无约束复原： 在最小二乘方意义上说，希望找到一个 使下式达到最小: 求 n 2 最小等效于求 2 ? f H g - 最小，即求 2 ? ) ? ( f H g f J - = 的极小值问题。这里选择 f ? 除了要求 ) ? ( f J 为最小外，不受任何 其它条件约束，因此称为非约束复原。求 ) ? ( f J 的极小值方法就 是一般的求极值的方法。把 ) ? ( f J 对 f ? 微分，并使结果为 0 ，即: 离散退化模型下的反向滤波法 这种方法要求知道成象系统的表达式H。 因为 H 是一方阵，并且设 H -1 存在，则可求得 : f ù 离散退化模型的反向滤波法 当H(u,v)为0或很小时， ， 在H(u,v)的零点附近变化剧烈，严重偏离实际值．若存在噪声，则后果更严重，图像完全被噪声淹没，造成噪声放大 病态 解决方法：１）去除零点，２）在原点的有限邻域内进行 记M (u, v)为复原转移函数，则其等于1 / H (u, v)。 　 在最小二乘复原处理中，为了在数学上更容易处理，常常附加某种约束条件，从而在多个可能结果中选择一个最佳结果。 例如，可以令 Q 为 f 的线性算子，那么，最小二乘复原问题可看 成是使形式为 2 ? f Q 的函数，服从约束条件 的最小化 2 2 ? f H g n - = 问题。而这种有附加条件的极值问题可用拉格朗日乘数法来处理。 5.3.2 约束还原法 寻找一个 f ? ，使下述准则函数为最小 式中 为一常数，是拉格朗日系数。加上约束条件后，就可以按一般求极小值的方法进行求解。将上式对 微分，并使结果为零，则有: ) ? ( ? ) ( 2 2 2 n f H g f Q J - - + = l f ? 1.维纳（Wiener）滤波器 它一种最小均方误差滤波器。 设 Rf 是 f 的相关矩阵： Rf 的第 ij 个元素是E{fi fj}，代表 f 的第 i 和第 j 元素的相关。 设 Rn是n 的相关矩阵： 根据两个象素间的相关只是它们相互距离而不是位置的函数的假设，可将 Rf 和 Rn 都用块循环矩阵表达，并借助矩阵W来对角化： fe(x, y)的功率谱，记为Sf (u, v) ；ne(x, y)的功率谱，记为Sn(u, v) 。 D是1个对角矩阵，D(k, k) = ?(k) ，则有： 定义： 代入： 则有： 两边同乘以W –1，有： 原图 退化图像 全逆滤波 半径受限逆滤波 维纳滤波结果 运动模糊 运动模糊和加性噪声图像 (b) 逆滤波复原 (c) 维纳滤波复原 (d), (e), (f) 顺序同上，但其中的噪声幅值降低一个数量级 (g), (h), (i) 顺序同上，但其中的噪声幅值降低五个数量级 2.有约束最小平方恢复 只需有关噪声均值和方差的知识就可对每个给定图象得到最优结果（仍需确定变换矩阵Q）： 建立基于平滑测度上的最优准则 ，设 f (x,