李艳琴 1012203036 自动化学院 基于小波变换的多通道图像盲复原算法及.doc

李艳琴 1012203036 自动化学院 基于小波变换的多通道图像盲复原算法及其仿真 多通道的盲复原要比单通道的盲复原的结果更为准确，可以利用各个通道之间的冗余信息及其之间的互补性来提高图像的复原质量。迄今为止，对于多通道图像盲恢复的研究已步入一定的轨道，因而研究的方法也是各不相同，本文所采用的方法是由单通道图像盲复原扩展到多通道图像盲复原。采用该方法的出发点在于：首先，单通道图像盲算法的研究相对于多通道而言更为成熟，因而可以在借鉴的基础上加以创新；其次，算法相对简单明了且层次分明，复原效果较好。 为了简化算法的研究，本文将这一问题分解为两个小问题进行研究。首先，复原：对获取的各个通道的退化图像的进行盲复原处理，以提高图像的质量；其次，融合：为了实现多通道的图像盲复原，故将各个通道获得的盲复原图像，利用它们之间的信息冗余性和互补性进行融合。图像融合的方法很多，但是本文首选基于小波变换的图像融合技术。算法的整个研究流图如图1所示： 图1 算法的研究流图 1 基于盲反卷积的图像复原方法 所谓盲复原，就是在几乎不知道传输系统的特性以及点扩展函数PSF的一些先验知识的情况下，对接收到的模糊加噪图像进行复原，以提高图像的分辨率，从而获取更加有效而精确的信息，尽最大可能的接近真实图像。 图像在传输过程中必然会引入加性噪声，因而图像处理的第一步就是对获得的图像进行去噪，但是正如我们所知，任何一种去噪声的方法都不可能将图像中的噪声完全去除，故去噪以后的图像中必然还掺杂着少量的噪声，本文将这一图像称为处理后的退化图像。本文研究的重点是对图像的复原，故略过图像去噪这一步骤，直接对处理后的退化图像进行盲复原。在盲复原算法的研究过程中，将问题进一步分解为两个小问题。第一，如何产生一幅处理后的退化图像？第二，如何对处理后的退化图像进行盲复原？如图2所示： 图2 盲复原算法分解图 首先解决问题一，为了模拟出处理后的退化图像，先将原始图像通过一个高斯型的滤波器，这一步骤是为了模拟出图像所经过的系统，得到的图像卷积图像（原始图像与系统函数的卷积）。再往卷即图像中加入一个很弱的高斯噪声（经过图像去噪后的噪声已经大幅度减小），这一步骤是为了模拟出外部环境带来的加性噪声。经过这两个步骤以后，就可以模拟得到处理后的退化图像，显然，真实的传输系统中对图像的影响比上述情况更为复杂，但是考虑到实验的简洁性与可实现性，仅对原始图像做上述两步处理。 其次解决问题二，将处理后的退化图像进行盲复原。本文采用的是基于盲反卷积的图像复原方法，通过调用MATLAB中的deconvblind函数来实现图像的盲反卷积。但是，由于在模拟构造处理后的退化图像时引入了噪声，故在复原过程中不可避免的出现了振铃效应，其产生的直接原因是图像退化过程中信息量的丢失，尤其是高频信息的丢失对复原图像质量影响严重edgetaper函数。 2 基于小波变换的图像融合 在经过盲复原之后，下一步的工作就是对各幅忙复原图像进行融合，以实现单通道图像复原向多通道图像复原的扩展。图像融合的方法很多，从层次上由低到高可以分为像素级融合、特征级融合、决策级融合。仅像素级融合就有多种方法，如线性加权平均法、亮度-色调-饱和度变换法、主分量分析法、多分辨率塔式法、小波变换法等。加权平均法直观，实现简单，但抗干扰能力较差可用于实时性要求高，精度要求不高的场合；多分辨率塔式法，图像分解后的数据具有冗余性和相关性，当融合图像差别较大时，这种相关性很容易引起算法的不稳定；小波具有良好时域和频域局部性以及多分辨率性，因而本文选取小波变换法进行图像融合。 2.1 图像的小波变换 小波变换就是将原始图像分解成一些列具有不同方向、分辨率、和频域性的子图像，充分反映了图像的局部特征。Mallat在图像分解与重构的塔式算法启发下，根据多分辨率理论，提出了小波分解与重构的快速算法，称为Mallat算法[17]。采用离散小波进行图像融合处理，一般采用的是Mallat二进制小波图像分解算法。二维Mallat算法图像的分解可以表示为 (1) (2) (3) (4) 二维Mallat算法图像的重构可表示为 (5) 式中，、和、的下标和分别表示成像系统中的低通滤波器和高通滤波器作用在图像的行和列上，、、和分别表示图像的近似图像（低频，用表示）、方向上的高频细节分量（方向的边缘细节，用表示）、方向上的高频细节分量（方向的边缘细节，用表示）和与方向上的高频细节分量（对角点，用表示）。图3表示了图像的两级小波分解，符号的上标表示小波分解的层数。可以看到，在每一分解层上，图像均被分解为、、和四个频带