第07章图像复原解析.ppt

（a）校正前的畸变图像 （b）校正后的复原图像 图7.19 非线性几何畸变校正实例 本章小结 主要介绍 图像复原的基本任务、图像退化的模型及各种原因、图像复原的常用方法。 要求掌握 图像退化模型、图像退化原因、图像复原的各种方法以及它们之间的相互关系。 重点要求 明确图像退化模型、图像复原方法的应用。 * * * * * * * * * * * * * * * * * * * * * * * * * * * 逆滤波法的特点 优点： 形式简单 适用于极高信噪比条件下的图像复原问题，且降质系统的传递函数H不存在病态性质。 缺点： 具体求解的计算量很大，需要根据循环分块矩阵条件进行简化。 当H等于0或接近于0时，还原的图像将变得无意义。这时需要人为对传递函数进行修正，以降低由于传递函数病态而造成的恢复不稳定性。 7.3 约束复原 约束复原除了对降质系统的PSF有所了解外，还需要对原始图像和外加噪声的特性有先验知识。 根据不同领域的要求，有时需要对f和n作一些特殊的规定，使处理得到的图像满足某些条件。 7.3.1 约束复原的基本原理 约束最小二乘法复原问题 令Q为f的线性算子，要设法寻找一个最优估计 ，使形式为 的、服从约束条件 的函数最小化。 7.3.1 约束复原的基本原理 7.3.2 维纳滤波方法 7.3.3 平滑度约束最小平方滤波 7.3.1 约束复原的基本原理 约束最小二乘法复原问题 令Q为f的线性算子，要设法寻找一个最优估计 使下面的目标函数为最小 （7.23） (7.24) 式中，γ=α-1 式中，α为拉格朗日乘子 , f 的最佳估值 7.3.2 维纳滤波方法 最小二乘法滤波复原的核心是如何选择一个合适的变换矩阵Q。 Q的形式不同，可得到不同类型的复原方法。 选用图像f和噪声n的自相关矩阵Rf和Rn表示Q就可得到维纳滤波复原方法。 将f和n近似地看成是平稳随机过程。假设Rf和Rn为f和n的自相关矩阵。 Rf = E{f f T} （7.25a） Rn = E{nnT} （7.25b） 定义QTQ=R-1fRn，代入式(7.23)，得 （7.26） 假设M=N，Sf和Sn分别为图像和噪声的功率谱，则 （7.27） 分3种情况对式(7.27)作分析： （1）如果γ=1，系统函数Hw(u,v)是维纳滤波器的传递函数。 （2）如果γ=0，系统变成单纯的去卷积滤波器，系统的传递函数即为。 尽管γ≠0但无噪声影响，Sn(u, v)=0，复原系统亦为理想的逆滤波器，可以看成是维纳滤波器的一种特殊情况。 （3）若γ为可调其他参数，此时为参数化维纳滤波器。 图7.2 去卷积维纳滤波复原方法 （a）加性噪声污染和运动模糊图像 （b）复原后的图像 【例7.1】采用维纳滤波复原的具体实现方法 【例7.1】原始图像如图7.2（a），使用函数DECONVWNR对图7.2（b）所示的无噪声模糊图像进行复原重建。 （a）原始图像 （b）无噪声模糊图像 图7.3 原始图像及无噪声模糊图像 图7.4 不同PSF产生的复原效果比较 （a）使用真实的PSF复原 （b）使用较“长”的PSF复原 （c）使用较“陡峭”的PSF复原 7.3.3 平滑度约束最小平方滤波 使用逆滤波器一类的方法进行图像复原时，由于退化算子H的病态性质，导致在零点附近数值起伏过大，使复原后的图像产生了人为的噪声和边缘（振铃）。 通过选择合理的Q（高通滤波器），并对‖Qf‖2进行优化，可将这种不平滑性降低至最小。 使某个函数的二阶导数最小（如Q选用拉普拉斯算子形式表示），可以推导出以平滑度为基础的约束最小二乘方复原方法。 7.4 非线性复原方法 经典复原滤波器的显著特点 约束方程和准则函数中的表达式都可以改为矩阵乘法。 非线性复原方法 所采用的准则函数都不能进行对角化，因而线性代数的方法在这里是不适用的。 设S是非线性函数，当考虑图像的非线性退化时，图像的退化模型可以表示成 （7.34a） （7.34b） 方法简介 7