图像复原第二次课[精选].ppt

讨论一下上式的几种情况 （1）如果s=1，方括号中的项就是维纳滤波器 （2）如果s是变量，就称为参数维纳滤波器 （3）当没有噪声时，Sn(u,v)=0，维纳滤波器就退化为理想的逆滤波器 （4）当Sn(u,v)和Sf(u,v)未知时，用常数K可代替 因此必须调节s以满足 f^ = (HTH + sQTQ)–1 HTg 结果分析 （1） =1时，该滤波器称为标准维纳滤波器，但不能说可以利用上式在约束条件下得到最佳估计； =变量时，称为变参数维纳滤波器。 （2）无噪声时，即 ，即变为逆滤波器，即 因此，反向滤波器可看作是维纳滤波器的一种特殊情况。 （3）在有噪声存在的情况下，相比于反向滤波器来说，维纳滤波器中由于存在 项，会对噪声的放大具有自动抑制作用，同时也不会在H(u,v)为0时出现被0除的情形。 5.4 图像的有约束最小二乘恢复 （4)在实际应用中， 和 经常是未知的，但可用一常数k来表示噪声和信号的功率谱密度比，则： 5.4 图像的有约束最小二乘恢复 该式可以使退化图像得到一定程度的恢复，但不一定是最佳恢复。实际应用中，k可通过已知的信噪比来获得。 维纳滤波复原法 采用维纳滤波器的复原过程步骤如下： (1)计算图像g（x,y）的二维离散傅立叶变换得到G(u,v)。 (2)计算点扩散函数hw(x,y)的二维离散傅立叶变换。同逆滤波一样，为了避免混叠效应引起的误差，应将尺寸延拓。 (3)估算图像的功率谱密度Pf和噪声的谱密度Pn。 (4) 计算图像的估计值 。 (5)计算 的逆付氏变换，得到恢复后的图像 。 5.4 图像的有约束最小二乘恢复 (b) (c) (d) (e) (f) (g) (h) (i) （a）被高斯噪声污染的图像； （b）逆滤波恢复图像；（c）维纳滤波恢复的图像； （d）~（f）为相应的由噪声方差比（a）小1个数量级的降质图像得到的结果； （g）~（i）为相应的噪声方差小5个数量级的图像得到的结果。 图5.4.1 维纳滤波法和反向滤波法恢复图像的效果比较 由于反向滤波器的病态性质，会导致在H(u,v)的零值附近恢复滤波器 的数值变化剧烈，使恢复后的图像产生多余的噪声和虚假边缘。而这些噪声的强弱和虚假边缘的多少可用图像的二阶导数来表示。通过选择合理的Q，并对 进行优化，可将这些噪声和虚假边缘降至最小，也就是让该二阶导数降为最小，即使 称为Laplacian算子。 在离散情况下， 可用下面的差分运算来实现 ?约束最小平方滤波法 5.4 图像的有约束最小二乘恢复 上述运算可用f(m,n)与下面的模板（掩模矩阵）进行卷积来求解。 在离散卷积的过程中，为避免交叠误差，可将p(m,n)延拓为pe(m,n)再卷积。 若f(m,n)的大小为 ,则延拓后的M、N应为: 5.4 图像的有约束最小二乘恢复 可以写成分块循环矩阵： C中的任一元素Cj是由pe(m,n)的第j行组成的 循环矩阵，即 5.4 图像的有约束最小二乘恢复 令Q=C,则有约束恢复的结果就变为: 同样可用W矩阵使C对角化，即: 式中P(u,v)是pe(m,n)的傅立叶变换。则恢复结果变为： （5.4.23） （5.4.26） 5.4 图像的有约束最小二乘恢复 上式中的各元素可写成如下形式（设M=N）： 该滤波器就称为约束最小平方滤波器 。 （5.4.26） ?约束最小平方滤波法与维纳滤波法比较 它与维纳滤波法相同的是，两者都属于约束恢复，频域的恢复公式类似，但也有本质区别。用约束最小平方滤波器恢复图像时，不需要知道图像和噪声的自相关矩阵Rf 和Rn 。 。 约束最小平方滤波法的恢复效果如下图5.4.2所示，将其与维纳滤波恢复法的结果相比较，可以看出，带有平滑约束的恢复法能得到更加符合人眼视觉效果的平滑图像，并且在噪声较大的情况下比维纳滤波法的效果明显要好。 5.4 图像的有约束最小二乘恢复 （a）、（b）和（c）是分别由图5.4.1中（a）、（d）和（g）得到的约束最小平方滤波结果，与维纳滤波法恢复结果（d,e,f）比较。 （a） （d） （f） （c） （e） （b） 5.5 几何畸变图形的恢复 （c） （b） （a）