第5章图像复原讲解.ppt

5.3.3 功率谱均衡复原 如使估计图像的功率谱与原图像f(x,y)的功率谱Sf(u,v)相等，即 则导出功率谱均衡复原滤波器。 维纳滤波和功率谱均衡复原异同： 1、基本形式相同，无噪声时，都能简化成逆滤波器； 2、无信号时，两种信号完全截止 不同之处： 在H(u,v)=0处，维纳滤波器恢复转移函数强迫响应为 零，而功率谱均衡复原滤波器恢复转移函数不为零。 因此维纳滤波器的频率响应曲线有较大剧变，其点扩 展函数有更多旁瓣和细微结构易引起假象。 因此，功 率谱均衡复原滤波器具有较强的图像复原能力，优于 维纳滤波器。 维纳滤波器和功率谱均衡滤波器比较 (a) 维纳滤波器恢复转移函数 频率 M(u,v) (b) 功率谱均衡滤波器恢复转移函数 频率 M(u,v) 维纳滤波的结果非常接近原始图像比逆滤波要好 逆滤波复原图像 改进的逆滤波复原图像 维纳滤波复原图像 * 根据向量微分性质有： 循环矩阵对角化： H=WDW-1 循环矩阵 利用系统对角化矩阵D来描述，可以写成： 可由降质图像g和降质系统的冲激响应的逆矩阵H-1或对角化矩阵D得到 循环矩阵对角化： H=WDW-1 二、逆滤波 G(u,v)=F(u,v) H(u,v) H(u,v)不为0 二、逆滤波 考虑噪声： 避免为零值, 限制滤波频率使其接近原点值。 当退化为零或很小时, N(u,v)/H(u,v)会变得很大 H(u,v) M(u,v) F(u,v) F(u,v) G(u,v) 逆滤波模型 令 ，它是H(u,v)的逆， 代表滤波器的转移函数，该恢复方法取名为逆滤波。 逆滤波模型 F(u,v) H(u,v) + M(u,v) G(u,v) N(u,v) 逆滤波图像复原的病态性质 当H(u,v)很小或等于零，即出现了零点，就会导致不定解。 即使没有噪声，一般也不可能精确地复原f(x,y)。如果考虑噪声项N(u,v)，则出现零点时，噪声项将被放大，零点的影响将会更大，对复原的结果起主导地位。 退化系统的传递函数 H(u,v) 频率 逆滤波器传递函数 改进的逆滤波器传递函数 逆滤波器零点的影响及其改进 M(u,v) 频率 M(u,v) 频率 逆滤波器零点影响和改进 另一种改进是考虑到退化系统的传递函数H(u,v)的带宽比噪声的带宽要窄的多，其频率特性具有低通性质，取恢复转移函数M(u,v)为 存在振铃现象 可以用下式消除振铃现象 逆滤波 改进后的逆滤波 5.3 有约束图像复原 5.3.1 有约束代数复原方法 5.3.2 维纳滤波 5.3.3 功率谱均衡复原 5.3 有约束图像复原 逆滤波图像复原是一种无约束复原，除了寻找一个最优估计图像，使得准则函数最小外，不受任何其它约束。 只要了解降质系统的传递函数或点扩展函数，就能利用前面分析的方法进行复原。 但是由于传递函数存在零点的问题，复原只能局限在离原点不太远的有限区域内进行，使得无约束图像复原具有相当大的局限性。 有约束图像复原技术是指除了要求了解关于退化系统的传递函数(估计的传递函数)之外，还需要知道某些噪声的统计特性或噪声与图像的某些相关情况。 根据所了解的噪声或图像先验知识的不同，采用不同的约束条件，从而得到不同的图像复原技术。最常见的是有约束的最小二乘方图像复原技术。 在约束最小二乘法复原问题中，令Q为f的线性算子，要设法寻找一个最优估计 ，使形式为 、服从约束条件 的函数最小化。 5.3.1 有约束代数复原方法 拉格朗日系数 求导并使 为零 ，则 式中γ=1/α，这个量必须调整到约束条件被满足为止。 求解最优估计 核心就是选择一个合适的变换矩阵Q； 不同的Q对应不同类型的有约束的最小二乘法图像复原方法。 一、能量约束 当Q矩阵为单位矩阵时，即 其物理意义是：当有若干个可能的解时，能量最小的解为最佳解，此时约束条件 最小。 二、特征约束 特征约束是以图像空间的滤波特征为依据确定约束矩阵，令 上述的Q表示在垂直方向和水平方向都取二阶差分，则此时的解是在所有解中二阶差分最小的解就是该约束条件的解。 5.3.2 维纳滤波 维纳滤波是一种最小均方误差滤波器；图 像f(x,y)与 间的均方误差达到最