最近邻域法概要.ppt

5.6.3 模型估计法 建模举例 2 其中： 提取与t无关项： 5.6.3 模型估计法 建模举例 3 假设x方向以速度a/T匀速运动，则x方向的位移为：x0(t) = at/T y方向以速度b/T匀速运动，则y方向的位移为：y0(t) = bt/T 则： 5.6.3 模型估计法 建模举例 4 a=b=0.1, T=1的模糊结果 5.7 逆滤波 得到退化函数H后，如何获得复原图像？ 最直接的方法采用逆滤波： 能真正获得未退化的图像吗？ (1) N(u,v)未知 (2) 当退化是0或非常小的值的情况。 一般直接逆滤波的效果较差。 一种解决退化是零或者很小值问题的途径是限制滤波的频率使其接近原点值。 因为H(0,0)等于h(x,y)的平均值，并且通常是H(u,v)在频域的最高值。所以，通过将频率限制为接近原点进行分析，就减少了遇到零值的几率。 5.7 逆滤波 5.7 逆滤波举例 5.8 最小均方误差（维纳）滤波 逆滤波只是猜测性地处理噪声。 常用的具有统计意义上的噪声处理方法：最小均方或最小二乘方法。 目的是寻找估计值 ，使其与真实值 f 之间的均方误差最小： 假定噪声和图像不相关，估计的灰度级是退化图像灰度级的线性函数。 5.8 最小均方误差（维纳）滤波 2 经推导后，可得到维纳滤波的公式： H(u, v)为退化函数，H*(u, v)是H(u, v)的复共轭， 是噪声功率谱， 是未退化图像的功率谱。 5.8 最小均方误差（维纳）滤波 3 ?维纳滤波器中不存在逆滤波中退化函数为0的问题。 ?维纳滤波在实际中是很难应用的。因为它需要已知未退化图像和噪声的功率谱。 ?若噪声为0，则无噪声功率谱，维纳滤波退化为逆滤波。 ?若噪声为白噪声，噪声功率谱为常数，常采用下面公式近似，K为比例常数： 5.8 逆滤波和维纳滤波的比较 全逆滤波 半径为70的逆滤波 维纳滤波 5.8 逆滤波和维纳滤波的进一步比较 由运动模糊及均值为0，方差为650的加性噪声污染的图像 逆滤波结果 维纳滤波结果 噪声方差小一个数量级. 噪声方差小5个数量级. 5.9 约束最小二乘滤波 维纳滤波很难实现，即便采用近似公式,比例常数K 仍需通过交互性选择来获得。 利用两个已学的知识点： 利用取样平均方法估计噪声均值和方差。 利用最小均方原理。 用矩阵形式表示5.5.16式： 约束最小二乘法的核心就是减少H对噪声的敏感度。 5.9 约束最小二乘滤波 2 最佳化的频域表示为： 为0时，(5.9-4)式转变为逆滤波。 约束条件为： 调节参数 ，使其满足约束条件。P(u, v)为函数p(x, y)（拉普拉斯算子）的傅氏变换。 5.9 约束最小二乘滤波 举例 通常约束最小二乘滤波效果要好于维纳滤波。原因在于…. 5.10 几何均值滤波 它是维纳滤波器的普遍化，定义了一个滤波器族。 5.11 几何变换 几何变换：修改图像中像素的空间位置，或关系。 两个基本操作： 1、空间变换 2、灰度级插补 5.11 几何变换 —— 空间变换 理想图像 f 几何失真 实际图像 g 像素点坐标(x, y) (x’, y’) r和s可近似表示为多项式形式，目的就是为了求解多项式中的系数，或称几何校正系数。 5.11 几何变换 —— 空间变换2 5.11几何变换 —— 灰度级插补 空间变换只是完成了二维空间位置上的转换，因此存在一个问题： ? 经几何校正后的坐标往往是非整数的。此时像素灰度级如何确定？ 解决这个问题的办法就是灰度级插补。 1、最近邻域法 2、双线性内插法 5.11 灰度级插补——最近邻域法 ? 实现简单 ? 但边缘处容易产生扭曲 对于通常目的的图像处理，双线内插是一种很实用的方法，可得到较平滑的结果。 5.11 灰度级插补——双线性内插法 5.11 几何变换 举例 具有25个连接点的图像 几何失真后的连接点 用最近邻点内插失真的图像 复原结果 复原结果 用双线性内插失真的图像 5.11 几何变换举例 2 原图 几何失真后的图像 几何复原后的图像 差值图像 * 5.4.1 带阻滤波器 带阻滤波器：阻止一定频率范围内的信号通过而允许其它频率范围内的信号通过，消除或衰减关于傅里叶变换原点的某个频段。 理想带阻滤波器 巴特沃思带阻滤波器 ? 高斯带阻滤波器 5.4.1 带阻滤波器（理想带阻滤波器传递函数） W是阻带的宽度，D0是阻带的中心半径。 5.4.1 带阻滤波器（巴特沃思和高斯带阻传递函数） 5.4.1 带阻滤波器透视图 5.4.1 带阻滤波器应用举例 圆对称带阻滤波器 5.4.2 带通滤波器 5.4.2 带通滤波器说明 带通滤波器并