第4讲图像复原解说.pptVIP

逆滤波复原 原始图像 退化图像 逆滤波复原图像 复原只能逼近原始 * 逆滤波示例 (a)原图 (b)退化图像 (c) 逆滤波结果 * 维纳滤波 在一般情况下，图像信号可以近似为平稳随机过程，维纳滤波的基本原理是将原始图像f和对原始图像的估计值 看为随机变量，按照使f和估计值 之间的均方误差达到最小的准则实现图像恢复，即 式中E[.]表示数学期望 设Rf和Rn分别是f和n的自相关矩阵，定义如下: 根据上述定义可知， Rf和Rn 均为实对称矩阵。 * 在大多数实际图像中，距离较远的像素点的相关性比较弱，而相近像素点却是高度相关的。 通常情况下，无论是f还是n，其元素之间的相关不会延伸到20-30个像素的距离之外。 因此，一般来说，自相关矩阵Rf和Rn 在主对角线附近有一个非零元素区域，而矩阵的右上角和左上角的区域内将接近零值。 如果像素之间的相关是像素距离的函数，而不是像素位置的函数，则可将Rf和Rn近似为分块循环矩阵。因而，用循环矩阵的对角化，可写成如下形式: W为MN×MN矩阵，包含M×M个N×N子矩阵 * 写成频率形式： 表示噪声的功率谱 表示未退化图像的功率谱 * 我们感兴趣的两个量为平均噪声功率和平均图像功率，分别定义为： 其中，M和N表示图像和噪声数组的垂直和水平大小，都是标量常量，它们的比率 也是标量，有时用来代替 ，以便产生一个常量数组。在这种情况下，即使真实的比率未知，交互式地变化常量并观察复原的结果的实验也是简单的。 * 4.5 最小均方误差滤波器-维纳滤波示例 (a) 运动模糊退化图像 (b)7次循环 (c) 15次循环 * 维纳滤波MATLAB语句实现的三种形式： (1) fr=deconvwnr(g,PSF); 这种形式假设信噪功率比为零，从而维纳滤波退化为直接逆滤波 (2) fr=deconvwnr(g,PSF,NSPR); 这种形式假设信噪功率比已知，或是个常量或是个数组。而实际中，由于不知道原图像，故一般不知道退化图像的信噪功率比，且实际情况下这个比值不是简单的常数。 (3) fr=deconvwnr(g,PSF,NACORR,FFACORR) 这种形式假设噪声和未退化图像的自相关函数NACORR和FFACORR是已知的。这种形式使用 和 的自相关来代替这些函数的功率谱。由相关理论我们可知：通过计算功率谱的傅里叶逆变换就可以得到自相关函数。 （g代表退化图像，fr代表复原图像） * fr1=deconvwnr(C,PSF); sn=abs(fft2(noise).^2); % noise power spectrum nA=sum(sn(:))/prod(size(noise)); % noise average power sf=abs(fft2(A)).^2 % image power spectrum fA=sum(sf(:))/prod(size(A)); % image average power R=nA/fA; fr2=deconvwnr(C,PSF,R); NCORR=fftshift(real(ifft2(sn))); ICORR=fftshift(real(ifft2(sf))); fr3=deconvwnr(C,PSF,NCORR,ICORR); figure(2); subplot(2,2,1);imshow(uint8(C),[]);title(模糊噪声图像); subplot(2,2,2);imshow(uint8(fr1),[]);title(直接逆滤波); subplot(2,2,3);imshow(uint8(fr2),[]);title(常数比率维纳滤波); subplot(2,2,4);imshow(uint8(fr3),[]);title(使用自相关函数的维纳滤波); 2）三种滤波方式复原图像 * * Example of Wiener Filtering 原始图像 退化图像 维纳滤波复原 * 图片选自冈萨雷斯 逆滤波与维纳滤波比较 * 六 估计退化函数（Estimating the Degradation Function） 观察法(Estimation by Image Observation) 如果有一幅