5图像复原程序已加G.pptVIP

数字图像处理(Digital Image Processing）;第五章 图像复原 ;5.1 退化及噪声;2. 图象退化的原因 图象退化指由场景得到的图象没能完全地反映场景的真实内容，产生了 失真等问题。其原因是多方面的。如： 透镜象差/色差 聚焦不准（失焦，限制了图象锐度） 模糊（限制频谱宽度） 噪声（是一个统计过程） 抖动（机械、电子）;图像退化举例1：;图像退化举例2：;4.噪声及其特性 噪声是最常见的退化因素之一，对信号来说，噪声是一种外部干扰。 但噪声本身也是一种信号（携带了噪声源的信息）。 1）关于噪声的度量 人们常只关心噪声的强度 ，可用信噪比(signal-to-noise ratio,SNR)、能量比(电压平方比) 等来描述。分别表示为： 2）常见噪声 热噪声：白噪声（频率覆盖整个频谱均匀） 高斯噪声（幅度符合高斯分布） 闪烁噪声：具有反比于频率（1/f）的频谱； 粉色噪声（在对数频率间隔内有相同的能量） 发射噪声：高斯分布（电子运动的随机性）;3）噪声的概率密度函数 噪声为随机变量，用概率密度来刻画。 (1) 高斯噪声 (2) 均匀噪声 其均值和方差为： ;(3) 脉冲噪声 噪声脉冲可以是正的或负的，一 般假设a和b。都是“饱和”值双极性脉 冲噪声也称椒盐噪声。 4）噪声的形成 高斯噪声：电子噪声、弱光照/温度条件下的传感器噪声 瑞利分布：深度成像、超声波图像 指数和Gamma分布：激光成像 椒盐噪声：快速瞬变、误切换 周期噪声：图像采集过程中的电子或电磁干扰;图像中噪声的概率密度函数举例1：;原图;图像中噪声的概率密度函数举例3：;5）噪声参数估计 (1) 周期噪声的参数估计 一般可以通过图像的频谱进行估计；特殊情况下可以直接从图像中噪声分量的周期性进行推断（简单情形）。 (2) 一般噪声参数的估计 可以根据所采用的传感器类型进行噪声分布的部分推断；通常通过特定的成像安排进行估计当只有已采集到的图像时，一般通过图像中的平滑区域进行PDF参数的估计。如下图：;5.2 图像退化的数学模型; 实际上，大部分系统是非线性和空间变化的，但以这样的模型处理起来困难很大，一般都简化为线性的非时变和非空间变化的近似模型进行处理。这样近似的优点是使线性系统理论中的许多理论可以直接用来解决图象复原问题。 3.连续函数的退化模型 设系统H对坐标为(?,?)处的冲激函数?(x-?,y-?)的冲激响应为h(x,?,y,?)，则 此式说明，如果系统H对冲激函数的响应为已知，则对任意输入的响应可用上式求得，即，线性系统H完全可以由冲激响应来表征。图像中冲激响应也称为点扩散函数。 在有噪音的情况下： ;4.离散函数的退化模型 对和进行均匀取样后，就可引伸出离散函数的退化模型。用一维的来说明。如果f (x)和h(x)周期分别A和B的序列，为避免卷积周期重叠需要对它们进行周期扩展为周期为M ≥ A + B – 1。 那么它们的时域离散卷积可定义为下式： 显然，上式也是具有周期M的序列。 如果用矩阵来表示上述离散退化模型，可写成下式之形式: ;用矩阵形式表示 根据周期性：he(x) = he(x+M) ;推广到2-D 扩展： 则退化过程为：; 由于的h(x，y)的周期性，使得[H]成为一个块循环矩阵。每一块如下所示：;(1) 长时间曝光下大气湍流造成的转移函数：;(3)照相机与景物相对运动 设T为快门时间，x0(t)，y0(t)是位移的x分量和y分量。 点扩散函数示图：;5.3 无约束恢复 ;这种方法要求知道成象系统的表达式H。;其处理方法如下：;2. 逆滤波 ;2）分析/讨论 由逆滤波知： (1) H (u, v)在UV 平面上取零或很小，N (u, v) / H (u, v)就会使恢复结果与预期的结果有很大差距; (2) 噪声带来更严重的问题（知道H也估计不准 f ） H (u, v)常随u，v与原点距离的增加而迅速减小，而噪声N (u, v)却一般变化缓慢。在这种情况下，恢复只能在与原点较近（接近频域中心）的范围内进行。 3）改进： 去除零点，改进为： 消除振铃现象，改进为：;4) 图象退化和恢复模型： 将点源图象看做单位脉冲函数（F [? (x, y)] = 1）的近似则有