第5篇_图像复原.ppt

图像复原 图像退化模型 噪声模型 仅有噪声存在下的空间滤波复原 线性、位置不变的退化 估计退化函数 估计原图像：逆滤波 、维纳滤波 、约束最小二乘滤波器 5.1图像的退化/复原 5.1.1.图像的退化/复原概念 图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像的质量变坏，这一过程称为图像的退化。 图像的复原就是要尽可能恢复退化图像的本来面目，它是沿图像降质的逆向过程进行。典型的图像复原是根据图像退化的先验知识建立一个退化模型，以此模型为基础，采用各种逆退化处理方法进行恢复，使图像质量得到改善。 5.1.2.常见退化图像 5.1.2.常见退化图像 5.1.2.常见退化图像 5.1.2.常见退化图像 5.1.3.图像退化/复原过程模型 退化过程可以被模型化为一个退化函数和一个加性噪声项，处理一幅图像f(x,y)产生一幅退化图像g(x,y)。图像复原的目的是获得原始图像的一个近似估计 。 退化模型的数学描述 如果系统H是一个线性、位置不变的过程，那么在空间域中给出的退化图像可由下式给出： 其中，h(x,y)是退化函数的空间描述，*表示空间卷积。由于空间域的卷积等同于频域上的乘积，因此，模型在频域上描述为： 有噪声情况下的图像复原 必须知道噪声的统计特性以及噪声和图像信号的相关情况，这是非常复杂的。在实际应用中，往往假设噪声是白噪声，即它的频谱密度为常数，且与图像不相关。 不同的复原技术需要不同的有关噪声的先验信息，如下面将要讨论的维纳滤波器需要知道噪声的谱密度，而约束去卷积法只需要知道噪声的协方差. 5.2 噪声模型 数字图像的噪声主要来源于图像的获取和传输过程。图像传感器的工作情况受各种因素的影响，如图像获取中的环境条件和传感器件自身的质量 存在的一些重要的噪声类型：高斯噪声、瑞利噪声、伽马噪声、指数分布噪声、均匀分布噪声、脉冲噪声等 高斯噪声 概率密度函数（PDF) 当z服从上式分布时，其值有70%落在 ，有95%落在 范围内。 高斯噪声的产生源于电子电路噪声和由低照明度或高温带来的传感器噪声。 瑞利噪声 概率密度函数（PDF) 伽马噪声 指数分布噪声 均匀分布噪声 脉冲噪声 样本噪声图像 附加噪声的图像 附加噪声的图像 噪声参数的估计 均值滤波器 顺序统计滤波器 自适应滤波器 均值滤波器 算术均值滤波器 几何均值滤波器 谐波均值滤波器 逆谐波均值滤波器 算术均值滤波器 表示中心在(x,y)点，尺寸为m*n的矩形子图像窗口的坐标组。简单平滑了一幅图像的局部变化，其对图像的复原效果最差。 几何均值滤波器 几何均值滤波相对于算术均值滤波平滑度差不多，但图像的细节丢失更少。算术均值滤波器和几何均值滤波器适于处理高斯或均匀分布噪声。 滤波效果对比 谐波均值滤波器 滤波效果对比 逆谐波滤波中Q值选择错误时造成的结果 统计排序滤波器 中值滤波器 最大值滤波器 最小值滤波器 中点滤波器 修正的阿尔法均值滤波器 统计排序滤波器 中值滤波器： 适于处理椒盐噪声，通过多次使用小模板，可以获得很好的去噪效果。 最大值滤波器： 这种滤波器对发现图像中的最亮点非常有用，可以用来消除胡椒噪声。 最小值滤波器： 这种滤波器对发现图像中的最暗点非常有用，可以用来消除盐噪声 中值滤波结果 最大值与最小值滤波结果 统计排序滤波器 取最大值和最小值的平均值。对高斯和均匀随机分布的噪声有效。 统计排序滤波器 修正后的阿尔法滤波 自适应滤波器 自适应局部噪声消除滤波器 自适应中值滤波器 自适应滤波器 自适应滤波器是基于m*n矩形窗区域图像的统计特性而变化的，其性能优于前面所讨论的任何一种滤波器；但作为提高滤波能力的代价是滤波器的复杂度增加了。 随机变量最简单的统计量是均值和方差，这些适当的参数是自适应滤波器的基础。 自适应局部噪声消除滤波器 自适应局部噪声消除滤波器 自适应局部噪声消除滤波器 自适应中值滤波器 自适应中值滤波器 A层次 （判断Zmed是否为脉冲） A1=Zmed-Zmin A2=Zmed-Zmax 如果A10，且A20，转到B 否则，增大窗口尺寸 如果窗口尺寸≤Smax，重复A 否则输出Zxy 自适应中值滤波器 B层次 （判断Zxy本身是否为脉冲） B1=Zxy-Zmin B2=Zxy-Zmax 如果B10且B20，输出Zxy 否则输出Zmed 自适应