第八章 数字图像处理图像复原.pptVIP

5.1 概述 图像复原目的 去除或减轻获取数字图像过程中发生的退化； 对原始图像作一个尽可能好的估计（重建原始图像） 应用 去模糊、提高分辨率、对比度；航空侦查、遥感、辐射成像 图像恢复过程及其关键 根据图像降质过程的某些先验知识，建立“退化（降质）”模型，运用和退化相反的过程，将退化图像恢复。 图像恢复准则： 要用某一客观标准来度量，则为某种准则下的最优估计。 样本噪声图像和它们的直方图 用于噪声模型的测试图 由简单、恒定的区域组成 仅仅有3个灰度级的变化 总结 上述噪声图像的直方图和它们的概率密度函数曲线对应相似 前面5种噪声的图像并没有显著不同 但它们的直方图具有明显的区别 图像恢复的基本方法 逆滤波 维纳滤波 双线性插值 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * (2) 试验估计法 使用与获取退化图像的设备相似的装置,得到准确的退化估计. 小亮点 成像系统H 由于冲激的傅立叶变换为常数A,可得: 实验估计模型如下: 第5章图像复原  5.6.2退化函数 冲激特性的退化估计 一个亮脉冲 图像化的(退化的)冲激 第5章图像复原 退化函数 (3) 模型估计法 建立退化模型,模型要把引起退化的环境因素考虑在内. 1)长时间曝光下大气湍流造成的退化模型 就是基于大气湍流的物理特性而提出来的,其中k为常数,与湍流特性相关. 第5章图像复原  5.6.2 退化函数 大气湍流模型的解释 可忽略的湍流 剧烈湍流,k=0.0025 中等湍流,k=0.001 轻微湍流,k=0.00025 另外也可以从基本原理开始推导出退化模型.如匀速直线运动造成的模糊就可以运用数学推导出其退化函数. 第5章图像复原 退化函数 2）光学散焦退化模型 d是散焦点扩展函数的直径, J1(?) 是第一类贝塞尔函数。 3）照相机与景物相对运动退化模型 设T为快门时间，x0(t)，y0(t)是位移的x分量和y分量 原始图像f, 退化图像g，退化过程可以如下描述[1]： g(x,y) = (f h)(x,y) + n(x,y) * 这时，图像复原等于去卷积 h(x,y) f(x,y) W(x,y) n(x,y) g(i,j) f(x,y) 线性操作 复原滤波器 写成富立叶变换[2] ： G(u,v)=F(u,v)H(u,v) + N(u,v) 5.7 去卷积（反向滤波、逆滤波） 从退化的图像g复原出未退化的原始图像f： F(u,v) = G(u,v) H-1(u,v) – N(u,v)H-1(u,v) 如果图像中噪声不严重，逆滤波可以很好的工作。 如果噪声严重，会遇到一下问题： 在H(u,v)的幅度很小的频率上， 噪声的影响会 很严重[1]。 对待噪声自身的频谱还没有很好的办法。 随机函数 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 对图5.25(b)图像进行逆滤波 用全滤波的结果 半径为40时截止H的结果 半径为80时的结果 半径为85时的结果 第5章图像复原 5.7 逆滤波 逆滤波没有说明怎样处理噪声. 维纳滤波综合考虑退化函数和噪声统计特征. (5.8.1) (5.8.2) 式(5.8.1)中误差函数的最小值在频率中用下式表达: 维纳滤波, 括号中的项组成的滤波器通常称为最小均方误差滤波器,或最小二乘方 误差滤波器. 处理白噪声(噪声的傅立叶谱为常量)时,谱|N(u,v)|2是一个常数,问题可以简化,但|F(u,v)|2未知. 第5章图像复原 5.8 维纳滤波 K为特殊常数. 经常用下式近似: (5.8.2)的维纳滤波要求: 未退化图像和噪声的功率必须是已知的.虽然用(5.8.3)近似的方法能得到好的结果,但功率谱比的常数K的估计一般没有合适的解. (5.8.3) 第5章图像复原 5.8 维纳滤波 逆滤波和维纳滤波的比较 (a) 全滤波的逆滤波结果 (b) 半径受限的逆滤波结果 (c) 维纳滤波的结果 (交互选择K) 维纳滤波的结果非常接近原始图像,比逆滤波要好 第5章图像复原 维纳滤波 (a)由运动模糊及均值为0方差为650的加性高斯噪声污染的图像 (b) 逆滤波的结果 (c) 维纳滤波的结果 (d)-(f) 噪声幅度的方差比(a)小一个数量级 (g)-(i) 噪声方差比(a)小5个数量级 维纳滤波对运动和离焦引起退化的图像能很好的复原。 但是， 对空间上发生了变化的退化不能用标准的维纳滤