第3章过滤.ppt

功率谱均衡 等功率谱滤波函数的推导过程： 由线性系统理论，退化图像与原图像的功率谱 和 之间满足如下关系： 则恢复图像 的功率谱为 令 ，则 当无噪声时，等功率滤波简化为直接的去卷积；当无信号时， ，即完全截止； 当 时， 。 Winner滤波 Wiener滤波恢复使原图象f(x,y)与恢复后的图像 (x,y)之间的均方误差e2达到最小的准则，来实现图象恢复的。即： 这里假定：噪声与图像不相关；其中有一个有零均值；估计的灰度级是退化图像灰度级的线性函数。在这些条件下，误差函数的最小值在频域的表达式为： 为噪声的功率谱， 原图像的功率谱 或幅值很小时，不会引起大误差； 当 时，变为逆滤波复原法； 当 时， 。 当处理白噪声时，谱 是一个常数。未退化图像的功率谱未知或不能估计时，经常使用 维纳滤波的基本步骤 对退化图像g(x,y)进行二维离散傅立叶变换，得到G(u,v); 计算系统冲激响应h(x,y)的二维傅立叶变换，求得H(u,v)； 估计噪声的功率谱Pn与输入图像的功率谱Pf； 计算F(u,v)； 计算F(u,v)的傅立叶反变换，求得f(x,y)。 几何均值滤波器 考察如下形式的复原滤波器： 其中 与 是正实数。 当 时，上式就是去卷积滤波器；当 ， 时就是功率均衡滤波器；当 时，上式就是普通去卷积与维纳去卷积的几何平均。 当 时，就得到了参数化维纳滤波器： 当 时，上式就是维纳去卷积滤波器；当 时，就变成了单纯的去卷积。 ? 代数恢复方法： 在已知g、H、n某些知识情况下，寻求估计 f 方法. 1．无约束最小二乘方恢复 若无噪声或者对噪声一无所知时，则可用最小二乘问题来解决。取 作为f 估计时，使 J =??g – H ??2最小。 利用上述最佳条件,可得出最佳估值 ，令 于是： 如果x，y方向采样点数相同即 M=N，并假设H是满秩（非奇异的），则有 : 若H已知，那么便可由g求出f的最佳估值 上式就是逆滤波器，在频域有： 所以若 有零值，则 为奇异的， 与 都不存在。 有约束最小二乘恢复 因为 ，所以 。 在极小化过程中引入上式两端范数相等的约束，即： 。 则可以将问题归结为最小化如下目标函数： 其中 是选来对 进行某种性质的运算， 令 对 的导数为零，有： 解得： 其中 为一必须调整的参数，以使得 近似成立。 如果令 ，则 。若令 ，则退化为逆滤波器。 平滑约束 令 是一个高通卷积滤波器，例如由空间二阶导数组成的拉普拉斯算子： 这时， 是估计图像经高通滤波后的平方均值。其中块循环矩阵 为： 所以由 得： 是拉普拉斯算子的传递函数： 。 图10-1 a）高斯过程F的实现；b)加入高斯白噪声后的带噪信号（SNR=-0.48db) c) Wiener估计 （SNR=10.37db)。 空域噪声滤波器 均值滤波器 (1)　算术均值滤波器 (2)　几何均值滤波器 均值滤波器 (3)　谐波均值滤波器 (4)　逆谐波均值滤波器 排序统计滤波器 (1)　中值滤波器 (2)　最大值与最小值滤波器 （3）中点滤波器 左上为原始图像，右上为带噪图像（SNR=10.05db),左下为均值滤波的结果（SNR=14.20db),右下为中值滤波的结果(SNR=15.78db)。 自适应滤波器 自适应局部噪声滤波器 当局部的