计算机图像处理 第06章 图像复原.pptVIP

* * * * * * * * * 6.6.2 空间几何坐标变换 按照一幅标准图像f(x,y)或一组基准点去校正另一幅几何失真图像g(x‘,y’)。 根据两幅图像的一些已知对应点对建立起函数关系式，将失真图像的x‘-y’坐标系变换到标准图像x-y坐标系，从而实现失真图像按标准图像的几何位置校正，使 f(x, y)中的每一像点都可在g (x, y)中找到对应像点。 （6.55） 直接法 间接法 6.6.3 校正空间像素点灰度值的确定 图像经几何位置校正后，在校正空间中各像素点的灰度值等于被校正图像对应点的灰度值。 一般校正后的图像某些像素点可能分布不均匀，不会恰好落在坐标点上，因此常采用内插法来求得这些像素点的灰度值。 经常使用的方法有： 最近邻点法 双线性插值法 三次卷积法：精度最高，但计算量也较大。 1．最近邻点法 该法取与像素点相邻的4个点中距离最近的邻点灰度值作为该点的灰度值。 图6.13 最近邻点法 该方法最简单，效果尚佳，但校正的图像有明显的锯齿状，即存在灰度的不连续性 2．双线性插值法 用( )点周围4个邻点的灰度值加权内插作为灰度校正值f (x0, y0)，则 式中， ， 。 优点： 内插法校正灰度连续，结果一般满足要求。 缺点： 计算量较大且具有低通特性，图像轮廓模糊。 图6.14 内插法几何校正 像素灰度内插法效果比较 * * * * * * * * * * * * * * * * * * 则输出的降质数字图像为 （6.9） 二维离散退化模型可以用矩阵形式 g=Hf （6.10） （6.11） （6.12） 给定了退化图像g(x, y)、退化系统的点扩展函数h(x, y)和噪声分布n(x, y)，就可以得到原始图像f的估计。 实际计算的工作量十分庞大。 （6.13） g=Hf +n （6.14） 通常有两种解决上述问题的途径： 假设图像大小M=N，则H的大小为N4，要解出f (x, y)需要解N2个联立方程组。 （1）通过对角化简化分块循环矩阵，再利用FFT快速算法可以大大地降低计算量且能极大地节省存储空间。 （2）分析退化的具体原因，找出H的具体简化形式。 各种代数复原方法 可能是通过无约束条件而得到原始图像f的估计。 也可能是约束复原f。 6.2 逆滤波复原 非约束复原 根据对退化系统H和噪声n的了解，已知退化图像g的情况下，在一定的最小误差准则下，得到原始图像f的估计。 逆滤波是最早使用的一种无约束复原方法 成功地应用于航天器传来的退化图像。 n = g－Hf （6.15） 当对n的统计特性不确定时，希望对原始图像f 的估计 满足这样的条件，使H 在最小二乘意义上近似于g。 使得噪声项的范数 希望找到一个 最小。 即目标函数 为最小。 在M=N的情况下，H为方阵且H有逆阵H-1，则 （6.20） （6.21） 当系统H逆作用于退化图像g时，可以得到最小平方意义上 的非约束估计。对式（6.20）进行傅立叶变换，则 逆滤波法的特点 优点： 形式简单 适用于极高信噪比条件下的图像复原问题，且降质系统的传递函数H不存在病态性质。 缺点： 具体求解的计算量很大，需要根据循环分块矩阵条件进行简化。 当H等于0或接近于0时，还原的图像将变得无意义。这时需要人为对传递函数进行修正，以降低由于传递函数病态而造成的恢复不稳定性。 逆滤波器零点影响和改进 逆滤波的实验结果 6.3 约束复原 6.3.1 约束复原的基本原理 约束最小二乘法复原问题 令Q为f的线性算子，要设法寻找一个最优估计 ，使形式为 的、服从约束条件 的函数最小化。 6.3.1 约束复原的基本原理 6.3.2 维纳滤波方法 6.3.3 平滑度约束最小平方滤波 6.3.1 约束复原的基本原理 约束最小二乘法复原问题 令Q为f的线性算子，要设法寻找一个最优估计 使下面的目标函数为最小 （6.22） (6.23) 式中，γ=α-1 式中，α为拉格朗日乘子 , f 的最佳估值 6.3.2 维纳滤波方法 最小二乘法滤波复原的核心是如何选择一个合适的变换矩阵Q。 Q的形式不同，可得到不同类型的复原方法。 选用图像f和噪声n的自相关矩阵Rf和Rn表示Q就可得到维纳滤波复原方法。 将f和n近似地看成是平稳随机过程。假设Rf和Rn为f和n的自相关矩阵。 1.4　数字图像处理的应用与发展趋势