第16章节 图像复原.pptVIP

* 数字图像处理 Digital Image Processing DIP 中国传媒大学信息工程学院 * 第16章　图像复原 16.1 引言 　　图像复原（恢复，restoration）：尽量去除在获取图像过程中发生的图像质量下降（退化）。 　　因为透镜、感光片、数字化器等设备以及运动造成的模糊等多种因素均可引起图像质量下降，而图像质量下降的形式表现为图像模糊、图像有干扰等。 　　退化的原因多种多样：如传感器噪声、摄像机未聚焦、物体与摄像设备之间的相对移动、随机大气湍流、光学系统的相差、成像光源或射线的散射等。 　　显然，如果我们对图像退化的类型、机制和过程都十分清楚，就可以利用其反过程来复原图像。也就是说，通过对退化图像的processing，使它尽量复原成退化之前的原始图像（图像保真）。 　　因此，图像复原不同于前几章介绍的图像增强。 16.1.1　方法和模型 对退化图像的复原有两种方法： 　　1)对图像缺乏先验知识，此时可对退化过程（模糊和噪声）建立模型，进行描述，并进而寻找一种去除或削弱其影响的过程。这也是一种估计方法。 　　2)对原始图像有足够的先验知识，则对原始图像建立一个数学模型，并根据它对退化图像进行拟合。 　　在进行图像复原时，还有许多其他选择：1)用连续/离散数学处理；2)用空域/频域处理。不同方法最后给出同样的复原技术，效果最好的复原技术由问题本身决定。无论通过什么途径，最后总会得到这个性能最佳的复原技术。 　　　 16.2 经典复原滤波器 　　图像f(x,y)被线性操作h(x,y)所模糊，并被叠加上噪声n(x,y)，构成退化图像w(x,y)。 　　将w(x,y)与复原滤波器g(x,y)卷积，即可得到恢复的图像f(x,y) 。 ? g(x,y) w(x,y) n(x,y) h(x,y) f(x,y) ＋ f(x,y) ? 16.2.1 去卷积（de-convolution） 　　去卷积又称逆滤波，始于20世纪60年代中期。Nathan曾用二维去卷积方法来处理由漫游者、探索者等外星探索发射得到的图像。 　　由于信号的频谱随着频率的升高而下降，因此高频部分的噪声更明显。Nathan采用了限定去卷积传递函数最大值的方法来复原原始图像。 w(x,y) n(x,y) h(x,y) f(x,y) ＋ 　　根据前面经典复原滤波器的模型，可写出退化图像w(x,y)的表示式： 两边均做傅立叶变换： 在无噪声的情况下，上式可以简化为： 上式说明：原始图像F(u,v)经过系统时乘了H(u,v)[ie:滤波]，根据W(u,v)复原图像时只要再除以H(u,v)[ie:逆滤波]即可。因此，H(u,v)-1的形式即称为逆滤波。对逆滤波结果进行反变换就可以得到f(x,y)。 从时域看，上述过程即为卷积/逆卷积（去卷积）过程。 　　实际情况中，噪声是不可避免的，因而只能求F(u,v)的估计值： 如果H(u,v)有许多零点，必然使得复原的结果受到极大影响。 或者如果H(u,v)不为零但是有非常小的值，也即病态条件，也会使复原效果受到影响。 在理想无噪声的理想情况下，等效于在空域f(x,y)和g(x,y)的卷积。 逆滤波会使原图像变模糊。但只引入少量模糊，方法简单，因而受重视。 逆滤波的应用条件：退化图像w(x,y)是信噪比较高的图像。 解决上述问题的方法是避开H(u,v)的零点。 幸好一般的H(u,v)在低频附近的有限区域内不为零。 因此逆滤波可以在原点附近进行，相当于在频域乘上一低通窗口函数G(u,v)。 　　Harris用点扩散函数PSF解析模型对望远镜图像中由大气扰动所造成的模糊图像进行了去卷积处理。 　　Mcglamery用由实验确定的PSF来对大气扰动进行了去卷积处理。 16.2.2 维纳去卷积 　　邻近像素高度相关，而距离远的像素则相关性较弱，因此，典型图像的自相关函数通常随着与原点距离的增加而下降。 　　图像的功率谱是其自相关函数的傅立叶变换，所以它也会随着频率升高而下降。 回顾第11章11.5.4节介绍的维纳去卷积。 x(t) n(t) F(s) s(t) ＋ w(t) F(s) 1 y(t) H0(s) z(t) G(s) 由噪声引起 简单去卷积后 信号与噪声无关时，维纳滤波器的传递函数为： 则均方最优去卷积滤波器的传递函数为： Helstrom用最小均方误差估计提出二维传递函数的维纳去卷积滤波器 噪声功率谱 信号功率谱 维纳去卷积提供了一种在有噪声情况下导出去卷积传递函数的最优方法，但有三个问题限制了其有效性，即：1)均方误差最小并不意味着人眼观看最佳。2)不能处理具有空间可变PSF的情形（如慧差、像场弯曲等）。3)不能处理非平稳信号与噪声，而大多数图像都是高度非平稳的，如被陡峭边缘分开的大块平坦区