第11章 图像复原 数字图像处理 教学课件.ppt

图11-2 逆滤波复原 (a) 实际传递函数； （b）修改后的恢复转移函数 实际上，为了避免H(u, v)值太小，一种改进方法是在H(u, v)=0的那些频谱点及其附近，人为地设置H-1(u, v)的值，使得在这些频谱点附近N(u, v)/H(u, v)不会对 （u, v）产生太大的影响。图11-3给出了H(u, v)、H-1(u, v)应用这种改进的滤波特性或恢复转移函数的一维波形，从中可以看出它与正常滤波的差别。 图11-3 逆滤波器零点的影响及其改进 (a) 退化系统的传递函数； (b) 逆滤波器传递函数； (c) 改进的逆滤波器传递函数 另一种改进是考虑到退化系统的传递函数H(u, v)带宽比噪声的带宽要窄得多，其频率特性具有低通性质，取恢复转移函数M(u, v)为 (11-31) 其中，ω0的选取原则是将H(u, v)为零的点除去。这种方法的缺点是复原后的图像的振铃效果较明显。 11.3 最小二乘类约束复原 非约束复原是指除了使准则函数 最小外， 再没有其他的约束条件。因此只需了解降质系统的传递函数或点扩展函数， 就能利用如前所述的方法进行复原。但是由于传递函数存在病态问题，复原只能局限在靠近原点的有限区域内进行， 这使得非约束图像复原具有相当大的局限性。 最小二乘类约束复原是指除了要求了解关于退化系统的传递函数之外，还需要知道某些噪声的统计特性或噪声与图像的某些相关情况。根据所了解的噪声的先验知识的不同，采用不同的约束条件，可得到不同的图像复原技术。在最小二乘类约束复原中，要设法寻找一个最优估计 ，使得形式为 的函数最小化。求这类问题的最小化，常采用拉格朗日乘子算法。也就说，要寻找一个 ，使得准则函数 (11-32) 为最小。式中, Q为 的线性算子，α为一常数，称为拉格朗日乘子。对式(11-32)求导得 求解 得到 (11-33) 式中，γ=1/α，这个常数必须调整到约束被满足为止。求解式(11-33)的关键就是如何选用一个合适的变换矩阵Q。选择的Q的形式不同，就可得到不同类型的有约束的最小二乘类图像复原方法。如果用图像f和噪声的相关矩阵Rf和Rn表示Q，就可以得到维纳滤波复原方法。如选用拉普拉斯算子形式，即使某个函数的二阶导数最小，也可推导出有约束最小平方恢复方法。 11.3.1 维纳滤波 在一般情况下，图像信号可近似地认为是平稳随机过程， 维纳滤波将原始图像f和对原始图像的估计 看作为随机变量。假设Rf和Rn为f和n的自相关矩阵，其定义为 (11-34) 式中，E{·}代表数学期望运算。 Rf和Rn均为实对称矩阵，在大多数图像中，邻近的像素点是高度相关的，而距离较远的像素点的相关性却较弱。通常，f和n的元素之间的相关不会延伸到20～30个像素的距离之外。因此， 一般来说，自相关矩阵在主对角线附近有一个非零元素带， 而在右上角和左上角的区域内将为零值。如果像素之间的相关是像素之间距离的函数， 而不是它们位置的函数，可将Rf和Rn近似为分块循环矩阵。因而，用循环矩阵的对角化，可写成 式中，W为一个MN×MN矩阵，包含M×M个N×N的块。M、N的含义见二维离散模型部分。 W的第i, m个分块为 i, m=0, 1, …, M-1 (11-36) 其中，WN为一个N×N矩阵，其第k, n个位置的元素为 k, n=0, 1, …, N-1 式(11-35)中，A和B的元素分别为Rf和Rn中的自相关元素的傅立叶变换。这些自相关的傅立叶变换被分别定义为fe(x, y)和ne(x, y)的谱密度Sf (u, v)和Sn(u, v)。 定义QTQ=R-1f Rn，代入式(11-33)，得 (11-37) 进一步可推导出 (11-38) 式中，D*为D的共轭矩阵。 再进行矩阵变换： 假设M=N，则 式中，u, v=0, 1, 2,…, N-1， |H(u, v) |2=H*(u, v)H(u, v)。 (11-39) 对式(11-39)作如下分析：  (1) 如果γ=1，称之为维纳滤波器。注意，当γ=1时，并不是在约束条件下得到的最佳解，即并不一定满足 若γ为变数，此式为参变维纳滤波器。 使用参变维纳滤波法时，H(u, v)由点扩展函数确定，而当噪声是白噪声时，Sn(u, v)为常数，可通过计算一幅噪声图像的功率谱Sg(u, v)求解。由于