图像逆波复原.doc

图像逆波复原 Xxx （长沙理工大学，湖南 长沙 410114） 摘要：图像复原的主要目的是改善给定的图像质量并尽可能恢复图像。通过建立退化模型，运用逆滤波复原和维纳滤波复原两种方法对图像进行复原处理。其中逆滤波复原法对于没有被噪声污染的图象很有效；维纳(wiener)滤波可以归于反卷积(或反转滤波)算法一类；尤其在图象复原领域，由于维纳滤波器的复原效果良好，计算量较低，并且抗噪性能优良，因而在图象复原领域得到了广泛的应用并不断得到改进发展，许多高效的复原算法都是以此为基础形成的。 关键词：图像复原；逆滤波；维纳滤波； 图像复原的目的 图像复原是图像处理的一项重要内容，它的主要目的是改善给定的图像质量并尽可能恢复图像。图像在形成、传输和记录过程中，受多种因素的影响，图像的质量都会有所下降，典型表现为有图像模糊、失真、有噪声等。这一质量下降的过程称为图像的退化。图像复原或称图像恢复的目的就是尽可能的恢复退化图像的本来面目。 图像复原的原理 图像复原处理的关键问题在于建立退化模型。输入图像f(x, y)经过某个退化系统后输出的是一幅退化的图像。为了讨论方便， 把噪声引起的退化即噪声对图像的影响一般作为加性噪声 考虑， 这也与许多实际应用情况一致，如图像数字化时的量化 噪声、 随机噪声等就可以作为加性噪声，即使不是加性噪声而 是乘性噪声， 也可以用对数方式将其转化为相加形式。 原始图像f(x, y) 经过一个退化算子或退化系统H(x, y) 的作 用， 再和噪声n(x,y)进行叠加，形成退化后的图像g(x, y)。图2-1表示退化过程的输入和输出的关系，其中H(x, y)概括了退化系统的物理过程，就是所要寻找的退化数学模型。 图2-1 图像的退化模型 数字图像的图像恢复问题可看作是： 根据退化图像g(x , y)和退化算子H(x , y)的形式，沿着反向过程去求解原始图像f(x , y)， 或者说是逆向地寻找原始图像的最佳近似估计。图像退化的过程可以用数学表达式写成如下的形式： g(x, y)=H［f(x, y)］+n(x, y) (2-1) 在这里，n(x, y)是一种统计性质的信息。在实际应用中， 往往假设噪声是白噪声，即它的频谱密度为常数，并且与图像不相关。 在图像复原处理中， 尽管非线性、 时变和空间变化的系统模型更具有普遍性和准确性，更与复杂的退化环境相接近，但它给实际处理工作带来了巨大的困难， 常常找不到解或者很难用计算机来处理。因此，在图像复原处理中， 往往用线性系统和空间不变系统模型来加以近似。这种近似的优点使得线性系统中的许多理论可直接用于解决图像复原问题，同时又不失可用性。 3 图像复原的方法 3.1逆滤波复原原理 逆滤波复原法又叫反向滤波法。在该方法中，用退化函数除退化图象的傅里叶变换F(u,v)来计算原始图象的傅里叶变换估计，由式3-1可以得到逆滤波退化公式： （3-1） 这个公式说明逆滤波对于没有被噪声污染的图象很有效，这里不考虑在u，v空间的某些位置上当H(u,v)接近0时可能遇到的计算问题，幸运的是忽略这些点在恢复结果中并不会产生可感觉到的影响。但是，如果出现噪声就会引起几个问题：第一，对于H(u,v)幅值比较小的频率处噪声的影响可能变得显著起来。这种状况通常对于高频u，v。在实际中，通常H(u,v)幅值衰减得比N(u,v)快得多，因此噪声的影响可能支配整个复原结果。将复原限定在H(u,v)足够大得u，v原点处得一个小邻域中，可以克服这个问题。第二个问题针对噪声本身的频谱，我们通常没有充分的有关噪声的信息来足够好地确定N(u,v)。为了克服H(u,v)接近0所引起的问题，在分母中加入一个小的常数k，将式(3-1)修改为： （3-2） 3.2维纳滤波复原原理 在大部分图象中，邻近的像素是高度相关的，而距离较远的像素其相关性较弱。由此，我们可以认为典型图象的自相关函数通常随着与原点的距离增加下降。由于图象的功率谱是图象本身自相关函数的傅里叶变换，我们可以认为的功率谱随着频域的升高而下降。 一般地，噪声源往往具有平坦的功率谱，即使不是如此，其随着频率的升而下降的趋势也要比典型图象的功率谱慢得多。因此，可以料想功率谱的低频分以信号为主，然而高频部分则主要被噪声所占据。由于逆滤波滤波器的幅值常随着频率的升高而升高，因此会增强高频部分的噪声。为了克服以上缺点，出了采用最小均方误差的方法（维纳滤波）进行模糊图象恢复。 维纳(wiener)滤波可以归于反卷积(或反转滤波)算法一类，它是由Wiener首提出的，并应用于一维信号，并取得很好